《Geomatica》:Machine learning downscaling of GRACE satellite data for local-scale water storage assessment in South-East Queensland, Australia
编辑推荐:
在局地尺度上监测陆地水储量(terrestrial water storage,TWS)仍然具有挑战性,主要原因在于重力恢复与气候实验(Gravity Recovery and Climate Experiment,GRACE)数据的空间分辨率较粗。尽管基于机
在局地尺度上监测陆地水储量(terrestrial water storage,TWS)仍然具有挑战性,主要原因在于重力恢复与气候实验(Gravity Recovery and Climate Experiment,GRACE)数据的空间分辨率较粗。尽管基于机器学习(machine learning,ML)的降尺度技术为提高分辨率提供了可行路径,但其在捕捉局地化水文变率方面的可靠性仍需进一步评估。本研究的主要目的是评估5种机器学习模型——支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、高斯过程回归(Gaussian Process Regression,GPR)、广义可加模型(Generalised Additive Model,GAM)和人工神经网络(Artificial Neural Network,ANN)——在2002—2022年期间将澳大利亚昆士兰州东南部GRACE反演的TWS异常由1.0°×1.0°降尺度至0.05°×0.05°的能力。研究采用来自Australian Water Outlook平台的高分辨率降水、蒸散发和径流数据作为机器学习模型输入。降尺度结果采用分布于研究区的43个降水观测站、98口地下水监测井和42个地表水位站的原位观测数据进行验证。在所有模型中,GPR持续表现出最佳性能(MAE = 1.4 mm,RMSE = 2.5 mm),其后依次为RF(MAE = 4.6 mm,RMSE = 7.2 mm)、GAM、ANN和SVM。原位地下水位(groundwater levels,GWL)与降尺度结果之间的相关系数范围为0.77—0.79,而地表水位(surface water levels,SWL)与降尺度结果之间的相关系数范围为0.47—0.48,其中RF、GPR和GAM对GWL估计的拟合效果最佳。该研究为在监测网络缺失或有限的区域增强GRACE在区域水文评估中的应用提供了契机。
该文发表于《Geomatica》,围绕GRACE陆地水储量(terrestrial water storage,TWS)数据在局地尺度应用中受限于空间分辨率粗这一核心问题展开。研究背景在于,气候变化正在加剧干旱、洪水、地下水消耗和流域水安全风险,而TWS作为表征地表水、土壤水、地下水等综合水文储量变化的重要气候变量,对于区域水资源管理、灾害预警和气候影响识别具有关键意义。GRACE及其后续任务GRACE-FO虽能提供全球月尺度陆地水储量异常(terrestrial water storage anomalies,TWSA)观测,但其有效空间分辨率约为300—400 km,难以满足流域乃至子流域层面的决策需求,尤其在澳大利亚昆士兰州东南部(South-East Queensland,SEQ)这类水文气候差异显著、地形起伏强烈、且同时承受城市扩张与农业用水压力的区域,粗分辨率数据难以刻画真实的局地水储量变化。因此,开展GRACE数据降尺度研究,是提升卫星重力观测在区域和地方尺度水文监测中实用性的必要步骤。
研究人员选取SEQ作为研究区,针对2002年4月至2022年12月期间的GRACE/GRACE-FO JPL Mascon RL06产品,比较5种机器学习(machine learning,ML)方法对GRACE-TWS降尺度的适用性,分别为支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、高斯过程回归(Gaussian Process Regression,GPR)、广义可加模型(Generalised Additive Model,GAM)和人工神经网络(Artificial Neural Network,ANN)。研究表明,采用高分辨率水文驱动因子可以将1.0°×1.0°的GRACE-TWS有效降尺度至0.05°×0.05°,从而更清晰地识别流域边界、地形控制和不同水文阶段下的局地储水变化。综合内部拟合与外部验证结果,GPR总体表现最佳,RF与GAM也具有较强稳健性,SVM和ANN相对较弱。研究进一步指出,降尺度后TWS与地下水位(groundwater level,GWL)的相关性明显高于与地表水位(surface water level,SWL)的相关性,说明SEQ区域GRACE观测到的质量变化在年际尺度上更多反映地下水储量变化。该成果的重要意义在于,为监测网络稀疏地区开展区域水资源评估、干旱识别和局地尺度水储量分析提供了成本较低且具有可迁移性的技术路径。
研究人员主要采用了以下关键技术方法:第一,使用GRACE/GRACE-FO JPL Mascon RL06月尺度TWS数据作为响应变量,并采用Australian Water Outlook(AWO)提供的0.05°×0.05°降水、蒸散发和径流数据作为预测因子;第二,先将高分辨率预测因子重采样到1.0°×1.0°,建立5种回归型机器学习模型,再将残差通过普通克里金(ordinary kriging)插值回补至高分辨率结果中;第三,利用98口地下水监测井、43个雨量站和42个地表水位站的原位观测对降尺度结果进行局地验证;第四,采用主成分分析(Principal Component Analysis,PCA)检验原始与降尺度TWS在时空结构上的一致性,并结合bootstrap残差重采样方法评估不确定性。样本来源包括卫星重力观测、AWO模型输出以及澳大利亚官方地面监测网络。
在研究结果部分,论文首先在“Enhanced Spatial GRACE-TWS Estimates over SEQ”中指出,5种机器学习模型均显著提升了GRACE-TWS的空间分辨率,使原本大尺度均一网格所掩盖的局地水文梯度得以显现。降尺度结果能够更好地反映SEQ不同集水区之间的边界特征与地形控制效应,说明ML方法可以将大尺度卫星重力信号转换为更适于区域管理的局地储水信息。研究人员还将整个研究时段划分为Drought 1、Recharge 1、Drought 2和Recharge 2四个阶段,结果显示在补给阶段TWS异常最高可达150 mm,而在干旱阶段则广泛表现为低值甚至负异常,清晰揭示了SEQ在不同水文气候时期的储水波动特征。
在“Comparison of Original and Downscaled ?TWS Estimates Using Regression Models”中,研究人员通过比较原始GRACE与降尺度结果的时间序列和误差统计量,评估了不同模型的拟合能力。结果表明,所有模型总体都能保留GRACE原始信号的季节变化和长期趋势,但性能差异显著。其中,GPR表现最佳,达到R = 0.98、NSE = 0.99、MAE = 1.4 mm、RMSE = 2.5 mm,显示出极高的一致性和较低误差;RF次之,表现出较高稳健性;ANN属于中等水平;SVM整体最弱,相关性最低且误差最大。这一结果说明,在SEQ这种具有复杂非线性水文过程的区域,概率型和集成型模型更适合处理GRACE降尺度任务。
在“Evaluation of Downscaled TWS Using In situ Observations”中,研究人员利用原位地下水位、地表水位和降水资料对降尺度产品进行局地尺度检验。结果显示,GPR、RF和GAM与地下水位的相关性最强,均达到R = 0.79,ANN和SVM略低但仍处于0.77—0.78范围;而与地表水位的相关性整体较弱,最高仅为GPR的R = 0.48。该结果表明,降尺度TWS对地下水变化的响应更加敏感,而对短时、事件驱动的地表水波动刻画相对有限。时间序列比较进一步表明,2009—2014年期间由于显著补给,地下水储量明显上升;2015—2019年干旱期则持续下降;2020—2022年又出现显著恢复,这与区域降雨和洪水背景一致。
在PCA分析部分,研究人员比较了原始GRACE与各降尺度结果的主成分(principal component,PC)和经验正交函数(empirical orthogonal function,EOF)。结果显示,第一主成分PC1主导了全部数据的主要变率:原始GRACE中PC1解释94.0%的总方差,降尺度结果中SVM、RF、GP、GAM和ANN分别解释87.6%、90.4%、97.5%、90.4%和92.5%的方差。PC1对应的空间模态主要集中在研究区西北部,提示该区尽管降雨较少,但由于农业活动强和地下水储存能力有限,其TWS变率被放大。PC1时间序列在2013年前后及2022年出现显著峰值,与强降雨阶段和原位地下水位变化相一致,说明降尺度结果在主导时空结构上较好保留了原始GRACE信号。
在“Machine Learning Techniques and Uncertainties”中,研究人员讨论了模型空间不确定性和残差校正的作用。结果表明,残差回补是提升降尺度真实性的重要步骤,因为初始预测虽然增强了区域尺度格局,但仍不能充分捕捉局地细尺度变化。ANN的残差较高,提示其对复杂水文异质性的刻画能力较弱;RF和GAM残差较低,因而改进效果更明显。基于bootstrap的空间不确定性分析显示,大多数区域模型决定系数R
2高于0.5,说明所有模型总体具有应用潜力,但研究区西北部等局部区域存在较高不确定性,可能受到土地利用变化或人为活动影响。
讨论部分主要围绕空间表征能力、模型适用性、局地水文解释能力以及方法可迁移性展开。论文指出,GRACE-TWS经统计降尺度后显著改善了SEQ区域子流域尺度上的空间表达能力,使原始粗分辨率产品难以识别的局地水文差异得以显现。模型比较显示,GPR之所以表现最佳,主要在于其概率框架和光滑核函数更适于刻画地下水系统中缓慢演化、具有空间自相关特征的储量变化;RF和GAM则在不同水文气候阶段均表现出较强稳健性,尤其适合地下水主导的应用场景。SVM与ANN表现偏弱,反映出这两类模型在异质性较强、非线性关系复杂的数据环境中存在局限。论文同时强调,地下水是SEQ区域陆地水储量变化的主要缓冲库和关键调节因子,GRACE及其降尺度结果在年际尺度上更能反映地下水储量变化,而非快速响应的地表水变化。由此,强化地下水监测网络、将地下水保护纳入区域水安全管理框架,具有直接现实意义。
作者还讨论了该框架的推广价值。研究指出,该方法主要依赖可广泛获取的高分辨率气候—水文预测因子,因此具有较好的可迁移性,可扩展应用于其他监测不足、但存在显著水文气候变率的地区。不过论文也明确指出,当前研究尚未纳入地形、土地利用/覆被、土壤类型等地表生理属性因子,也未显式表征灌溉、蓄水工程和土地利用变化等人为影响,因此未来应进一步引入这些变量,以提高降尺度结果的空间真实性和跨区域适用性。
研究结论部分指出:GRACE卫星首次实现了大范围、包括偏远地区在内的陆地水储量变化空间观测,但其原生空间分辨率难以满足精细尺度水资源管理需求。通过融合AWO模型提供的高分辨率降水、蒸散发和径流数据,本研究实现了GRACE-TWS从1.0°到0.05°的有效降尺度,显著提升了SEQ局地水文动态的空间表征能力。5种机器学习方法中,GPR在内部拟合和外部验证中均表现最优,能够较好保持原始GRACE信号的幅度与时间变化特征;RF与GAM同样展现出较强可靠性。PCA结果表明,降尺度产品在主导时空结构上与原始GRACE及地下水位变化保持较强一致性。总体而言,该研究证明了基于区域预测因子的GRACE统计降尺度能够较可信地解析SEQ局地尺度水文变化,为数据稀缺地区开展水资源评估与干旱管理提供了有效方案。同时,未来若能进一步引入地表属性和人为驱动因子,并结合更连续、更高质量的原位观测,将有望进一步提升降尺度GRACE产品的精度、稳健性与应用价值。