采用质量守恒的XGBoost方法对GRACE（?FO）数据进行降尺度处理，揭示了高山区亚洲水文气象引发的质量变化的高分辨率特征及其驱动因素

《Journal of Hydrology》：Downscaling GRACE(?FO) with Mass-Conserving XGBoost approach reveals High-Resolution patterns and drivers of Hydrometeorological-Induced mass changes in high Mountain Asia

高海拔亚洲（HMA）冰川质量变化研究提出XGBoost结合质量守恒校正的降尺度方法，将GRACE-FO分辨率提升至0.1°×0.1°，显著降低区域均质时间序列均方根误差达90%，验证精度优于现有Mascon方案，揭示黑海-里海大气振荡导致中亚降水年际波动，进而引发天山-帕米尔地区6-7年周期性冰川质量振荡。

　　

吴浩天|冉建军|Natthachet Tangdamrongsub

中国深圳南方科技大学地球与空间科学系

摘要

高山亚洲（HMA）是最大的非极地冰川储库，对近20亿人的水资源和区域气候系统具有关键调节作用。要理解气候变化对水资源的影响以及区域水资源安全，需要在大空间尺度上量化冰川质量的变化，但GRACE(-FO)卫星数据的低分辨率限制了这种量化。为了解决这些限制，本研究提出了一种结合质量守恒校正的XGBoost降尺度方法。在使用XGBoost模型获得低不确定性和均方根误差（RMSE）的初步降尺度结果后，进一步应用加权前向建模方法来强制进行质量守恒校正，从而提高了物理一致性。这种校正将区域平均时间序列的RMSE降低了约90%，表明质量守恒有效地优化了降尺度结果。降尺度结果与公开的ASTER衍生的全球数字高程模型进行了验证，平均绝对趋势误差仅为0.54 Gt/yr，并且优于现有的Mascon方法。分析发现里海-黑海地区存在明显的大气振荡，这导致了西风北支路径上水分输送的年际变化。这种水分路径的调节导致中亚地区的降水变化呈振荡性，最终在天山-帕米尔地区产生了明显的6-7年周期的年际质量振荡。这种质量变化与去趋势累积降水量之间的强相关性（大于0.7）突显了大尺度大气环流在塑造HMA细尺度水文气象诱导的质量变化中的主导作用。

引言

高山亚洲（HMA）拥有除极地地区以外最大、最依赖冰川的冰冻圈系统，对亚洲乃至全球的生态安全有着深远影响（Immerzeel等人，2020年）。HMA以青藏高原为中心——被称为“第三极”——包括喜马拉雅山脉、喀喇昆仑山脉、兴都库什山脉等主要山脉，共同构成了关键的“亚洲水塔”（Bhattacharya等人，2021年）。该地区储存了大量冰川和积雪，为亚洲十大河流系统提供主要水源，其变化直接影响下游近20亿居民的水资源安全（Yao等人，2022年）。整个HMA（尤其是青藏高原）通过独特的热力-地形耦合效应调节东亚乃至更大范围内的季风系统，使其成为全球气候变化的敏感指标和放大器（Jiang等人，2017年；Yao等人，2012年）。目前，HMA正在经历加速的冰川退缩（Wang等人，2021年）和永久冻土退化（Chen等人，2018年），这些过程由复杂的地形和多因素气候相互作用驱动（Wang等人，2020年）。这些过程导致了质量变化的显著空间异质性，从根本上改变了区域水文循环并引发了连锁的生态响应（Li等人，2022年）。因此，精确量化HMA范围内冰川质量变化的空间分布已成为气候变化研究和可持续水资源管理的关键科学挑战。

重力恢复与气候实验（GRACE）及其后续任务（GRACE-FO）已被广泛用于监测HMA的质量变化，包括陆地水储量（He等人，2025年）、地下水（Xiang等人，2016年；Zou等人，2022年）、湖泊水位（Zhang等人，2020年）以及冰川质量平衡变化（Fan等人，2023年）。研究证实总质量显著下降，并伴有明显的年际振荡，特别是在天山-帕米尔地区（He等人，2023年）。Yi和Sun（2014年）报告了明显的5年周期振荡；然而，相对较短的数据记录（约10年）限制了他们解析长期质量变化的能力。Wang等人（2024年）利用奇异谱分析进一步发现了HMA西部的6-7年质量波动周期，并建立了与降水异常的统计联系。然而，GRACE(-FO)的低空间分辨率阻碍了细尺度质量变化模式的解析（Ran等人，2018年）。更严重的是，对大气环流如何通过水分输送调节影响区域质量变化的机制理解仍然停留在现象学层面。这一知识空白严重限制了对水文气象诱导的区域水资源安全风险的预测能力。

从GRACE(-FO)卫星重力观测中得到的陆地水储量异常（TWSA）产品受其固有空间分辨率的限制，不足以用于小尺度水文研究（Xiong等人，2025年）。为了解决这一限制，已经开发了基于统计的降尺度方法（Sun，2013年）。研究表明，这些方法应用于典型水文流域（如中国海河流域（Yin等人，2018年）、美国加利福尼亚州（Miro和Famiglietti，2018年）以及印度河流域（Ali等人，2022b）时取得了显著成功。值得注意的是，在大数据时代，利用机器学习（ML）和深度学习（DL）算法的统计降尺度方法在模型精度（Ge等人，2025年；Gou和Soja，2024年；Kalu等人，2024b；Pellet等人，2024年）、计算效率和适用性方面表现出色，因为它们具有强大的非线性拟合能力。先前的研究表明，与随机森林（Random Forest）相比，XGBoost具有更高的预测精度和泛化能力（Ali等人，2022a），而像XGBoost这样的集成方法在计算效率上也显著高于深度学习架构，为大规模地理空间数据处理提供了稳健的替代方案。然而，当前的ML实现，特别是像随机森林这样的集成方法，存在系统性地低估质量损失的外推偏差。现有方法使用残差校正，将粗分辨率残差插值到更细的网格中并重新添加到降尺度估计中，但没有明确强制质量守恒（Kalu等人，2024a）。Zhang等人（2024年）的最新工作引入了一种滑动窗口加权平均方法，虽然牺牲了空间细节的保留，但改善了质量守恒。因此，开发同时确保质量守恒和空间异质性忠实性的新方法变得至关重要。

本研究创新性地开发了MC-XGBoost降尺度模型：首先在XGBoost框架内使用气候和地形变量作为预测因子进行初步降尺度，然后应用加权前向建模来强制多时间尺度的质量守恒校正。这将GRACE(-FO)的分辨率提高到了0.1°×0.1°。利用这一高分辨率数据集，我们解析了由水文气象引起的HMA质量变化的细尺度空间模式，并揭示了它们与气候和大气驱动因素的深层联系，为该地区的水分传输动态和气候响应机制提供了新的见解。

研究区域

作为极地地区以外最广阔的高山冰冻圈，高山亚洲（HMA）是下游地区的重要水资源库（Yao等人，2022年）。我们的研究重点关注这一对气候敏感的区域，范围从西北部的阿尔泰山脉（65°E）延伸到东部的喜马拉雅山脉（105°E），从天山（47°N）到雅鲁藏布河流域（26°N）。这片广阔的山区地形复杂，海拔梯度超过

方法

为了清晰地概述我们的方法论，我们首先概述了整个工作流程（图2），该流程整合了多种技术来生成高分辨率、质量守恒的TWSA产品。过程包括四个主要阶段：（1）数据集构建；（2）模型训练和预测；（3）质量守恒校正；（4）结果评估。

BTCH解决方案的评估

使用BTCH方法计算了三种Mascon产品的不确定性。图4显示了每种Mascon解决方案的不确定性空间分布及其综合权重。在这三种产品中，CSR的不确定性最低（2.2厘米），其次是GSFC（不确定性：3.1厘米）和JPL（不确定性：4.3厘米），其中不确定性仅表示TCH框架内的相对不确定性。CSR Mascon在印度河流域的不确定性较高

HMA中的水文气象诱导的质量变化

基于降尺度结果，本研究采用二阶多项式去除长期趋势，并生成了HMA上7年振荡信号的高空间分辨率振幅分布图（图17）。分析显示，帕米尔-天山地区的质量变化时间序列存在显著的6-7年周期振荡，与图16中的观测结果一致。进一步研究表明，在帕米尔-天山地区，包括准噶尔地区

结论

本研究提出了一个基于XGBoost的质量守恒降尺度框架，用于GRACE(-FO)观测数据，能够重建HMA的高分辨率陆地水储量变化。XGBoost集成框架在时间间隙填充和空间降尺度方面表现出稳健和准确的表现，可靠地重建了具有物理意义的变化，同时保留了空间异质性。通过在不同时间尺度上强制质量守恒

未引用的参考文献

Kalu等人（2024年）。

CRediT作者贡献声明

吴浩天：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据管理、概念化、软件。冉建军：监督、项目管理、资金获取、概念化、方法论、资源、撰写——审阅与编辑。Natthachet Tangdamrongsub：

资助

本研究得到了中国国家自然科学基金（42322403）的支持。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢编辑、副编辑和审稿人的建设性反馈。