基于GRACE卫星数据的流域尺度地下水位估算机器学习算法

《Journal of Hydrology: Regional Studies》：Machine learning algorithms for estimating basin-scale groundwater levels based on GRACE satellite data

　　

**摘要**

**研究区域**：本研究聚焦于突尼斯北部Medjerda下游河谷（LVM）盆地。

**研究焦点**：本研究旨在通过整合地球观测（EO）产品（如GLDAS、GLEAM和GRACE卫星数据）与实地地下水位（GWL）测量数据，预测数据稀缺环境中的地下水位。研究人员评估了四种机器学习（ML）模型填补GWL数据空白的能力：随机森林（RF）、XGBoost（XGB）、支持向量回归（SVR）和长短期记忆网络（LSTM）。研究还进行了GWL和EO数据的空间趋势分析及基于趋势的外推情景分析。

**区域新的水文学见解**：结果表明，RF是性能最佳的模型，其R2值介于0.7604至0.9475之间，NS值介于0.7604至0.9460之间，WI值介于0.7812至0.9722之间，且RMSE最低，为0.0210米。误差分析表明模型具有高可靠性，PBIAS值始终处于±10%的最优范围内。XGBoost表现出欠拟合。LSTM尽管易过拟合，但有效捕捉了长期趋势。GWL空间趋势分析显示，在62口井中，77.42%的井呈现下降趋势。基于历史趋势的探索性情景预测显示，到2030年和2040年，旱季GWL将严重枯竭，达到?36.75米。本研究凸显了将降尺度的EO数据与机器学习算法相结合，以增强数据稀缺地区地下水评估的潜力。

**基于GRACE卫星数据与机器学习算法的流域尺度地下水位估算研究解读**

**一、研究背景与科学问题**

地下水资源是全球水文循环的关键组成部分，为 domestic 用水和农业生产提供重要水源。然而，人口增长、工业扩张、灌溉强化以及气候变化，尤其在地下水至关重要的干旱和半干旱地区，对淡水含水层构成了巨大压力。有效的水资源管理依赖于对可用资源量和储量的准确评估与预测。地下水位（GWL）预测作为可持续水资源管理的核心工具，其准确性直接影响保护策略的制定。

传统的地下水模拟方法，如基于物理过程的数值模型（MODFLOW、FEFLOW、TOUGH2），在模拟复杂地下水系统方面具有优势，但这类模型通常需要大量的数据支撑和复杂的参数率定，这在数据稀缺地区尤为困难，面临初始和边界条件复杂、关键水文地质参数难以获取、监测基础设施不足等重重障碍。同时，如自回归（AR）、自回归移动平均（ARMA）及差分自回归移动平均（ARIMA）等传统统计方法，受限于其处理地下水系统复杂非线性特征的能力，难以捕捉由气候变化、过度开采等因素引起的非平稳动态变化。

相较之下，作为人工智能（AI）子集的机器学习（ML）算法，提供了一种数据驱动的方法，能够不依赖特定的物理水文地质模型，从历史数据中学习GWL与其预测因子（如气象、水文变量）之间的复杂数学关系。然而，在广大地区，尤其是北非等干旱与半干旱区域，实测气象和水文数据往往稀疏或不可得。遥感卫星产品，特别是重力恢复与气候实验（GRACE）卫星反演的地球陆地水储量（TWS）数据，以及基于卫星的再分析产品如全球陆地数据同化系统（GLDAS）和全球陆地蒸发阿姆斯特丹模型（GLEAM），为填补这一数据空白提供了宝贵的替代方案。

尽管已有研究开始探索GRACE数据与ML模型的结合，但如何系统性地整合GRACE、GLDAS和GLEAM等多源地球观测（EO）数据，并驱动不同ML模型在流域尺度上进行GWL预测，特别是在数据极度匮乏的流域验证其有效性，仍是一个有待深入探索的领域。因此，针对突尼斯北部水资源压力严峻、且水文地质数据缺乏的Medjerda下游河谷（LVM）盆地，开展基于多源EO数据与ML算法的GWL预测研究，具有重要的科学价值和现实意义。

**二、主要技术方法**

为实现研究目标，研究人员构建了一套集成多源EO数据与机器学习算法的技术框架，主要方法如下：

1. **数据整合与预处理**：整合了来自GRACE的陆地水储量（TWS）、GLEAM的Actual Evapotranspiration（实际蒸散发，AET）、GLDAS的土壤水（SW，0-40cm和0-200cm）与冠层含水量（CWC）等EO产品，以及气象站的降水（P）和温度（T）数据。所有数据均被处理为与观测井位置对应的月尺度时间序列。为评估预测因子的独立性，采用方差膨胀因子（VIF）进行多重共线性检验。对于存在缺失的温度数据，利用Climate Engine平台进行插补。

2. **机器学习模型构建与评估**：研究采用四种主流的ML回归模型：Random Forest（随机森林，RF）、XGBoost（XGB）、Support Vector Regression（支持向量回归，SVR）和Long Short-Term Memory（长短期记忆网络，LSTM）。模型以GWL为目标变量，以TWS、AET、SW、CWC、P、T为特征变量。数据集按7:3的比例划分为训练集（2002-2019年间150个月）和测试集（63个月）。模型性能通过决定系数（R2）、Nash-Sutcliffe效率系数（NS）、平均绝对误差（MAE）、均方根误差（RMSE）、解释方差分数（EVS）、百分比偏差（PBIAS）和Willmott一致性指数（WI）等指标综合评估。

3. **模型评估与诊断**：除性能指标外，还通过Generalization Ability（泛化能力，GA）指数评估模型对新数据的适应能力，GA值接近1为理想状态。采用Monte Carlo方法对模型预测结果进行不确定性分析，通过覆盖率（CR）、相对平均带宽（B）和相对偏差（D）量化预测区间质量。此外，通过敏感性分析评估各输入特征对不同模型预测GWL的相对重要性。

4. **趋势分析**：采用非参数的Mann-Kendall（M-K）检验和Theil-Sen斜率估计器，对62口观测井的实测GWL数据、LSTM模拟GWL数据以及TWS、AET、P等关键变量的时间序列进行趋势显著性检验和变化幅度量化。

5. **情景预测**：基于历史趋势外推（2002-2019年），利用Theil-Sen斜率估计未来（2030、2040年）各输入特征的可能值，并输入到训练好的RF模型中，模拟未来时期GWL的响应，最终通过GIS栅格计算生成基于2010年基线的GWL变化空间分布图。

**三、主要研究结果**

**1. 模型泛化能力与拟合优度评估**
通过对GA指数的分析，研究人员发现RF和SVR模型表现出较强的泛化能力，其GA值在0.8571至1.0980之间，接近理想值1。相比之下，XGB模型的GA值范围（0.1100-0.7216）远小于1，提示其存在欠拟合问题。而LSTM模型的GA值普遍大于1（1.0096-1.4286），表明该模型存在过拟合现象。

**2. 多源数据驱动GWL预测的有效性评估**
基于测试数据集的评估结果显示，RF模型总体表现最佳，其在8口代表性监测井上的R2介于0.7604至0.9475，RMSE最小可达0.0210米。SVR和XGB模型也展现了良好的预测能力（R2最高分别可达0.93和0.89），而LSTM模型性能相对较低。PBIAS分析表明，RF模型所有值均保持在±10%的“非常好”阈值内，LSTM在多数井位系统偏差最小，而XGB在部分井位（如Well 4和5）出现显著正偏差，预测值存在高估。水文过程线与散点图直观地展示了RF、XGB和SVR模型对实测GWL动态的复现能力优于LSTM模型。

**3. 预测不确定性分析**
采用Monte Carlo方法进行不确定性评估，结果显示所有模型在训练期和测试期的覆盖率（CR）分别在60.15%-98%和61.29%-97.81%之间，相对平均带宽（B）和相对偏差（D）值普遍较小（多在0.001-0.14米范围）。这表明大多数观测值都落在置信区间内，模型总体可靠，但LSTM模型对低GWL值的预测存在局限。

**4. 输入变量敏感性分析**
敏感性分析一致表明，来自GRACE的TWS是预测GWL最关键的输入变量，其重要性在所有模型中均排名最高。Actual Evapotranspiration（AET）和降水（P）分别位列第二和第三位，强调了蒸散过程和水源补给对地下水动态的重要控制作用。

**5. 地下水位时空变化趋势分析**
对2002年至2019年间实测与LSTM模拟GWL数据的趋势分析显示，LVM盆地地下水位呈普遍下降趋势。LSTM预测结果与实测趋势高度一致，显示77.42%的井位GWL呈下降趋势（实测为80.65%），但模型在空间上略微低估了下降的幅度和范围。空间上，下降最强烈的区域主要分布在盆地北部、集约化灌溉的周边区域。同时，GRACE观测的TWS数据也显示67.75%的区域存在下降趋势，与GWL趋势在空间上高度吻合。观测的AET在75.80%的区域内呈增加趋势，而降水的空间趋势则较为复杂。

**6. 面向2030和2040年的探索性情景预测**
基于历史趋势外推的情景预测结果表明，相较于2010年，到2030年和2040年LVM盆地地下水位将出现严重且持续的区域性下降，且旱季（10月）的下降幅度显著大于湿季（5月）。预测显示，到2030年旱季GWL最大降幅可达?32.58米，到2040年旱季更将进一步恶化至?36.75米，显示了地下水储量长期枯竭的严峻趋势。

**四、讨论与结论**

**讨论**
本研究表明，结合GRACE衍生的TWS、水文气象变量和实测GWL数据的机器学习方法，是对数据稀缺流域进行地下水评估的有效且可转移的框架。RF模型因其对复杂非线性关系的稳健学习能力，在本研究中展现了最佳的预测精度和泛化性能。LSTM虽然因训练数据长度限制而易过拟合，但其独特的架构设计使其在捕捉长期趋势方面具有显著优势，这凸显了根据具体研究目标（是预测还是趋势识别）来选择合适ML模型的重要性。

敏感性分析结果进一步证实了GRACE-TWS的关键作用，它整合了地表水、土壤水和地下水等多种水储量信息，为GWL模拟提供了宏观、综合的水文背景。GWL的下降趋势、TWS的减亏以及AET的增加在空间上高度一致，共同揭示了农业集约化灌溉的过度开采是驱动LVM盆地地下水枯竭的主导因素，而气候变化（降水减少和蒸散增强）则加剧了这一趋势。盆地内高渗透性的第四纪冲积层虽然有利于快速抽取，但也促进了下降漏斗的迅速扩展；而周围低渗透性的地质单元则限制了垂向补给，使得开采压力高度集中于高产的含水层。

**结论**
本研究首次针对LVM盆地构建了综合的机器学习框架来预测GWL动态，并生成面向2030和2040年的探索性GWL变化情景图集。研究证实了整合GRACE衍生的TWS是最具影响力的输入变量，能有效提升模型性能。RF模型在预测精度（测试期R2介于0.76-0.95）和泛化能力上表现最佳，LSTM模型虽易过拟合但擅长捕捉长期趋势。趋势分析揭示了LVM盆地地下水呈广泛且强烈的下降趋势，主要受集约化灌溉区过度开采、陆地水储量下降、实际蒸散发增加和降水减少的共同影响。模拟的严重GWL枯竭情景（到2040年旱季最大降幅达?36.75米）凸显了制定可持续管理策略的紧迫性。本研究为半干旱地中海盆地应对日益增长的气候和人为压力下的地下水可持续管理提供了有价值的科学依据。