可解释人工智能(XAI)作为模拟地下水补给时空变异性诊断工具：以半干旱河流域为例

《Environmental Modelling & Software》：Explainable AI as a Diagnostic Tool for Analyzing Spatiotemporal Variability in Simulated Groundwater Recharge: Application to a Semi-Arid River Basin

　　

可解释人工智能(Explainable AI, XAI)成功识别了地下水补给的重要驱动因子。可解释人工智能分析揭示了与高补给相关的阈值特征：当降水量超过500 mm/year时，补给与降水之比最高。在低降水区域，补给发生在具有高砂土百分比的耕地中。

本研究针对全球半干旱地区地下水资源持续退化、补给机制复杂且难以量化的问题，以下阿肯色河盆地(Lower Arkansas River Basin, LARB)为研究区，开展基于可解释人工智能(Explainable AI, XAI)的模拟地下水补给诊断分析。研究人员利用已校准的SWAT+与gwflow耦合过程模型模拟补给结果作为目标变量，分别构建了SWAT+替代模型和独立预测模型，结合Shapley Additive exPlanations(SHAP)和累积局部效应(Accumulated Local Effects, ALE)解释工具，识别补给的关键驱动因子与阈值行为，并绘制高补给潜力区。结果表明，两种机器学习模型均能高精度复现过程模型的补给估计，且一致识别出降水超过约500 mm/year时补给显著增强的阈值特征；在低降水区域，耕地比例和砂土含量是灌溉回归流补给的重要控制因素。该工作展示了XAI作为过程模型诊断工具的价值，可为地下水管理决策提供可解释的定量依据。

本研究釆用的主要关键方法如下：以SWAT+和gwflow校准模拟的每日补给值（来自Abbas et al., 2025，共42,707个水文响应单元(HRU)）为目标变量；SWAT+替代模型使用34个SWAT+输入及中间输出变量，独立预测模型使用公开的气象、土壤、地形、水文地质和土地利用数据（PRISM、OpenET、SSURGO、SRTM等，统一重采样至500 m）；随机森林(Random Forest, RF)回归器用于训练，并用GridSearchCV和5折交叉验证调参；采用70%训练/30%测试及时间/空间留出法评估；使用SHAP和ALE分析变量重要性和阈值效应；通过消融测试避免信息泄漏。

### 3.1 SWAT+替代机器学习模型
利用SWAT+输入与中间输出数据训练RF模型，SHAP分析显示雪融、平均土壤含水量、降水、降雪和平均雪水当量对模拟补给有强正效应；表面径流和土壤含水量变化呈中等负效应。ALE分析揭示了降水约550 mm/year、土壤含水量约70 mm、雪融约150 mm的阈值，超过后补给显著增加；实际蒸散发增加则补给减少。时间留出测试NSE为0.85，空间HRU留出测试NSE为0.979，表明模型能高精度复现SWAT+时空补给趋势。

### 3.2 独立机器学习预测模型
使用公开数据作为预测变量，模型测试集NSE为0.91，能准确捕捉补给的时空动态。时间留出法评估中，训练期(2002–2010)NSE为0.99，测试期(2011–2015)NSE为0.70；留出干年(2012)时NSE降至0.24，表明模型对极端干旱年预测能力有限。空间500 m网格留出测试NSE为0.40，较随机留出显著下降。

#### 3.2.1 时间估计
独立模型能精确预测SWAT+模拟补给的高、低值，年度均值1:1图与SWAT+结果高度一致。

#### 3.2.2 空间估计
SWAT+和独立模型预测的补给空间分布均显示高海拔山区和灌溉区补给较高，低海拔非灌溉区补给低。补给分数在低海拔地区低于5%，山区可达25%；模型残差在山区较大(±50 mm/year)，可能与山区降水观测不足和地形水文复杂性有关。

#### 3.2.3 敏感性分析
SHAP显示降水、最低气温和排水密度是独立模型最重要的预测因子；ALE分析确定了高补给阈值：降水>500 mm/year、坡度>12°、砂土含量>75%时补给显著增加；耕地比例>28%后补给降低。

#### 3.2.4 高补给潜力变量的空间相关
高补给区集中在西部山区，对应高降水(>500 mm/year)、高坡度(>12°)、高实际蒸散发(>800 mm/year)和常绿林覆盖(>80%)区；河流附近和山缘砂土含量高，部分灌溉农业区(耕地比例>70%)也呈现高补给。

讨论部分指出，机器学习模型可有效复现过程模型并降低计算成本；XAI识别的降水阈值与SWAT+内部土壤含水量变化一致，反映了土壤达田间持水量后的渗透过程。独立模型有时将高补给归因于与实际蒸散发或坡度等与降水强相关的代理变量，导致物理上不一致的关系，说明高预测精度并不保证物理机制的正确承载。因此，使用生理过程相关变量作为预测因子是从XAI中获得可靠解释的关键。研究结论为：可解释人工智能作为过程模型补给模拟的诊断工具，能够提取驱动因子和阈值行为，提供对地下水管理有指导意义的新认知，并适用于不同气候和水文地质条件。