黄河下游地区持续的地下水下降趋势的驱动分析：自然与人为因素的滞后影响（2001–2020年）

《Environmental Modelling & Software》：Driving Analysis of the Continuous Groundwater Decline Along the Lower Yellow River: Lagged Contributions of Natural and Human Factors (2001–2020)

　　摘要：高沉积物含量导致的黄河下游形成了一个独特的河流-含水层系统，过去二十年间沿河两岸的地下水位持续下降。研究利用2001-2020年的数据，构建了一个融合季节趋势分解（使用Loess方法，STL）、注意力增强型长短期记忆网络（LSTM）、Shapley Additive exPlanations（SHAP）和滞后响应分析的框架。STL分析表明，长期趋势解释了53.12%-91.35%的地下水位变化，反映了以趋势为主导的下降趋势。模型的适用性受到空间和水文地质条件的限制：STL-LSTM模型能够较好地解释河岸附近（0-5公里范围）的周期性渗漏现象（R2 = 0.888），而注意力增强型LSTM模型则提高了对远河区域（>10公里范围）的预测精度（R2 = 0.816）。驱动因素分析显示，地下水位响应存在空间距离依赖性。河岸附近的地下水动态（0-5公里）主要受河流水位和径流的影响，并存在大约一个月的滞后现象；而高悬浮沉积物浓度可能会降低河流-含水层的交换效率。河下游区域的地下水动态（10-15公里）则主要由农业用水量驱动（最大贡献率为-48.77%）。

引言：
地下水是水循环中的关键组成部分，不仅为全球大量人口提供主要饮用水源，还在维持生态系统平衡方面发挥着不可替代的作用（Gleeson等人，2016年）。特别是在干旱和半干旱地区，由于人口快速增长和城市化进程加快，区域用水需求激增。为了弥补地表水资源的不足，地下水资源被大规模过度抽取，导致许多地区面临严重的资源枯竭危机。地下水位持续下降不仅加剧了水资源短缺问题，还引发了包括地面沉降、水质恶化和生态退化等一系列环境问题（Du等人，2024年）。因此，深入分析地下水的动态变化及其驱动机制对于实现水资源的可持续管理至关重要。

地下水动态反映了地下水系统对气候变化和人类活动的响应。了解地下水位波动的特点是合理利用地下水资源的先决条件（Atawneh等人，2021年）。先前的研究表明，地下水位具有明显的非线性特征，如周期性和随机性。此外，浅层地下水系统通常表现出明显的季节性波动（Gao等人，2026年）。从机制上看，这些系统的动态变化受自然因素和人为因素的多尺度相互作用的影响（Shahnazi等人，2025年）。在自然因素中，降水和水分蒸发等水文气象因素起着基础性作用。例如，降水补给通常具有一个月的滞后效应，而温度驱动的蒸发损失会在极端干旱期间导致水位急剧下降（Serrano Diaz等人，2025年）。其他因素，如地形和水文地质条件，也可能进一步调节地下水的响应，但其影响往往因地区而异。近年来，特别是地下水抽取等密集的人类活动已成为影响地下水动态的关键因素（Karandish等人，2025年）。全球范围内，人类干预的深远影响与极端气候事件的结合得到了广泛证实。例如，加利福尼亚中央谷地的频繁干旱和集约化农业灌溉导致了严重的地下水枯竭（Scanlon等人，2012年）。同样，印度河和恒河流域的高强度农业灌溉也是导致地下水快速枯竭的核心机制（Das等人，2020年）。在越南湄公河三角洲，区域抽取量远远超过自然补给率，导致水位动态存在高度的空间异质性（Duy等人，2021年）。作为人口众多的国家，中国也面临着严重的地下水枯竭问题（Li等人，2017年）。2002年至2016年间，包括松花江和黄河在内的主要河流流域的地下水位普遍下降（Yin等人，2021年）。作为中国主要的小麦和玉米生产基地，黄河下游的华北平原成为地下水位下降最快的地区之一（Zhang等人，2019年）。除了密集的地下水抽取外，黄河下游还具有独特的河床高于周边泛滥平原或平地的地貌特征。在这种地貌条件下，河流水位和流量的变化以及沉积物的沉积会影响到河流-含水层的水力连通性，从而使河两岸的地下水位动态更加复杂。

为了应对地下水水平的复杂动态特征，分析方法也不断进化。早期研究主要依赖趋势检测和突变检测来识别宏观模式。为了解决传统非参数方法对序列自相关的敏感性，修正的Mann-Kendall检验被广泛采用（Hamed和Ramachandra Rao，1998年）。为了更精确地处理复杂的叠加时间信号，近期研究越来越多地采用“基于分解”的框架。通过使用Loess方法进行季节趋势分解（STL），原始时间序列被有效分离为长期趋势、季节性和残差成分（Alfio等人，2024年）。此外，小波变换（Adamowski和Chan，2011年）和变分模态分解（VMD）（Zheng等人，2024年）也是提取非平稳时间序列多尺度特征的主流技术。随后，深度学习模型利用这些信号来克服捕捉长距离时间依赖性的传统瓶颈（Jesse等人，2025年）。早期研究主要依赖人工神经网络（ANN）（Behzad等人，2010年）和支持向量机（SVM）（Yoon等人，2011年）等技术，而近年来相关方法得到了进一步发展。长短期记忆网络和门控循环单元（GRU）网络利用门控机制有效量化降水或抽取对水位的长期滞后影响（Nazari等人，2025年）；卷积神经网络（CNN）可以通过局部感知解决含水层和气象条件的空间异质性（Wunsch等人，2021年）。此外，结合注意力机制的混合框架可以动态捕获关键历史节点的特征权重，显著提高非平稳序列预测和极端事件模拟的准确性（Sun等人，2024年）。最近的研究还表明，集成机器学习模型与优化算法相结合可以提高地下水水位预测的准确性（Saqr等人，2025年）。总体而言，地下水水位建模已从统计趋势检测发展到混合深度学习架构，使得分解和预测高度非平稳的地下水波动变得越来越可能。然而，提高预测准确性并不 necessarily 有助于更清晰地理解地下水演变机制。

除了预测之外，揭示地下水动态的驱动机制同样至关重要。传统的方法主要依赖皮尔逊相关性和多元线性回归（Jesse等人，2025年），逐渐转向集成机器学习框架来表征复杂的气候-人类相互作用（Shahnazi等人，2025年）。例如，基于博弈论的SHAP框架被广泛用于量化全球因素贡献和细尺度的非线性阈值效应（Razavi-Termeh等人，2026年）。考虑到驱动机制的空间非平稳性，地理加权回归（GWR）（Ali等人，2024年）可以量化气象和灌溉影响的空间梯度变化。关于时间滞后响应，季节自回归积分移动平均模型（SARIMAX）（Mulla等人，2024年）常用于确定水位对降水或灌溉的最佳滞后月份，多分辨率交叉相关分析（MRCCA）（Oh等人，2017年）可以精细捕捉补给与水位波动之间的延迟。这些研究表明，地下水水位预测、驱动因素归因和滞后响应识别已成为地下水研究的重要方向。然而，这三个方面通常仍被视为独立的分析任务：预测模型主要追求准确性提升，归因方法侧重于因素重要性的量化，滞后分析则识别地下水位与外部驱动因素之间的延迟统计关系。因此，很少有研究将预测、归因和滞后响应识别结合在一个统一且可解释的框架中，以解释多个驱动因素如何共同塑造地下水演变。这一限制在受到强烈河流-含水层相互作用和密集人为干扰的复杂地下水系统中尤为重要。

作为中国重要的粮食生产区，黄河下游地区在过去二十年间经历了密集的农业地下水抽取，导致两岸地下水位持续下降，给区域水生态系统带来了日益增加的压力（Ainiwaer等人，2025年）。除了地下水抽取外，黄河下游还具有独特的河床抬升地貌和高沉积物负荷的特点。长期沉积物沉积使河床抬高，使得河流水位和流量的变化能够对相邻的地下水系统产生水力驱动作用。同时，沉积物沉积可能改变河床的渗透性，进一步影响河流-含水层的水力连通性。因此，与典型的河流-含水层系统不同，黄河下游的地下水动态受到河流条件、气候强迫和集约化农业用水的共同影响，从而导致更大的水文复杂性。在此背景下，以往的研究主要从区域水资源变化和气候变化与人类活动共同影响下地下水储层韧性减弱的角度（Wu等人，2025年），以及小浪底大坝运行和水土调节引起的土壤-水文条件变化对地下水位响应和滞后效应的角度（Lu等人，2022年），探讨了黄河下游河床抬升条件下的地下水水位下降和河流-含水层相互作用。然而，目前尚不清楚包括河流水位、径流、河道沉积物条件、气象因素和农业用水在内的多种驱动因素如何共同影响不同河流距离范围内的水位变化，以及这些效应如何反映在模型预测适用性和滞后响应特征上的差异。因此，需要在黄河下游河床抬升条件下，结合基于分解的预测、基于SHAP的归因和滞后响应诊断的集成框架，以明确地下水位下降的空间差异驱动因素。

基于2001年至2020年的长期连续地下水监测数据，本研究构建了一个可解释的混合预测和归因框架，该框架整合了STL分解、LSTM网络、时间注意力机制、SHAP和滞后响应分析。该框架用于描述不同河流距离范围内的地下水位演变，并研究河流、气象和农业因素在不同河床抬升条件下对地下水动态的贡献及不同滞后时间的影响。具体而言，本研究旨在：(1) 多尺度特征分析和空间梯度效应：利用STL方法，将多年的连续地下水监测序列分解为长期趋势、季节性变化和残差变化，从而精确量化不同空间区域的地下水动态演变特征。(2) 多模型预测比较和适用性分析：构建了一个结合季节趋势分解（使用Loess方法）和长短期记忆网络（STL-LSTM）的基线模型，以及一个包含时间注意力机制的先进预测框架（STL-ATT-LSTM），并通过比较两种模型的预测准确性来全面分析其在不同空间区域的适用性。(3) 多驱动因素的定量归因和滞后响应的异质性：通过结合SHAP算法和注意力权重，定量分解了各种因素（如降水、水分蒸发、水位和流量）对地下水演变的相对贡献。此外，还分析了河道特征的空间距离衰减规律，并确定了地下水对这些驱动因素的最佳滞后响应时间。

研究区域
长期沉积物沉积和人工堤坝约束共同塑造了黄河下游独特的“河床抬升”地貌。内河泛滥平原通常比周围陆地面高4-6米，在某些路段（如新乡段）这种高差超过10米。鉴于其极端的地形坡度和对水文动态的高度敏感性，新乡段被选为代表性研究区域。

数据集
本研究使用的水文和环境数据涵盖了2001年1月至2020年12月的连续20年观测期。多维数据集来自以下权威来源：
(1) 地下水数据：本研究共使用了7个地下水监测井，它们与黄河的最短距离从2.39公里到14.89公里不等，按距离从近到远排序如下：YY1-2，2.39公里；YY1-1，2.89公里；YY2-1，5.25公里；YY2-2，6.54公里。

地下水水平的时空分解和空间模式
为了深入分析地下水位演变背后的驱动机制，我们首先全面总结了研究区域内7个监测井的空间分布和长期水位动态。从空间上看，监测井到黄河的最短距离在2.39公里到14.89公里之间，距离从近到远依次为：YY1-2（2.39公里）、YY1-1（2.89公里）、YY2-1（5.25公里）、YY2-2（6.54公里）、YY3-2（12.21公里）、YY3-3（13.88公里）。

区域地下水系统的动态演变本质上是多源外部作用力下复杂水动力响应的宏观表现。通过将这些物理过程整合到我们的分析框架中，STL方差比例直观地表明，地下水动态的空间异质性严格受到距离衰减的河流补给与局部含水层储水能力之间相互作用的影响。在河流附近区域，尽管有大量的...

为了应对2001年至2020年间黄河下游“悬河”段地下水位的持续下降，并系统地解耦自然和人为因素的复杂时空动态及滞后驱动机制，本研究开发了一个可解释的混合数据驱动框架。该框架以STL时间序列分解为基础，利用STL-LSTM和STL-ATT-LSTM模型进行预测，并结合LSTM-AttentionCRedI技术。

**作者贡献声明**
刘家琦：指导
平建华：资金获取
张敏：调查
冯继伟：写作——审阅与编辑，原始草案撰写
李贺：写作——审阅与编辑，方法论

**未引用文献**
张等人，2023a。

**软件可用性**
代码名称：《黄河下游连续地下水下降的驱动分析：自然与人为因素的滞后影响（2001–2020年）**
联系方式：[e-mail]
首次可用年份：2025年
**所需硬件**：配备≥16 GB RAM和≥4 GB可用存储空间的标准个人电脑；Windows 10/11
**所需软件**：Python 3.10或更高版本，以及NumPy、Pandas、SciPy、Matplotlib等库
**源代码获取**：完整的源代码、数据预处理脚本和示例

**利益冲突声明**
作者声明没有已知的财务利益冲突或可能影响本文工作的个人关系。

**致谢**
作者感谢以下资助机构的支持：郑州大学，奖项编号SJCAQ-HT-2023-036；郑州大学，奖项编号135-32340122；郑州大学，奖项编号134-32340364。

**作者信息**
冯继伟 | 李贺 | 平建华 | 张敏 | 刘家琦
郑州大学水利与交通学院，郑州450001，中国