DOI: https://doi.org/10.28991/cej-2025-011-02-01
تاريخ النشر: 2025-02-01
المؤلف: Abdel Rahman Awawdeh وآخرون
الموضوع الرئيسي: الجيولوجيا الفيزيائية وقياسات الجاذبية
نظرة عامة
تقدم هذه الدراسة منهجية ذات مرحلتين تستخدم الشبكات العصبية الاصطناعية (ANNs) لتعزيز مراقبة المياه الجوفية على نطاقات إقليمية، مع معالجة قيود الطرق التقليدية المعتمدة على الآبار والدقة المكانية المنخفضة لبيانات الأقمار الصناعية GRACE (~300 كم). في المرحلة الأولى، قام الباحثون بتحسين بيانات GRACE لتحقيق دقة مكانية تبلغ 4×4 كم، مما زاد من قابليتها للتطبيق في التقييمات الإقليمية. تضمنت المرحلة الثانية دمج بيانات GRACE المنقحة مع ملاحظات آبار المياه والعوامل المناخية، مما أسفر عن توقعات دقيقة للغاية لمستويات المياه الجوفية (R² = 0.9885). تتفوق هذه الإطار الابتكاري بشكل كبير على الطرق الحالية التي تتطلب حسابات كثيفة، مما يوفر حلاً قابلاً للتوسع لمراقبة المياه الجوفية في سياقات هيدرولوجية معقدة.
تؤكد النتائج على إمكانيات التعلم الآلي في تحسين إدارة موارد المياه الجوفية، خاصة في مواجهة التحديات التي تفرضها تقلبات المناخ وندرة المياه. لا يحسن نهج الدراسة المكون من خطوتين دقة توقعات مستويات المياه الجوفية فحسب، بل يدعم أيضًا تخصيص موارد المياه بشكل فعال واتخاذ قرارات سياسية قائمة على الأدلة. يُشجع على إجراء أبحاث مستقبلية لتضمين متغيرات إضافية، مثل استخدام الأراضي والتأثيرات البشرية، واستكشاف تقنيات تقليل الحجم الجديدة، مما سيعزز من قوة النموذج ويزيد من قابليته للتطبيق عبر إعدادات هيدرولوجية متنوعة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم للمياه الجوفية في تركيبة مياه الأرض، حيث تشكل المياه المالحة حوالي 97.5% والمياه العذبة 2.5% فقط، والتي تُخزن بشكل رئيسي في طبقات المياه الجوفية تحت السطح. تعتبر المياه الجوفية ضرورية للزراعة والاستخدام المنزلي والصناعة، خاصة في مناطق مثل ميسيسيبي، حيث تعتبر إدارتها حيوية لاستدامة المجتمع. تشير الاتجاهات الأخيرة إلى زيادة كبيرة في استنزاف المياه الجوفية بسبب تغير المناخ، ونمو السكان، والتحضر، مما يستلزم مراقبة مستمرة لإدارة هذه المورد المحدود بشكل فعال. تعتبر الطرق التقليدية للمراقبة، مثل قياسات الآبار، غير كافية، خاصة في المناطق التي تفتقر إلى البنية التحتية المناسبة، مما يبرز الحاجة إلى أساليب بديلة مثل الملاحظات القائمة على الأقمار الصناعية.
ظهر برنامج الأقمار الصناعية لاستعادة الجاذبية وتجربة المناخ (GRACE) كأداة رئيسية لمراقبة ديناميات المياه الجوفية من خلال توفير بيانات تغيير إجمالي تخزين المياه (TWSC). على الرغم من أن GRACE يقدم رؤى قيمة حول تغييرات تخزين المياه الجوفية، إلا أن دقته المكانية الخشنة (~300 كم) تحد من قابليته للتطبيق في التقييمات المحلية. لمعالجة هذه التحديات، تناقش الورقة طرق تقليل الحجم المختلفة، بما في ذلك تقنيات التعلم الآلي، التي تعزز من دقة بيانات GRACE المكانية. تقدم الدراسة إطار عمل للشبكات العصبية الاصطناعية (ANN) ذو مرحلتين يقوم بتقليل حجم بيانات GRACE إلى دقة 4×4 كم ويجمعها مع المتنبئات المناخية وملاحظات الآبار، محققًا دقة تنبؤية عالية (R² = 0.9885). يهدف هذا النهج الابتكاري إلى سد الفجوة بين بيانات الأقمار الصناعية العالمية وإدارة المياه الجوفية المحلية، مما يوفر حلاً قويًا لإدارة موارد المياه المستدامة.
طرق
في هذه الدراسة، استخدمنا منهجية بحث شاملة لتحليل العوامل المؤثرة على مستويات المياه الجوفية، مع التركيز على متغيرات مثل هطول الأمطار، والتبخر، والجريان السطحي، ورطوبة التربة. استخدمنا مجموعة بيانات مجموعة مخاطر المناخ للأمطار بالأشعة تحت الحمراء مع المحطات (CHIRPS) لدقتها المكانية العالية البالغة 5 كم وتحديثاتها المتكررة، إلى جانب بيانات TerraClimate، التي تقدم مقاييس شهرية بدقة 4 كم. كانت هذه التكامل بين مجموعات البيانات حاسمة لالتقاط التأثيرات المتعددة الأوجه على مستويات المياه الجوفية. بالإضافة إلى ذلك، قمنا بتحسين دقة بيانات GRACE لتسهيل تحليل أكثر دقة في نماذج الشبكات العصبية الاصطناعية (ANN).
تكون نهجنا المنهجي من مرحلتين. في المرحلة الأولى، طبقنا نموذج ANN لتقليل حجم بيانات GRACE mascon، مما يسمح بتحليل بدقة أعلى. في المرحلة الثانية، تم استخدام البيانات المنقحة، جنبًا إلى جنب مع متغيرات جغرافية ومناخية أخرى، في نموذج ANN الثاني للتنبؤ بتغيرات مستويات المياه الجوفية في دلتا ميسيسيبي. تم توضيح أوصاف مفصلة لكل مرحلة ومنهجياتها المقابلة في الأقسام التالية من الورقة.
نتائج
في هذا القسم، يتم تقديم نتائج المرحلة الأولى من نموذج الشبكات العصبية الاصطناعية (ANNs)، مع التركيز على تقليل حجم بيانات GRACE لميسيسيبي على مدى 18 عامًا بدقة مكانية تبلغ 4×4 كم. تتكون التهيئة المثلى لـ ANN التي تم تحديدها من 13 عقدة إدخال، وطبقة مخفية واحدة تحتوي على 26 عقدة مخفية، وعقدة إخراج واحدة، محققة معامل تحديد ($R^2$) قدره 0.853. تتجاوز هذه الأداء القيم النموذجية لـ $R^2$ الموجودة في دراسات نمذجة المياه الجوفية المماثلة، والتي تتراوح من 0.69 إلى 0.82، مما يشير إلى فعالية دمج بيانات المناخ عالية الدقة مع تقنيات تقليل الحجم المعتمدة على ANN.
علاوة على ذلك، يكشف تحليل مقارن مع عمل وانغ وآخرين أنه بينما حقق نهج الغابات العشوائية لديهم دقة تبلغ 0.25°، نجح نموذج ANN المقدم هنا في تقليل بيانات GRACE إلى دقة أعلى بكثير تبلغ 4×4 كم، وهو ما يعد مفيدًا بشكل خاص للتطبيقات الإقليمية مثل تلك الموجودة في دلتا ميسيسيبي. كما أظهر نموذج ANN دقة تنبؤية متفوقة، مع $R^2$ قدره 0.9885، مقارنةً بخطأ الجذر التربيعي المتوسط (RMSE) المبلغ عنه من قبل وانغ وآخرين والبالغ 3.94 سم لمجموعات البيانات المماثلة. تم توضيح عينة من المخرجات من نموذج ANN في الشكل 3.
مناقشة
في هذه الدراسة، تم تطوير نهج نمذجة ذو مرحلتين باستخدام الشبكات العصبية الاصطناعية (ANNs) للتنبؤ بمستويات المياه الجوفية في دلتا ميسيسيبي، مع معالجة قيود الطرق الإحصائية التقليدية في دمج المتغيرات الهيدرولوجية والمناخية المعقدة. ركزت المرحلة الأولى على تقليل حجم بيانات تجربة استعادة الجاذبية والمناخ (GRACE) من خلال دمج مجموعات بيانات مناخية وجغرافية عالية الدقة، مما حقق تحسينًا كبيرًا في الدقة التنبؤية. استخدمت المرحلة الثانية بيانات GRACE المنقحة جنبًا إلى جنب مع ملاحظات آبار المياه للتنبؤ بمستويات المياه، مما يظهر فعالية النمذجة الهجينة التي تجمع بين بيانات الاستشعار عن بعد والمتغيرات البيئية المحلية. حقق النموذج معامل تحديد عالي ($R^2 = 0.9885$)، مما يدل على موثوقيته في التقاط ديناميات المياه الجوفية خلال الأحداث الهيدرولوجية القصوى، مثل الفيضانات والجفاف.
تؤكد النتائج على أهمية دمج البيانات المستشعرة عن بعد مع المتغيرات الهيدرولوجية المحلية لتحسين تحليل المياه الجوفية. تتماشى نتائج الدراسة مع الأبحاث السابقة، مما يعزز من فائدة ANNs في نمذجة الهيدرولوجيا. ومع ذلك، يعترف المؤلفون بالقيود المتعلقة بجودة البيانات ودقتها، والتي قد تؤثر على أداء النموذج. يُوصى بإجراء أبحاث مستقبلية لاستكشاف متغيرات إضافية، مثل تغييرات استخدام الأراضي، وتطبيق تقنيات تقليل الحجم المتقدمة لتحسين الدقة التنبؤية بشكل أكبر. بشكل عام، توفر هذه الدراسة إطارًا قيمًا لإدارة موارد المياه الجوفية، مما يقدم رؤى يمكن أن تدعم الاستخدام المستدام للمياه في مواجهة تقلبات المناخ وندرة المياه.
DOI: https://doi.org/10.28991/cej-2025-011-02-01
Publication Date: 2025-02-01
Author(s): Abdel Rahman Awawdeh et al.
Primary Topic: Geophysics and Gravity Measurements
Overview
This study presents a dual-phase methodology employing Artificial Neural Networks (ANNs) to enhance groundwater monitoring at regional scales, addressing limitations of traditional well-based methods and the low spatial resolution of GRACE satellite data (~300 km). In Phase 1, the researchers refined GRACE data to achieve a spatial resolution of 4×4 km, thereby improving its applicability for regional assessments. Phase 2 involved integrating the downscaled GRACE data with groundwater well observations and climatic factors, resulting in highly accurate predictions of groundwater levels (R² = 0.9885). This innovative framework significantly outperforms existing computationally intensive methods, offering a scalable solution for monitoring groundwater in complex hydrological contexts.
The findings underscore the potential of machine learning to enhance groundwater resource management, particularly in the face of challenges posed by climate variability and water scarcity. The study’s two-step approach not only improves the accuracy of groundwater level predictions but also supports effective water resource allocation and evidence-based policy decisions. Future research is encouraged to incorporate additional variables, such as land use and anthropogenic influences, and to explore novel downscaling techniques, which will further strengthen model robustness and broaden its applicability across diverse hydrogeological settings.
Introduction
The introduction of the research paper highlights the critical role of groundwater in the Earth’s water composition, where approximately 97.5% is seawater and only 2.5% is freshwater, predominantly stored in subsurface aquifers. Groundwater is essential for agriculture, domestic use, and industry, particularly in regions like Mississippi, where its management is vital for community sustainability. Recent trends indicate a significant increase in groundwater depletion due to climate change, population growth, and urbanization, necessitating continuous monitoring to manage this limited resource effectively. Traditional monitoring methods, such as well measurements, are insufficient, especially in areas lacking adequate infrastructure, underscoring the need for alternative approaches like satellite-based observations.
The Gravity Recovery and Climate Experiment (GRACE) satellite program has emerged as a key tool for monitoring groundwater dynamics by providing Total Water Storage Change (TWSC) data. Although GRACE offers valuable insights into groundwater storage changes, its coarse spatial resolution (~300 km) limits its applicability for localized assessments. To address this challenge, the paper discusses various downscaling methods, including machine learning techniques, that enhance GRACE data’s spatial accuracy. The study introduces a dual-phase Artificial Neural Network (ANN) framework that downscales GRACE data to a 4×4 km resolution and integrates it with climatic predictors and well observations, achieving high predictive accuracy (R² = 0.9885). This innovative approach aims to bridge the gap between global satellite data and local groundwater management, providing a robust solution for sustainable water resource administration.
Methods
In this study, we employed a comprehensive research methodology to analyze factors affecting groundwater levels, focusing on variables such as precipitation, evapotranspiration, runoff, and soil moisture. We utilized the Climate Hazards Group Infrared Precipitation with Stations (CHIRPS) dataset for its high spatial resolution of 5 km and frequent updates, alongside TerraClimate data, which offers monthly metrics at a resolution of 4 km. This integration of datasets was crucial for capturing the multifaceted influences on groundwater levels. Additionally, we enhanced the resolution of GRACE data to facilitate a more precise analysis in our artificial neural network (ANN) models.
Our methodological approach consisted of two phases. In Phase 1, we applied an ANN model to downscale GRACE mascon data, allowing for higher-resolution analysis. In Phase 2, the downscaled data, combined with other geographical and climatic variables, was utilized in a second ANN model to predict groundwater level variations in the Mississippi Delta. Detailed descriptions of each phase and their corresponding methodologies are elaborated in subsequent sections of the paper.
Results
In this section, the results of the first phase of the artificial neural networks (ANNs) model are presented, focusing on the downscaling of GRACE data for Mississippi over an 18-year period at a spatial resolution of 4×4 km. The optimal ANN configuration identified consists of 13 input nodes, one hidden layer with 26 hidden nodes, and a single output node, achieving a coefficient of determination ($R^2$) of 0.853. This performance surpasses typical $R^2$ values found in similar groundwater modeling studies, which range from 0.69 to 0.82, indicating the effectiveness of integrating high-resolution climatic data with ANN-based downscaling techniques.
Furthermore, a comparative analysis with the work of Wang et al. reveals that while their Random Forests approach achieved a resolution of 0.25°, the ANN model presented here successfully downscaled GRACE data to a much finer resolution of 4×4 km, which is particularly beneficial for regional applications such as those in the Mississippi Delta. The ANN model also demonstrated superior predictive accuracy, with an $R^2$ of 0.9885, compared to Wang et al.’s reported root mean square error (RMSE) of 3.94 cm for similar datasets. A sample output from the ANN model is illustrated in Figure 3.
Discussion
In this study, a two-phase Artificial Neural Networks (ANNs) modeling approach was developed to predict groundwater levels in the Mississippi Delta, addressing the limitations of traditional statistical methods in integrating complex hydrological and climatic variables. The first phase focused on downscaling Gravity Recovery and Climate Experiment (GRACE) data by incorporating high-resolution climatic and geospatial datasets, achieving a significant improvement in predictive accuracy. The second phase utilized the refined GRACE data alongside groundwater well observations to forecast water levels, demonstrating the effectiveness of hybrid modeling that combines remote sensing data with localized environmental variables. The model achieved a high coefficient of determination ($R^2 = 0.9885$), indicating its reliability in capturing groundwater dynamics during extreme hydrological events, such as floods and droughts.
The findings emphasize the importance of integrating remotely sensed data with local hydrological variables for enhanced groundwater analysis. The study’s results align with previous research, reinforcing the utility of ANNs in hydrological modeling. However, the authors acknowledge limitations related to data quality and resolution, which may affect model performance. Future research is recommended to explore additional variables, such as land use changes, and to apply advanced downscaling techniques to further refine predictive accuracy. Overall, this study provides a valuable framework for groundwater resource management, offering insights that can support sustainable water use in the face of climate variability and scarcity.