泰莱盆地地下水位变化机制研究

那 静

(华北水利水电大学，河南 郑州 450046)

地下水作为广泛、稳定、优质的供水资源，是社会持续发展的重要保障。泰莱盆地位于鲁中地区，研究区地下水多年平均供水量超过40%，由于工农业对地下水的不合理开发利用及城镇用水量的增加，局部地区地下岩溶水存在超采现象，引发了地表沉降、水质恶化等地质环境灾害[1]。近年来，山东省在水利部的统一部署下，完成全省超采区评价工作，并采用科学方法严格管理地下水，逐步压减地下水超采量，地下漏斗已经得到明显的改善。根据《山东省水安全保障总体规划》，2030年正常年份山东省总需水量达356.6亿m3，枯水年份、特枯水年份需水量达364.2亿m3，均超出国家下达至山东省的用水总量控制指标。地下水位是地下水可用性的直接衡量标准，为保证地下水的可持续利用，开展泰莱盆地地下水位变化机制研究迫在眉睫。

近年来，众多学者对泰莱盆地地下水资源变化进行了研究。宋云峰[2]等人运用MODFLOW研究了降水量对泰安市地下水水位的影响，建立了研究区地下水预测模型。李军[3]通过绘制2020年与多年逐月埋深和降雨关系图，提出降雨量和地下水位呈正相关的变化趋势。张秀娟[4]等通过对地下动态监测井数据，结合研究区地形地貌及降水量分析得出地下水水位影响因素的复杂性及地下水位变化的滞后性。

前人对地下水水位变化的研究主要基于相关性分析、数值模型法，但这些方法具有一定的局限性，它们无法全面研究相关因素对地下水动态变化的影响[5-7]。近些年，机器学习在地下水位预测及影响因素等方面已经非常成熟，机器学习具有成本低、高效、精准的特点，弥补了上述研究方法的不足[8-9]。刘琦[10]等人通过随机森林回归模型发现流量、距河道和水库的距离是影响塔里木河流域下游地下水位变化的关键因素。Sadik Mahammad[11]等人使用机器学习对达莫达尔扇三角洲下水位变化进行预测及分析，结果表明地下水位变化与降水量及人口变化关系最为密切。

综上，本次研究将以观测站2016—2020年泰莱盆地逐月代表站点径流量数据作为样本集，在分析研究区地下水位变化规律的基础上，利用随机森林算法，以气象因素、地表因素、含水层水力学特性及人为因素的作为驱动因子，建立回归模型，进而分析研究区地下水水位变化的主控因素，为泰莱盆地地下水资源管理提供科学建议。

1 研究区概况

泰莱盆地地处山东省中南部，北倚五岳独尊的泰山，南邻孔子故里曲阜，行政区范围主要涉及莱芜市莱城区、钢城区和泰安市岱岳区、泰山区，如图1所示。泰莱盆地地处泰莱凹陷带内，整体上西部较为开阔，其余三面均为丘陵山区，海拔高度范围为200～500m，盆地中部为相对平坦的冲洪积平原，海拔高程在80～100m[1]。盆地整体地势类似簸箕状向西南倾斜，河流整体向盆地西南部汇集、排泄。

图1 研究区范围

泰莱盆地属暖温带大陆性季风气候，四季分明，年平均气温13.2℃，极端最高气温40.4℃，极端最低气温-21.4℃。初冻最早见于11月，解冻最晚在3月，冻土层一般小于0.5m。降水年际变化较大，历年降水量丰枯差异明显，年平均降水量720.8mm。该地区降水量年际变差可达4.7倍，最大降水量是1990年的1236.9mm，最小降水量是1989年的263.1mm。年内降水量分配不均，降水有明显的季节性，降水多集中在6月下旬—9月下旬，占年平均降水量的70%左右。

研究区内地表水系发育，其主干河流为大汶河两大主流之一的牟汶河，为季节性河流，起源于济南市钢城区汶源街道办事处台子村，自东向西流经整个盆地，其两岸分布呈树枝状的支流数十条，南北两岸的支流具有不对称性，河流长度南短北长，河床坡度南陡北缓。其中较大的支流包括瀛汶河(汇河)、石汶河、方下河、嘶马河、滂河等。盆地的地下水资源丰富，存在多个地下水水源地[12]。

2 基础数据与研究方法

2.1 数据集构建

本次建模从利用山东省国土空间生态修复中心2016—2020年典型观测孔逐月地下水位数据作为拟合标签，建立地表水资源演变机制随机模型的特征变量共4大项12小项，见表1。其中，降水入渗量和蒸发强度来自国家气象站，气温、湿度、NDVI、地形坡度、高程数据来自NASA卫星遥感解译数据，解译精度为30m×30m。地下水开采量数据来自泰安市和莱芜市的水资源公报。距离河道距离通过GIS测量。给水度和渗透系数根据数值模型给定。

表1 典型漏斗演变机制随机森林分类模型数据集

大汶河为研究区主要的地表水体，河流与地下水之间的交换量可由下式计算：

QRIVnb=CRIVnb(HRIVnb-hn)hn>RBOTnb

QRIVnb=CRIVnb(HRIVnb-RBOTnb)hn≤RBOTnb

式中，QRIVnb—为河流与地下水之间的交换量，正值表示河流补给地下水，m3；HRIVnb—为河流段下单元节点处的地下水位，m；RBOTnb—为河流底部高程，m；Knb—为河床材料的水力导电性；Lnb—为流经单元格的河段长度；Wnb—为河流宽度；bnb—为河床层厚度；CRIVnb为河流—含水层互连的水力导度，可由下式进行计算：

大汶河入渗量计算结果见表2。

表2 2016—2020年大汶河入渗量计算结果 单位：万m3

2.2 随机森林模型构建

随机森林模型是一个高度灵活的机器学习方法，能够处理大型、不均匀的数据集，也可用于评估模型性能的不确定性指标生成稳健而准确的预测。随即森林属于集成学习中的Bagging算法，它通过有放回的抽取样本来训练决策树，并根据样本属性作为决策树节点的分类属性，不断循环以上步骤形成决策树，直到无法分裂，最终形成随机森林，最终由一系列决策树的判断和分类，将投票次数最多的类别作为随机森林模型的输出[13-14]。

本次研究将通过建立随机森林回归模型，模拟影响地表水和地下水资源演变各特征要素的变化情况，分析各要素对地下水位变化的作用方式和影响程度。利用标准化处理后的特征数据集，按0.2的比例将数据样本分为训练集和测试集。

3 结果与讨论

利用随机森林预测模型计算得出的整体精度为74%，RMSE值为2.33m。整体模拟效果如图2所示。从拟合效果可以看出，建立的随机森林回归模型可以用于分析泰莱盆地地下水资源量的变化机制。

图2 地下水位随机森林模型拟合效果

对于地下水资源演变机制研究同样采用以重要度特征分布和SHAP解释图进行解释分析。

由图3—4可知，降雨入渗是浅层地下水主要补给来源。从单因素角度看，影响地下水位变化的要素较多，主控因素是降水入渗量，降水入渗是研究区第四系松散含水层的主要补给来源，其影响重要程度为16%，降水入渗量与地下水位变化呈现较好的一致性。其余因素贡献度较小。

图3 地下水影响要素重要度分布

图4 地下水特征要素SHAP值分布图

高程和坡度影响着潜水面的变化，高程越高，坡度越大，地下水位也随之越高，越接近山前地区，从而也能够更好的接受山前侧向的补给，因此高程和坡度在泰莱盆地体现了地下水天然径流特征，其重要程度均超过10%。其余各项对研究区整体水位变化影响较小，NDVI反映了研究区植被覆盖程度，植被覆盖率越高地下水获得地表水水体和降水补给的能力越强[15]，贡献度为8%。地下水距河流越远，河道对地下水的补给量越少，越近补给能力越强，大汶河补给量的增加主要能够相对提升河道周围附近地下水水位，其对全区影响程度较小，为5%。

渗透系数和给水度作为含水层固有水力学特性指标主要反映着含水层接受侧向补给的能力，主要控制着地下水水平运动能力。渗透系数的大小与组成含水层的沉积物岩性有关，也就与沉积环境和构造特点相关，在山前和大汶河上游地区粗颗粒物为主的地区地下水位结构补给条件较好，而在大汶河中下游地区岩性以细颗粒或粘性土为主接受补给条件较差。给水度则主要控制水位和水量的关系，可以看出给水度越大，单位厚度上含水层能够给出的水量越多，水位下降越不明显，而给水度越小，水位变化响应越灵敏。

人类活动影响主要指地下水开采量。地下水开采是泰莱盆地的第四系地下水的主要排泄途径，水位随开采月份开采量的增加而降低，呈负相关关系，开采对水位变化的影响为13%。

4 结语

(1)从单因素角度看，降水量是造成泰莱盆地浅层地下水位变化的主要影响因素，其影响重要度达16%，其次为下水开采量，重要度达13%；从多因素角度看，地表各类要素影响最大，总占比达41%，但各分项重要程度较低。

(2)泰莱盆地地下水动态类型为降水-开采类型，地下水的开发利用与当地的生态环境密切相关，建议根据当年降水条件进行水资源优化配置，也可以通过调节地下水开采量对地下水位和水资源进行一定程度的控制。

(3)随着机器学习的广泛应用，GBZT、xgboost、人工神经网络等算法在水资源研究方面的研究已经成熟，通过不同机器学习模型的对比可以寻求最优模型，对于不同模型性能的比较，还有待进一步的深入研究。