Le développement de méthodes informatiques logicielles précises pour la prévision du niveau des eaux souterraines (GWL) est essentiel pour améliorer la planification et la gestion des ressources en eau. Au cours des deux dernières décennies, des progrès significatifs ont été réalisés dans la prédiction du GWL à l'aide de modèles d'apprentissage automatique (ML). Plusieurs articles de synthèse ont été publiés, rendant compte des avancées dans ce domaine jusqu'en 2018. Cependant, les articles de synthèse existants ne couvrent pas plusieurs aspects des simulations de GWL utilisant le ML, qui sont importants pour les scientifiques et les praticiens travaillant dans l'hydrologie et la gestion des ressources en eau. Le présent article de synthèse vise à fournir une compréhension claire des modèles de ML de pointe mis en œuvre pour la modélisation GWL et des étapes franchies dans ce domaine. L'examen comprend tous les types de modèles de ML utilisés pour la modélisation GWL de 2008 à 2020 (138 articles) et résume les détails des articles examinés, y compris les types de modèles, la durée des données, l'échelle de temps, les paramètres d'entrée et de sortie, les critères de performance utilisés et les meilleurs modèles identifiés. En outre, des recommandations pour d'éventuelles orientations de recherche futures visant à améliorer la précision des modèles de prédiction de GWL et à améliorer les connaissances connexes sont décrites.

El desarrollo de métodos informáticos blandos precisos para el pronóstico del nivel de las aguas subterráneas (GWL) es esencial para mejorar la planificación y la gestión de los recursos hídricos. En las últimas dos décadas, se ha logrado un progreso significativo en la predicción de GWL utilizando modelos de aprendizaje automático (ML). Se han publicado varios artículos de revisión, reportando los avances en este campo hasta el 2018. Sin embargo, los artículos de revisión existentes no cubren varios aspectos de las simulaciones de GWL que utilizan ML, que son importantes para los científicos y profesionales que trabajan en hidrología y gestión de recursos hídricos. El artículo de revisión actual tiene como objetivo proporcionar una comprensión clara de los modelos de ML de última generación implementados para el modelado de GWL y los hitos alcanzados en este dominio. La revisión incluye todos los tipos de modelos de ML empleados para el modelado de GWL de 2008 a 2020 (138 artículos) y resume los detalles de los documentos revisados, incluidos los tipos de modelos, el alcance de los datos, la escala de tiempo, los parámetros de entrada y salida, los criterios de rendimiento utilizados y los mejores modelos identificados. Además, se describen recomendaciones para posibles direcciones de investigación futuras para mejorar la precisión de los modelos de predicción de GWL y mejorar el conocimiento relacionado.

Developing accurate soft computing methods for groundwater level (GWL) forecasting is essential for enhancing the planning and management of water resources. Over the past two decades, significant progress has been made in GWL prediction using machine learning (ML) models. Several review articles have been published, reporting the advances in this field up to 2018. However, the existing review articles do not cover several aspects of GWL simulations using ML, which are significant for scientists and practitioners working in hydrology and water resource management. The current review article aims to provide a clear understanding of the state-of-the-art ML models implemented for GWL modeling and the milestones achieved in this domain. The review includes all of the types of ML models employed for GWL modeling from 2008 to 2020 (138 articles) and summarizes the details of the reviewed papers, including the types of models, data span, time scale, input and output parameters, performance criteria used, and the best models identified. Furthermore, recommendations for possible future research directions to improve the accuracy of GWL prediction models and enhance the related knowledge are outlined.

يعد تطوير طرق حوسبة ناعمة دقيقة للتنبؤ بمستوى المياه الجوفية (GWL) أمرًا ضروريًا لتعزيز تخطيط وإدارة الموارد المائية. على مدى العقدين الماضيين، تم إحراز تقدم كبير في التنبؤ بـ GWL باستخدام نماذج التعلم الآلي (ML). تم نشر العديد من مقالات المراجعة، والتي تبلغ عن التقدم في هذا المجال حتى عام 2018. ومع ذلك، فإن مقالات المراجعة الحالية لا تغطي العديد من جوانب محاكاة GWL باستخدام ML، والتي تعتبر مهمة للعلماء والممارسين العاملين في الهيدرولوجيا وإدارة موارد المياه. تهدف مقالة المراجعة الحالية إلى توفير فهم واضح لأحدث نماذج التعلم الآلي التي تم تنفيذها لنمذجة GWL والمعالم الرئيسية التي تم تحقيقها في هذا المجال. تتضمن المراجعة جميع أنواع نماذج غسل الأموال المستخدمة في نمذجة GWL من 2008 إلى 2020 (138 مقالًا) وتلخص تفاصيل الأوراق التي تمت مراجعتها، بما في ذلك أنواع النماذج، ونطاق البيانات، والمقياس الزمني، ومعلمات المدخلات والمخرجات، ومعايير الأداء المستخدمة، وأفضل النماذج المحددة. علاوة على ذلك، يتم تحديد التوصيات الخاصة بتوجهات البحث المستقبلية المحتملة لتحسين دقة نماذج التنبؤ بالذروة المائية العالمية وتعزيز المعرفة ذات الصلة.