Комбинированная пространственная схема редукции—реконструкции и LSTM (SRR-LSTM) для прогнозирования уровня грунтовых вод в крупных ирригационных районах

Почему фермерам и городам важно скрытое под землей водное богатство

Во многих засушливых регионах вода, которая обеспечивает рост культур и поступление в краны, поступает не из видимых рек или водохранилищ, а из обширных подземных запасов — аквиферов. По мере расширения орошения и усиления засух эти скрытые резервы откачиваются быстрее, чем восполняются. Грамотное управление ими требует инструментов, способных прогнозировать изменения уровней грунтовых вод по крупным сельскохозяйственным районам помесячно и по отдельным участкам, без надобности в суперкомпьютерах или десятилетних наблюдениях. В этом исследовании предложен новый способ именно для такого прогноза на примере крупного оросительного района на северо-востоке Китая.

Жаждущий ландшафт под давлением

Исследование сосредоточено на ирригационном районе Таобэй — сельскохозяйственной территории площадью 1904 км² на равнинах бассейна реки Таоэр. Климат здесь полузасушливый: большая часть скромных осадков выпадает лишь в несколько летних месяцев, при этом испарение велико. Со начала 1990-х годов площадь орошаемых земель — особенно требовательных к воде рисовых культур — резко выросла, в то время как несколько засушливых лет сократили речные стоки. В результате грунтовые воды иногда обеспечивали более 90 % потребностей в орошении. Последствием стало широкое глубокое «конусное» понижение уровня грунтовых вод вокруг рисовых полей: уровни воды стали на 7–10 метров ниже, чем десятилетия назад, и даже опустились ниже русла реки, что обращает естественный обмен между рекой и аквифером и создает стресс для локальных экосистем.

От медленной физики к быстрым «умным» моделям

Ученые давно используют физико-ориентированные компьютерные модели, такие как MODFLOW, для моделирования поведения грунтовых вод. Эти модели решают уравнения движения воды в подкоровом слое, ячейка за ячейкой сетки. Они точны, но медленны, особенно при исследовании множества комбинаций климата, речных стоков и режимов откачки. Модели машинного обучения и глубокого обучения могут работать намного быстрее, но прежние подходы часто рассматривали весь регион одной моделью или опирались лишь на несколько скважин, что затрудняет учет различий в поведении грунтовых вод у рек, под городами или под разными культурами. Задача — сохранить достаточный физический реализм и пространственную детализацию, при этом сократив время вычислений до уровня, полезного для практического управления.

Разумный способ группировки территории

Авторы предлагают рамочную схему «пространственной редукции–реконструкции», обозначаемую SRR-LSTM, которая сочетает классический метод кластеризации и современную сеть глубокого обучения. Сначала они запускают существующую детализированную модель поверхности и подповерхностного слоя (SWAT-MODFLOW) по 16 сценариям, сочетающим различные кли-mатические будущие и интенсивности откачки, генерируя длительные истории уровней грунтовых вод для каждой километровой ячейки в районе. Затем ячейки группируют в кластеры с похожими характеристиками — такими как землепользование, высота, толщина аквифера и амплитуда колебаний уровня грунтовых вод — с помощью метода K-means. Для каждого кластера выбирают представительную «контрольную» ячейку и обучают рекуррентную нейронную сеть Long Short-Term Memory (LSTM) прогнозировать уровень грунтовых вод в этой ячейке по данным месячных осадков, эвапотранспирации, речного стока, откачки и предыдущему месячному уровню воды.

Восстановление детализированной карты с помощью нескольких «умных» моделей

После обучения моделей для контрольных ячеек рамка проверяет, насколько хорошо каждая модель предсказывает уровни воды в каждой ячейке района, формируя карту точности. Затем каждая ячейка присваивается той модели, которая предсказывает её лучше всего, и добавляются дополнительные контрольные ячейки там, где точность низкая — например, по краю конуса понижения и рядом с рекой. Такая «ориентированная на точность» перераспределение эффективно делит район на зоны, где одна общая модель работает хорошо. В финальной конфигурации девять LSTM-моделей, работающих параллельно, могут воссоздавать высокоразрешённую карту грунтовых вод ежемесячно. По сравнению с тремя альтернативными схемами и детализированной физической моделью SRR-LSTM достигает коэффициента эффективности Нэша–Сатклиффа выше 0,9 для 96 % ячеек — гораздо выше, чем диапазон 11–49 % у упрощённых схем — при сокращении времени вычислений примерно на 80 %.

Какие факторы важнее всего

Чтобы приоткрыть "чёрный ящик" глубокого обучения, команда использует инструмент объяснения SHAP, который показывает, насколько каждый вход — осадки, откачка, речный сток и т. д. — вносит вклад в прогнозы в разных местах. В центральной части ирригационной зоны интенсивная откачка перевешивает влияние осадков в формировании тенденций грунтовых вод, что объясняет устойчивость и расширение конуса понижения под рисовыми полями. Напротив, в верховых пашнях, удалённых от конуса, роль дождя заметно выше. Речной сток оказывает сильное положительное влияние возле русла, особенно в верхнем течении: когда стоки превышают определённые пороги, утечка из реки обеспечивает заметное пополнение аквифера. Однако этот эффект выравнивается при очень высоких стоках, а в нижнем течении ослабленные потоки ограничивают потенциал пополнения. Анализ также показывает, что при интенсивной откачке тот же речной сток даёт больше пополнения, потому что уровень воды ниже, что увеличивает градиент от реки к аквиферу.

Что это значит для управления скрытой водой

Для неспециалистов главный вывод в том, что теперь можно прогнозировать изменения подземных вод на обширных сельскохозяйственных территориях с высокой пространственной детализацией и практичной скоростью, даже для множества возможных будущих климатов и режимов откачки. Группируя участки с похожим поведением и подбирая для каждой группы отдельную модель глубокого обучения, SRR-LSTM сохраняет локальные различия, важные для управления — например, где сокращение откачки даст наибольший эффект или сколько дополнительного речного стока нужно, чтобы пополнение действительно началось. Одновременно инструменты вроде SHAP превращают сложные нейросети в вспомогательные средства принятия решений, проясняя, какие рычаги — осадки, управление рекой или забор грунтовых вод — сильнее всего контролируют уровни грунтовых вод в каждой части ландшафта. Вместе эти достижения могут помочь ирригационным районам разрабатывать более целенаправленные и устойчивые стратегии по защите невидимой воды, которая поддерживает производство продовольствия и жизнь в сельской местности.

Цитирование: Wei, H., Wei, G., Yu, B. et al. A coupled spatial reduction-reconstruction and LSTM framework (SRR-LSTM) for groundwater level prediction in large irrigation districts. Sci Rep 16, 7450 (2026). https://doi.org/10.1038/s41598-026-37618-4

Ключевые слова: грунтовые воды, орошение, машинное обучение, LSTM, водообеспечение