使用 Bi-GRU 模型预测农业和全球总用水量

为何未来用水与每个人息息相关

清洁水源支撑着我们的粮食、城市和工业，但许多地区已面临短缺。本研究提出一个简单却紧迫的问题：未来数十年世界将需要多少水，尤其是农业用水——我们淡水的最大用途？通过将全球用水记录与一种现代人工智能工具结合，作者估算了到 2040 年的未来需求，并测试不同预测方法的表现。研究结果可帮助政府与规划者为一个更干燥且人口更密集的世界做准备。

江河与含水层面临的日益压力

论文首先交代背景：水覆盖了地球大部分表面，但可用的淡水份额有限。过去一个世纪全球需求约增长了六倍，约 70% 的取水用于农业，20% 用于工业，剩余用于家庭。预计大部分人口增长将发生在非洲和亚洲，这些地区已对水资源和气候变化脆弱。印度、中国、印度尼西亚、沙特阿拉伯和土耳其等国随着城市扩张、经济增长和灌溉用地增加，水量使用迅速上升。相比之下，德国、日本和英国等地由于节水和提高效率，呈现出稳定或略有下降的用水趋势。

将全球用水记录整理为可用数据集

为从关切走向预测，作者汇编了涵盖 2000 至 2024 年的全球用水数据集，包含二十个分布于不同气候与收入水平的主要经济体。对每个国家与年份，数据集包括总用水、用于农业的用水、按人计算的家庭与工业用水、降雨影响以及地下水耗竭速率。团队对数据进行了仔细清理，检查缺失或异常值，并将所有数值重新缩放到统一范围，避免单一国家或变量在学习过程中占主导地位。随后他们将每个国家的时间序列分为训练、验证和测试片段，确保训练时不接触较晚年份，以便对预测进行公平评估。

智慧序列模型如何解读过去

研究的核心是一种称为双向门控循环单元（Bi-GRU）的深度学习模型。与简单趋势线不同，该模型专为读取序列而设计。它以正向和反向两个方向处理用水及相关因子的历史记录，使其能够捕捉依赖于长期干湿循环、渐进性政策变化或人口与产业缓慢转变的模式。网络层将这些模式压缩为内部表征，然后输出每个国家的两个主要量：总用水和农业用水。作者将 Bi-GRU 与几种先进替代方法进行比较，包括长短期记忆网络（LSTM）、时间变换器模型、将国家相互关联的图模型及一种概率性预测方法。

预测表现如何

在对 2021 至 2024 年未见数据的测试中，Bi-GRU 在整体上持续给出最准确的预测。按常用误差指标衡量，它在大多数国家中优于所有对手模型，尤其是在印度、德国和英国等具有相对稳定长期模式的国家。作者还进行了统计检验，表明这些提升并非偶然。利用表现最好的模型，他们将总用水和农业用水从 2025 年预测到 2040 年。包括印度、土耳其以及数个快速增长经济体在内的一些国家，预计需求将继续增长，尤其是灌溉用水；如果当前的效率趋势持续，其他国家则可能趋于稳定或降低消费。

这些发现对粮食与水安全意味着什么

对非专业读者而言，关键在于更好的长期预测可以把对“未来水短缺”的模糊担忧转化为可供规划者采取行动的具体数字。研究表明，基于序列的现代人工智能能够追踪气候、人口和发展如何相互作用以影响国家用水，并能比早期方法更准确地完成此任务。这些预测并不保证一定会发生，但它们突出了哪些地区的农业和总体需求最有可能给供给带来压力，从而为灌溉技术、储存、回用和政策改革的投资提供指引。简而言之，更智能的预测是应对变暖和人口增多世界中保持供水与维持农田生产力的一项实用工具。

引用: 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

关键词: 全球用水, 农业用水, 深度学习预测, Bi-GRU 模型, 用水需求预测