DOI: https://doi.org/10.1007/s11269-025-04210-w
تاريخ النشر: 2025-05-03
المؤلف: Ahmed M. Saqr وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تقدم هذه الدراسة نموذج تعلم آلي جماعي (En) مبتكر تم تحسينه باستخدام مُحسّن مناعة القطيع لفيروس كورونا (CHIO) لتوقع مستويات المياه الجوفية في حوض نهر إرجين، تركيا، وهي منطقة تأثرت بشدة بنضوب المياه الجوفية والتلوث. يدمج النموذج ست تقنيات تعلم آلي—وظيفة القاعدة الشعاعية (RBF)، نظام الاستدلال العصبي الضبابي التكيفي (ANFIS)، الشبكة العصبية الاصطناعية (ANN)، الشبكة العصبية التكرارية (RNN)، الذاكرة طويلة وقصيرة الأجل (LSTM)، والشبكة العصبية التلافيفية (CNN)—للتقاط تباين المياه الجوفية بشكل فعال. باستخدام بيانات المياه الجوفية الأسبوعية من أربعة آبار تمتد من 1966 إلى 2023، استخدمت الدراسة تقسيم التدريب/الاختبار بنسبة 70% و30%، على التوالي، وقامت بتحسين اختيار تأخير الإدخال من خلال وظيفة الارتباط الذاتي الجزئي (PACF) واختبار غاما (GT). أظهرت النتائج أن نموذج En تفوق بشكل كبير على النماذج الفردية، محققًا معامل تحديد ($R^2 \approx 0.99$) وخطأ متوسط الجذر التربيعي (RMSE) يبلغ حوالي 0.5 م، مما يوضح قوته في توقع كل من التقلبات المفاجئة والاتجاهات طويلة الأجل في مستويات المياه الجوفية.
تسلط النتائج الضوء على المساهمات المحتملة لنموذج En في أهداف التنمية المستدامة (SDGs)، لا سيما في تعزيز كفاءة استخدام المياه ومعالجة التحديات البيئية والاقتصادية والاجتماعية. على وجه التحديد، يدعم النموذج 50% من الهدف 6 (المياه النظيفة والصرف الصحي) و40% من الهدف 13 (العمل المناخي)، بينما يساهم أيضًا في الأهداف المتعلقة بالنمو الاقتصادي والصحة العامة. تشمل اتجاهات البحث المستقبلية دمج قدرات المراقبة في الوقت الحقيقي واختبار النموذج عبر سياقات هيدروجيولوجية متنوعة لتحسين قابليته للتطبيق والعمومية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للمياه الجوفية كمورد للأنظمة البيئية والزراعة وسبل العيش البشرية، لا سيما في المناطق التي تعاني من نقص المياه السطحية. تؤكد على التهديدات المتزايدة لتوافر المياه الجوفية وجودتها بسبب الاستخراج المفرط، وتغير المناخ، والتلوث، مما يتطلب أطر مراقبة وإدارة تنبؤية قوية لتحقيق أهداف التنمية المستدامة (SDGs). تعتبر طرق المراقبة التقليدية، بما في ذلك النماذج الفيزيائية والعددية، على الرغم من قيمتها، محدودة بمتطلبات البيانات والافتراضات الخطية، مما يدفع لاستكشاف تقنيات التعلم الآلي (ML) كأدوات تكميلية.
تقترح الدراسة نموذجًا جماعيًا (En) مبتكرًا يدمج تقنيات التعلم السطحي والعميق المحسّنة بواسطة مُحسّن مناعة القطيع لفيروس كورونا (CHIO) لتوقع مستوى المياه الجوفية. يهدف هذا النهج إلى تعزيز القدرة التنبؤية من خلال الاستفادة من نقاط القوة في نماذج ML المختلفة—النماذج السطحية من أجل القابلية للتفسير والنماذج العميقة لالتقاط الأنماط المكانية والزمانية المعقدة. يتم تطبيق الإطار على حوض نهر إرجين في تركيا، مع معالجة التحديات المحلية للمياه الجوفية وتقييم مساهماته في الاستدامة البيئية والاقتصادية والاجتماعية. تهدف البحث إلى توفير أداة قابلة للتوسع لإدارة المياه الجوفية، تدعم الأمن المائي العالمي والقدرة على التكيف.
الطرق
تحدد هذه القسم منهجية البحث المستخدمة في الدراسة، موضحة الخطوات المنهجية المتبعة لتحقيق أهداف البحث. تؤكد على أهمية نهج منظم، كما هو موضح في الشكل 2، الذي من المحتمل أن يقدم تمثيلًا بصريًا للمنهجية. من المتوقع أن تتناول الأقسام الفرعية التالية تقنيات ومواد وإجراءات تحليلية محددة تم استخدامها طوال عملية البحث، مما يضمن وضوح النتائج وقابليتها للتكرار.
النتائج
تشير النتائج إلى أن نموذج En يساهم بشكل كبير في تحقيق أهداف التنمية المستدامة (SDGs) المختلفة من خلال تمثيله الدقيق للتغيرات المكانية والزمانية في المياه الجوفية في حوض نهر إرجين. بيئيًا، يدعم النموذج 50% من الهدف 6 من خلال تعزيز إدارة المياه الجوفية المستدامة، مع التركيز على الأهداف 6.1 (المياه الصالحة للشرب)، 6.3 (تحسين جودة المياه)، 6.4 (كفاءة استخدام المياه)، و6.5 (إدارة الموارد المائية المتكاملة). بالإضافة إلى ذلك، يساهم في 40% من الهدف 13 من خلال تعزيز القدرة على التكيف مع المناخ، لا سيما من خلال الأهداف 13.1 (التكيف مع المخاطر المناخية) و13.2 (دمج الاعتبارات المناخية في السياسات).
اقتصاديًا، يساعد نموذج En في تحقيق 17% من الهدف 8 من خلال تعزيز النمو الاقتصادي المستدام وكفاءة الموارد، مما يضمن الوصول الموثوق للمياه الجوفية للزراعة والصناعة. كما يدعم 9% من الهدف 12 من خلال الهدف 12.2 (إدارة الموارد المستدامة)، مما يسهل ممارسات الاستخراج المستنيرة التي تحترم معدلات إعادة شحن المياه الجوفية. اجتماعيًا، يعزز النموذج الصحة العامة والاستدامة الحضرية، مما يساهم في 8% من الهدف 3 (تقليل المخاطر الصحية من المياه الملوثة) و10% من الهدف 11 (التحضر الشامل والمستدام). بشكل عام، يعد نموذج En أداة دعم قرار قيمة للحكم الاستباقي على المياه الجوفية، والتكيف مع المناخ، والتوزيع العادل للمياه، مما يعزز توافقه مع أهداف التنمية المستدامة العالمية.
المناقشة
تركز الدراسة على توقع مستوى المياه الجوفية في حوض نهر إرجين، تركيا، وهي منطقة تواجه نضوبًا كبيرًا للمياه الجوفية بسبب الاستخراج المفرط والتلوث الصناعي. استخدمت البحث بيانات من أربعة آبار مراقبة، تمتد من 1966 إلى 2023، لتحليل الديناميات المكانية والزمانية لمستويات المياه الجوفية. أظهرت الآبار تباينًا كبيرًا في مستويات المياه الجوفية، حيث تم تسجيل أعلى مستوى في W1 في كيركلاريلي وأدنى مستوى في W3 في تكيرداغ. تم تطبيع البيانات ومعالجتها لتعزيز أداء نماذج التعلم الآلي (ML)، والتي شملت كل من النماذج السطحية (RBF، ANFIS، ANN) ونماذج التعلم العميق (RNN، LSTM، CNN).
أظهر نموذج التعلم الآلي الجماعي (En) الذي تم تطويره في هذه الدراسة دقة تنبؤية متفوقة مقارنة بالنماذج الفردية. تم تقييم الأداء باستخدام مجموعة من المقاييس، بما في ذلك خطأ متوسط الجذر التربيعي (RMSE) ومعامل التحديد (R²)، عبر سيناريوهات اختبار قصيرة وطويلة الأجل. تفوق نموذج En باستمرار على جميع النماذج الفردية، محققًا أعلى الدرجات عبر جميع الآبار، لا سيما في التقاط التقلبات والاتجاهات المعقدة للمياه الجوفية. لا يعزز هذا النموذج دقة التوقعات فحسب، بل يدعم أيضًا إدارة موارد المياه المستدامة، مما يتماشى مع الأبعاد البيئية والاجتماعية والاقتصادية لأهداف التنمية المستدامة (SDGs). تؤكد النتائج على أهمية النمذجة التنبؤية المتقدمة في معالجة تحديات استدامة المياه الجوفية في المنطقة.
DOI: https://doi.org/10.1007/s11269-025-04210-w
Publication Date: 2025-05-03
Author(s): Ahmed M. Saqr et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
This research presents a novel ensemble machine learning (En) model optimized using the coronavirus herd immunity optimizer (CHIO) for groundwater level forecasting in the Ergene River Basin, Türkiye, a region severely affected by groundwater depletion and contamination. The model integrates six machine learning techniques—Radial Basis Function (RBF), Adaptive Neuro-Fuzzy Inference System (ANFIS), Artificial Neural Network (ANN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), and Convolutional Neural Network (CNN)—to effectively capture aquifer heterogeneity. Utilizing weekly groundwater data from four wells spanning 1966 to 2023, the study employed a training/testing split of 70% and 30%, respectively, and optimized input lag selection through the partial autocorrelation function (PACF) and gamma test (GT). The results indicated that the En model significantly outperformed individual models, achieving a coefficient of determination ($R^2 \approx 0.99$) and a root mean square error (RMSE) of approximately 0.5 m, demonstrating its robustness in forecasting both abrupt fluctuations and long-term trends in groundwater levels.
The findings highlight the En model’s potential contributions to sustainable development goals (SDGs), particularly in enhancing water-use efficiency and addressing environmental, economic, and social sustainability challenges. Specifically, the model supports 50% of SDG 6 (Clean Water and Sanitation) and 40% of SDG 13 (Climate Action), while also contributing to SDGs related to economic growth and public health. Future research directions include the integration of real-time monitoring capabilities and testing the model across various hydrogeological contexts to improve its applicability and generalizability.
Introduction
The introduction highlights the critical role of groundwater as a resource for ecosystems, agriculture, and human livelihoods, particularly in regions with limited surface water. It emphasizes the growing threats to groundwater availability and quality due to over-extraction, climate change, and pollution, necessitating robust monitoring and predictive management frameworks to meet sustainable development goals (SDGs). Traditional monitoring methods, including physical and numerical models, while valuable, are limited by data requirements and linear assumptions, prompting the exploration of machine learning (ML) techniques as complementary tools.
The study proposes a novel ensemble (En) model that integrates shallow and deep learning techniques optimized by the coronavirus herd immunity optimizer (CHIO) for groundwater level prediction. This approach aims to enhance predictive capacity by leveraging the strengths of various ML models—shallow models for interpretability and deep models for capturing complex spatial and temporal patterns. The framework is applied to the Ergene River Basin in Türkiye, addressing local groundwater challenges and evaluating its contributions to environmental, economic, and social sustainability. The research aims to provide a scalable tool for groundwater management, supporting global water security and resilience.
Methods
The section outlines the research methodology employed in the study, detailing the systematic steps taken to achieve the research objectives. It emphasizes the importance of a structured approach, as illustrated in Figure 2, which likely provides a visual representation of the methodology. The subsequent subsections are expected to elaborate on specific techniques, materials, and analytical procedures utilized throughout the research process, ensuring clarity and reproducibility of the findings.
Results
The results indicate that the En model significantly contributes to various Sustainable Development Goals (SDGs) through its accurate representation of spatial and temporal groundwater variations in the Ergene River Basin. Environmentally, the model supports 50% of SDG 6 by enhancing sustainable groundwater management, specifically addressing targets 6.1 (safe drinking water), 6.3 (water quality improvement), 6.4 (water-use efficiency), and 6.5 (integrated water resources management). Additionally, it contributes to 40% of SDG 13 by fostering climate resilience, particularly through targets 13.1 (adaptation to climate hazards) and 13.2 (integration of climate considerations into policies).
Economically, the En model aids in achieving 17% of SDG 8 by promoting sustainable economic growth and resource efficiency, ensuring reliable groundwater access for agriculture and industry. It also supports 9% of SDG 12 through target 12.2 (sustainable resource management), facilitating informed extraction practices that respect aquifer recharge rates. Socially, the model enhances public health and urban sustainability, contributing to 8% of SDG 3 (reducing health risks from polluted water) and 10% of SDG 11 (inclusive and sustainable urbanization). Overall, the En model serves as a valuable decision-support tool for proactive groundwater governance, climate adaptation, and equitable water distribution, reinforcing its alignment with global SDGs.
Discussion
The study focuses on groundwater level forecasting in the Ergene River Basin, Türkiye, an area facing significant groundwater depletion due to over-extraction and industrial contamination. The research utilized data from four observation wells, spanning from 1966 to 2023, to analyze the spatial and temporal dynamics of groundwater levels. The wells exhibited considerable variability in groundwater levels, with the highest recorded at W1 in Kırklareli and the lowest at W3 in Tekirdağ. The data were normalized and processed to enhance the performance of machine learning (ML) models, which included both shallow (RBF, ANFIS, ANN) and deep learning models (RNN, LSTM, CNN).
The ensemble machine learning (En) model developed in this study demonstrated superior predictive accuracy compared to individual ML models. Performance was evaluated using a range of metrics, including root mean square error (RMSE) and coefficient of determination (R²), across short-term and long-term testing scenarios. The En model consistently outperformed all individual models, achieving the highest scores across all wells, particularly in capturing complex groundwater fluctuations and trends. This model not only enhances forecasting accuracy but also supports sustainable water resource management, aligning with the environmental, social, and economic pillars of the Sustainable Development Goals (SDGs). The findings underscore the importance of advanced predictive modeling in addressing groundwater sustainability challenges in the region.