Assessing Groundwater Salinization Using Spatial Machine Algorithm Techniques

Khalifa M. Al‐Kindi

doi:10.1007/s41748-025-00888-5

Assessing Groundwater Salinization Using Spatial Machine Algorithm Techniques

2025-10-23

0

OA

AI

K

Khalifa M. Al‐Kindi *

Mohammed S. Al Nadabi

Muhammad İ̇rfan Ahamad

S

Siqi Lu

DOI：10.1007/s41748-025-00888-5

原文链接

原文求助

摘要

En 中文

地下水支撑着干旱地区的生计，但仍然容易受到气候变异和过度开采的影响。本研究评估了阿曼巴尔卡省地下水盐度的易感性，采用集成学习方法——随机森林（RF）和极端梯度提升（XGBoost）——应用于多十年数据集（1985—2021年）。输入数据结合了来自Landsat的土地利用/土地覆盖（LULC）变化、降水和温度记录、地下水位和盐度观测值，以及基于LiDAR的海拔、坡度和水文连通性。人为和地貌控制因素由井密度和距排水沟的距离表示。模型性能良好：XGBoost达到R² = 0.99和MAPE = 0.011，而RF达到R² = 0.97和MAPE = 0.084。我们生成了五个电导率等级，从淡水到极高盐度，并绘制了空间热点图。XGBoost强调北部和东北部的脆弱性；RF突出了西北部、中部和东南部地区。变量重要性始终优先考虑地下水位，其次是海拔、温度和降雨量。集成的遥感、GIS和机器学习工作流程具有可复制性和可扩展性，能够在监测网络稀疏的地区实现常规盐度监测。研究结果为优先保护、指导井许可以及针对补给和需求管理干预措施提供了可操作的依据。更广泛地说，该框架支持适应性地下水治理，因为水气候压力在数据有限的干旱地区加剧，并能够支持基于证据的水政策决策。一个紧凑的RS–GIS–ML流水线总结了地下水盐度易感性的输入、方法和结果（面积≈166.663 km²）。多期Landsat影像（1985年、1990年、2000年、2013年、2021年；TM/ETM+/OLI）用于图像分割和随机森林分类，以获取1985—1990年、1990—2000年、2000—2013年和2013—2021年的LULC及变化。植被覆盖动态通过方向分布（标准差椭圆）描绘，以显示1985年至2021年的主导扩散趋势。易感性建模整合了LULC、降雨、温度、海拔、坡度、距排水沟距离、井密度和地下水位下降，使用随机森林和XGBoost。输出包括五个电导率等级（淡水、低、中等、高、极高）和空间热点图。两种模型均表明盐度集中分布于北部沿海带，其次在中心区域和西北部有次要分布；农业扩张在南部分布明显。各算法的模型技能均较高；地下水位是最主要的驱动因素，而地形和气候变量调节风险。它强调了一种工作流程——卫星存档加辅助水文环境数据——用于在干旱环境中监测和管理地下水盐度。政策启示：优先监测北部热点区域；完善井许可和抽水控制；针对 Managed Aquifer Recharge 和排水改善；协调土地利用规划与盐度风险，以保护农业生产率、生态系统健康、社区韧性和长期粮食安全。农业扩张主导南部，而北部沿海盐度严重限制了传统农业。XGBoost达到R² = 0.99，关键驱动因素包括坡度、海拔、降雨、地下水深度和LULC。盐渍地下水潜力区聚集在北部和东北部，中心区域和西北部有较小热点。地下水深度对盐度影响显著，RF重要性为45%，超过XGBoost的32%贡献。LULC强调地表对盐度的影响，呼吁通过土地利用规划维持地下水质量。

Keyword:

Water salinity

Wilayat barka

Remote sensing

XGBoost

Random forest

Salinization risk mapping

Groundwater management

Assessing Groundwater Salinization Using Spatial Machine Algorithm Techniques

摘要

期刊

机构

引用论文