地下水是最易获得的淡水资源，约占全球液态淡水储量的99%，不仅是数十亿人的饮用水资源，而且约40%的地下水用于灌溉，在保障农业生产和维持生态平衡等方面具有重要支撑作用^［1］。近几十年来，全球地下水系统受气候变化和人类活动的双重影响，在补给、排放、流动、储存和分布等方面发生了显著变化^［2］，尤其是在水资源极度匮乏的干旱地区，地下水系统表现出明显的不可持续特征^［3］。全球旱地面积约占陆地总面积的41%，这一区域降水稀少，蒸发强烈，水资源紧缺，生态环境脆弱^［4］。中国的旱地主要分布在西北地区，该区地表水资源极其短缺且分布不均，但是地下水资源因其分布范围广、蒸发损失小且不易被污染等特点成为该区主要的供水水源^［5］。近年来，中国西北内陆区地下水资源的过度开采已引发了地下水水位持续下降、水质恶化、植被退化、土地沙漠化及盐碱化加剧等一系列生态与环境问题，危及供水、粮食和生态安全，严重制约区域经济社会的良性发展^［6-7］。尤其，绿洲作为干旱内陆区经济活动的核心地带，水土资源开发利用程度较高，部分地区地下水水位持续下降，地下水资源逐步枯竭，用水矛盾加剧和生态环境问题突出，致使绿洲-荒漠系统稳定受到潜在威胁^［8］。因此，深入研究干旱内陆区绿洲地下水埋深动态演变规律并进行科学的模拟预测，对于干旱、半干旱区地下水资源可持续利用和管理具有重要意义。

目前，众多学者已对内陆干旱地区的地下水埋深动态演变进行了大量研究，包括时空变化趋势、控制因素和模型模拟等^［9］。吴彬等^［10］发现1956—2016年新疆平原区地下水资源量呈减少趋势，根本原因是平原区灌溉面积扩大、农田灌溉耗水量增加，人类活动的影响大于气候变化；高宇阳等^［11］发现在人类活动影响下，乌苏市地下水位整体呈下降趋势，地表水引水量与地下水开采量是主要影响因素；阮永健等^［12］发现2002—2020年中国西北干旱区地下水储量大幅度减少，地下水干旱程度加深；Li等^［13］通过分析玛纳斯河流域地下水变化特征，结合遥感技术，建立了生态阈值的数学计算模型，确定生态地下水位；邵光成等^［14］基于实测数据，验证了IABC-RBF神经网络模型在地下水埋深预测中的可行性和优越性；Chen等^［15］采用数值模型和机器学习方法对黑河流域中游地下水动态进行了模拟；Jasechko等^［16］发现21世纪以来全球地下水位急剧下降超过0.5 m·a^-1，在干旱农业区域尤为明显；Kuang等^［17］发现人类活动正在重塑区域地下水流场，使地下水储存动态复杂化，改变地下水向河流的排泄，并且农业地下水过度开采正在导致大量地下水储量减少。总体来看，前人对干旱绿洲区地下水埋深的研究集中于时空变化特征及其成因分析等方面，尚缺少对灌溉农业发展背景下不同水力区域的地下水埋深动态演变研究，尤其缺乏节水措施（如上游水库修建、中下游渠系防渗及田间高效节水灌溉技术）大范围推广应用背景下，对兼顾不同水力区域的地下水埋深模拟模型的开发。而且，在气候变化和人类活动叠加影响下，亟待深入揭示干旱内陆区绿洲地下水埋深动态演变规律、提升地下水埋深突变预警能力和制定适应性管理策略，这对干旱内陆区地下水安全和生态安全至关重要。

本研究以新疆天山北坡三工河流域绿洲区为研究区域，将其划分为冲洪积扇绿洲区（ADFO）、冲积平原上部绿洲区（APOU）和冲积平原下部绿洲区（APOL）3个水力区域，利用1995—2016年9口长期监测井的地下水埋深数据以及灌溉农业发展、水文气象观测和区域社会经济等数据资料，通过集合经验模态分解法、累积距平法、小波分析法和灰色关联度法，分析各水力区域地下水埋深的动态变化规律及其主要影响因素，同时基于BP神经网络构建耦合不同水力区域的地下水埋深模拟模型，并以水资源“三条红线”约束下实施退地减水政策为背景，设定不同情景，模拟预测未来人为活动影响下各水力区域地下水埋深的时空变化趋势，为西北干旱区合理调控地下水资源、指导绿洲灌溉农业管理以及保护生态环境健康提供科学的理论依据。

新疆三工河流域位于天山北坡中段东部、准噶尔盆地南缘，地理坐标为43°09′—45°29′N、87°47′—88°17′E，流域总面积1 670 km²，行政区属新疆昌吉州阜康市。按地质地貌特征可将绿洲区自南向北划分为冲洪积扇绿洲区（ADFO）、冲积平原上部绿洲区（APOU）和冲积平原下部绿洲区（APOL）3个水力单元^［18］（图1A）。流域内主要河流有三工河、四工河和水磨河，均发源于博格达山北麓，补给来源以山区的降水或夏季的冰雪融水为主；地势南高北低，由东南向西北倾斜，具有典型的山地-绿洲-荒漠景观格局^［19］，拥有完整的地下水补给-径流-排泄系统^［20］。该流域冲洪积扇绿洲区堆积了巨厚的第四纪松散沉积物，地下水赋存环境优越，主要由地表径流渗漏补给，含水层的透水性强，地下水径流条件良好，以侧向排泄为主（图1B）；冲洪积扇与冲积平原的分界线大致为地下水溢出带，该地貌单元地层为粗细颗粒物质交互沉积的多层结构，地下水以侧向补给为主，水力坡度变缓，地下径流受阻，呈泉水或沼泽出露；冲积平原绿洲浅层潜水广泛分布，地下水位较高，以蒸发排泄为主^［21］。流域气候类型为温带大陆性气候，干旱少雨且蒸发强烈，多年平均降水量234.5 mm，多年平均潜在蒸发量达1 850 mm，年均气温7.3 ℃^［22］，其中1995—2016年的月降水量最大值在7月，为28.67 mm，最小在2月，为6.17 mm；月蒸发量最大值在6月，为339.51 mm，最小在12月，为5.60 mm；月均气温为6.90 ℃（图1C）。该流域绿洲地下水主要用于农业灌溉，其次满足于工业、乡镇企业、城乡居民生活以及牲畜的用水需求^［23］。流域自1955年起开始推行畦灌和沟灌，至1977年这两种灌溉方式得到了全面普及；2006年流域开始实施节水灌溉技术，至2012年农田灌溉方式逐步过渡到了以膜下滴灌为主的高效节水灌溉模式，灌溉水利用效率逐步提高（图1D）。

为研究三工河流域绿洲区各水力区域（ADFO、APOU和APOL）地下水埋深动态演变规律和驱动因素，本研究沿绿洲区自南向北选定了9口地下水长期监测井（编号依次为W1~W9），形成一条地下水动态监测样带。经调查，监测井W1~W3位于ADFO，W4~W6位于APOU，W7~W9位于APOL，各井基本信息见表1。沿着该样带，使用便携式地下水位计，每隔10天和每月月初分别测量1995年至今每口长期监测井的地下水埋深，为了确保数据的完整可靠，使用相邻监测井的地下水埋深数据对缺失值进行插补，同时使用手持GPS接收器获取每口监测井的经度、纬度和海拔。将各水力区域分布监测井的地下水埋深数据的均值作为对应水力区域的地下水埋深分析值。为了研究不同灌溉模式下地下水埋深时空动态差异性，按照流域灌溉农业发展进程，将2006年之前和2010年之后分别设定为大水漫灌时期和节水灌溉时期。同时，为了研究季节尺度下地下水埋深动态特征，将3—5、6—8、9—10、11月至次年2月依次划分为春季、夏季、秋季、冬季。

1995—2014年地下水开采量来源于《阜康统计年鉴》和阜康市统计局相关公报，1995—2016年人口数量、地区生产总值、耕地面积和径流量数据来源于《阜康统计年鉴》《阜康县志》《新疆国民经济和社会发展统计公报》及阜康市统计局和水利局统计资料，气象数据（1995—2016年气温、降水量和蒸发量）来源于阜康荒漠生态系统研究站（http：//fkd.cern.ac.cn），水文地质数据源于中国地质调查局西安地质调查中心。

集合经验模态分解（EEMD）方法是对经验模态分解（EMD）方法的改进^［24］。它基于多次测量取平均值的原理，通过在原始数据中引入适当大小的白噪声来模拟多次观测的场景，经过多次计算后做集合平均，使加入的白噪声相互抵消，克服模态混合问题，最终EEMD分解结果为^［25］：

式中：C_j（t）为原始信号经过EEMD分解变换后得到的第j个固有模态函数（IMF）分量；C_ij（t）为第i次加入白噪声后分解所得的第j个固有模态函数（IMF）分量；N为白噪声添加数。

基于MATLAB R2018b软件对研究区3个水力区域1995—2016年月均地下水埋深数据序列进行EEMD分解，分析各区域地下水埋深变化趋势，用于集合分解的扰动白噪声与原始信号的信噪比设置为0.1，集合平均次数设置为1 000次。

累积距平法可根据累积距平值曲线的波动起伏来判断和确定离散数据长期的演变趋势及变化趋势发生突变的时间。采用该方法分析研究区1995—2016年长期监测井的地下水埋深突变特征，当离散数据大于平均值时，累积距平值增大，曲线呈上升趋势，反之则呈下降趋势，曲线的拐点即为可能发生的突变点。对于水文气象要素x长度为n的序列，在某一时刻t的累积距平值CD可通过序列平均值获取，具体计算公式为^［26］：

小波分析法具有多时频分辨率功能，能揭示隐藏在时间序列中的多种变化周期，在气象和水文要素长时间序列的周期性特征研究中应用较广，小波实部等值线图能清晰反映水文序列的多时间尺度变化，小波方差图能直观反映水文因素随时间变化的主周期。时间序列为N的连续小波变换为^［27］：

式中：W_f（a，b）为小波系数；Δt为取样时间间隔；f（k·Δt）为时间序列信号；k=1，2，…，N；a为伸缩尺度；b为平移参数。小波方差Var（c）计算公式为^［27］：

为了分析地下水埋深时间序列的月尺度变化特征，利用研究区3个水力区域1995—2016年月均地下水埋深数据，采用Morlet函数作为小波基函数，通过MATLAB R2018b软件计算小波系数实部和小波方差，并绘制地下水埋深周期演变图。

皮尔逊相关系数是反映两个随机变量之间线性相关程度的数理统计指标，其取值区间为［-1，1］，绝对值越接近1，相关性越高，反之越接近0，相关性越弱；相关系数大于0表示正相关，小于0表示负相关，等于0表示线性不相关^［28］，计算公式为：

式中：r为皮尔逊相关系数，无量纲；x¯和y¯分别为变量x和y的均值；x_i 和y_{i分别为变量x和y对应i点的观测值；n为样本数。为了探究节水灌溉前后各监测井地下水埋深之间的相关性，利用Origin 2021软件对各井月均地下水埋深数据进行皮尔逊相关分析。}

灰色关联度分析是一种基于灰色系统理论的多因素统计分析方法^［29］。通过关联度值的大小来衡量因素间发展趋势的相近程度，关联度值越大表示二者间的发展趋势变化程度越接近。设参考序列为X₀=｛X₀（k）|k=1，2，3，…，n｝，比较序列为X_i =｛X_i （k）|k=1，2，3，…，n｝，则X₀（k）和X_i （k）之间的灰色关联系数ζ_i 计算公式为：

式中：ρ为分辨系数，取值区间为［0，1］，本文取0.5；min _i min _k |X₀（k）-X_i （k）|为两级最小极差，｛max _i max _k |X₀（k）-X_i （k）|｝为两级最大极差。根据关联系数进一步计算灰色关联度，常采用平均值法，计算公式为：

式中：u为序列长度。

为进一步判断在不同灌溉情景下各因素对地下水埋深的影响程度，基于灰色关联度分析法将获取的水文气象数据（气温、降水量、蒸发量和径流量）和社会经济指标（耕地面积、人口数量、地区生产总值和地下水开采量）作为各水力区域地下水埋深变化的驱动因素，通过对数据进行无量纲化处理，确定参考序列与比较序列并计算各序列的关联系数和关联度值，最后依据关联度值的大小进行排序，确定研究区各水力区域地下水埋深的主要影响因素。

BP神经网络是一种基于误差反向传播训练的多层前馈神经网络，学习过程包括信号的正向传播、误差的反向传播、权值和阈值的更新。作为一种多层网络模型，基本结构由输入层、隐含层和输出层构成。在BP神经网络中，当输出层的实际输出与期望输出不符时，将误差反向传播回网络，通过调整各层神经元的权重和阈值来减小误差，此过程会持续进行，直到网络输出误差减小到允许误差范围内或迭代次数达到上限为止。

如图2所示，构建耦合不同水力区域地下水埋深的BP神经网络模型，模拟和预测三工河流域3个水力区域的地下水埋深。将数据资料划分为训练集和验证集，为使模型达到较高的拟合精度，以1995—2013年各水力区域数据用于训练模型，2014—2016年数据用来验证模型，将区域地下水埋深的8个影响因子（X₁~X₈分别代表气温、降水量、蒸发量、径流量、耕地面积、人口数量、地区生产总值、地下水开采量）作为模型输入层变量，输出层变量为3个不同水力区域待预测时段的地下水埋深（即ADFO-GTD、APOU-GTD和APOL-GTD）。隐含层神经元个数F_i 与输入层神经元个数X_j 之间存在以下近似关系^［30］：

因此，本研究构建的BP神经网络耦合模型拓扑结构为8-17-3，隐含层激活函数采用tansig函数，训练次数设置1 000次，学习速率设置0.1，训练目标最小误差设置0.001，显示频率设置为每训练25次显示一次，动量因子设置0.01。由于模型输入变量的量纲不同，在模型训练前需对输入数据进行归一化处理，以加速神经网络的收敛速度，并消除不同量纲带来的误差。

本研究选择平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为评价指标：

式中：m为样本数；t_i 为第i个样本的实测值；z_i 为第i个样本的预测值。

2011年中央一号文件明确提出，实行最严格的水资源管理制度，确立水资源“三条红线”，使水资源成为中国社会经济发展中的约束性、控制性、先导性条件，最终实现中国水资源的可持续发展。新疆三工河流域地理位置特殊，拥有天山北坡独特的景观格局和悠久的灌溉农业发展史，在水资源“三条红线”约束条件下实施退地减水政策，未来年份研究区需逐步退减耕地，减少地下水开采量^［31］。据此，本研究以2016年为基准年，设定3种情景，即到2036年耕地面积分别减少25%（情景1）、30%（情景2）、35%（情景3），达到2006—2007年耕地面积水平，建立耦合不同水力区域地下水埋深的BP神经网络模拟模型，预测研究区3个不同水力区域2017—2036年的地下水埋深。

根据长期监测井实测数据分析发现，22年间三工河流域绿洲区地下水埋深整体呈下降趋势，降幅存在明显的空间变化特征，不同的水力单元地下水补排方式不同，埋深降幅也不同。由图3A可知，各监测井地下水埋深年际变化除W8、W9呈上升趋势外，其余监测井地下水埋深均呈下降趋势且变幅各异。W5~W9埋深变化均低于10 m；W2~W4水位下降最严重，埋深变化均超过20 m，尤其W2截至2016年底地下水埋深降至73.36 m；W1埋深为10~20 m，年均地下水埋深为13.57 m；W8和W9地下水埋深在2007年最大，分别为3.68 m和3.85 m，截至2016年底分别为2.89 m和2.40 m。变异系数CV值越大，表明地下水埋深年际变化越剧烈，波动程度越大，CV值最大和最小的监测井分别为W4（1.01）和W8（0.06），其地下水埋深变化范围分别为0~26.24 m和2.53~3.68 m。年均地下水埋深最大和最小的监测井分别为W2（47.89 m）和W9（2.68 m），其地下水埋深变化范围分别为34.34~74.59 m和1.96~3.85 m。

由图3B可知，ADFO区、APOU区和APOL区地下水埋深年际变化均呈下降趋势，且2006年以后下降趋势更加显著。1995—2006年地下水埋深变化趋于平缓，该时期内各水力区域年均地下水埋深分别为20.72、2.32 m和2.51 m；2007—2016年随着节水措施的推广应用，地下水补给减少，区域地下水埋深进一步增加，增幅分别为16.20、11.08 m和1.83 m，该时期内各水力区域年均地下水埋深分别为31.56、7.59 m和3.56 m；22年间各水力区域地下水埋深变化较大，空间差异显著，年均变幅依次为1.03、0.56 m和0.12 m，年均地下水埋深在空间上表现为ADFO（25.64 m）>APOU（4.71 m）>APOL（2.98 m），呈现由北向南不断加深的趋势。变异系数CV值为0.71（APOU）>0.25（ADFO）>0.22（APOL），表明APOU区地下水埋深年际变化波动程度最大。综上所述，三工河流域绿洲区地下水埋深年际变化整体呈下降趋势且地区差异明显，下降最严重的区域主要集中在ADFO区，该区地下水埋深最大。

由图4可知，基于EEMD法，各区地下水埋深数据均被分解为7个具有不同波动周期的固有模态函数分量（IMF1~IMF7）和1个残余趋势分量（RES）。各IMF分量依次反映了从高频到低频不同时间尺度的波动特征，随着IMF分量频率降低，曲线的波动周期逐渐增加，振荡逐渐趋于平缓；3个水力区域各IMF分量间的波动差异较大，这可能与各区域地下水埋深不同有关；1995—2006年APOU区IMF1~IMF3分量的波动较平缓，表明该区地下水埋深在2006年以前变化稳定。1995年各水力区域的RES分别为18.65（ADFO）、1.28（APOU）和2.59（APOL），2016年分别为38.04（ADFO）、10.16（APOU）和4.04（APOL），各RES分量总体呈上升趋势，表明22年间3个水力区域地下水埋深增加。

由图5可知，除W1外，其余监测井地下水埋深累积距平曲线均具有两个显著的变化阶段（1995—2005年、2010—2016年）。W2~W7地下水埋深累积距平值均小于0，累积距平最小值均处于2005—2010年，变化范围为-1 351.58~-167.64 m，其中1995—2005年曲线呈下降趋势，表明地下水埋深增加缓慢，2010—2016年呈上升趋势，表明地下水埋深增加迅速，而W8与W9变化规律则与之相反。2005—2010年为地下水埋深累积距平值突变期，该时期是流域农业灌溉方式由传统大水漫灌向节水灌溉转变的过渡时期，表明流域农业灌溉方式的转变显著影响区域地下水埋深的时空变化。

由图6可知，研究区地下水埋深存在多种时间尺度的周期变化特征。ADFO区地下水埋深主要存在30~42个月、45~57个月与60~64个月尺度的周期变化，在60~64个月的时间尺度上周期变化显著且贯穿整个研究时段；APOU区主要存在10~24个月尺度的周期变化，且在2004—2016年期间变化显著，在其他时间尺度上无明显的周期变化；APOL区主要存在15~22个月、42~64个月尺度的周期变化，在2010—2014年15~22个月周期变化显著，42~64个月周期变化贯穿整个研究时段。

小波方差图极大值所对应的时间尺度为地下水埋深的主周期，由小波方差图可知ADFO区主周期不明显；APOU区和APOL区均存在2个极值，代表存在着2个主周期，峰值最高处为第一主周期，分别为18月和51月，次高值为第二主周期，分别为49月和18月。综上所述，三工河流域各水力区域地下水埋深周期性较为明显，呈现2~3个时间尺度的周期变化，第一主周期为18月（APOU）和51月（APOL）。

由图7可知，节水灌溉时期监测井W1~W7和水力区域（ADFO、APOU和APOL）月均地下水埋深均深于大水漫灌时期，埋深增加最大的3口监测井依次为W2、W4和W3，其值分别为28.68 m（11月）、18.74 m（7月）和15.38 m（3月）；而W8和W9月均地下水埋深均浅于大水漫灌时期，且2月份表现出较明显的回升，水位分别上升0.37 m和0.66 m，月均地下水埋深变化均呈现3—5月持续上升，6月埋深最浅，可能是由于土壤融冻水回补与春灌下渗，使地下水埋深变浅，7—9月作物生长旺盛且气温较高，植物蒸腾和地表蒸发剧烈，地下水埋深呈下降趋势，10—11月伴随作物生育期结束，秋灌水量大，使得地下水埋深减小。另外，各水力区域地下水埋深增加变化幅度呈ADFO（12.25~15.59 m）>APOU（5.30~8.23 m）>APOL（1.03~1.71 m），在大水漫灌时期地下水埋深最深（最浅）对应的时间依次为7月（4月）、7月（3月）、2月（次年6月），在节水灌溉时期依次为10月（5月）、7月（3月）和9月（5月）。可见，改变灌溉模式会显著影响区域地下水埋深，尤其是ADFO区，同时各水力区域地下水埋深随季节变化差异明显，可能原因是不同水力单元地下水的补排和农田灌溉在时间上存在差异。

由图8A可知，大水漫灌时期监测井W2~W7之间的地下水埋深均存在极显著（P≤0.01）正相关关系（相关系数为0.34~0.77），W8、W9与W2~W6存在极显著负相关关系（相关系数为0.28~0.57），W7与W8、W9之间没有明显相关性，水力区域ADFO与APOU地下水埋深相互形成正向调节或补给作用；由图8B可知，W2与W4、W8、W9，W6与W3、W4，W8与W3、W5、W7，W9与W6地下水埋深相关性较弱，其余监测井地下水埋深之间的相关性与大水漫灌时期基本一致。可见在节水灌溉背景下，区域APOU与APOL监测井间的地下水埋深水力联系变弱。

由图9A可知，大水漫灌时期地下水埋深主要受人为因素的影响。ADFO区人口和耕地面积对地下水埋深的影响程度较大，关联度值分别为0.924和0.867，1995—2006年人口从9.14万增加至12.04万，增加31.73%，耕地面积增加19 277 hm²，地区生产总值影响较小，关联度值为0.583；地下水开采量和人口是驱动APOU区地下水埋深增加的主要因素，关联度值分别为0.790和0.746，1995—2006年地下水开采量增加27.19%，降水比其他因素对该区地下水埋深影响弱，关联度值为0.622；APOL区地下水埋深与耕地面积和蒸发关联程度最高，关联度值分别为0.907和0.886，地区生产总值影响最小，关联度值为0.526。由图9B可知，节水灌溉时期地下水埋深主要受自然因素和人为因素的共同影响，ADFO区和APOL区径流是导致地下水埋深增加的主要影响因子，关联度值分别为0.936和0.814，2012—2016年研究区径流量增加1 794万m³，年均增加358.8万m³；APOU区人口和耕地面积关联度值分别为0.838和0.821，2012—2016年研究区人口从12.78万减少至12.67万，减少0.86%，耕地面积增加13 835 hm²；降水对APOU区和APOL区地下水埋深影响较小，关联度值分别为0.641和0.568；地下水开采量对ADFO区地下水埋深影响较小，关联度值为0.544。综上所述，影响区域地下水埋深的主要因素以耕地面积、地下水开采量和径流等人为和自然因素为主。

由图10 A1~A3和B1~B3可知，除个别异常值之外，BP神经网络耦合模型模拟值与实测值均较接近，总体上3个水力区域模型训练与验证效果较佳。针对MAE（平均绝对误差）、MAPE（平均绝对百分比误差）而言，误差越小越好，各水力区域地下水埋深模拟误差MAE（0.1428~1.8830）、MAPE（0.0473~0.1949）均较小，表明BP神经网络耦合模型具有较高的模拟精度，使用该模型对研究区未来几十年的地下水埋深进行预测可信度较高，且该模型能实现多输出控制，可应用于不同水力区域地下水埋深的模拟研究。由图10 C1~C3可知，与历史时期相比，采用BP神经网络耦合模型预测不同情景的地下水埋深年际变化均呈稳定下降趋势。在“三条红线”政策约束下，流域采取退地减水措施，减少对地下水的抽取，地下水位逐渐回升，三工河流域绿洲区地下水埋深在未来20年将缓慢恢复至2005—2010年灌溉方式转变时的状态。2017—2036年预测的地下水埋深变幅均呈现情景3>情景2>情景1，且情景3中，各水力区域地下水埋深分别降低6.74 m （ADFO）、2.55 m（APOU）和0.35 m（APOL）。各水力区域情景2与情景3预测结果相近，尤其APOL区两种情景预测结果基本一致，曲线基本吻合。由上述分析可知，退地减水策略能够有效改善流域地下水水位持续下降的趋势，对于缓解干旱半干旱地区地下水超采所带来的一系列生态环境问题至关重要。

地下水埋深受水文地质参数、气象条件及土壤植被等多种因素的影响，通过长期观测地下水埋深能够清晰地揭示其演化趋势及幅度变化。本研究对干旱内陆绿洲区地下水埋深动态演变规律进行分析，发现三工河流域1995—2016年地下水埋深整体呈下降趋势，这与刘海丽等^［32］研究结果一致。空间上呈现由北到南不断加深的趋势，尤其是ADFO区在22年间地下水埋深大幅下降，这与管春兴等^［33］在相似地区分析玛纳斯河流域山前平原区地下水资源动态变化研究中得出的结果相似，这可能是由于上游大量利用河水灌溉，导致河道渗漏量减少，同时渠系防渗率提高，进而造成冲洪积扇地区地下水补给不足。绿洲区地下水埋深自2006年开始呈快速下降趋势，流域农业灌溉方式转变对地下水埋深动态变化影响显著，灌溉对地下水的补给作用减弱，体现为田间灌溉回水系数减少，同时伴随耕地面积增加，地下水开采量增大，地下水位持续下降^［34］。

流域各水力区域地下水埋深呈现2~3个时间尺度的周期变化，第一主周期为18个月（APOU）和51月（APOL），这与刘志明等^［35］采用频谱分析方法得到的石羊河流域昌宁盆地水位动态存在4个周期成分，民勤和武威盆地水位动态存在2个周期成分的结果存在差异，可能原因是西北干旱内陆区不同地区地下水埋深受自然和人为因素影响差异较大，造成地下水补排规律不同。灌溉农业发展伴随的耕地面积扩张和地下水过度开采导致流域浅层地下水埋深呈持续下降趋势，冲积平原上部绿洲区与下部绿洲区监测井间的地下水埋深水力联系在节水灌溉时期变弱，这与国内其他干旱内陆区研究结果基本一致^［36-39］。这表明灌溉农业发展伴随的地下水不合理开发和不适水管理，正在影响绿洲区地下水资源的可持续利用。

流域浅层地下水主要受地表水和灌溉水的补给，节水灌溉方式改变了绿洲内土壤水入渗补给机制，导致地下水补给量减少，水位进一步下降。本研究通过对比分析大水漫灌和节水灌溉时期各监测井与水力区域地下水埋深随季节变化规律，发现流域灌溉模式改变后区域地下水埋深下降严峻，已形成多处明显的地下水漏斗，尤其以井W2、W4、W3和水力区ADFO年内地下水埋深变化最典型，在节水灌溉时期各水力区域地下水埋深均深于大水漫灌时期，这与崔佳琪等^［40］关于河套灌区永济灌域节水改造增加了地下水埋深（有效降低了地下水位）的结果基本一致。地下水开采、生态调水工程、节水灌溉措施等人为因素对地下水时空动态变化影响显著。陈彬鑫等^［41］研究发现莫索湾灌区近22年地下水埋深总体增加，地下水动态类型为典型的开采型。陈泽等^［42］发现鄯善县地下水开采对南、北盆地地下水位变化影响显著。陈永金等^［43］发现塔里木河下游间歇性的生态输水有助于抬高地下水位。张震域等^［44］发现，经过15 a的生态补水，黑河下游额济纳绿洲地下水埋深逐步趋于稳定，地下水位下降趋势得到了显著遏制。缑天宇等^［45］发现跨流域调水能有效缓解流域水资源压力，同时“关井压田”政策和节水灌溉的推广，遏制了耕地面积扩张及地下水超采现象。总体来看，通过推广实施高效节水措施以及跨流域调水工程等在一定程度上缓解了地下水开采，但地下水埋深的持续增加是地下水超采与区域水资源高效利用使得地下水补给量减少共同导致的结果，今后必须科学规划用水，在地下水资源管理中综合考虑多方面因素。

作为干旱区的主要水源，近年来随着极端多变的气候和人类活动的强烈干预，地下水资源的数量与质量面临风险，分析地下水埋深动态变化的影响因素，有助于制定合理的水资源管理和保护策略，指导绿洲灌溉农业管理。地下水埋深影响因素分析方法众多，吉磊等^［34］运用水量均衡法和M-K突变检验法分析发现，人类活动是莫索湾灌区地下水埋深变化的主要驱动因素，其次为自然因素，以灌溉入渗、地下水开采和潜水蒸发为主；杨怀德等^［46］采用灰色关联度方法分析了民勤绿洲区地下水埋深对各影响因子的敏感程度，发现人为因素对地下水动态影响程度较大。宋子奕等^［39］基于观测资料与多元logistic回归综合分析发现，河西走廊地下水位演变受自然和人为因素共同影响，与灌溉面积相关性最强，其次为人口和地下水供水量。本研究采用灰色关联度分析了两个灌溉时期各水力区域地下水埋深的驱动因素，发现以耕地面积、地下水开采量和径流等人为和自然因素为主，与上述学者研究结果基本一致。

准确预测地下水埋深对干旱地区地下水资源的合理利用、社会经济的可持续发展和生态环境稳定具有重要意义。BP神经网络作为一种具有高度非线性映射能力的计算模型，能进行全局优化，具有数据处理能力强、预测准确率高的优势，近年来广泛应用于各个领域^［47-49］。本研究基于BP神经网络构建的耦合不同水力区域地下水埋深模拟模型精度较高，实现了多输入多输出控制，对同时预测不同水力区域地下水埋深变化效果较佳。但是BP神经网络在训练时可能出现易陷入局部最优值，精度低和收敛性差等问题^［50］，后续可通过智能算法（例如Faster RCNN、Mask RCNN、YOLO等）优化BP神经网络来提高模型预测精度，同时构建能够充分考虑流域空间变异性的分布式水文模型，对模拟流域水循环过程与研究水资源演化规律更具可靠性^［51］。灌溉农业的发展导致了干旱半干旱地区地下水水位持续降低^［36］，因此合理调控影响地下水埋深的人为因素有助于回升地下水位。有研究表明，缩减灌溉面积、平衡好灌溉水量和地下水开采量能保障流域地下水资源可持续利用^{［11，52-53］}，所以本研究在退地减水政策背景下调控耕地面积和地下水开采量两个人为影响因子，设定3种情景，预测各水力区域地下水埋深在2017—2036年均呈稳定下降趋势，地下水位回升。这表明缩减耕地面积和地下水开采量的情景设定是可行的，对中国西北内陆其他干旱地区遏制地下水位下降具有重要的参考价值。

中国西北内陆干旱区绿洲和荒漠存在相互依存关系，高效节水措施的大范围推广应用改变了绿洲区水文循环规律，不仅显著减少绿洲区地下水垂向补给量，而且对依赖地下水生存的荒漠植被构成威胁^［54］。地下水作为全球水循环的关键组成部分，其水量枯竭与水质恶化对区域生态安全和粮食安全影响重大^［3］，同时气候变化和人类活动的双重影响使得地下水在全球水循环中的作用变得更加动态和复杂化。尽管本研究重点考虑了灌溉农业发展对绿洲区地下水埋深的影响，但后续还需要加强对荒漠区地下水水位以及流域地下水化学特征及其水质状况方面的深入研究，并重点关注气候变化下未来地下水埋深的动态预测。

新疆三工河流域灌溉农业的无序扩张正在导致流域绿洲区地下水埋深整体呈持续下降趋势，冲洪积扇绿洲区下降更明显；节水灌溉时期各水力区域地下水埋深均深于大水漫灌时期，地下水埋深突变与流域农业灌溉方式转变有关；耕地面积、地下水开采量和山区径流量为主要影响因素；流域地下水埋深具有2~3个时间尺度的周期变化，APOU和APOL第一主周期分别为18个月和51个月；耦合不同水力区域地下水埋深的BP神经网络模型模拟效果较佳，实施退地减水政策可促进绿洲区地下水位回升。本研究可为天山北坡以及类似旱区绿洲-荒漠系统地下水资源合理开发利用和优化管理提供科学依据。