一种耦合空间降维—重建与 LSTM 的框架（SRR-LSTM）用于大灌溉区地下水位预测

农民和城市为何应关心隐形的水

在许多干旱地区，维持作物生长和水龙头出水的并非可见的河流或水库，而是称为含水层的广阔地下蓄水体。随着灌溉的扩大和干旱的加剧，这些隐蔽的水源被抽取的速度往往超过补给速度。要明智地管理它们，需要能够在大范围农业区内逐月、逐地块预测地下水位变化的工具，而不依赖超算或数十年的观测记录。本研究提出了一种可以做到这一点的新方法，并将其应用于中国东北的一个重要灌溉区。

承压的干渴景观

研究聚焦于桃尔河流域平原上的陶北灌溉区，该区面积为1904平方公里。该区属半干旱气候：绝大部分有限的降水集中在夏季几个月，蒸发量较高。自1990年代初以来，尤其是需水量大的水稻田，灌溉面积大幅扩张，而一连串的干年又减少了河流径流。因此，地下水有时承担了超过90%的灌溉用水。结果是在水田周围形成了一个广泛且深的地下水降水“漏斗”，水位比数十年前低7–10米以上，甚至低于河床，扭转了自然的河流—含水层交换，给当地生态系统带来压力。

从缓慢的物理模拟到更快的智能模型

长期以来，科学家使用基于物理的数值模型（如 MODFLOW）来模拟地下水行为。这些模型逐格解算地下水在地下介质中的流动方程，精确但计算缓慢，尤其是在需要探索大量气候、河流和抽水政策组合时。机器学习与深度学习模型可以快得多，但以往尝试常把整个区域用一个模型来处理或仅依赖少数观测井，难以捕捉河流旁、城市下或不同作物下地下水行为的差异。挑战是既保留必要的物理现实与空间细节，又把计算时间压缩到对实际管理有用的水平。

一种聪明的分区方法

作者提出了一种“空间降维—重建”框架，简称 SRR-LSTM，将经典的聚类方法与现代深度学习网络结合。首先，他们在16种情景下运行现有的地表—地下耦合模型（SWAT-MODFLOW），这些情景混合了不同的气候前景和抽水强度，从而为区内每个1公里网格生成长时间尺度的地下水位历史。接着，利用 K-means 等方法按土地利用、地形高程、含水层厚度以及地下水位波动特征等将网格分组。对每个簇，选取一个具有代表性的“控制”网格，并训练长短期记忆（LSTM）神经网络，根据月降水、蒸散发、河流径流、抽水量和上月水位来预测该网格的地下水位。

用少数智能模型重建详尽的地图

在训练好这些控制网格模型后，框架测试每个模型在区内各个网格的预测性能，构建精度地图。然后将每个网格分配给对其预测最好的模型，并在预测精度较差的区域（例如降水漏斗的外边缘和河流附近）增加额外的控制网格。这种“基于精度”的重新分配有效地将灌溉区划分为若干区带，使得在每一区带内共享的模型表现良好。在最终配置中，九个并行工作的 LSTM 模型每月即可重现高分辨率的地下水位地图。与三种替代方案和详细的物理模型比较，SRR-LSTM 在96%的网格上获得了超过0.9的 Nash–Sutcliffe 效率得分——远高于更简单方案的11–49%范围——同时将计算时间缩短约80%。

看清哪些因素最重要

为了解开深度学习的“黑箱”，团队使用了一种名为 SHAP 的可解释性工具，揭示了不同输入（降水、抽水、河流径流等）在不同地点对预测的贡献。在灌溉区核心，强烈的抽水相对于降水对地下水趋势的影响更大，解释了水田下降水漏斗的持续性与扩展。相比之下，在远离漏斗的上游农田，降水的作用更为显著。河流流量在河道附近表现出明显的正向影响，尤其在上游：当流量超过某些阈值时，河水向含水层的渗漏为补给提供了可观贡献。但这种益处在高流量时趋于平缓，在下游河流减弱时则限制了补给潜力。分析还显示，当抽水强烈时，相同的河流流量会产生更多的补给，因为水位更低，河—含水层水位差增大，导致流向含水层的梯度更陡。

对隐形水管理的含义

对非专业读者来说，主要结论是：我们现在能够在大范围农业区内，以细致的空间分辨率和实用的速度预测地下水变化，即便面对多种可能的未来气候和抽水政策。通过将行为相似的区域分组并为每组配备定制的深度学习模型，SRR-LSTM 框架保留了对管理至关重要的地方差异——例如在哪些地方减少抽水将产生最大效应，或在河流流量增加多少后补给才真正显现。同时，像 SHAP 这样的工具能将复杂的神经网络转化为决策辅助，明确在景观每个部分中哪些杠杆（降水、河流操作或地下水开采）最强烈地控制地下水位。综合来看，这些进展可帮助灌溉区设计更有针对性和可持续的策略，以保护支撑粮食生产和农村生计的隐形水源。

引用: 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

关键词: 地下水, 灌溉, 机器学习, LSTM, 水资源管理