Prognozowanie zmian poziomu wód gruntowych przy użyciu technik uczenia maszynowego na obszarze Tazerbo, basen Al Kufra, południowy wschód Libii

Dlaczego przyszłość wód gruntowych ma tu znaczenie

W niektórych z najsuchszych rejonów świata woda podziemna jest jedynym źródłem podtrzymującym rolnictwo, miasta i przemysł. Na południowym wschodzie Libii rozległe pola studni czerpią z głębokiego pustynnego akwiferu, by przesyłać wodę na północ do miast przybrzeżnych. Artykuł opisuje, jak naukowcy użyli nowoczesnych narzędzi komputerowych, by spojrzeć w przyszłość i ocenić, jak te ukryte zasoby wodne mogą się zmienić w ciągu następnych dwóch dekad przy różnych planach poboru, pomagając decydentom unikać poważnych niedoborów i szkód gruntowych.

Pustynny akwifer stojący za libijskim „życiowym kręgosłupem” wodnym

Badanie koncentruje się na polu studni Tazerbo w basenie Al Kufra, jednym z kluczowych źródeł dla projektu Man-Made River, który przesyła kopalną wodę gruntową z Sahary do odległych miast. Region otrzymuje bardzo mało opadów i doświadcza dużych upałów, więc głęboki Akwifer Piaskowcowy Nubijski działa jak konto oszczędnościowe z pradawną wodą. Od rozpoczęcia intensywnego pompowania w 2004 roku ponad sto studni produkcyjnych pobierało w niektórych okresach do około miliona metrów sześciennych wody dziennie. Taka eksploatacja już spowodowała obniżenie poziomów wód gruntowych nawet o 16 metrów w niektórych częściach pola i przyczyniła się do subsydencji terenu, co budzi obawy o długość życia tej wodnej lifeline.

Przekształcenie zapisów ze studni w problem uczący się

Aby zbadać przyszłość akwiferu, badacze zgromadzili dwadzieścia lat rocznych pomiarów poziomu wód gruntowych z czternastu studni monitorujących wokół Tazerbo oraz rejestry dziennego poboru wody. Skompilowali też podstawowe informacje o studniach i akwiferze, takie jak grubość skał i przepuszczalność. Zamiast modelować każdy fizyczny szczegół przepływu podziemnego, potraktowali problem jako szereg czasowy: jak poziom wody w studni reaguje w czasie na przeszłe poziomy i zmiany poboru? Takie podejście dobrze pasuje do metod uczenia maszynowego, które potrafią odkrywać wzorce w danych bez konieczności precyzyjnego określania wszystkich procesów fizycznych z góry.

Jak maszyna uczy się patrzeć w przód

Zespół przetestował kilka zaawansowanych narzędzi statystycznych i uczenia maszynowego, w tym typy regresji procesu Gaussa oraz rekurencyjną sieć neuronową zwaną Long Short-Term Memory. Sprawdzili, jak dobrze każda metoda odtwarza znane poziomy wód używając standardowych miar, takich jak zgodność między przewidywanymi i obserwowanymi wartościami oraz wielkość typowych błędów. Wyraźnym zwycięzcą okazał się specjalny typ sieci do szeregów czasowych znany jako model NARX (Nonlinear Autoregressive Exogenous), który uwzględnia zarówno przeszłe poziomy wody, jak i ilości poboru. Przy relatywnie prostej strukturze sieć ta była w stanie z dużą dokładnością odwzorować historię wszystkich czternastu studni. Szczegółowa analiza wrażliwości wykazała, że model korzystał z różnych kombinacji wejść dla różnych studni, co sugeruje, że wychwytywał sensowne zależności przyczynowo-skutkowe, a nie jedynie zapamiętywał dane.

Dwie różne przyszłości tego samego akwiferu

Po wytrenowaniu i weryfikacji model NARX wykorzystano do prognoz na lata 2030 i 2040 dla dwóch planów poboru. W pierwszym planie utrzymano obecny niższy poziom poboru wynoszący około 255 000 metrów sześciennych dziennie. W tym scenariuszu model prognozuje stosunkowo umiarkowane dodatkowe obniżenia, głównie w północnej części pola: około 2 metrów dodatkowego spadku do 2030 roku w porównaniu z 2024 rokiem i około kolejnych 1,6 metra do 2040 roku. Niektóre studnie na południu mogą nawet doświadczyć niewielkiego odbicia, co prawdopodobnie odzwierciedla lokalną strukturę akwiferu. W wyraźnym kontraście drugi plan zakłada zwiększenie poboru do 400 000 metrów sześciennych dziennie.

Co wyniki znaczą dla zarządzających zasobami wodnymi

W scenariuszu z wyższym poborem model przewiduje bardzo duże spadki poziomu wód gruntowych, przekraczające 50 metrów w południowo-wschodniej i południowo-zachodniej części pola do 2030 roku i utrzymujące się na niskim poziomie do 2040 roku. Dotychczasowe doświadczenia z Tazerbo pokazują już, że agresywne pompowanie może wywołać nagłe spadki, które częściowo cofają się po ograniczeniu wydobycia. Nowe prognozy potwierdzają ten obraz i podkreślają, jak wrażliwy jest akwifer na długotrwałą nadmierną eksploatację. Dla czytelnika niebędącego specjalistą przekaz jest jasny: utrzymanie poborów bliżej obecnie zredukowanych poziomów pozwala rozłożyć użytkowanie tego skończonego zasobu na więcej lat, natomiast ponowne zwiększenie poboru grozi gwałtownymi obniżeniami, osiadaniem terenu i większym obciążeniem dla społeczności zależnych od tej ukrytej wody. Badanie pokazuje, że starannie dobrane narzędzia uczenia maszynowego mogą stać się praktycznym przewodnikiem przy planowaniu zrównoważonego gospodarowania wodą w jednych z najbardziej deficytowych wodnie regionów świata.

Cytowanie: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

Słowa kluczowe: prognozowanie wód gruntowych, uczenie maszynowe, akwifer Libii, zarządzanie wodą, sieć neuronowa NARX