Data-driven prediction of groundwater recharge dynamics under changing climate conditions : a case study from northern Finland

Abstract

Forecasting the level of groundwater is essential for sustainable resource management. This study focuses on the use of machine learning (ML) approaches for groundwater level prediction. A literature review was conducted on different groups of forecasting methods covering mathematical, physically-based, data-driven and hybrid methods. The review showed that while other models offer valuable insights, data-driven models have shown strong predictive performance although they require quality and long-range monitoring data. In the empirical part, an example aquifer, in the Kankaala region of Sotkamo, is analyzed using a dataset of daily observations of nine monitoring wells for 51 months from November 2021 to February 2026.

Three different ML methods, namely Ridge Regression, Random Forest and Gradient Boosting, models were utilized for the case data. They were trained using features of groundwater levels, meteorological data, and pumping data of nine wells. In the data pre-processing and model building, the Input variables were reduced through a two-stage feature selection process from 42 to 13.

Findings showed that in the case analysed Ridge Regression provided high accuracy in terms of predicting the absolute value of groundwater level, whereas Random Forest performed better for short-term forecasting up to seven days. The results compare well with previous studies in which forecasting performance drops rapidly after three to five days. However, the relatively short time series limited the model’s ability to capture long-term variation and excluded advanced deep learning modelling. Future research could extend monitoring periods, conduct more comprehensive sensitivity analysis and test the framework in other aquifer zones.

Pohjaveden pinnankorkeuden ennustaminen on välttämätöntä luonnonvarojen kestävän hallinnan kannalta. Tässä tutkimuksessa keskitytään koneoppimismenetelmien (ML) hyödyntämiseen pohjaveden korkeuden ennustamisessa. Kirjallisuuskatsauksessa tarkasteltiin eri ennustemenetelmien luokkia, jotka kattavat matemaattiset, fysiikkaan pohjautuvat, datalähtöiset ja hybridimenetelmät. Katsaus osoitti, että datalähtöiset mallit pystyvät hyvään ennustustamiseen, joskin ne vaativat laadukasta ja pitkäaikaista seurantadataa. Empiirisessä osassa analysoidaan esimerkkipohjavesialuetta Sotkamon Kankaalan alueella käyttämällä aineistoa, joka koostuu yhdeksän havaintokaivon päivittäisistä havainnoista 51 kuukauden ajalta, marraskuusta 2021 helmikuuhun 2026.

Työn empiriaosiossa hyödynnettiin kolmea eri koneoppimismenetelmää: Ridge Regression, Random Forest ja Gradient Boosting. Mallit koulutettiin käyttämällä pohjaveden pinnankorkeustietoja, meteorologista dataa sekä yhdeksän kaivon pumppaustietoja. Datan esikäsittelyssä ja mallin rakentamisessa muuttujien määrää vähennettiin kaksivaiheisella muuttujien valintaprosessilla alkuperäisestä 42 muuttujasta 13 muuttujaan.

Tulokset osoittivat, että analysoidussa tapauksessa Ridge Regression tarjosi tarkimman ennusteen pohjaveden pinnankorkeuden absoluuttiselle arvolle, kun taas Random Forest suoriutui paremmin lyhyen aikavälin (enintään seitsemän päivän) ennustamisessa. Tulokset ovat linjassa aiempien tutkimusten kanssa, joissa ennustetarkkuus heikkenee nopeasti kolmen–viiden päivän jälkeen. Suhteellisen lyhyt aikasarja kuitenkin rajoitti eri mallien kykyä tavoittaa pitkän aikavälin vaihtelua ja sulki pois kehittyneemmät syväoppimismallit. Tuleva tutkimus voisikin pidentää seurantajaksoja, toteuttaa kattavamman herkkyysanalyysin ja testata menetelmäkehystä muilla pohjavesialueilla.