通过机器学习进行地下水水位建模

关注我们，为您推送更多最新资讯。

文章导读

地下水约占全球取水总量的33%，超过20亿人依靠地下水作为生存的主要水源。过度采掘导致许多地区的地下水位持续下降，从而引发了全球性地下水危机。在气候变化的背景下，地下水资源的定量评估对可持续管理水资源至关重要。随着数据分析方法和机器学习技术的进步，大量可用的原位和遥感数据快速增长，为从地方到全球层面分析地下水资源的评估提供了机会。基于此，加州大学戴维斯分校的 Arman Ahmadi 研究团队在 Water 期刊发表文章，综述了地下水领域的研究进展，通过元分析汇总已有研究结果。研究表明，机器学习模型能够有效监测或预测地下水资源的不同特征。机器和深度学习算法的进步，以及结合基于物理模型计算的发展，有利于提高地下水监测或预测的时空分辨率和准确性。

研究内容与结果

作者使用了PICO（Population, Intervention, Comparator, Outcome-PICO）框架进行了系统分析和文献检索。如图1所示，使用 PICO 框架在 Scopus 和 Web of Science 两个在线数据库检索了2010年1月~2020年9月期间的文章及会议论文。

图1.系统评价的流程图。

文献计量分析

统计分析表明，在2014年后使用黑箱模型预测地下水特征的文章数量不断增加。其中，伊朗 (24%)、印度 (18%)、中国 (16%) 和美国 (10%) 的发表文章数量位于前四名。已有的研究中包含了26种不同的黑箱模型方法来预测地下水资源，其中 ANN、SVM 和 ANFIS 是最受欢迎的方法，分别占总记录的53%、16% 和10%，而 GEP、LR 和 GP 的应用则相对较少。

Meta 分析

Meta 分析主要集中在地下水位预测方面，如图2所示，作者分析证实了黑箱模型能够高精度地预测地下水位。根据不同的标准对论文进行分类，以表明不同黑箱模型方法和 ANN 架构的结果，大多数采用的黑箱模型方法具有相似的性能，且 ANN 略胜于其他模型。

图2.预测地下水位的黑箱模型性能的定量分析。

图3.用于预测地下水位的黑箱模型和ANN架构的Meta分析结果。

研究展望

基于机器学习和人工智能算法分析，在未来的研究中最具有发展前景的是新算法不同模型的灵活耦合。通过开发对地下水状态进行原位观测的均质化、质量可控的全球性产品，能够为相关研究做出突出贡献。

研究总结

作者总结的系统性综述和 Meta 分析可以为增强黑箱模型在地下水中应用的研究提供补充。作者建议未来的研究可以侧重黑箱模型在其他水资源领域的应用，如径流建模与预报、气候变化引起的极端水文事件，以及随遥感数据集对蒸散发和土壤湿度的估算进行微调等。此外，由于水文模型具有处理模型结构、参数和输入变量的固有不确定性和模糊性特征，系统回顾可以揭示水文模型的不确定性、可靠性和敏感性的分析现状。尽管汇集不同研究的结果有一些明显的缺点，但这样可以通过全面和多维的视角来发现并阐明这个主题。然而，结果的汇总是一把双刃剑，因为每一篇原创研究文章都有其具体的方法、表述和对结果的解释，因此研究人员在解释结果时应该更加谨慎。

文章链接：https://www.mdpi.com/2073-4441/14/6/949