Comparative evaluation of statistical and machine learning models for spatiotemporal groundwater level forecasting in a climate-sensitive coastal aquifer

方法

用SARIMA、LSTM、XGBoost、RF对1996–2025年月度地下水与

发现

机器学习普遍优于SARIMA，RF平均RMSE最低（0.123 m）、NSE最高（0.930），并识

机会点

可将该机器学习与GIS耦合框架迁移到农业区地下水-灌溉耦合预测，并引入遥感蒸散与作物需水变量。

孟加拉国气候敏感沿海地区的地下水资源对气候变率和人为压力日益敏感，因此需要可靠的预测和空间评估以实现可持续管理。本研究旨在通过结合统计模型与机器学习模型，并借助GIS方法进行脆弱性制图，利用1996—2025年期间的逐月地下水位与水文气候数据，探讨巴里萨尔地区地下水位的时空动态。采用RMSE、MAE、MSE、R²和NSE对季节自回归积分滑动平均模型（SARIMA）、长短期记忆网络（LSTM）、极端梯度提升（XGBoost）和随机森林（RF）的预测性能进行比较。机器学习模型总体优于SARIMA，其中RF产生最低的RMSE（平均值=0.123 m）和最高的NSE（平均值=0.930），XGBoost在少数单个监测井上精度最高（最低RMSE=0.0337 m；最高R²=0.9885）。成对Diebold–Mariano统计检验进一步证实，机器学习模型在各监测井上均显著优于传统SARIMA模型。LSTM成功再现了时间变率和季节性地下水补给—消退循环。基于GIS的分析结果表明，希兹拉、梅亨迪甘杰、巴克尔甘杰、穆拉迪和高尔纳迪部分地区是持续性的地下水脆弱区，而巴里萨尔萨达尔、阿盖尔杰拉和巴纳里帕拉相对稳定。整合机器学习预测与基于GIS的脆弱性评估的思路，是一种有力的决策支持工具，可用于识别地下水承压区域并改善气候敏感沿海含水层的可持续地下水资源管理。