《Science of The Total Environment》：Spatial-temporal variability and risk assessment of surface and groundwater resources under climate change and urbanization: A physics-informed analysis
编辑推荐：
本研究开发基于物理信息神经网络（PINN）的框架，评估印度钦奈大都市区地下水压力风险。整合347个监测井数据（2000-2020），模型实现高精度预测（R2=0.9979），识别34%区域处于高至临界风险，发现降水变化与土地利用强度共同解释61%地下水下降变异。该框架为气候敏感型城市提供可转移决策工具。
K. Joseph Pious | A. Stanley Raj
物理系，洛约拉学院，金奈，600034，泰米尔纳德邦，印度
摘要
在快速城市化的沿海地区，地下水系统正日益受到气候变化和土地利用变化的共同影响而面临压力，然而稳健的空间-时间风险量化仍然有限。本研究开发了一个基于物理信息的神经网络（PINN）框架，用于模拟印度金奈大都会地区的地下水动态并评估地下水压力风险。该模型将控制地下水流动的方程嵌入到一个基于347个监测井（2000-2020年）观测数据训练的神经网络中，将补给、抽水和水文地质参数作为物理约束条件进行整合。通过空间块交叉验证方法预测了地下水位（距地面米数），取得了良好的性能。在插值和模型训练过程中，通过排除整个监测井群来控制空间泄漏。一个模糊的多标准风险框架将地下水压力分为四个等级（低、中、高、临界），与独立的基于实地的数据评估相比，准确率达到91.4%。结果表明，研究区域内有34%的区域目前处于高至临界压力区。方差分解分析显示，降水变化和土地利用强度共同解释了大约61%的地下水下降率的空间变异性。在二十年间，地下水补给量减少了18%，而用水需求增加了32%，加剧了硬岩和沿海含水层的压力。所提出的框架为气候敏感型城市地区的适应性地下水管理提供了一个可转移的决策支持工具。
引言
由于气候变化和地下水补给及储存量的减少，全球水资源安全面临着前所未有的挑战，特别是在干旱和半干旱地区（Al-Gamal和Dodo，2009；Amanambu等人，2020；El?i，2011）。全球约有25亿人依赖地下水系统获取淡水，这些系统正受到自然气候变异性和人为压力的双重影响（Al-Gamal和Dodo，2009；Kumar，2016）。
最近的干旱事件加剧了地下水压力，而广泛的基础设施建设阻碍了正常雨季期间的有效补给。金奈的经验凸显了城市规划对地下水保护的关键作用。
传统的地下水评估方法往往缺乏进行全面压力评估所需的空间分辨率和时间连续性。机器学习模型，如逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）、人工神经网络（ANN）、模糊神经网络（FNN）和长短期记忆网络（LSTM），已通过评估各种物理和化学参数有效用于预测地下水质量（Sendrós等人，2023；Sendròs等人，2014）。基于物理信息的神经网络（PINN）是一类将神经网络与控制自然现象的物理定律相结合的机器学习模型（Farea等人，2024）。这种整合旨在通过将物理约束直接嵌入神经网络架构来提高复杂物理系统预测的准确性和可靠性（Farea等人，2024；Secci等人，2024）。尽管基于物理信息的神经网络（PINN）在正向和反向地下水流动问题方面取得了最新进展，但大多数现有应用仍集中在水头重建、参数估计或在受控水文地质条件下的边界条件学习上。很少有研究将PINN扩展到结合气候变化和城市化压力的实际地下水压力量化中。此外，现有的地下水风险评估通常依赖于纯粹的数据驱动机器学习模型（缺乏物理一致性），或者多标准决策框架（未与物理约束的地下水预测动态耦合）。这在基于过程的模拟和基于风险的决策支持之间造成了方法论上的差距。
城市扩张通过改变补给模式、增加用水需求和改变地表-地下相互作用进一步复杂化了这些动态（Parajuli，2011）。城市扩张通常涉及将植被区域转化为不透水表面，从而减少了雨水渗入地下的量（Sanchez等人，2020）。理解这些耦合过程需要考虑多种尺度的变异性和不确定性。
本研究通过整合（i）用于空间-时间地下水水位预测的基于物理信息的神经网络，（ii）双变量需求-可用性分类框架，以及（iii）模糊多标准风险聚合模型，构建了一个统一的决策支持架构（Cai等人，2022；Feng等人，2023；Li等人，2023），填补了这一空白。与之前的PINN应用不同，该框架将物理一致的地下水模拟转化为具有量化的气候和人为驱动因素解释的风险层次。该方法专门针对异质性高、数据稀缺且对气候敏感的城市含水层设计，从而提高了地下水压力评估的方法论严谨性和政策相关性（Bagheri等人，2025；Dasari等人，2025；Nguyen等人，2024）。
基于物理信息的架构使得在不同大都市环境中进行有效的迁移学习成为可能，表明其在全球快速发展的地区具有广泛的应用前景。
研究区域
研究区域覆盖了位于印度东南部的一个2847平方公里的流域（北纬12°45′至13°15′，东经79°30′至80°15′），该地区具有多样化的水文地质条件并面临显著的城市发展压力。该地区属于热带半干旱气候，受双峰季风系统的影响显著。与印度大部分地区不同，泰米尔纳德邦的年降水量主要来自东北季风（10月至12月），占比约为50-60%
数据收集和预处理
分析使用了2000-2020年的多源数据集，包括来自23个气象站的气象记录、347个监测井的地下水位数据、15个水位测量站的地表水流数据以及来自Landsat影像的土地利用分类数据。降水数据经过统计异常值检测和空间一致性检查进行质量控制。缺失值通过考虑海拔校正因子的逆距离加权方法进行插值。
地下水压力的空间-时间模式
分析显示，研究区域内地下水压力模式存在显著的空间异质性。图6(a)、(b)、(c)和(d)分别展示了地下水位、年降水量、土地覆盖强度等地下水压力指标的空间分布，这些指标的变化与水文地质特征和人为压力密切相关（Fattah等人，2024；Mohammed等人，2024）。城市地区的压力水平最高
模型性能统计
详细的统计评估证实了模型在多个指标上的稳健性能：
Mann Kendall方法确定了三个主要因素，解释了73%的地下水压力变异性——气候压力（32%）、人为压力（26%）和水文地质脆弱性（15%）。因子载荷证实了地下水压力的多维性质，需要综合评估方法（Su等人，2020）。洪水预测模型结合了HEC-HMS水文模型
结论
本研究对在气候变化和城市化压力下的地下水压力进行了全面的基于物理信息的分析。研究表明，压力模式存在显著的空间-时间变异性，研究区域内有34%的区域处于高至临界风险水平。所开发的方法成功地将物理原理与机器学习方法相结合，取得了稳健的绩效指标（R2 = 0.9979，RMSE = 0.3754米）。主要发现包括...
作者贡献声明
K. Joseph Pious：撰写——原始草稿、可视化、验证、软件开发、方法论设计、调查、正式分析、数据管理、概念构建。A. Stanley Raj：撰写——审稿与编辑、监督、资源协调。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
作者感谢印度中央地下水委员会提供地下水监测数据，以及印度气象部门提供气象记录。我们感谢当地社区和井主在野外数据收集方面的协助。同时，我也衷心感谢专家们根据表1中列出的专家标准提供的指导和建议，帮助我们构建了一个具有韧性的框架。此外，我也想感谢评审委员会...
