尼泊尔迈蒂省气候、土地利用及人为驱动变化下的地下水储量机器学习预测

《Scientific Reports》：Machine-learning projections of groundwater storage under climate, land-use, and human-driven changes in Madhesh Province, Nepal

　　

摘要

地下水是尼泊尔Madhesh省的主要水源，但该省缺乏可靠的预测框架。本研究通过整合星载派生的地下水储量、机器学习和CMIP6气候强迫数据，开发了一套省级尺度的地下水预测系统。研究人员使用长短期记忆网络进行建模，输入数据包括二十年间的GRACE–GLDAS异常数据、观测气候数据以及土地利用-土地覆盖信息，并以共享社会经济路径5-8.5情景下经过偏差校正的MIROC6投影进行强迫驱动。结果显示，过去二十年间地下水储量呈持续下降趋势，累计降幅约50毫米（年均2.5毫米/年），主要原因是降水变异性，并因城市扩张和地表水损失而加剧。本研究测试了两种模型配置：一是采用降水和温度作为输入的气候驱动模型，其预测精度较高，但未能充分反映人类活动的影响；二是纳入土地利用-土地覆盖、土壤含水量、地下水灌溉面积和国内需求的多参数模型，尽管统计性能略低，但能更真实地捕捉含水层枯竭动态。气候驱动模型和多参数模型均表明，地下水补给具有明显的季风雨依赖性和高度季节性特征，补给峰值减弱，且持续下降趋势将延续至2045年。此外，基于情景的需求敏感性分析显示，当需求减少10%时，平均地下水储量从635.20毫米增至639.82毫米，而当总需求增加30%时则降至623.91毫米，95%置信区间宽度平均为9.24毫米，模型间差异平均为7.78毫米，表明不同模型结构下的预测响应较为稳定。经过偏差校正的机器学习驱动的地下水储量数据集和预测数据集，为数据匮乏地区的地下水评估和模型基准测试提供了可复现的基础。这些发现为地下水管理提供了可操作的见解，支持气候适应性水资源规划、可持续灌溉实践，以及在Madhesh省及类似数据匮乏冲积地区的政策制定。