数值建模与机器学习的并行应用在高分辨率地下水监测中的应用：通过相互验证评估地下水资源的消耗情况（伊朗加姆斯萨尔平原）

《Ain Shams Engineering Journal》：Parallel Application of Numerical Modeling and Machine Learning for High-Resolution Groundwater Monitoring Assessing Depletion via Mutual Validation(Garmsar Plain, Iran)

　　

法里巴·博尔纳埃伊·博伊德（Fariba Bornaei Bojd）|巴巴克·阿明内扎德（Babak Aminnezhad）|阿里雷扎·扎马尼·努里（Alireza Zamani Nouri）|哈桑·艾哈迈迪（Hassan Ahmadi）

摘要

由于过度抽取地下水以及气候因素的影响，伊朗的加姆萨尔平原（Garmsar plain）正面临严重的地下水枯竭问题，这威胁到了含水层的可持续性。本研究旨在通过应用和比较独立的数值模拟方法与机器学习（ML）方法，准确评估这种长期地下水枯竭的规模和空间分布模式。我们采用平行建模方法对2002年至2015年期间的地下水动态进行了分析。其中，MODFLOW模型被用于模拟地下水流动；同时，还开发了一个集成机器学习模型（包含支持向量机SVM、K最近邻算法KNN和决策树算法），将GRACE卫星数据降尺度至0.25°的高分辨率，生成了地下水位异常分布图。MODFLOW模型的校准结果非常稳健（均方根误差RMSE为2.86米，无量纲均方根误差NRMSE为6%）。机器学习降尺度处理后的GRACE数据与实际观测到的井水位变化趋势呈现出极强的相关性（R2约等于0.97）。两种独立方法得出了相同的结论：在初期上升29个月后，地下水位持续下降，且枯竭最为严重的区域正是那些抽水强度最高的地区。本研究的主要创新之处在于同时运用基于物理原理的模型和数据驱动的模型进行相互验证，从而实现对含水层流失情况的高可靠性、多证据的量化分析。这一严谨的评估结果为政策制定者提供了可靠的依据，有助于他们确定需要实施水资源限制的区域，并优先制定关键的含水层管理措施。