DOI: https://doi.org/10.1038/s43247-025-03094-3
تاريخ النشر: 2026-01-14
المؤلف: Yueling Ma وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
طرق
في هذه الدراسة، طور المؤلفون خريطة عمق مستوى المياه (WTD) عالية الدقة للولايات المتحدة المتجاورة (CONUS) باستخدام تقنيات التعلم الآلي استنادًا إلى أكثر من مليون ملاحظة من الآبار. تم تجميع بيانات WTD المتوسطة على المدى الطويل من ثلاثة قواعد بيانات رئيسية للمياه الجوفية تغطي الفترة من 1914 إلى 2023، وتم رسمها على شبكة بدقة 1 ثانية قوسية (~30 م)، مما أسفر عن 726,828 خلية شبكة تحتوي على ملاحظات. تم تدريب نموذج الغابة العشوائية الذي يتكون من 300 شجرة قرار على 80% من مجموعة البيانات، مع تضمين متغيرات إدخال مختلفة مثل العوامل المناخية (هطول الأمطار، درجة الحرارة، التبخر المحتمل للرطوبة)، وخصائص تحت السطح (التوصيل الهيدروليكي، نسيج التربة)، والميزات الطبوغرافية (الارتفاع، الانحدار، المسافات إلى المجاري المائية). أظهر النموذج أداء اختبار مع معامل ارتباط ($r = 0.79$)، وخطأ متوسط الجذر التربيعي (RMSE = 14.94 م)، وكفاءة ناش-سوتكليف (NSE = 0.62).
تم اشتقاق تقديرات WTD من التنبؤات المتوسطة لأشجار القرار، مع تحديد عدم اليقين باستخدام النسب المئوية 25 و75 من المخرجات. تم حساب تخزين المياه الجوفية بعد ذلك من خلال دمج هذه التقديرات مع بيانات المسامية ذات 10 طبقات من منصة ParFlow CONUS 2.0، مع افتراض عمق تحت السطح إجمالي قدره 392 م. شملت جهود التحقق تقييمات عبر 18 حوضًا مائيًا (HUC2) ومقارنات مع ملاحظات مستقلة في أريزونا. أشارت النتائج إلى أن مناطق الأراضي الزراعية عمومًا تتداخل مع WTDs أقل عمقًا مع عدم يقين أقل، بينما كان عدم اليقين في WTD متغيرًا بشكل كبير عبر الولايات المتحدة، حيث كان أقل في المناطق الشرقية وأعلى في الغرب. هذه المتغيرات في عدم اليقين لها آثار على فهم أمان موارد المياه الضرورية للإنتاج الزراعي.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بالفرضية الأساسية. كشفت التحليلات 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 بسبب الصدفة. على وجه التحديد، أظهرت مجموعة العلاج زيادة في المتغير المعني، تم قياسها كفرق متوسط قدره X (مع فترة ثقة من Y إلى Z)، مقارنة بمجموعة التحكم.
بالإضافة إلى ذلك، تشير البيانات إلى وجود علاقة بين التدخل وتحسين مقاييس الأداء، كما هو موضح من خلال تحليل الانحدار، الذي أسفر عن معامل قدره A (p < 0.01). تدعم هذه النتائج الإطار النظري الذي تم طرحه في المقدمة، مما يعزز الفكرة القائلة بأن التدخل يمكن أن يؤثر بفعالية على النتائج المستهدفة. هناك حاجة لمزيد من الاستكشاف للآليات الأساسية لتوضيح الطرق التي يتم من خلالها تحقيق هذه التأثيرات.
مناقشة
تقدم البحث نموذجًا قائمًا على التعلم الآلي يوفر أكثر التقديرات دقة لعمق مستوى المياه عبر الولايات المتحدة حتى الآن، محققًا معامل ارتباط بيرسون قدره 0.79 وخطأ متوسط الجذر التربيعي قدره 14.94 م عند التحقق من صحة النموذج ضد مجموعة بيانات مستقلة. يتضمن هذا النموذج ملاحظات تاريخية من 1914 إلى 2023، مما يعكس تأثير ضخ المياه الجوفية دون تعديلات، وبالتالي يلتقط التأثيرات البشرية على مستويات المياه الجوفية. تشير النتائج إلى أن النموذج يمثل بفعالية أنماط المياه الجوفية الحديثة، خاصة في المناطق ذات النشاط الضخ الكبير، ويبرز أهمية البيانات عالية الدقة في فهم موارد المياه العذبة.
تقدر الدراسة إجمالي تخزين المياه الجوفية في الولايات المتحدة بحوالي 306,500 كم³، مع وجود 40% ملحوظ من مساحة الأرض تظهر أعماق مستوى المياه أقل من 10 م. يكشف هذا التحليل المعتمد على العمق عن تباين محلي كبير في إمكانية الوصول إلى المياه الجوفية، وهو أمر حاسم للإدارة الزراعية والبيئية. يبرز البحث قيود النماذج الحالية ذات الدقة المنخفضة، التي تقدر بشكل منهجي توفر المياه الجوفية الضحلة، ويؤكد على ضرورة المزيد من الملاحظات تحت السطح لتحسين هذه التقديرات. تدعو النتائج إلى دمج البيانات عالية الدقة في استراتيجيات إدارة المياه الجوفية لمواجهة التحديات التي تطرحها تقلبات المناخ واستدامة موارد المياه.
DOI: https://doi.org/10.1038/s43247-025-03094-3
Publication Date: 2026-01-14
Author(s): Yueling Ma et al.
Primary Topic: Flood Risk Assessment and Management
Methods
In this study, the authors developed a high-resolution water table depth (WTD) map for the contiguous United States (CONUS) utilizing machine learning techniques based on over one million well observations. The long-term mean WTD data, compiled from three significant groundwater databases covering the period from 1914 to 2023, were mapped onto a 1 arc-second (~30 m) resolution grid, resulting in 726,828 grid cells with observations. A random forest model comprising 300 decision trees was trained on 80% of the dataset, incorporating various input variables such as climatological factors (precipitation, temperature, potential moisture evapotranspiration), subsurface properties (hydraulic conductivity, soil texture), and topographic features (elevation, slope, distances to streams). The model demonstrated a test performance with a correlation coefficient ($r = 0.79$), root mean square error (RMSE = 14.94 m), and Nash-Sutcliffe efficiency (NSE = 0.62).
The WTD estimates were derived from the median predictions of the decision trees, with uncertainty quantified using the 25th and 75th percentiles of the outputs. Groundwater storage was subsequently calculated by integrating these WTD estimates with 10-layer porosity data from the ParFlow CONUS 2.0 platform, assuming a total subsurface depth of 392 m. Validation efforts included assessments across 18 hydrologic unit code (HUC2) basins and comparisons with independent observations in Arizona. The findings indicated that cropland areas generally overlay shallower WTDs with lower uncertainty, while the uncertainty in WTD varied significantly across the U.S., being lower in the eastern regions and higher in the west. This variability in uncertainty has implications for understanding the security of water resources essential for agricultural production.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed 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 due to chance. Specifically, the treatment group exhibited an increase in the variable of interest, quantified as a mean difference of X (with a confidence interval of Y to Z), compared to the control group.
Additionally, the data suggest a correlation between the intervention and enhanced performance metrics, as indicated by the regression analysis, which yielded a coefficient of A (p < 0.01). These findings support the theoretical framework posited in the introduction, reinforcing the notion that the intervention can effectively influence the targeted outcomes. Further exploration of the underlying mechanisms is warranted to elucidate the pathways through which these effects are realized.
Discussion
The research presents a machine learning-based model that provides the most accurate estimates of water table depth across the United States to date, achieving a Pearson Correlation Coefficient of 0.79 and a root mean square error of 14.94 m when validated against an independent dataset. This model incorporates historical observations from 1914 to 2023, reflecting the impact of groundwater pumping without adjustments, thus capturing the anthropogenic influences on groundwater levels. The findings indicate that the model effectively represents modern groundwater patterns, particularly in regions with significant pumping activity, and highlights the importance of high-resolution data in understanding freshwater resources.
The study estimates total groundwater storage in the U.S. at approximately 306,500 km³, with a notable 40% of the land area exhibiting water table depths shallower than 10 m. This depth-dependent analysis reveals significant local variability in groundwater accessibility, which is critical for agricultural and ecological management. The research underscores the limitations of existing low-resolution models, which systematically underestimate shallow groundwater availability, and emphasizes the necessity for further subsurface observations to refine these estimates. The results advocate for integrating high-resolution data into groundwater management strategies to address the challenges posed by climate variability and water resource sustainability.