课题组在地下水动态的滞后效应及其预测研究中取得研究进展：

地下水作为重要的水资源，正面临过度开采和供需不平衡等挑战。因此，准确把握地下水的变化趋势显得尤为关键。然而，地下水位对气象因素的反应存在一定的滞后性，该现象在现有研究中常常被忽视，从而影响了预测结果的准确性。针对该问题，团队本科生杨帆、张西南、杨家宝于2025年2月在《Journal of Hydroinformatics》上发表题为“融合机器学习和响应滞后效应模型的地下水预测研究”的研究成果。

研究探讨了河北省地下水对降雨和蒸散发的滞后性响应特点，并且分析了滞后性在地下水预测中的重要性。我们设计了两个基于随机森林算法的预测模型，一个考虑了滞后效应，另一个则忽略这一因素。使用Shapley加法解释（SHAP）方法评估了各因素在模型中的重要性及其对预测结果的影响。

研究表明，浅层地下水与降水和蒸散发的平均滞后相关系数分别为0.334和0.315，15.08%和19.06%的监测点存在显著滞后效应。深层地下水与降水和蒸散发的平均滞后相关系数分别为0.432和0.428，36.59%和35.62%的监测点分别在降水和蒸散发上发现了显著的滞后效应。

研究根据滞后特征将所有监测点分为四类：降水和蒸散发均有显著滞后（MET lag）、降水滞后主导（P lag）、蒸散发滞后主导（ET lag）和滞后不显著的站点，这些分类如图3所示。出现显著滞后效应的监测点主要集中在河北省中南部以及北部的山区森林区域。人类的开采活动改变了浅层过度开采区的水文过程，导致地下水系统管理受到干扰，渗透过程变慢，响应滞后更加明显。此外，森林区域的土壤和植被覆盖密集，能够有效地在根系和土壤层中保持水分，因此降水和蒸散发对地下水系统的影响被延迟，滞后效应较为显著。与MET滞后点相比，降水和蒸散发滞后点的分布范围更广，主要集中在河北省的东部和东南部边界，这可能与这些地区年降水和蒸散发量较高有关。

在地下水预测方面，考虑滞后效应的模型显著提高了准确性，浅层地下水的R²提高了3.37%，深层地下水提高了3.87%。同时，均方误差（MAE）和均方根误差（RMSE）也显著降低，表明纳入滞后效应后模型的预测性能更好。

研究使用SHAP方法评估的各个因素在地下水位预测中的重要性。SHAP分析表明，当考虑滞后效应时，降水和蒸散发的重要性显著增加，而时间变量的影响则减小。对于深层地下水，降水是最重要的因素，它对地下水位的影响大于蒸散发。SHAP方法还显示，在地下水过度开采的区域，降水和蒸散发对地下水波动的影响显著大于其他地区。

本研究通过考虑气象因素对地下水的滞后效应，提出了一种更精准的地下水位预测方法，为水资源的科学管理和可持续利用提供了重要的决策支持。