Прогнозирование изменений уровня подземных вод с помощью методов машинного обучения в районе Тазербо, бассейн Аль-Куфра, юго-восток Ливии

Почему здесь важно будущее подземных вод

В некоторых из самых засушливых регионов мира подземная вода — единственное, что поддерживает жизнь ферм, посёлков и промышленности. На юго‑востоке Ливии крупные поля скважин используют глубокий пустынный водоносный пласт, чтобы поставлять воду на север, в прибрежные города. В этой статье объясняется, как учёные применили современные вычислительные методы, чтобы заглянуть вперёд и оценить, как эти скрытые запасы воды могут измениться в течение следующих двух десятилетий при разных планах откачки, помогая руководителям избегать серьёзных дефицитов и повреждений земной поверхности.

Пустынный аквифер — водная артерия Ливии

Исследование сосредоточено на водозаборе Тазербо в бассейне Аль‑Куфра, одном из ключевых источников для Проекта «Искусственная река», который перекачивает ископаемую подземную воду из Сахары в отдалённые города. Регион получает крайне мало осадков и испытывает сильную жару, поэтому глубокий Нубийский песчаниковый аквифер функционирует как «счёт в банке» древней воды. С момента начала масштабной добычи в 2004 году более ста эксплуатационных скважин в некоторый период отбирали до примерно миллиона кубических метров воды в сутки. Такое интенсивное использование уже снизило уровни подземных вод в отдельных частях поля до 16 метров и способствовало проседанию грунта, что вызывает обеспокоенность по поводу того, как долго может прослужить эта водная артерия.

Преобразование записей скважин в задачу обучения

Чтобы изучить будущее аквифера, исследователи собрали двадцать лет ежегодных измерений уровней подземных вод в четырнадцати наблюдательных скважинах вокруг Тазербо, а также записи о суточных объёмах откачки. Они также собрали базовые данные о скважинах и аквифере, такие как мощность пород и проницаемость. Вместо того чтобы моделировать каждую физическую деталь подземного потока, они рассмотрели задачу как временной ряд: как уровень воды в скважине реагирует со временем на прошлые уровни и изменения откачки? Такая постановка хорошо подходит методам машинного обучения, которые могут выявлять закономерности в данных без необходимости заранее задавать все физические процессы.

Как машина учится заглядывать вперёд

Команда протестировала несколько продвинутых статистических и машинно‑обучающих инструментов, включая варианты гауссовской процессной регрессии и рекуррентную нейронную сеть Long Short‑Term Memory. Они оценивали, насколько хорошо каждый метод воспроизводит известные уровни воды, используя стандартные показатели, такие как соответствие прогнозов наблюдениям и величина типичных ошибок. Явным победителем стала специальная модель временных рядов — нелинейная авторегрессия с экзогенными входами, или NARX, которая учитывает как прошлые уровни воды, так и объёмы откачки. При относительно простой структуре эта сеть с высокой точностью воспроизвела историю всех четырнадцати скважин. Детальный анализ чувствительности показал, что модель опиралась на разные комбинации входов в разных скважинах, что говорит о том, что она улавливает значимые причинно‑следственные связи, а не просто запоминает данные.

Два разных будущих для одного аквифера

После обучения и проверки модель NARX использовали для прогноза на 2030 и 2040 годы при двух сценариях откачки. В первом сценарии сохраняется текущая пониженная ставка отбора примерно 255 000 кубических метров в сутки. В этом случае модель прогнозирует относительно умеренное дополнительное понижение, в основном в северной части поля: около 2 метров дополнительного снижения к 2030 году по сравнению с 2024 годом и примерно ещё 1,6 метра к 2040 году. Некоторые южные скважины могут даже показать небольшую восстановительную тенденцию, вероятно, отражающую локальную структуру аквифера. В резком контрасте второй сценарий предполагает увеличение откачки до 400 000 кубических метров в сутки.

Что означают результаты для менеджеров по водным ресурсам

При сценарии с увеличенной откачкой модель предсказывает очень большие падения уровня подземных вод — более 50 метров в юго‑восточных и юго‑западных частях поля к 2030 году с сохранением сильного понижения к 2040 году. Предыдущий опыт в Тазербо уже показывает, что агрессивная откачка может вызывать внезапные падения, которые отчасти обратимы при сокращении добычи. Новые прогнозы подтверждают эту картину и подчёркивают, насколько аквифер чувствителен к длительной перерасходу. Для неспециалиста посыл ясен: сохранение отборов ближе к нынешним пониженным уровням помогает растянуть этот конечный водный запас на более долгие периоды, тогда как возврат к высоким объёмам откачки грозит резкими снижениями, просадкой грунта и большим нагрузкам на сообщества, зависящие от этой скрытой воды. Исследование показывает, что тщательно настроенные инструменты машинного обучения могут стать практическими ориентирами для планирования устойчивого водопользования в одних из самых дефицитных по воде регионов мира.

Цитирование: 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

Ключевые слова: прогнозирование подземных вод, машинное обучение, аквифер Ливии, управление водными ресурсами, нейронная сеть NARX