利用降尺度处理的GRACE数据，在洪水条件下对地下水储存进行时空分析

《Remote Sensing Applications: Society and Environment》：Spatio-Temporal Assessment of Groundwater Storage under Flood Conditions using Downscaled GRACE Data

　　摘要
印度河流域的地下水资源对于维持巴基斯坦干旱和超级干旱地区的水资源安全至关重要，但其管理受到现场测量频率有限以及GRACE卫星观测空间分辨率较低的制约。为了解决这些问题，本研究结合了三个部分：（1）一种比较机器学习（ML）方法，将GRACE观测数据从0.25°降尺度到0.01°；（2）使用二次平均值（QA）方法构建连续的月度验证数据以改善时间特征；（3）对降尺度后的地下水储存异常（GWSA）在0.01°分辨率下进行时空验证。在测试的ML模型中，基于树的方法——特别是随机森林和决策树——始终表现优于其他方法，其中随机森林取得了最佳性能（R2 = 0.98）。降尺度后的GRACE GWSA（0.01°）通过构建的月度和季节性现场测量数据进行了验证。月度验证显示出中等的时间一致性（皮尔逊相关系数r = 0.57），但空间一致性较低；而季节性验证显示出了强烈的时间相关性（皮尔逊相关系数r = 0.92），但像素级的一致性较弱至中等（皮尔逊相关系数r = 0.352）。校准后的趋势显示，在2006年至2011年间，整个流域的地下水储存量略有下降，约为每年-0.1毫米。该方法展示了ML降尺度技术结合改进的验证方法在数据稀缺地区改善地下水监测的潜力。

引言
印度河流域是地下水的重要来源，支持该地区的灌溉、家庭用水和整体水资源安全。其可获取性和广泛分布导致了过度开采，且开采速度令人担忧。人口增长、城市化加速、农业生产率提高以及气候变化的影响都破坏了水资源供需平衡（Akhter和Hasan，2016；Hasan等人，2020），威胁到了水资源的长期可用性和可持续性。有效的地下水管理和保护直接支持可持续发展目标6（清洁水和卫生设施）和可持续发展目标8（体面工作与经济增长），通过保障安全的淡水供应以及维持依赖于水资源可用性的农业生产和生计。洪水是世界上大多数干旱地区重要的地下水补给来源（Zhang等人，2017）。降水引起的洪水可以显著补充地下水，但其有效性因地区而异。在干旱和半干旱地区，由于不频繁的洪水事件能够渗透到含水量较高的干燥土壤中，因此补给量通常更大（Taylor等人，2013）。尽管地下水在生态系统和生计中起着至关重要的作用，但监测在空间覆盖范围和时间频率上仍然有限。为了促进知情决策和有效规划，需要在区域尺度上进行持续的地下水监测和管理（Rodell、Velicogna和Famiglietti，2009；Ali等人，2021），因为这对于确保水资源的可持续消费和管理至关重要（可持续发展目标12）。

为了解决这一不足，本研究使用了GRACE地球重力卫星的观测数据。与传统基于地面的水文监测不同，GRACE提供了全球覆盖范围和每月的时间分辨率，使科学家能够追踪长期的水文趋势，特别是在数据稀缺的地区。这种能力使得研究人员能够在没有地面数据的情况下，监测大范围地区的隐秘水文趋势，如地下水枯竭和干旱（Rodell、Velicogna和Famiglietti，2009）。GRACE的TWS（总水储量）代表了以冰川、雪/冰、河流、湖泊/水库、植被冠层、土壤湿度和地下水形式储存的总水量（Famiglietti，2004）。使用GRACE进行的全球分析记录了广泛的地下水损失，Richey等人（Richey等人，2015）发现了多个地区的严重抽取情况，包括印度河流域灌溉系统（2003-2013年），而区域研究，如Iqbal等人（Iqbal等人，2016）证实了2003-2010年间旁遮普省的地下水储存量显著下降，凸显了GRACE在全球综合分析和区域评估中的价值。

尽管GRACE数据做出了突破性贡献，但其空间分辨率仍然非常有限（0.25°×0.25°甚至更粗糙）（Sahour等人，2020）。这种分辨率对于区域或地方水资源管理来说过于粗糙，因为决策往往依赖于更细致的空间细节。因此，降尺度技术对于将GRACE数据转换为更高分辨率的估计值至关重要，以支持流域或子流域层面的决策（Long等人，2013）。他们强调，降尺度对于恢复格陵兰岛冰盖边缘附近的局部质量变化至关重要（Wang等人，2019）。Rahaman等人（Rahaman等人，2019）使用随机森林算法将GRACE衍生的GWS从1°降尺度到高分辨率的0.25°，用于北部高平原含水层。Ali等人（Ali等人，2021）使用基于机器学习的方法（RF和ANN）将GRACE数据从1°降尺度到印度河流域的0.25°。为了支持精细尺度的流域分析，GRACE数据从25公里降尺度到1公里的空间分辨率（Khorrami、Ali和Gündüz，2023；Arshad等人，2024；Hamou-Ali等人，2025）。除了GRACE单独的降尺度研究外，还开发了几个新的数据集，以提供来自GRACE及相关观测的更高分辨率的陆地水储存信息，包括GRACE-SeDA（0.5°）、HWSA v1.0（0.05°）、GLWS2.0（0.5°）和SYSU TWSA v1.0（0.5°）（Gerdener等人，2023；Gou和Soja，2024；Zhang等人，2024；Xiong等人，2026）。这些产品代表了重建和降尺度GRACE衍生水储存信息的不同方法，表明了对高分辨率水储存数据集的需求不断增加。然而，这些产品在输入数据集、空间和时间分辨率、处理策略、目标变量、地理覆盖范围以及某些限制方面存在差异。如果使用已经重建或降缩的产品作为进一步空间增强的目标，将构成不同的建模框架，因为目标数据集中的精细空间模式已经反映了原始重建中使用的辅助数据、假设和处理程序。相比之下，使用原始GRACE解作为目标可以直接建立GRACE观测到的储存信号与独立的高分辨率水文和地形预测因子之间的关系，而无需引入额外的空间重建层。在这项研究中，选择了CSR RL06 mascon产品作为原始GRACE解。在GRACE RL06 mascon产品中，CSR提供在0.25°×0.25°网格上，而JPL和GSFC提供在0.5°×0.5°网格上。此外，Zhang等人报告称，在他们的研究中，CSR衍生的TWSA具有最低的TCH估计不确定性。这些特征为在这项研究中选择CSR作为观测目标提供了依据。

GRACE空间增强方法大致可以分为动态方法、统计方法和基于机器学习的方法。动态降尺度通常使用基于物理的水文或地表模型，结合降水、蒸散、土壤湿度、径流、地表特征和其他水文过程的信息来生成空间细致的估计值（Sun等人，2023；Pellet等人，2024）。相比之下，统计降尺度建立了粗分辨率GRACE观测与高分辨率水文变量之间的经验关系，范围从简单线性回归到非线性统计模型（Vishwakarma、Zhang和Sneeuw，2021）。在这一框架内，机器学习方法提供了一种灵活的替代方案，直接从数据中学习GRACE GWSA与高分辨率多个预测因子之间的复杂非线性关系，同时对预测因子-目标关系的基本功能形式假设较少。常见的机器学习方法包括随机森林、人工神经网络、支持向量回归和梯度提升方法（Rahaman等人，2019；Ali等人，2021；Yin等人，2022；Arshad等人，2024；Kalu等人，2024）。基于机器学习的方法因其能够捕捉与空间降尺度相关的地球系统变量中的复杂非线性特征而受到越来越多的关注（Yin等人，2022；Ali等人，2023），而传统回归（或统计）模型通常需要预先指定预测因子-目标关系的功能形式。

如随机森林和神经网络等机器学习技术被越来越多地用于模拟GRACE观测与更细粒度预测因子之间的复杂关系（Sun等人，2019）。在许多GRACE降尺度研究中，ML模型通常作为非空间方法应用，基于解释变量与目标变量在整个研究区域内的关系是一致的假设（Ali等人，2021）。在这项研究中，我们采用了比较ML降尺度方法，应用并比较了多种ML算法，以评估哪种方法在特定降尺度任务中表现最佳。首先进行GRACE降尺度，然后分离地下水与其他垂直水储存组分。Ali等人（Ali等人，2021）的早期研究使用了RF和ANN模型预测0.25°分辨率的TWS和GWS，依赖于不同的水文变量，并探讨了输入变量之间的相关性和连续的年度趋势。在这项研究中，我们在该工作的基础上进行了改进。我们的研究的主要贡献和创新点如下：
• 我们采用了一种比较机器学习（ML）降尺度方法，将GRACE的空间分辨率从0.25°提高到0.01°。
• 我们使用二次平均值（QA）方法从季节性测量数据构建了连续的月度验证数据，以改善时间特征。
• 最后，对降尺度后的GRACE GWSA在0.01°分辨率下进行了时空验证。

在印度河流域进行的先前研究通常将每月的GRACE数据与季节性或不连续的月度现场地下水测量数据进行验证。缺乏连续的月度现场地下水测量进一步复杂化了高频或局部水文评估的努力（Cheema、Immerzeel和Bastiaanssen，2014）。因此，即使是一些最近的研究也依赖于不连续的月度验证（或季节性验证）和连续的年度验证（Ali等人，2021；Arshad等人，2024）；然而，这限制了高时间频率下将现场地下水动态与GRACE观测结果进行比较的能力。迄今为止，尚未有适用于巴基斯坦印度河流域干旱和超级干旱地区的、具有连续月度时间验证的降尺度产品（Rodell、Velicogna和Famiglietti，2009；Famiglietti等人，2011；Long等人，2016），尽管这些地区对于地方水资源管理非常重要。本研究主要致力于开发更准确的降尺度模型，并首次使用二次平均值（QA）方法生成了研究期间的连续月度地下水储存变化记录。本研究的目标有三个：
• 使用比较机器学习方法和其他水文和地理空间变量，将GRACE–TWSA和GWSA观测数据从0.25°降尺度到0.01°。
• 使用二次平均值方法从当地水位记录中构建连续的月度地下水现场数据。
• 使用构建的月度现场数据，在月度和季节性尺度上验证从GRACE获得的降尺度GWSA。

研究区域
本研究集中在印度河流域的干旱和超级干旱地区，主要包括巴基斯坦的旁遮普省和信德省。印度河流域的主要支流——如杰赫勒姆河、奇纳布河、拉维河、比阿斯河和苏特莱杰河——是关键的水源，最终汇入旁遮普的印度河。这种连续流动对于维持印度河水系至关重要，支持着巴基斯坦广大地区的农业、生态系统和生计。在流经旁遮普后，

从水位数据估计GWSA
在收集的2,065个水位读数中，经过预处理阶段后保留了632个完整的读数（每个读数均无缺失观测值），排除了封闭井、缺失数据和坐标错误以及有缺陷的井。在后处理过程中，通过四分位数范围（IQR）和中位数绝对偏差（MAD）方法进一步将632个井的数据精炼为484个读数。这些现场观测值转换为目标值后……

回归模型比较
使用了几种ML模型对GRACE–TWSA进行降尺度。为了确保公平比较，每个模型都在相同的数据集上使用一致的框架进行训练和测试。选择了与原始GRACE–TWSA数据相关性最高的模型进行进一步分析和应用。使用统计指标和相关图表来评估这些模型的性能，如图4所示。此外，5折交叉验证也证实了……

结论
本研究利用GRACE-CSR产品，在非常精细的空间分辨率（0.01°）下进行了地下水储存研究，采用了比较机器学习降尺度方法，在相同的环境中执行了六种不同的模型。基于树的机器学习模型，特别是随机森林（RF）和决策树（DT），在捕捉地下水储存量的空间和时间变化方面表现出了强大的性能。与所有其他机器学习模型相比，随机森林模型的性能更优异（R2 = 0.98）。

**作者贡献声明**
Zafar Iqbal：撰写、审阅与编辑，监督。
Sajjad Haider：监督，概念化。
Khalil Ur Rahman：监督，调查，概念化。
Muhammad Mansoor：撰写——原始草案，可视化，验证，软件，资源，方法论，调查，正式分析，数据整理。
Hamza Farooq Gabriel：撰写——审阅与编辑，监督，项目管理。
**未引用的参考文献**
Cheema等人，2014年；Khorrami等人，2023年；Rodell等人，2009年；Save等人，2016年；Scanlon等人，2002年；Vishwakarma等人，2021年；Zhang等人，2021年。
**利益冲突**
作者没有需要披露的相关财务或非财务利益。

**数据可用性声明**
来自GRACE的月度网格化mascon数据由德克萨斯大学奥斯汀分校的空间研究中心（CSR）处理，可从以下网址下载：https://www2.csr.utexas.edu/grace。本研究中使用的饥荒早期预警系统土地数据同化系统（FLDAS）数据来自戈达德地球科学与数据信息服务中心（GES DISC）：https://ldas.gsfc.nasa.gov/data。航天飞机雷达地形测绘任务（SRTM）数据由NASA的JetData提供。

**数据集和Python代码的获取**
本研究使用的数据集和Python代码可应要求提供。

**资金情况**
作者声明，在撰写本手稿期间未收到任何资金、拨款或其他形式的支援。

**利益冲突声明**
作者声明没有已知的可能影响本文研究的财务利益或个人关系。

**致谢**
作者衷心感谢德克萨斯大学奥斯汀分校的空间研究中心（CSR）提供了由NASA支持的GRACE-CSR（版本06）数据。本研究中使用的饥荒早期预警系统土地数据同化系统（FLDAS）数据来自NASA的地球科学部门任务，并由戈达德地球科学与数据信息服务中心（GES DISC）分发。航天飞机雷达地形测绘任务（SRTM）数据也由NASA提供。

**作者信息**
Muhammad Mansoor | Hamza Farooq Gabriel | Sajjad Haider | Khalil Ur Rahman | Zafar Iqbal
巴基斯坦国立科学技术大学（NUST），H-12，伊斯兰堡，44000