针对大尺度地下水储量预测中卫星遥感（GRACE）空间分辨率较低、常规降尺度忽略人类开采导致预测偏差的长期难题，西安交通大学地下水研究团队提出了一套以地下水平衡为物理约束、融合社会经济取水信息的深度学习框架。该框架将社会经济单元的人类耗水数据空间分解至1 km网格，并融入神经网络模型，实现了黄河流域1 km分辨率地下水储量异常（GWSA）的时空重构。研究成果实现了对黄河流域村县尺度地下水枯竭程度的精细化定量评估，揭示了沿黄河几字弯地区“地下水枯竭—干旱”双重危机。
地下水储量异常（GWSA）是表征区域地下水盈亏、识别地下水枯竭的重要指标。尽管GRACE卫星为大尺度地下水储量变化提供了独立观测手段，但其空间分辨率较低（约0.5°），从而限制了系统认识旱区大河的地下与生态系统及生产生活用水相互作用。黄河流域是全球著名的旱区大河，也是中国重要的生态屏障、能源和食物产区，沿河灌区和城镇密集区存在广泛的地下水开采，同时也是气象干旱频发、水资源供需矛盾突出的区域，高精度地下水储量及其枯竭与气象干旱是理解黄河流域水-生态-经济互馈演化前沿的科学基础。现有降尺度方法多依赖气候和陆面水文变量，往往忽略农业灌溉、工业和生活用水等人类开采对地下水平衡的影响，导致在人类活动强烈地区产生较大预测偏差。针对上述挑战，本研究构建了一套融合水量平衡与社会经济开采约束的多目标优化深度学习框架。首先，从GRACE总储水量（TWS）中剥离出原始尺度的GWSA信号。随后引入空间分解算法，将统计年鉴中的行政单元农业、工业及生活耗水数据精细化分解至1 km网格。最后，将自然补给、基流排泄与1 km人类耗水指标共同注入神经网络（CNN/ResNet）的损失函数中进行约束训练（图1）。在此基础上，研究进一步结合气象干旱指标，对地下水枯竭与气象干旱进行空间叠加分析，识别区县和村庄尺度的双重风险热点。
图1 融合水量平衡与社会经济开采约束的1km地下水储量高分辨率预测框架
结果表明，通过在损失函数中引入社会经济耗水和水量平衡约束，相比于纯数据驱动的未约束模型，受水量平衡物理约束的CNNPI和ResNetPI误差分别显著降低了28%和68%（图2）。全流域对比验证显示，CNNPI取得了优异的时空连续性（流域总体NSE=0.93，RMSE=19.42 mm），在自然补给主导的中上游及人类活动集中的下游均表现出较好预测性能。
图2 降尺度重构前后的GWSA时空趋势及局部精细化像素细节对比
借助1 km高空间分辨率的优势，研究精准揭示了黄河流域内部的地下水盈亏动态与气候灾害响应。全流域有42.1%的区域正处于长期的地下水持续亏缺状态。更为严峻的是，将12个月尺度的气象干旱指标（SPEI）与重构的地下水亏缺程度进行空间叠置分析发现：处于亏缺状态的区域中，高达92.3%（占全流域总面积的38.9%）正同时暴露在高风险或极严重的“干旱-枯竭”双重危机中（图3）。这些高风险危机热点集中呈条带状分布在距离河道30 km内的现代化灌区（如河套平原、银川平原）及核心城市，形成了显著的“干旱-灌溉-过量开采”恶性反馈循环。
图3 黄河流域干旱和地下水亏缺的空间分布;（a）黄河流域气象干旱频率分布;（b）黄河流域干旱与地下水严重亏缺区域的空间叠加
研究利用广义加性模型（GAM）对GWSA时空演变的自然与人为驱动因子进行了系统的剥离。尽管从面积占比来看，黄河流域60.1%的广袤区域仍由气候因素强烈主导（气候因素贡献大于70%），但在由强人类活动主导的10.2%的农业与城镇核心区中（人类活动贡献大于70%），地下水储量的枯竭速率（-11.6 ± 0.4 mm/yr）达到了气候主导区（-3.0 ± 0.3 mm/yr）的近4倍（图4）。
图4 人类和自然因素对GWSA的贡献空间分布和主导机制分类:（a）1 km分辨率下人类活动对GWSA下降趋势贡献的空间分布;（b）根据人类与自然因素相对贡献将YRB划分为四类;（c）各子流域内各类别所占比例;（d）四个分区类别中GWSA趋势的比较
本研究将高分辨率地下水储量重构与干旱风险评估延伸至村庄尺度，刻画了黄河干流、渭河和汾河沿线村庄的复合水资源压力及其与河道距离、高程的关系（图5）。相关成果可为开展旱区大河关键区域分区管控、地表水—地下水联合调度提供精准的施策区域，该研究为黄河流域地下水资源与社会经济系统研究提供了高精度的数据资源，同时本文的研究方法可以为全球其他旱区大河开展高精度地下水量以及变化归因提供参考。
图5 黄河流域村级地下水枯竭和气象干旱综合评估:（a）多年平均地下水水量平衡空间分布;（b）地下水储量变化的主导因素分区;（c）地下水亏缺与干旱的空间叠置分布;（d）沿河缓冲区内的受影响村庄空间分布;（e）-（g）黄河干流、渭河及汾河高程剖面，以及两侧30 km缓冲区内村庄与“干旱-地下水枯竭”双重危机的空间关系
论文作者为西安交通大学全球环境变化研究院郭水涛博士生、姚莹莹教授（通讯作者）、吴镇江博士生、贾改虹硕士生；陕西师范大学梁伟教授；宁波东方理工大学Michele Lancia副教授和郑春苗教授。该研究工作受到了国家自然科学基金、西安交通大学青年拔尖人才支持计划资助。
原文信息：Guo, S., Yao, Y., Wu, Z., Jia, G., Liang, W., Lancia, M., Zheng, C. (2026). Integrating Socioeconomic Withdrawals into a Deep Learning Framework for High-Resolution Groundwater Storage Prediction in the Yellow River Basin. Water Resources Research, 62, e2025WR043071.
原文链接：https://doi.org/10.1029/2025WR043071
