融合数值模拟和机器学习的民勤盆地地下水潜力评价与主控因素识别

摘要

绿洲作为干旱区生态安全的核心载体，其稳定性高度依赖地下水资源的可持续性，地下水潜力区的精准识别能为干旱区水资源优化配置提供决策支撑。本研究将民勤盆地作为西北干旱区内陆河流域的典型绿洲系统，提出了一种融合数值模拟和机器学习的干旱区地下水潜力综合评价方法。通过地下水数值模拟获取高精度的地下水埋深空间分布以及渗透系数、给水度两个关键参数，综合考虑气象、水文、土地利用、地形和地质5大类共18个影响因素，分别采用6种机器学习模型，系统评估了地下水潜力空间分布特征。研究结果表明：绿洲区地下水潜力呈现南高北低的空间格局，LightGBM模型（准确率为87.87%,F₁分数为0.716,AUC为0.943）预测地下水潜力表现最优，XGBoost和随机森林次之，支持向量机、K近邻和BP神经网络的预测性能则相对较弱。在此基础上，通过随机森林、XGBoost和LightGBM 3个树模型计算特征重要性，结果显示地下水埋深（权重17.1%～18.5%）是影响民勤绿洲地下水潜力的关键主控因素，其次是潜在蒸散发（12.5%～14.2%）、大气降水（8.6%～12.5%）、NDVI（6.2%～12.8%）及地表高程（6.7%～11.4%）。本文提出的研究方法适用于干旱区的地下水潜力多参数评估体系，为干旱区绿洲地下水资源评价提供了科学依据。

关键词

地下水潜力 / 机器学习 / 数值模拟 / 民勤盆地 / 干旱区