《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
編輯推薦：
地下水安全評估在半干旱堅硬巖區通過整合SWAT模型、機器學習與深度學習（CNN表現最優，AUC 0.920）及電測深法（ERT驗證）實現 basin-scale 評估。
阿米特·貝拉（Amit Bera）| 利坦·杜塔（Litan Dutta）| 拉杰瓦爾德漢·庫馬爾（Rajwardhan Kumar）| 斯瓦爾納利·巴魯阿（Swarnali Barua）| 庫馬爾·蘇曼·索拉夫（Kumar Suman Sourav）| 桑吉特·庫馬爾·帕爾（Sanjit Kumar Pal）
應用地球物理學系，印度理工學院（印度礦業學院），丹巴德，826004，賈坎德邦，印度
摘要
流域尺度的地下水安全評估對于理解水資源可用性、可持續性以及更廣泛的環境和社會經濟系統之間的相互聯系至關重要。本研究在印度北科埃爾河流域的半干旱、堅硬巖層地形中進行，該地區在旱季面臨嚴重的水資源短缺問題。研究采用了一種綜合方法，結合了地球物理方法、SWAT水文建模、機器學習和深度學習技術來評估流域尺度的地下水安全狀況。分析了18個專題數據集，以確定關鍵影響因素，包括地形變量、藍水和綠水指標、與地下水需求相關的參數以及水質指數。應用了四種預測模型——人工神經網絡（ANN）、支持向量機（SVM）、隨機森林（RF）和卷積神經網絡（CNN）——將地下水安全狀況分為高安全、中等安全、低安全和臨界安全四個等級。其中，CNN模型的準確率最高，AUC得分為0.920，優于RF（0.897）、SVM（0.854）和ANN（0.821）。通過在四個地點進行的電阻率層析成像（ERT）調查驗證了CNN預測的地下水安全地圖，結果發現高安全區域具有淺層含水層，而臨界安全區域則含有較深且難以獲取的含水層。這一框架為類似水文區域的流域尺度地下水安全評估和資源管理提供了可靠且可擴展的工具。
引言
水資源安全是可持續發展的關鍵組成部分，它確保了充足的高質量水資源，以支持人類健康、經濟活動和環境需求，同時降低與水相關的風險。近年來，隨著人口增長、氣候變異性以及不可持續的水資源管理實踐，水資源安全問題日益突出[1]。在流域尺度上，水資源安全是一個復雜而多方面的挑戰，涉及水文過程、社會經濟活動和生態系統之間的相互作用[2]。河流流域是整合地表水和地下水資源的基本水文單元。氣候變化、地質特征和人類活動在流域內的相互作用要求采取綜合方法來支持水資源的持續利用和保護[3]。流域尺度的地下水安全強調在流域的水文和地質范圍內對含水層系統的評估、管理和保護[3]。這種分析尺度提供了對地下水動態的全面理解，包括補給、儲存和排放過程。它還明確了含水層、地表水和生態系統之間的相互作用[4]。它允許將含水層特征的空間變異性（如地質、土壤質地和土地利用）納入決策框架。地下水安全還需要從社會、經濟和環境等多個維度進行綜合考量[5]。有效的治理、利益相關者的參與和可持續的地下水管理實踐對于解決競爭性水資源需求和預防沖突至關重要。在流域尺度上實現地下水安全的一個關鍵方面是識別脆弱的含水層系統并了解導致地下水壓力的因素。
傳統上，地下水管理主要通過監測抽取率、補給能力和地下水位波動來關注水量評估。這種以數量為中心的視角忽視了水資源安全的一個重要方面，即地下水資源的質量。水質差甚至會使豐富的地下水儲備變得不適宜使用，從而帶來重大的健康風險，并限制社會經濟發展[6]。全面的地下水安全評估必須同時考慮水量和質量參數，以實現可持續的資源管理。地下水質量受到多種自然和人為因素的影響，包括巖性、氣候條件、農業活動、工業活動和家庭廢物處理[7]。由于鹽度升高、硝酸鹽污染和微生物污染導致的水質下降已成為一個嚴重問題，特別是在補給有限且稀釋速度緩慢的半干旱地區，含水層更加脆弱[8]。除了水化學特征分析外，全面的地下水安全評估還必須納入毒理學視角。長期暴露于氟化物、硝酸鹽、氯化物和過高硬度等污染物可能導致慢性健康問題，包括牙齒和骨骼氟中毒、高鐵血紅蛋白血癥、胃腸道不適和高血壓[9][10][11][12][13][14]。這些毒理學風險凸顯了將地下水質量評估與公共衛生結果聯系起來的必要性，以確保資源管理策略同時解決水資源的可用性和安全性問題。通常使用水質指數（WQI）來評估地下水質量，這是一個綜合多種物理和化學指標的工具，用于判斷水是否適合不同用途[15]。WQI將詳細的水質信息濃縮成一個統一的分數，便于政策制定者和水資源管理者在不同地區和時間段內更容易地評估和比較水質狀況。
地下水安全和可持續管理需要全面了解地下條件，包括含水層的特征和動態行為。多年來，人們采用了多種方法來評估水資源。傳統方法，如鉆孔和地下水文調查，提供了有價值的點數據[16][17]。但這些方法往往無法滿足大規模評估和持續監測地下水系統的需求。侵入式地球物理方法，特別是電阻率層析成像（ERT），已成為有效的含水層特征分析工具[18][19]。ERT能夠實現高分辨率的地下電阻率成像，與傳統技術相比，具有更大的空間覆蓋范圍，有助于識別和劃分含水層[20]。盡管ERT在區域尺度的地下水評估中非常有效，但由于數據收集和處理的耗時性，其在廣闊區域的應用受到限制[21]。對于流域尺度的評估，機器學習（ML）、人工智能（AI）和地理空間技術提供了更高效和成本效益更高的解決方案。
先進的地理空間和地球物理工具，結合水文建模和機器學習技術，在劃分補給區、預測地下水波動和評估含水層健康狀況方面發揮了重要作用[22][23][24][25][26]。先前的研究利用了多種機器學習和深度學習技術與地理空間工具相結合的方法，探索了水文研究的各個方面，特別是在水資源安全評估方面。隨機森林[27]、決策樹[28]、提升回歸樹[29]和最小二乘支持向量機[30]等方法展示了它們的實用性。早期對地下水安全的研究主要集中在概念框架上，探討了水資源安全的定義和邊界[3][4][5][31]。其他研究則強調了城市尺度的地下水安全[32][33][34]。然而，關于將SWAT、機器學習和深度學習方法與ERT地球物理方法結合用于流域尺度地下水安全的文獻研究仍存在顯著空白。
印度賈坎德邦的北科埃爾河流域是一個典型的例子，該地區的地下水資源因自然和人為因素而面臨巨大壓力。多樣的地質構造、復雜的地形和季風氣候造就了復雜的水文地質環境，因此采用先進的方法來評估和管理地下水安全至關重要。本研究提出了一種混合方法，結合了地球物理、水文和機器/深度學習技術，用于印度北科埃爾河流域的地下水安全評估。這項研究的新穎之處在于其跨學科框架，提高了地下水評估的精度，并為全球可持續水資源管理討論做出了貢獻。
北科埃爾河流域位于印度東部，是滿足賈坎德邦水資源需求的重要流域。地理上，該流域介于北緯23°4′34″-24°32′12″和東經83°25′17″-85°1′22″之間（圖1）。它涵蓋了賈坎德邦的六個地區（帕拉穆、洛哈達加、拉特哈爾、古姆拉、加爾瓦和查特拉），其中一小部分位于恰蒂斯加爾邦的薩姆里區塊。北科埃爾河發源于蘭奇高原。
本研究采用了一種綜合方法，結合水文、地理空間和地理環境數據集，開發了用于流域尺度地下水安全繪制的機器學習和深度學習模型。使用了18個專題數據集，包括八個地形變量、四個藍水和綠水指標、五個與地下水需求相關的參數以及一個水質指數。巖性特征和線性構造特征是從地質資料中獲取的。
含水層介質的屬性，如孔隙度、滲透性和礦物組成，在決定地下水補給、儲存和流動動態方面起著關鍵作用。在該流域內識別出了八種含水層介質：沖積層、條帶狀片麻巖復合體、紅土、石灰巖、石英巖、砂巖、片巖和侵入巖[4a]。沖積層因其未固結的性質、高孔隙度和高滲透性而脫穎而出，有利于高效的滲透和儲存。
使用接收者操作特征曲線下面積（AUC-ROC）和混淆矩陣等指標評估了預測模型（ANN、RF、SVM和CNN）的有效性。AUC-ROC表示模型正確區分安全含水層和脆弱含水層的概率，其中0.5的得分表示隨機性能，而接近1.0的得分表示更強的預測能力。
本研究通過結合SWAT建模與機器學習和深度學習模型，提出了一個全面的框架來評估北科埃爾河流域的地下水安全。在測試的模型中（ANN、SVM、RF和CNN），CNN模型的預測準確率最高，AUC得分為0.920，優于RF（0.897）、SVM（0.854）和ANN（0.821）。CNN模型將41%的流域區域分類為高安全等級，而ANN模型將58%的區域分類為高安全等級。
阿米特·貝拉（Amit Bera）：撰寫——審稿與編輯、初稿撰寫、可視化、驗證、方法論、調查、正式分析、數據整理、概念化。
利坦·杜塔（Litan Dutta）：撰寫——審稿與編輯、初稿撰寫、可視化、驗證、軟件應用、方法論、調查、正式分析。
拉杰瓦爾德漢·庫馬爾（Rajwardhan Kumar）：撰寫——審稿與編輯、初稿撰寫、可視化、驗證、軟件應用、方法論、調查、資金獲取、正式流程。
提交的工作是原創的，尚未以任何形式或語言（部分或全部）在其他地方發表。所有使用的來源均已適當披露，并附有正確的參考文獻。所有作者都親自參與了論文的主要工作，并對其內容承擔公開責任。
本研究未從公共、商業或非營利部門的資助機構獲得任何特定資助。
作者聲明他們沒有已知的利益沖突或個人關系可能影響本文所述的工作。
作者衷心感謝TEXMiN創新中心、印度理工學院（ISM）丹巴德分校、中央地下水委員會、印度氣象部門、印度地質調查局、賈坎德空間應用中心以及SWAT用戶組提供的寶貴支持。特別感謝匿名審稿人的寶貴意見和建議，這些意見和建議提高了本研究的質量。
