地下水作为全球逾20亿人口的主要水源，承担着约40%的农业灌溉用水需求，是维系生态平衡和应对极端干旱的关键资源。地下水位是衡量地下水资源动态和生态安全的重要指标，在全球变化与人类活动日益加剧的背景下，准确预测地下水位变化，对于水资源优化管理、干旱监测与生态保护具有重要意义。
近年来，机器学习与深度学习模型已被广泛应用于地下水位预测。然而，这些方法仍面临三大挑战：（1）预测精度有待提升，尤其在长预见期内性能显著下降；（2）缺乏不确定性量化能力，难以提供可支持风险敏感型管理所需的置信区间；（3）模型可解释性不足，内部“黑箱”机制不透明，影响了对预测结果的评估与应用。
针对上述问题，本研究提出了一种可解释贝叶斯深度学习模型BTimesNet。该模型创新性地将一维地下水位时间序列重构为二维时序矩阵，通过二维卷积神经网络捕捉时序数据周期内（intra-period）与周期间（inter-period）的复杂特征模式（图1），从而提升模型在多步长预测中的表现；验证结果表明，在1至4个月的预测期内，BTimesNet在精度和稳定性上均优于当前主流模型（如LSTM与Autoformer），有效缓解了预测性能随时间推移而下降的问题（图2）。为量化预测不确定性，将Stein变分梯度下降（SVGD）方法引入模型训练过程，求解模型参数的后验分布，进而生成具有置信区间的预测结果（图2）；在此基础上，通过SHAP解释算法量化各输入变量对预测结果的贡献，发现历史地下水位是最关键的预测因子（平均贡献约60%），气象变量（降水P、气温T、蒸散发ET）提供了约30%的辅助信息（图3），有效提升了模型的透明度与可信度。值得一提的是，BTimesNet模型仅依赖历史地下水位与气象再分析数据即可运行，具有良好的适应性与推广潜力。
上述研究成果为地下水位的长期概率预测提供了更可靠的框架，有望在干旱预警、水资源调度与地下水可持续利用等领域发挥重要作用，体现了深度学习在地球系统科学中的广泛应用前景。该成果在近期以“An explainable Bayesian TimesNet for probabilistic groundwater level prediction”为题，发表于国际水文学领域权威期刊《Water Resources Research》，硕士研究生彭泽辰为论文第一作者，莫绍星助理教授和吴吉春教授为通讯作者，合作者包括sunbet申搏官方网站曾献奎副教授和施小清教授、德克萨斯大学奥斯汀分校Alexander Y. Sun教授等。该研究得到国家自然科学基金项目（U2443201、42330718、42472321）资助。
论文信息：
Peng, Z., Mo, S.*, Sun, A. Y., Wu, J*, Zeng, X., Lu, M. and Shi, X. (2025). An explainable Bayesian TimesNet for probabilistic groundwater level prediction. Water Resources Research, 61, e2025WR040191. https://doi.org/10.1029/2025WR040191
图1 BTimesNet模型结构示意图
图2 地下水位预测值和真实值对比。（a-d）依次表示预测1-4个步长，上方括号内依次为LSTM、Autoformer和BTimesNet的NSE和RMSE预测精度
图3 不同特征因子对LSTM、Autoformer和BTimesNet模型1-4步长预测的相对贡献
