Geosci. Front. | 基于可解释人工智能与水文模型耦合的含水层补给预测方法优化研究

背景：含水层补给预测对地下水可持续管理至关重要，但传统水文模型在岩溶含水层中存在误差与不确定性，而人工智能模型多为“黑箱”，难以解释。研究目的：构建一种串行混合可解释人工智能（XAI）与水文模型耦合框架，以提升含水层补给预测的精度、透明度和可解释性，并应用于美国得克萨斯州爱德华兹岩溶含水层。结论：该框架成功识别了水文模型遗漏的补给事件，并通过独立观测数据验证了其可靠性。最佳模型（极端随机树）结合SHAP分析揭示，降水是主导补给因子，前期土壤湿度在小型流域中起核心作用。未来气候情景预估显示，两个流域的极端补给事件均呈衰减趋势，给地下水可持续利用带来风险。该框架可推广至其他流域，为水资源管理和气候韧性建设提供支持。