Прогноз глобального водопользования в сельском хозяйстве и общем мировом потребления с использованием модели Bi-GRU

Почему будущее водопользование важно для всех

Чистая вода поддерживает продовольствие, города и промышленность, но во многих регионах уже наблюдаются дефициты. В этом исследовании поставлен простой, но срочный вопрос: сколько воды потребуется миру в ближайшие десятилетия, особенно для сельского хозяйства, которое потребляет большую часть пресной воды? Объединив глобальные записи водопользования с современным инструментом искусственного интеллекта, авторы оценивают будущий спрос до 2040 года и проверяют, насколько хорошо работают разные методы прогнозирования. Их результаты могут помочь правительствам и планировщикам подготовиться к более сухому и перенаселенному миру.

Усугубляющееся давление на реки и водоносные горизонты

Статья начинается с общей картины: вода покрывает большую часть поверхности Земли, но доля пресной и легко доступной воды ограничена. Мировой спрос вырос примерно в шесть раз за прошедший век: около 70 процентов отборов приходится на сельское хозяйство, 20 процентов — на промышленность и остальное — на домохозяйства. Значительная часть ожидаемого роста населения придется на Африку и Азию — регионы, уже уязвимые перед водным стрессом и изменением климата. Такие страны, как Индия, Китай, Индонезия, Саудовская Аравия и Турция, демонстрируют быстрый рост водопользования по мере расширения городов, роста экономики и орошения всё большего числа земель. Напротив, в таких местах, как Германия, Япония и Великобритания, наблюдаются стабильные или слегка снижающиеся показатели благодаря мерам по сохранению и повышению эффективности.

Преобразование мировых записей о воде в пригодный для анализа набор данных

Чтобы перейти от обеспокоенности к прогнозу, авторы собрали Глобальный набор данных по потреблению воды, охватывающий годы с 2000 по 2024 для двадцати крупных экономик, расположенных в разных климатических зонах и с разным уровнем дохода. Для каждой страны и года набор включает общее потребление воды, долю, направляемую на сельское хозяйство, потребление на домохозяйство и в промышленности на душу населения, влияние осадков и скорость истощения грунтовых вод. Команда тщательно очищает данные, проверяет пропуски и аномальные значения и масштабирует все показатели к общему диапазону, чтобы ни одна страна или переменная не доминировала в процессе обучения. Затем они делят временные ряды каждой страны на обучающую, валидационную и тестовую части, обеспечивая, чтобы более поздние годы оставались невиданными при обучении и прогнозы можно было объективно оценить.

Как интеллектуальная последовательная модель читает прошлое

Ядро исследования — модель глубокого обучения, называемая двунаправленной затворной рециррурентной единицей (Bi-GRU). В отличие от простых трендов, эта модель предназначена для чтения последовательностей. Она обрабатывает историю водопользования и сопутствующие факторы в прямом и обратном направлениях, что позволяет улавливать паттерны, зависящие от длительных периодов хороших или плохих осадков, постепенных изменений политики или медленных сдвигов в населении и отраслевой структуре. Слои сети сжимают эти закономерности в внутреннее представление, а затем выводят две основные величины для каждой страны: общее потребление воды и водопотребление в сельском хозяйстве. Авторы сравнивают Bi-GRU с несколькими современными альтернативами, включая сети долгой краткосрочной памяти (LSTM), временную трансформер-модель, графовую модель, связывающую страны, и вероятностный метод прогнозирования.

Насколько хорошо держатся прогнозы

При проверке на невидимых данных за 2021–2024 годы Bi-GRU последовательно демонстрирует наибольшую точность в целом. По распространённым метрикам ошибок он превосходит все соперничающие модели для большинства стран, особенно для тех, где действуют относительно стабильные долгосрочные паттерны, таких как Индия, Германия и Великобритания. Авторы также проводят статистические тесты, чтобы показать, что улучшения не являются случайными. С использованием наилучшей модели они проецируют общее и сельскохозяйственное потребление воды на период 2025–2040 годов. В некоторых странах, включая Индию, Турцию и несколько быстрорастущих экономик, ожидается продолжение роста спроса, особенно на оросительные нужды. В других странах потребление может стабилизироваться или даже сократиться при сохранении текущих тенденций по повышению эффективности.

Что означают результаты для продовольственной и водной безопасности

Для неспециалиста ключевой вывод заключается в том, что более точные долгосрочные прогнозы превращают расплывчатые опасения по поводу «будущего дефицита воды» в конкретные цифры, на которые могут опираться планировщики. Исследование показывает, что современные последовательные методы ИИ способны отслеживать, как климат, население и развитие взаимодействуют, формируя национальное водопользование, и делают это точнее, чем прежние подходы. Эти прогнозы не гарантируют, что именно произойдёт, но они выделяют места, где сельскохозяйственный и общий спрос с наибольшей вероятностью создадут нагрузку на ресурсы, направляя инвестиции в технологии орошения, хранилища, повторное использование и реформы политики. Короче говоря, более умное прогнозирование — это практический инструмент для поддержания доступа к воде и продуктивности полей в условиях потепления климата и роста населения.

Цитирование: Irfan, M., Rashid, J., Bibi, J. et al. Forecasting of global water usage in agriculture and total global consumption by using the Bi-GRU model. Sci Rep 16, 15071 (2026). https://doi.org/10.1038/s41598-026-44885-8

Ключевые слова: глобальное водопользование, сельскохозяйственная вода, прогнозирование с помощью глубокого обучения, модель Bi-GRU, прогноз спроса на воду