《Journal of Water Process Engineering》：A holistic approach to basin-scale groundwater security assessment using SWAT, machine learning, and deep learning in semi-arid regions
编辑推荐：
地下水安全评估在半干旱坚硬岩区通过整合SWAT模型、机器学习与深度学习（CNN表现最优，AUC 0.920）及电测深法（ERT验证）实现 basin-scale 评估。
阿米特·贝拉（Amit Bera）| 利坦·杜塔（Litan Dutta）| 拉杰瓦尔德汉·库马尔（Rajwardhan Kumar）| 斯瓦尔纳利·巴鲁阿（Swarnali Barua）| 库马尔·苏曼·索拉夫（Kumar Suman Sourav）| 桑吉特·库马尔·帕尔（Sanjit Kumar Pal）
应用地球物理学系，印度理工学院（印度矿业学院），丹巴德，826004，贾坎德邦，印度
摘要
流域尺度的地下水安全评估对于理解水资源可用性、可持续性以及更广泛的环境和社会经济系统之间的相互联系至关重要。本研究在印度北科埃尔河流域的半干旱、坚硬岩层地形中进行，该地区在旱季面临严重的水资源短缺问题。研究采用了一种综合方法，结合了地球物理方法、SWAT水文建模、机器学习和深度学习技术来评估流域尺度的地下水安全状况。分析了18个专题数据集，以确定关键影响因素，包括地形变量、蓝水和绿水指标、与地下水需求相关的参数以及水质指数。应用了四种预测模型——人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）和卷积神经网络（CNN）——将地下水安全状况分为高安全、中等安全、低安全和临界安全四个等级。其中，CNN模型的准确率最高，AUC得分为0.920，优于RF（0.897）、SVM（0.854）和ANN（0.821）。通过在四个地点进行的电阻率层析成像（ERT）调查验证了CNN预测的地下水安全地图，结果发现高安全区域具有浅层含水层，而临界安全区域则含有较深且难以获取的含水层。这一框架为类似水文区域的流域尺度地下水安全评估和资源管理提供了可靠且可扩展的工具。
引言
水资源安全是可持续发展的关键组成部分，它确保了充足的高质量水资源，以支持人类健康、经济活动和环境需求，同时降低与水相关的风险。近年来，随着人口增长、气候变异性以及不可持续的水资源管理实践，水资源安全问题日益突出[1]。在流域尺度上，水资源安全是一个复杂而多方面的挑战，涉及水文过程、社会经济活动和生态系统之间的相互作用[2]。河流流域是整合地表水和地下水资源的基本水文单元。气候变化、地质特征和人类活动在流域内的相互作用要求采取综合方法来支持水资源的持续利用和保护[3]。流域尺度的地下水安全强调在流域的水文和地质范围内对含水层系统的评估、管理和保护[3]。这种分析尺度提供了对地下水动态的全面理解，包括补给、储存和排放过程。它还明确了含水层、地表水和生态系统之间的相互作用[4]。它允许将含水层特征的空间变异性（如地质、土壤质地和土地利用）纳入决策框架。地下水安全还需要从社会、经济和环境等多个维度进行综合考量[5]。有效的治理、利益相关者的参与和可持续的地下水管理实践对于解决竞争性水资源需求和预防冲突至关重要。在流域尺度上实现地下水安全的一个关键方面是识别脆弱的含水层系统并了解导致地下水压力的因素。
传统上，地下水管理主要通过监测抽取率、补给能力和地下水位波动来关注水量评估。这种以数量为中心的视角忽视了水资源安全的一个重要方面，即地下水资源的质量。水质差甚至会使丰富的地下水储备变得不适宜使用，从而带来重大的健康风险，并限制社会经济发展[6]。全面的地下水安全评估必须同时考虑水量和质量参数，以实现可持续的资源管理。地下水质量受到多种自然和人为因素的影响，包括岩性、气候条件、农业活动、工业活动和家庭废物处理[7]。由于盐度升高、硝酸盐污染和微生物污染导致的水质下降已成为一个严重问题，特别是在补给有限且稀释速度缓慢的半干旱地区，含水层更加脆弱[8]。除了水化学特征分析外，全面的地下水安全评估还必须纳入毒理学视角。长期暴露于氟化物、硝酸盐、氯化物和过高硬度等污染物可能导致慢性健康问题，包括牙齿和骨骼氟中毒、高铁血红蛋白血症、胃肠道不适和高血压[9][10][11][12][13][14]。这些毒理学风险凸显了将地下水质量评估与公共卫生结果联系起来的必要性，以确保资源管理策略同时解决水资源的可用性和安全性问题。通常使用水质指数（WQI）来评估地下水质量，这是一个综合多种物理和化学指标的工具，用于判断水是否适合不同用途[15]。WQI将详细的水质信息浓缩成一个统一的分数，便于政策制定者和水资源管理者在不同地区和时间段内更容易地评估和比较水质状况。
地下水安全和可持续管理需要全面了解地下条件，包括含水层的特征和动态行为。多年来，人们采用了多种方法来评估水资源。传统方法，如钻孔和地下水文调查，提供了有价值的点数据[16][17]。但这些方法往往无法满足大规模评估和持续监测地下水系统的需求。侵入式地球物理方法，特别是电阻率层析成像（ERT），已成为有效的含水层特征分析工具[18][19]。ERT能够实现高分辨率的地下电阻率成像，与传统技术相比，具有更大的空间覆盖范围，有助于识别和划分含水层[20]。尽管ERT在区域尺度的地下水评估中非常有效，但由于数据收集和处理的耗时性，其在广阔区域的应用受到限制[21]。对于流域尺度的评估，机器学习（ML）、人工智能（AI）和地理空间技术提供了更高效和成本效益更高的解决方案。
先进的地理空间和地球物理工具，结合水文建模和机器学习技术，在划分补给区、预测地下水波动和评估含水层健康状况方面发挥了重要作用[22][23][24][25][26]。先前的研究利用了多种机器学习和深度学习技术与地理空间工具相结合的方法，探索了水文研究的各个方面，特别是在水资源安全评估方面。随机森林[27]、决策树[28]、提升回归树[29]和最小二乘支持向量机[30]等方法展示了它们的实用性。早期对地下水安全的研究主要集中在概念框架上，探讨了水资源安全的定义和边界[3][4][5][31]。其他研究则强调了城市尺度的地下水安全[32][33][34]。然而，关于将SWAT、机器学习和深度学习方法与ERT地球物理方法结合用于流域尺度地下水安全的文献研究仍存在显著空白。
印度贾坎德邦的北科埃尔河流域是一个典型的例子，该地区的地下水资源因自然和人为因素而面临巨大压力。多样的地质构造、复杂的地形和季风气候造就了复杂的水文地质环境，因此采用先进的方法来评估和管理地下水安全至关重要。本研究提出了一种混合方法，结合了地球物理、水文和机器/深度学习技术，用于印度北科埃尔河流域的地下水安全评估。这项研究的新颖之处在于其跨学科框架，提高了地下水评估的精度，并为全球可持续水资源管理讨论做出了贡献。
北科埃尔河流域位于印度东部，是满足贾坎德邦水资源需求的重要流域。地理上，该流域介于北纬23°4′34″-24°32′12″和东经83°25′17″-85°1′22″之间（图1）。它涵盖了贾坎德邦的六个地区（帕拉穆、洛哈达加、拉特哈尔、古姆拉、加尔瓦和查特拉），其中一小部分位于恰蒂斯加尔邦的萨姆里区块。北科埃尔河发源于兰奇高原。
本研究采用了一种综合方法，结合水文、地理空间和地理环境数据集，开发了用于流域尺度地下水安全绘制的机器学习和深度学习模型。使用了18个专题数据集，包括八个地形变量、四个蓝水和绿水指标、五个与地下水需求相关的参数以及一个水质指数。岩性特征和线性构造特征是从地质资料中获取的。
含水层介质的属性，如孔隙度、渗透性和矿物组成，在决定地下水补给、储存和流动动态方面起着关键作用。在该流域内识别出了八种含水层介质：冲积层、条带状片麻岩复合体、红土、石灰岩、石英岩、砂岩、片岩和侵入岩[4a]。冲积层因其未固结的性质、高孔隙度和高渗透性而脱颖而出，有利于高效的渗透和储存。
使用接收者操作特征曲线下面积（AUC-ROC）和混淆矩阵等指标评估了预测模型（ANN、RF、SVM和CNN）的有效性。AUC-ROC表示模型正确区分安全含水层和脆弱含水层的概率，其中0.5的得分表示随机性能，而接近1.0的得分表示更强的预测能力。
本研究通过结合SWAT建模与机器学习和深度学习模型，提出了一个全面的框架来评估北科埃尔河流域的地下水安全。在测试的模型中（ANN、SVM、RF和CNN），CNN模型的预测准确率最高，AUC得分为0.920，优于RF（0.897）、SVM（0.854）和ANN（0.821）。CNN模型将41%的流域区域分类为高安全等级，而ANN模型将58%的区域分类为高安全等级。
阿米特·贝拉（Amit Bera）：撰写——审稿与编辑、初稿撰写、可视化、验证、方法论、调查、正式分析、数据整理、概念化。
利坦·杜塔（Litan Dutta）：撰写——审稿与编辑、初稿撰写、可视化、验证、软件应用、方法论、调查、正式分析。
拉杰瓦尔德汉·库马尔（Rajwardhan Kumar）：撰写——审稿与编辑、初稿撰写、可视化、验证、软件应用、方法论、调查、资金获取、正式流程。
提交的工作是原创的，尚未以任何形式或语言（部分或全部）在其他地方发表。所有使用的来源均已适当披露，并附有正确的参考文献。所有作者都亲自参与了论文的主要工作，并对其内容承担公开责任。
本研究未从公共、商业或非营利部门的资助机构获得任何特定资助。
作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
作者衷心感谢TEXMiN创新中心、印度理工学院（ISM）丹巴德分校、中央地下水委员会、印度气象部门、印度地质调查局、贾坎德空间应用中心以及SWAT用户组提供的宝贵支持。特别感谢匿名审稿人的宝贵意见和建议，这些意见和建议提高了本研究的质量。
