利用可解释XGBoost的卡塔尔干旱含水层井尺度地下水位预测与缺失数据重建

《Water》：Well-Scale Groundwater-Level Forecasting and Gap Reconstruction in Qatar’s Arid Aquifer Using Interpretable XGBoost

　　

在可靠地使用机器学习进行地下水管理时，需要明确区分预测、重建和空间外推。本研究将极端梯度提升（eXtreme Gradient Boosting, XGBoost）评估为一种数据驱动的方法学基准，而非基于过程的地下水流模型或监测网络设计工具。研究人员利用卡塔尔碳酸盐岩含水层系统中879口井的25,133个观测数据（2011–2016年），评估了三项操作性任务：受监测井的序贯单步超前预测、回顾性缺失数据重建，以及无局部地下水位历史记录的严格空间迁移。对于预测，主要的无气候模型实现了均方根误差（RMSE）= 0.31 m，比持续性基准（0.51 m）低约40%。留出井设计包含664口监督井中的107口（16.1%；3143个观测值）；在来自92口井的2856个观测值的公共子集上，XGBoost的RMSE为0.17 m，而持续性基准为0.40 m。缺失数据重建在随机掩膜和块掩膜情景下的RMSE范围为0.37 m至0.46 m；XGBoost优于持续性基准，但并不始终比线性插值或PCHIP插值更准确。当局部历史记录不可用时，严格的空间迁移失败（四个K均值块的平均R² = ?0.29 ± 1.52）。SHapley Additive exPlanations（SHAP）表明，前期地下水位约占预测重要性的99%。因此，该框架可通过短期预测和缺失数据重建来补充现有监测工作，但前提是存在局部观测数据；它不应替代现场监测，也不应被用于向未监测区域的外推。

**论文解读：可解释XGBoost在卡塔尔干旱含水层井尺度地下水位预测与缺失重建中的应用**

**研究背景与问题**
在干旱和极端干旱地区，水资源供给受限于自然补给与日益增长的用水需求之间的持续失衡。降水稀少、地表水资源匮乏，地下水成为战略性水资源。监测地下水位对于刻画含水层状态、识别异常波动、补全不完整记录及支撑管理决策至关重要。然而，地下水位预测面临诸多挑战：含水层响应受补给、开采、储水、水力连通性、海岸影响及局部井况等多因素非线性耦合控制，尤其在非均质碳酸盐岩含水层中，不同井之间的响应差异显著。监测记录常呈不规则、碎片化或空间分布不均，进一步加大了井尺度预测与缺失数据重建的难度。数据驱动方法，特别是极端梯度提升（XGBoost），适合处理表格型监测数据并捕捉非线性关系，但模型精度本身不足以评判其实用性——必须明确其是否主要依赖前期地下水位、在不同验证条件下的稳定性，以及其在观测稀少区域能否提供可靠估计。卡塔尔位于阿拉伯半岛极端干旱区，含水层以受岩溶发育、水力特性变化、海岸条件、低补给及长期开采影响的碳酸盐岩为主，空间变异性强，是检验机器学习模型支持常规监测、缺失重建与空间迁移能力的理想案例。以往研究常混淆预测、重建与空间外推三种任务，缺乏对操作边界的清晰界定。

**研究目标与主要工作**
本研究提出一种可解释XGBoost框架，用于卡塔尔干旱碳酸盐岩含水层系统的地下水位预测、缺失重建及监测网络评估。数据来自2011年9月至2016年12月间879口监测井的25,133个地下水位观测值。研究明确区分监测与建模：Ashghal网络提供观测记录，XGBoost作为数据驱动预测模型进行评估。主要贡献是建立了三种操作场景下的方法学基准：受监测井的序贯单步超前预测、现有记录内的回顾性缺失重建，以及无局部地下水位历史的严格空间迁移。研究通过与持续性基线、季节均值、线性插值和PCHIP插值对比，结合掩膜实验、空间验证、井级自助抽样、特征组消融及SHAP解释，量化了监测记录可支持哪些预测，以及哪些地方仍需额外观测或水文地质信息。

**主要关键技术方法**
研究人员采用XGBoost回归器（平方误差目标），固定配置为500棵树、学习率0.05、最大深度6、子采样0.8、列采样0.8及直方图树构建。预测变量包括滞后地下水位、移动窗口统计量、空间与井属性、循环季节描述符；气候变量（ERA5-Land年值）仅在敏感性分析中单独测试，以避免时间前瞻。验证设计分为三种：时间预测（训练期2011.09–2014.12，测试期2015.07–2016.12，中间设缓冲期）；留出井验证（按井标识分割，107口井不参与训练）；严格空间块交叉验证（对井坐标进行K-means聚类为4个地理块，轮流留出，且移除所有滞后变量）。缺失重建实验采用随机掩膜（10%、20%、30%）和块掩膜（1个和3个连续观测缺失）。性能指标包括RMSE、MAE、R²、NSE、KGE及偏差，不确定性通过井级簇自助抽样（200次重复）评估。特征贡献采用消融分析和SHAP值分组解释。

**研究结果**
3.1 受监测井及具有局部历史的留出井预测性能：在序贯单步超前预测中（2757个观测，446口井），观测-预测密度图显示点集中于1:1线附近，主要无气候模型RMSE=0.31 m，比持续性基准（0.51 m）低约40%。在留出井验证中（公共子集2856个观测，92口井），XGBoost RMSE=0.17 m，显著优于持续性基准（0.40 m），且均优于季节均值基线。

3.2 严格空间迁移（无局部地下水位历史）：采用K-means块验证（k=4）并排除滞后变量后，模型表现显著下降。四个块的平均R²为?0.29 ± 1.52，其中块0和块2呈正R²，块1微弱负值，块3强烈负值。表明在没有本地地下水位历史时，静态空间变量和粗分辨率气候变量无法充分表征碳酸盐岩含水层的非均质性，空间外推不可靠。

3.3 回顾性缺失重建：在五种缺失情景（随机10%、20%、30%及1观测和3观测块缺失）下，XGBoost的RMSE范围为0.37–0.46 m。它优于持续性基线，但并不始终比线性或PCHIP插值更精确，相对性能取决于掩膜比例和缺失结构。井尺度示例显示，XGBoost在某些情况下更贴近局部变异，而插值产生更平滑估计，因此XGBoost可作为插值的补充工具而非通用替代。

3.4 模型敏感性与不确定性：特征组消融显示，移除滞后地下水位变量导致RMSE增加最大；移除气候或空间变量仅引起微小变化。将年度ERA5-Land变量加入模型使R1测试RMSE从0.305 m降至0.276 m（约9.5%），但因存在时间前瞻风险未作为主模型。移除名义深度字段仅使RMSE增加3.0%。自助抽样显示，时间预测和留出井预测的RMSE置信区间窄，而严格空间验证的RMSE高且区间宽。超参数敏感性测试（7种单因素配置）中，R1 RMSE范围0.301–0.318 m，R2范围0.156–0.199 m，R3平均R²在所有配置下均为负（?0.55至?0.20），证明结论不受参数选择影响。

3.5 SHAP解释：按预测变量分组，前期地下水位状态几乎占全部模型重要性（约99%），空间、气候、井属性和季节变量贡献微小。单个特征中，前一时刻地下水位最重要，其次为三观测滚动均值、第二和第三滞后及近期变化量。SHAP归因不应解释为物理因果，仅表明模型主要利用含水层记忆。

3.6 残差分析与偏差诊断：时间测试集的平均残差（偏差）为+0.009 m，中位数+0.001 m，残差-预测值相关系数为?0.057，且无时间趋势，表明模型无系统性偏差。

**讨论与结论**
讨论部分指出，XGBoost在受监测网络内的操作性价值在于短期预测和短间隙重建，其最佳性能依赖前期地下水位信息。含水层记忆是预测技能的主要来源，滞后变量充当了岩溶系统记忆效应的紧凑替代指标，但良好性能不代表模型学到了完整的地理描述，而是利用局部地下水历史，类似于“静态标识符效应”。严格空间迁移的失败符合水文预测中“未测流域”难题，卡塔尔碳酸盐岩的岩溶连通性、水层变化、局部开采和海岸梯度无法仅由坐标和静态变量表示。研究还强调需要继续监测，改善井元数据和水文地质信息比算法改进更有价值。研究结论翻译如下：本研究评估了XGBoost作为地下水监测的数据驱动补充工具，而非替代品。使用879口井的25,133个观测数据，对于受监测井的序贯单步超前预测，XGBoost在前期地下水位可用时提供了有效预测技能并优于持续性和季节均值基线；对于回顾性缺失重建，XGBoost优于持续性但并非始终比线性或PCHIP插值更准确，其相对性能取决于掩膜情景；严格空间迁移不可靠（四个K均值块平均R² = ?0.29 ± 1.52），表明良好性能不能外推至未监测区域。预测技能的主要来源是编码于前期地下水位中的含水层记忆。因此，该框架适用于已建监测网络内的短期预测和重建，但并非基于过程的地下水流模型，也不适用于缺乏局部观测的外推。未来工作应整合更精细的开采记录、含水层分区信息、岩性、盐度、补给估计及物理模型输出。研究还关联到SDG 6、SDG 13和SDG 2等可持续发展目标。