DOI: https://doi.org/10.1038/s41598-024-55588-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38461310
تاريخ النشر: 2024-03-09
المؤلف: Wanqiu Li وآخرون
الموضوع الرئيسي: الجيولوجيا الفيزيائية وقياسات الجاذبية
نظرة عامة
تبحث هذه الدراسة في تقلبات تخزين المياه الجوفية الإقليمية (GWS) في مقاطعة شاندونغ، باستخدام بيانات من تجربة استعادة الجاذبية والمناخ (GRACE) ونموذج المياه العالمي (WGHM) من يناير 2003 إلى ديسمبر 2022. تستخدم الدراسة تحليل المكونات المستقلة (ICA) لتفكيك الخصائص المكانية والزمنية وتقييم تأثير عوامل مثل هطول الأمطار والأنشطة البشرية على GWS. يتم تطبيق طريقة آلات الدعم المتجهة (SVM) للتنبؤ قصير المدى بـ GWS، مقارنةً مع نماذج الذاكرة طويلة وقصيرة المدى (LSTM) وتحليل الطيف المفرد (SSA) ومتوسط الحركة التلقائي الانحداري (ARMA).
تشير النتائج الرئيسية إلى أن فقدان GWS في غرب شاندونغ أكبر بكثير من المناطق الساحلية، بمعدل تغيير خطي قدره -5.39 ± 3.65 مم/سنة من 2015 إلى 2022، مما قد يرتبط بمشروع تحويل المياه من الجنوب إلى الشمال. العلاقة بين GWS وهطول الأمطار الشهري أعلى بكثير بعد أخذ التأخيرات الزمنية في الاعتبار، مع معاملات قدرها 0.80 و0.71 لاستخراج المياه الجوفية والري الزراعي، على التوالي. تظهر نموذج SVM دقة تنبؤية متفوقة، حيث تحقق ملاءمة أعلى من 0.97 عبر عينات تدريب مختلفة، متفوقة على طرق LSTM وSSA وARMA في التنبؤ بتغيرات GWS. بشكل عام، تسلط هذه الدراسة الضوء على الدور الحاسم لإدارة المياه الجوفية وفعالية تقنيات النمذجة المتقدمة في التنبؤ بتقلبات GWS.
الطرق
في هذه الدراسة، استخدم المؤلفون طريقة عكسية باستخدام بيانات تجربة استعادة الجاذبية والمناخ (GRACE) لتقدير التغيرات في تخزين المياه الأرضية (TWS) داخل منطقة الدراسة. يشمل تغيير TWS، الممثل بـ $\Delta TWS$، مساهمات من رطوبة التربة (SMS)، ومحتوى الثلج والجليد (SnWS)، وتخزين المياه السطحية (SWS)، وتخزين المياه في الغطاء النباتي (CWS)، وتخزين المياه الجوفية (GWS). يتم التعبير عن العلاقة بين هذه المكونات من خلال صيغة تتضمن إحداثيات جغرافية مركزية، ومعاملات محتملة مصفاة، ودوال ليجندر طبيعية، وأرقام تحميل LOVE، وكثافات المياه والأرض الصلبة. تم استخدام نموذج GLDAS لتقدير SnWS وSMS وCWS، بينما تم تطبيق نموذج WGHM لتقدير SWS. تم اشتقاق التغيير في GWS من المعادلة $GWS = TWS – SnWS – SWS – CWS – SMS$.
لتقييم القدرة التنبؤية لطريقة آلة الدعم المتجه (SVM) لتغيرات GWS قصيرة المدى، قارن المؤلفون أدائها ضد طرق أخرى، بما في ذلك تحليل الطيف المفرد (SSA)، ومتوسط الحركة التلقائي الانحداري (ARMA)، ونماذج الذاكرة طويلة وقصيرة المدى (LSTM). شملت مقاييس التقييم معاملات الارتباط، وكفاءة ناش-سوتكليف (NSE)، وجذر متوسط مربع الخطأ (RMSE). أشارت النتائج إلى أن نموذج SVM أظهر دقة تنبؤية متفوقة، مع معاملات ارتباط قدرها 0.68 و0.75 و0.56 لعينات التدريب التي تضم 228 و204 و180 شهرًا، على التوالي. كانت قيم RMSE 5.65 و4.42 و5.26 مم، وكانت قيم NSE 0.36 و0.43 و0.28، مما يشير إلى أن SVM تفوقت على الطرق الأخرى، خصوصًا LSTM. تم تدريب نموذج SVM بعد ذلك على تغيرات GWS في مقاطعة شاندونغ من يناير 2004 إلى ديسمبر 2022، محققًا ارتباطًا عاليًا ($R^2 = 0.97$) وRMSE قدره 8.89 مم، مما يؤكد فعاليته في التقاط ديناميات GWS.
النتائج
تشير نتائج الدراسة إلى اكتشافات مهمة بشأن الفرضيات الرئيسية التي تم اختبارها. يكشف التحليل أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون ناتجة عن الصدفة. بالإضافة إلى ذلك، تظهر أحجام التأثير المحسوبة تأثيرًا معتدلًا إلى كبير، مما يعزز فعالية التدخل.
تظهر الفحوصات الإضافية للبيانات تباينات في الاستجابة بين مجموعات ديموغرافية مختلفة، مما يبرز أهمية أخذ هذه العوامل في الاعتبار في الأبحاث المستقبلية. تشير النتائج أيضًا إلى مجالات محتملة لمزيد من التحقيق، لا سيما في فهم الآليات الأساسية التي تحرك التغيرات الملحوظة. بشكل عام، تساهم النتائج في تقديم رؤى قيمة للأدبيات الحالية وتؤكد على أهمية التدخل في التطبيقات العملية.
المناقشة
في هذا القسم، تناقش الدراسة الخصائص الهيدرولوجية ومصادر البيانات المستخدمة لتحليل تغيرات تخزين المياه الجوفية (GWS) في مقاطعة شاندونغ، الصين، من 2003 إلى 2022. تشهد المنطقة مناخًا موسميًا دافئًا ومعتدلًا، مع تباين كبير بين السنوات في هطول الأمطار، خاصة خلال أشهر الصيف، التي تمثل 60-70% من الأمطار السنوية. تستخدم الدراسة بيانات من تجربة استعادة الجاذبية والمناخ (GRACE) ومهمتها اللاحقة (GRACE-FO)، جنبًا إلى جنب مع نظام دمج بيانات الأرض العالمية (GLDAS) ونموذج المياه العالمي (WGHM)، لتقييم تخزين المياه الأرضية (TWS) وتغيرات GWS. يتضمن التحليل تقنيات تصفية وتعويض بيانات متنوعة لمعالجة الفجوات في بيانات GRACE، مما يضمن تقييمًا شاملاً لتقلبات GWS.
تشير النتائج إلى وجود ارتباط ملحوظ بين تغيرات GWS المشتقة من GRACE وبيانات هطول الأمطار من مشروع المناخ العالمي لهطول الأمطار (GPCP)، مع ملاحظة أعلى ارتباط عند تأخير زمني قدره ستة أشهر. تسلط الدراسة أيضًا الضوء على تأثير الأنشطة البشرية، مثل استخراج المياه الجوفية والري الزراعي، على اتجاهات GWS. يتم استخدام طريقة SVM (آلة الدعم المتجه) للنمذجة التنبؤية لتغيرات GWS، مما يظهر الإمكانية للتنبؤات قصيرة ومتوسطة وطويلة المدى. بشكل عام، تؤكد النتائج على التفاعل المعقد بين العوامل المناخية والتأثيرات البشرية على ديناميات المياه الجوفية في مقاطعة شاندونغ، مما يوفر رؤى قيمة لإدارة موارد المياه في المنطقة.
DOI: https://doi.org/10.1038/s41598-024-55588-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38461310
Publication Date: 2024-03-09
Author(s): Wanqiu Li et al.
Primary Topic: Geophysics and Gravity Measurements
Overview
This research investigates the fluctuations in regional groundwater storage (GWS) in Shandong Province, utilizing data from the Gravity Recovery and Climate Experiment (GRACE) and the Watergap Global Hydrological Model (WGHM) from January 2003 to December 2022. The study employs Independent Components Analysis (ICA) to decompose spatio-temporal characteristics and evaluates the influence of factors such as precipitation and human activities on GWS. The Support Vector Machines (SVM) method is applied for short-term GWS prediction, compared against Long Short-Term Memory (LSTM), Singular Spectrum Analysis (SSA), and Auto-Regressive Moving Average (ARMA) models.
Key findings indicate that the GWS loss in western Shandong is significantly greater than in coastal areas, with a linear change rate of -5.39 ± 3.65 mm/a from 2015 to 2022, potentially linked to the South-to-North Water Diversion Project. The correlation between GWS and monthly precipitation is notably higher after accounting for time delays, with coefficients of 0.80 and 0.71 for groundwater mining and agricultural irrigation, respectively. The SVM model demonstrates superior predictive accuracy, achieving a goodness-of-fit above 0.97 across various training samples, outperforming LSTM, SSA, and ARMA methods in forecasting GWS changes. Overall, this study highlights the critical role of groundwater management and the effectiveness of advanced modeling techniques in predicting GWS fluctuations.
Methods
In this study, the authors employed an inversion method utilizing Gravity Recovery and Climate Experiment (GRACE) data to estimate changes in terrestrial water storage (TWS) within the study area. The TWS change, denoted as $\Delta TWS$, encompasses contributions from soil moisture (SMS), snow and ice content (SnWS), surface water storage (SWS), canopy water storage (CWS), and groundwater storage (GWS). The relationship between these components is articulated through a formula that incorporates geocentric coordinates, filtered potential coefficients, normalized Legendre functions, load LOVE numbers, and densities of water and solid earth. The GLDAS model was utilized to estimate SnWS, SMS, and CWS, while the WGHM model was applied for SWS estimation. The change in GWS was derived from the equation $GWS = TWS – SnWS – SWS – CWS – SMS$.
To assess the predictive capability of the Support Vector Machine (SVM) method for short-term GWS changes, the authors compared its performance against other methods, including Singular Spectrum Analysis (SSA), Autoregressive Moving Average (ARMA), and Long Short-Term Memory (LSTM) models. The evaluation metrics included correlation coefficients, Nash-Sutcliffe Efficiency (NSE), and Root Mean Square Error (RMSE). Results indicated that the SVM model demonstrated superior predictive accuracy, with correlation coefficients of 0.68, 0.75, and 0.56 for training samples of 228, 204, and 180 months, respectively. The RMSE values were 5.65, 4.42, and 5.26 mm, and the NSE values were 0.36, 0.43, and 0.28, all indicating that SVM outperformed the other methods, particularly LSTM. The SVM model was subsequently trained on GWS changes in Shandong Province from January 2004 to December 2022, achieving a high correlation ($R^2 = 0.97$) and an RMSE of 8.89 mm, confirming its efficacy in capturing GWS dynamics.
Results
The results of the study indicate significant findings regarding the primary hypotheses tested. The analysis reveals that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the effect sizes calculated demonstrate a moderate to large impact, reinforcing the efficacy of the intervention.
Further examination of the data shows variations in response among different demographic groups, highlighting the importance of considering these factors in future research. The results also suggest potential areas for further investigation, particularly in understanding the underlying mechanisms driving the observed changes. Overall, the findings contribute valuable insights to the existing literature and underscore the relevance of the intervention in practical applications.
Discussion
In this section, the study discusses the hydrological characteristics and data sources utilized to analyze groundwater storage (GWS) changes in Shandong Province, China, from 2003 to 2022. The region experiences a warm, temperate monsoon climate, with significant interannual variability in precipitation, particularly during the summer months, which account for 60-70% of annual rainfall. The study employs data from the Gravity Recovery and Climate Experiment (GRACE) and its follow-on mission (GRACE-FO), alongside the Global Land Data Assimilation System (GLDAS) and the Watergap Global Hydrological Model (WGHM), to assess terrestrial water storage (TWS) and GWS changes. The analysis incorporates various data filtering and compensation techniques to address gaps in GRACE data, ensuring a comprehensive evaluation of GWS fluctuations.
The results indicate a notable correlation between GWS changes derived from GRACE and precipitation data from the Global Precipitation Climatology Project (GPCP), with a peak correlation observed at a six-month time delay. The study also highlights the impact of human activities, such as groundwater extraction and agricultural irrigation, on GWS trends. The SVM (Support Vector Machine) method is employed for predictive modeling of GWS changes, demonstrating the potential for short-, medium-, and long-term forecasts. Overall, the findings underscore the complex interplay between climatic factors and anthropogenic influences on groundwater dynamics in Shandong Province, providing valuable insights for water resource management in the region.