《Ecological Informatics》：Integrating Earth observation data and metaheuristic feature selection for groundwater level forecasting: a methodological validation in Prince Edward Island, Canada
编辑推荐：
地下水水位（GWL）的准确预测对于可持续水资源管理至关重要，然而地下水含水层系统的复杂性和数据局限性使其面临重大挑战。本研究提出了一种混合预测框架，将Runge-Kutta优化器与随机森林（RF-RUN）相结合作为元启发式包装器特征选择方法，并与直方图梯度提升
地下水水位（GWL）的准确预测对于可持续水资源管理至关重要，然而地下水含水层系统的复杂性和数据局限性使其面临重大挑战。本研究提出了一种混合预测框架，将Runge-Kutta优化器与随机森林（RF-RUN）相结合作为元启发式包装器特征选择方法，并与直方图梯度提升（HGB）学习器集成，利用Google Earth Engine（GEE）平台提取的多源地球观测（EO）数据，对加拿大爱德华王子岛（PEI）Sleepy Hollow和Caledonia两个监测井（1996–2023年）的月GWL进行提前一个月的预测。研究设计了四种输入情景（全数据集、仅滞后数据、SelectKBest过滤式特征子集、RF-RUN优化特征子集），并对比了HGB、弹性网络（Elastic Net）、AdaBoost和LASSO四种机器学习模型的性能。结果表明，RF-RUN-HGB模型在测试期表现最优，在Sleepy Hollow站取得R2=0.8352、RMSE=0.3727 m，在Caledonia站取得R2=0.8935、RMSE=0.6196 m。Diebold-Mariano检验和配对Bootstrap区间分析证实了该模型在多数对比配置中具有统计显著的预测优势。SHAP（SHapley Additive exPlanations）分析揭示了浅层与深层含水层截然不同的控制因素：浅层含水层主要受快速地表-大气过程（蒸散发、温度、降水）控制，而深层含水层则依赖于长期系统记忆（前期GWL）及延迟的融雪补给（雪水当量滞后2个月）。此外，基于集成批量序贯分割共形预测框架（EnbPI）的不确定性量化表明，RF-RUN-HGB模型在保持较高经验覆盖率（Sleepy Hollow：99%，Caledonia：93%）的同时，实现了较窄的平均预测区间宽度（分别为1.81 m和3.05 m）。本研究验证了元启发式包装器特征选择与强集成学习器相结合的方法在GWL预测中的有效性，提供了兼具物理可解释性和操作可靠性的预测工具，为数据稀缺地区的地下水资源管理提供了方法论支撑。
地下水作为地球上最主要的液态淡水资源，为饮用水供给、农业灌溉和工业过程提供了不可或缺的服务。然而，由于过度开采、污染以及全球变化的影响，地下水的可持续性正面临严峻威胁。准确的地下水水位（GWL）预测对于水资源管理至关重要，但含水层系统的复杂性和数据局限性使得传统统计与经验方法难以捕捉其中复杂的非线性关系。机器学习（ML）算法凭借其高预测精度和对高维数据的处理能力，已在GWL预测中展现出显著优势。然而，高维地球观测（EO）数据中普遍存在的多重共线性和噪声问题，使得特征选择成为构建可靠预测模型的关键环节。本研究针对这一需求，提出了一种将Runge-Kutta元启发式优化器（RUN）与随机森林（RF）相结合的包装器特征选择方法（RF-RUN），并与直方图梯度提升（HGB）模型集成，旨在解决传统特征选择方法难以捕捉非线性交互作用的问题，同时利用可解释人工智能（XAI）和严格的不确定性量化（UQ）增强模型的物理可解释性和操作可靠性。
研究人员利用Google Earth Engine（GEE）平台提取了1996–2023年期间位于加拿大爱德华王子岛（PEI）Sleepy Hollow和Caledonia两个监测井位置的多源EO时间序列数据，包括来自TerraClimate、ERA5-Land、CHIRPS和PERSIANN-CDR的14个气象与水文变量。在数据预处理阶段，研究人员创建了目标变量和各预测因子1至3个月的历史滞后特征，并按时间顺序将数据划分为68%的训练集（1996–2014年）和32%的测试集（2015–2023年），同时采用最小-最大归一化确保算法稳定性。在特征选择环节，研究比较了传统的SelectKBest过滤式方法与新提出的RF-RUN元启发式包装器方法，前者通过单变量统计检验对特征进行排序筛选，后者则通过RUN优化器与RF评估器构成的反馈循环，以均方误差为适应度函数迭代搜索最优特征子集。在模型构建阶段，研究以HGB作为主要预测模型，并以弹性网络、AdaBoost和LASSO作为对比基准，采用网格搜索与时序交叉验证（n-splits=4）进行超参数调优。研究在两个监测井站点上设计了四种输入情景：全数据集、仅滞后数据、KBest筛选子集和RF-RUN优化子集。预测性能采用六项指标综合评价：决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、Kling-Gupta效率（KGE）和95%不确定性界限（U95%）。此外，研究采用Diebold-Mariano（DM）检验、区块自助法置信区间和配对Bootstrap间隙分析进行统计显著性验证，利用SHAP分析揭示特征贡献的物理意义，并采用EnbPI共形预测框架量化95%预测区间的不确定性。
研究结果显示，RF-RUN-HGB模型在两个站点的预测性能均优于其他对比模型。在Sleepy Hollow站，该模型测试期R2=0.8352、RMSE=0.3727 m、KGE=0.8483；在Caledonia站，R2=0.8935、RMSE=0.6196 m、KGE=0.8721。散点图、残差蜜蜂群图/箱线图和泰勒图均一致证实了RF-RUN-HGB模型的优越性。值得注意的是，RF-RUN特征选择显著提升了HGB模型的性能，但并未对弹性网络和LASSO等线性模型产生同样的增益效果，这表明特征选择方法需与最终预测器的学习范式相匹配。SHAP分析揭示了两个站点差异化的物理控制机制：Sleepy Hollow浅层含水层（约12 m深）对快速地表-大气过程高度敏感，主要受前期GWL、参考蒸散发（TerraCPET t-1）、最高温度（TerraCTmx t-2）和近期降水（TerraCPr t-1）控制；而Caledonia深层含水层（约64 m深）则表现出强烈的自回归记忆效应，GWL(t-1)的SHAP值超过1.0，且依赖地表径流（ERA5RunOff t-1）和雪水当量（TerraCSWE t-2）等延迟补给因子。不确定性分析表明，RF-RUN-HGB在Sleepy Hollow站实现了99%的预测区间覆盖率（平均宽度1.81 m），在Caledonia站实现了93%的覆盖率（平均宽度3.05 m），均优于KBest和滞后基线模型。
讨论部分指出，RF-RUN特征选择对非线性树集成模型（HGB）的增益显著，但对线性模型可能产生性能下降，这源于RF目标函数筛选出的特征子集天然偏向非线性交互关系。与已有研究相比，本研究的结果与Rahaman等人（2019）利用随机森林结合卫星数据估算地下水储量的研究、Rafik等人（2023）在摩洛哥采用机器学习预测GWL的研究具有一致性。SHAP分析揭示的浅层与深层含水层不同的主导因素，与区域水文地质知识相符。研究的局限性在于仅使用两个监测井导致的空间代表性不足、点尺度井观测与粗分辨率栅格EO数据之间的尺度不匹配，以及未显式建模人为开采和土地利用变化等人类活动驱动因素。
结论部分总结指出，RF-RUN元启发式优化器与HGB集成的方法有效降低了数据维度并消除了树模型在完整未剪枝EO数据集上训练时的过拟合问题，在测试期取得了R2为0.84–0.89的高精度预测。SHAP可解释性分析证实了模型内部逻辑与物理水文地质原理的一致性，能够区分浅层含水层的快速地表效应补给过程和深层含水层的缓慢质量渗漏过程。共形预测框架提供的95%预测区间为水资源管理者提供了明确的不确定性边界。该研究证明，将包装器特征选择与强集成学习器相结合，能够构建兼具物理可解释性和高精度的GWL预测模型，为数据稀缺地区的地下水资源可持续管理提供了实用的决策支持工具。
