在利比亚东南库夫拉盆地塔泽尔博地区使用机器学习技术预测地下水位变化

这里为何要关心未来地下水

在世界上一些极干旱的地区，地下水是维系农田、城镇和工业的唯一来源。在利比亚东南部，巨大的井区开采深部沙漠含水层，将水输送到北部沿海城市。本文解释了科学家如何使用现代计算工具进行前瞻性分析，评估在不同抽水方案下未来二十年这些隐秘水源可能的变化，从而帮助决策者避免严重短缺和地面损害。

支撑利比亚水源的沙漠含水层

该研究聚焦于库夫拉盆地的塔泽尔博井区，这是利比亚“人工河”工程的重要水源之一，该工程将撒哈拉的化石地下水输送到遥远城市。该地区降雨极少且高温强烈，深层努比亚砂岩含水层类似于古老水源的银行账户。自2004年大规模抽取开始以来，超过一百口生产井在某些时期每日累计抽水量最高约达一百万立方米。如此密集的开采已导致井区部分地区地下水位下降多达16米，并促成地面沉降，人们对这条水源能维持多久深感担忧。

把井位记录转为学习问题

为探究含水层的未来，研究者收集了塔泽尔博周边十四口监测井二十年的年尺度地下水位观测，同时汇总了每日抽水量记录。他们还整理了有关井和含水层的基本信息，如岩层厚度和含水性等。研究并未试图刻画地下流动的每一个物理细节，而是将问题视为时间序列：某口井的水位随时间如何响应过去的水位和抽水变化？这种设置非常适合机器学习方法，这类方法能在不预先指定所有物理过程的情况下，从数据中发现规律。

机器如何学会预见

团队测试了若干先进的统计和机器学习工具，包括高斯过程回归的不同变体以及一种称为长短期记忆（LSTM）的循环神经网络。他们用常规评估指标检验每种方法重现已知水位的能力，比如预测值与观测值的一致性和典型误差大小。最优的方法是一种特殊的时间序列神经网络，称为非线性自回归外生输入模型（NARX），它同时输入过去的水位和抽水量。该网络结构相对简单，却能非常高精度地拟合全部十四口井的历史。详细的敏感性分析显示，模型在不同井位上使用了不同组合的输入，表明它捕捉到了有意义的因果模式，而不仅仅是在记忆数据。

同一含水层的两种可能未来

在经过训练与检验后，NARX模型被用于预测2030年和2040年两种抽水方案下的情形。第一种方案维持当前较低的抽取速率，约为每日255,000立方米。在这种情况下，模型预测的额外落水相对温和，主要集中在井区北部：到2030年相比2024年约再下降2米，到2040年大约再下降1.6米。井区南部的一些井甚至可能出现小幅回升，这可能反映了当地含水层结构。形成鲜明对比的是第二种方案，即假定抽水增加到每日400,000立方米。

这些结果对水资源管理者意味着什么

在较高抽水方案下，模型预测地下水位将出现非常大幅度的下降，至2030年井区东南部和西南部超过50米，并在2040年仍保持明显低位。塔泽尔博的既有经验已显示，激进的抽取会触发突发性下降，而在减少抽取后这种下降在一定程度上可逆。新的预测支持这一认识，并强调该含水层对长期过度开采的高度敏感性。对非专业读者而言，结论清晰：将抽取量维持在接近当前较低的水平，有助于在更长时间内延长这一有限水源；而再次大幅提高抽取速率，则会带来急剧下降、地面下沉以及对依赖这一隐秘水源的社区更大的压力。该研究表明，经过精心调整的机器学习工具可以成为在世界上一些最缺水地区规划可持续用水的实用指南。

引用: 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

关键词: 地下水预测, 机器学习, 利比亚含水层, 水资源管理, NARX神经网络