Groundwater Potential Mapping in Northwestern Nigeria: A Comparison of the Analytic Hierarchy Process and Galileo-Enhanced CAT-XGB

全球水资源短缺加剧了对高分辨率地下水评估工具的需求，然而传统方法难以在定性专家权重与遥感数据所提供的广泛空间覆盖之间取得协调。本研究提出一个比较框架，在尼日利亚西北部地质复杂地形区，评估专家驱动的多准则决策分析（十层层次分析法（AHP））与数据驱动的集成机器学习在地下水潜力制图中的表现。研究将标准主题图层与预训练遥感基础模型的嵌入特征相结合以训练集成分类器，并利用垂直电测深（VES）数据对地下水潜力进行验证。经基础模型增强的CAT-XGB集成模型取得了显著的预测性能，持续优于独立的树基分类器和传统AHP。空间差异制图揭示，增强集成模型捕捉到了被专家驱动权重所平滑化的关键局部水文地质异常。将启发式决策与基础模型增强的机器学习相衔接，显著提升了空间精度与可靠性，有望为数据稀缺、地质复杂区域优化钻孔选址和可持续含水层管理提供一种经野外验证的工具。