Prognoser för grundvattennivåförändringar med maskininlärning i Tazerbo-området, Al Kufra-bassängen, sydostlig Libyen

Varför framtida grundvatten spelar roll här

I några av världens torraste områden är grundvatten det enda som håller gårdar, samhällen och industrier vid liv. I sydostliga Libyen tappar stora brunnsområden en djup ökenakvifer för att skicka vatten norrut till kuststäder. Denna artikel förklarar hur forskare använde moderna datorverktyg för att se framåt och bedöma hur dessa dolda vattenreserver kan förändras under de kommande två decennierna under olika pumpningsscenarier, vilket hjälper beslutsfattare att undvika allvarliga bristsituationer och markskador.

Ökenakvifern bakom Libyenlivlinan

Studien fokuserar på Tazerbo-brunnsområdet i Al Kufra-bassängen, en av huvudkällorna för Libyens Man-Made River Project, som leder fossilt grundvatten från Sahara till avlägsna städer. Regionen får väldigt lite regn och upplever intensiv värme, så den djupa Nubian Sandstone Aquifer fungerar som ett bankkonto av forntida vatten. Sedan storskalig pumpning inleddes 2004 har mer än hundra produktionsbrunnar tagit ut upp till ungefär en miljon kubikmeter vatten per dag vid vissa tillfällen. Denna tunga användning har redan sänkt grundvattennivåerna med upp till cirka 16 meter i delar av området och bidragit till marksänkning, vilket väcker oro för hur länge denna vattenlivlina kan räcka.

Att omvandla brunnsarkiv till ett inlärningsproblem

För att utforska akviferns framtid samlade forskarna in tjugo års årliga grundvattenmätningar från fjorton observationsbrunnar runt Tazerbo, tillsammans med register över hur mycket vatten som pumpades varje dag. De sammanställde också grundläggande information om brunnarna och akvifern, såsom berggrundstjocklek och hur lätt vattnet rör sig genom den. Istället för att försöka modellera varje fysisk detalj av den underjordiska flödesdynamiken behandlade de problemet som en tidsserie: hur svarar vattennivån i en brunn över tid på tidigare nivåer och på förändringar i pumpningen? Denna uppställning lämpar sig väl för maskininlärningsmetoder som kan upptäcka mönster i data utan att alla fysiska processer måste specificeras i förväg.

Hur maskinen lär sig förutse

Teamet testade flera avancerade statistiska och maskininlärningsverktyg, inklusive varianter av Gaussisk processregression och ett återkommande neuralt nätverk kallat Long Short-Term Memory. De kontrollerade hur väl varje metod kunde återskapa kända vattennivåer med hjälp av standardmått såsom överensstämmelsen mellan prognostiserade och observerade värden samt storleken på typiska fel. Den klara vinnaren var en särskild typ av tidsserieneuralt nätverk känt som en Nonlinear Autoregressive Exogenous-modell, eller NARX, som tar hänsyn till både tidigare vattennivåer och pumpningsmängder. Med en relativt enkel struktur kunde detta nätverk matcha historiken för alla fjorton brunnar med mycket hög noggrannhet. En detaljerad känslighetsanalys visade att modellen drog nytta av olika kombinationer av indata för olika brunnar, vilket tyder på att den fångade meningsfulla orsak-verkan-mönster snarare än att enbart memorera data.

Två olika framtider för samma akvifer

När modellen var tränad och kontrollerad användes NARX för att blicka mot 2030 och 2040 under två pumpningsplaner. I den första planen behålls den nuvarande lägre uttagsnivån på cirka 255 000 kubikmeter per dag. I det fallet projicerar modellen relativt måttliga ytterligare sänkningar, främst i den norra delen av området: omkring 2 meters ytterligare sänkning till 2030 jämfört med 2024, och ungefär ytterligare 1,6 meter till 2040. Vissa brunnar i söder kan till och med se en liten återhämtning, troligen återspeglande lokal akviferstruktur. Som en skarp kontrast antar den andra planen att pumpningen ökas till 400 000 kubikmeter per dag.

Vad resultaten betyder för vattenförvaltare

Under det högre uttagschemat förutspår modellen mycket stora fall i grundvattennivåerna, som överstiger 50 meter i de sydöstra och sydvästra delarna av brunnsområdet redan till 2030 och som förblir kraftigt depressiva till 2040. Tidigare erfarenheter från Tazerbo visar redan att aggressiv pumpning kan utlösa plötsliga nedgångar, vilka delvis kan återhämtas när uttagen minskas. De nya prognoserna bekräftar denna bild och understryker hur känslig akvifern är för långsiktig överutnyttjande. För en allmän läsare är budskapet tydligt: att hålla uttagen närmare dagens reducerade nivåer hjälper till att förlänga denna ändliga vattenresurs över fler år, medan en återgång till högre pumpningsnivåer riskerar branta nedgångar, marksänkning och större påfrestningar för de samhällen som är beroende av detta dolda vatten. Studien visar att noggrant inställda maskininlärningsverktyg kan bli praktiska hjälpmedel för planering av hållbar vattenanvändning i några av världens mest vattenfattiga regioner.

Citering: 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

Nyckelord: prognoser för grundvatten, maskininlärning, Libyenakvifer, vattenförvaltning, NARX neuralt nätverk