AI-Driven Predictive Modelling for Groundwater Salinization in Israel

📄 arXiv: 2602.07478v1 📥 PDF

作者: Laxmi Pandey, Ariel Meroz, Ben Cheng, Ankita Manekar, Abhijit Mukherjee, Meirav Cohen, Adway Mitra

分类: cs.LG

发布日期: 2026-02-07

备注: 60 pages, 9 figures in main text and 6 figures in appendix, 2 tables, 3 Appendix

💡 一句话要点

利用AI预测以色列地下水盐碱化，揭示关键驱动因素并降低模型不确定性。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 地下水盐碱化 机器学习 可解释AI 特征重要性 因果分析

📋 核心要点

  1. 地下水盐碱化是一个全球性问题，现有的方法难以全面理解其复杂成因和驱动因素。
  2. 本研究整合多源数据，利用多种机器学习模型，并结合可解释AI技术，构建了预测地下水盐碱化的综合框架。
  3. 通过该框架，识别了气象、地质和人为因素对以色列地下水盐碱化的影响，并降低了AI模型的不确定性。

📝 摘要（中文）

地下水盐碱化日益严重，对全球水资源构成威胁。本研究旨在深入理解地下水盐碱化的潜在成因，并识别重要的气象、地质和人为驱动因素。我们整合了不同数据集的潜在协变量，构建了一个基于机器学习的预测模型框架，包括随机森林（RF）、XGBoost、神经网络、长短期记忆网络（LSTM）、卷积神经网络（CNN）和线性回归（LR），用于预测地下水盐度。此外，采用递归特征消除（RFE）、全局敏感性分析（GSA）和基于SHAP的XAI方法来评估重要性得分，并深入了解盐碱化的驱动因素。我们还通过双重机器学习进行了因果分析。结果表明，关键的气象因素（降水、温度）、地质因素（距河流距离、距盐体距离、地形湿度指数TWI、海岸线距离）以及人为因素（农业用地面积、处理后的废水）是以色列地下水盐碱化的重要驱动因素。XAI分析还发现，处理后的废水（TWW）是盐碱化的重要人为驱动因素，其重要性取决于具体环境，但在脆弱的水文气候环境中至关重要。我们的方法深入了解了全球范围内的盐碱化机制，降低了AI模型的不确定性，并强调了制定有针对性的策略来解决盐碱化问题的必要性。

🔬 方法详解

问题定义：本研究旨在解决地下水盐碱化预测问题，并深入理解其潜在成因。现有方法通常难以整合多源异构数据，无法有效识别关键驱动因素，且模型预测结果缺乏可解释性，导致难以制定有针对性的治理策略。

核心思路：本研究的核心思路是整合气象、地质和人为等多源数据，利用多种机器学习模型进行预测，并通过可解释AI（XAI）方法分析模型结果，从而识别关键驱动因素，并提高模型的可解释性和可靠性。

技术框架：整体框架包括数据收集与预处理、模型训练与评估、特征重要性分析和因果分析四个主要阶段。首先，收集气象、地质和人为因素等多源数据，并进行清洗、标准化等预处理操作。然后，利用随机森林（RF）、XGBoost、神经网络、长短期记忆网络（LSTM）、卷积神经网络（CNN）和线性回归（LR）等多种机器学习模型进行训练和评估。接着，采用递归特征消除（RFE）、全局敏感性分析（GSA）和基于SHAP的XAI方法来评估特征重要性。最后，通过双重机器学习进行因果分析，验证关键驱动因素的因果关系。

关键创新：本研究的关键创新在于整合了多种机器学习模型和可解释AI技术，构建了一个综合的地下水盐碱化预测和分析框架。通过XAI方法，可以深入了解模型预测结果背后的驱动因素，提高模型的可解释性和可靠性。此外，双重机器学习方法可以验证关键驱动因素的因果关系，为制定有针对性的治理策略提供依据。

关键设计：在模型训练阶段，采用了交叉验证方法来评估模型的泛化能力。在特征重要性分析阶段，SHAP值用于量化每个特征对模型预测结果的贡献。在因果分析阶段，双重机器学习方法用于消除混淆变量的影响，从而更准确地估计因果效应。具体参数设置和网络结构等细节未在摘要中详细说明，属于未知信息。

📊 实验亮点

研究结果表明，气象、地质和人为因素均对以色列地下水盐碱化产生重要影响。XAI分析进一步揭示了处理后的废水（TWW）在脆弱水文气候环境中作为盐碱化重要人为驱动因素的关键作用。该研究降低了AI模型的不确定性，为制定有针对性的盐碱化治理策略提供了科学依据。具体的性能数据和提升幅度在摘要中未提及，属于未知信息。

🎯 应用场景

该研究成果可应用于地下水资源管理、农业可持续发展和环境保护等领域。通过预测地下水盐碱化趋势，可以帮助决策者制定有针对性的治理策略，保护水资源，提高农业生产力，并改善生态环境。该研究方法也可推广到其他地区，为全球地下水盐碱化治理提供参考。

📄 摘要（原文）

Increasing salinity and contamination of groundwater is a serious issue in many parts of the world, causing degradation of water resources. The aim of this work is to form a comprehensive understanding of groundwater salinization underlying causal factors and identify important meteorological, geological and anthropogenic drivers of salinity. We have integrated different datasets of potential covariates, to create a robust framework for machine learning based predictive models including Random Forest (RF), XGBoost, Neural network, Long Short-Term Memory (LSTM), convolution neural network (CNN) and linear regression (LR), of groundwater salinity. Additionally, Recursive Feature Elimination (RFE) followed by Global sensitivity analysis (GSA) and Explainable AI (XAI) based SHapley Additive exPlanations (SHAP) were used to estimate the importance scores and find insights into the drivers of salinization. We also did causality analysis via Double machine learning using various predictive models. From these analyses, key meteorological (Precipitation, Temperature), geological (Distance from river, Distance to saline body, TWI, Shoreline distance), and anthropogenic (Area of agriculture field, Treated Wastewater) covariates are identified to be influential drivers of groundwater salinity across Israel. XAI analysis also identified Treated Wastewater (TWW) as an essential anthropogenic driver of salinity, its significance being context-dependent but critical in vulnerable hydro-climatic environment. Our approach provides deeper insight into global salinization mechanisms at country scale, reducing AI model uncertainty and highlighting the need for tailored strategies to address salinity.