综述：GRACE遥感技术在缺水地区地下水监测中的应用综述

《Groundwater for Sustainable Development》：Review of GRACE Remote Sensing Applications for Groundwater Monitoring in Water-Scarce Regions

　　

在气候变率限制地表水资源的缺水地区，地下水是家庭、农业和工业用水的重要资源。传统监测技术依赖钻井，但受数据不完整、难以进入和数据稀疏等因素限制，难以追踪区域趋势。重力恢复与气候实验（Gravity Recovery and Climate Experiment, GRACE）及其后续任务GRACE-FO等卫星工具为观测大尺度陆地水储量（Terrestrial Water Storage, TWS）变化提供了有价值的替代方案。本综述评估了GRACE（-FO）在地下水研究中的应用，重点聚焦于缺水地区。GRACE（-FO）在水文地质学中的应用稳步增长，大多数案例研究集中在亚洲和非洲，这些地区地下水压力大且监测稀疏，因而更加依赖卫星数据。数据丰富地区的研究相对不足，凸显了对GRACE（-FO）进行基准验证研究的必要性。案例研究展示了GRACE（-FO）的潜力与局限：沙特阿拉伯和伊朗的枯竭趋势与农业开采相关，而非洲和南美洲部分地区的补给则反映了降雨补给或水库回灌。这些研究证实了GRACE（-FO）诊断枯竭热点以及比较气候和管理如何塑造储水量的能力。研究区划界通常受地下水利用、数据可用性和监测网络的指导，其性能进一步受土地利用、含水层类型和研究区面积的影响。虽然GRACE（-FO）最适合大流域，但降尺度的应用已将其扩展至更小区域。机器学习支持这一发展，其中随机森林（Random Forest, RF）因其稳健性而被广泛使用，但较新的方法仍有待进一步探索。未来工作应完善降尺度技术、加强与区域模型的整合，并将储水量与水质联系起来，特别是在易受枯竭和盐碱化影响的沿海含水层。

本综述系统评估了GRACE（-FO）在地下水监测中的应用，重点聚焦于缺水地区，涵盖方法学、应用案例、区域背景及局限性等方面。

## 1 引言

水资源短缺已成为全球日益关注的问题，尤其在南非等半干旱地区。干旱期地表水资源枯竭时，地下水成为家庭、工业和农业用水的重要来源。然而，传统监测技术如测井和钻孔测量虽至关重要，但受空间覆盖范围、成本和时间效率限制，难以识别区域性地下水储量趋势。GRACE卫星任务及其后续任务GRACE-FO通过探测地球重力场变化估算陆地水储量异常（Terrestrial Water Storage Anomaly, TWSA），已成为大尺度地下水储量监测的关键工具。GRACE于2002年3月至2017年6月运行，GRACE-FO自2018年5月延续观测。南非的水资源短缺因人口增长、城市化、土地利用不当及气候变化而加剧，GRACE（-FO）提供了传统方法无法获取的宏观时空视角。本综述旨在审视GRACE（-FO）在缺水地区的应用方法、挑战与成效，为将其整合至南非地下水监测系统提供依据。

## 2 综述方法

本研究遵循2020年更新的系统评价与荟萃分析优先报告条目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA）方法。研究人员在Scopus、Web of Science（WoS）及Google Scholar数据库中系统检索"GRACE"与"groundwater"相关文献，检索日期为2024年11月26日，初始获得1804篇文献，经过去重、摘要筛选及质量评估后，最终纳入282篇进行详细综述。纳入标准包括：英文文献、包含原创研究摘要、GRACE（-FO）数据应用于地下水监测；排除标准包括：非GRACE（-FO）地下水应用主题、综述类摘要及非研究性文献。文献发表时间范围为2002年至2024年。

## 3 结果与讨论

### 3.1 综述文献中的方法应用

GRACE（-FO）数据提供球谐函数（Spherical Harmonics, SH）和Mascon（质量集中块）两种主要解决方案，分别由德国地球科学研究中心（GFZ）、喷气推进实验室（JPL）、空间研究中心（CSR）及戈达德航天中心（GSFC）等机构发布。SH解通过球谐函数分解全球重力场，提供高分辨率表示，但对噪声敏感，需经高斯平滑或去相关滤波等后处理；Mascon解将地表划分为离散网格单元估算质量变化，CSR和JPL的最新Mascon产品空间分辨率分别为0.25°（约27 km）和0.5°（约55 km）。Mascon解信噪比更高、泄漏误差更小，且后处理步骤更少，自2015年以来使用率持续上升。本文综述显示，38%的文献使用SH解，36%使用Mascon解，10%同时使用两者，16%未明确说明；2020年后Mascon解成为主流。

数据产品偏好方面，Mascon解使用者中45%采用CSR-M，27%采用JPL-M，14%使用多机构组合产品；SH解使用者中36%采用CSR，25%同时使用CSR、GFZ和JPL产品。各处理中心采用不同算法和数据处理技术，导致重力场解存在差异。

### 3.2 应用案例分类

综述文献中的GRACE（-FO）应用可分为四类：地下水储量直接估算、数据降尺度、模型整合及验证方法。

#### 3.2.1 基于GRACE（-FO）数据的地下水储量变化直接估算

该方法基于TWSA包含积雪水、土壤水分、植被储水、地下水及地表水体（如水库）变化的原理，通过扣除其他组分估算地下水储量异常（Groundwater Storage Anomaly, GWSA）。公式表达为：TWSA = GWSA + SMSA（土壤水分储量异常）+ SWSA（地表水储量异常）+ CWSA（植被冠层水储量异常）+ SWEA（雪水当量异常）。实际应用中，SWSA、CWSA和SWEA常因贡献低于GRACE检测限而被忽略，尤其在干旱半干旱地区。常用辅助数据包括全球陆地数据同化系统（GLDAS）、气候预测中心（CPC）模型、欧洲中期天气预报中心（ECMWF）产品、WaterGAP全球水文模型（WGHM）、FLDAS及NLDAS等。63%的研究使用GLDAS估算土壤水分，其中Noah陆面模型使用频率最高（49%）；18%使用GLDAS径流估算地表水，12%采用原位数据，57%未扣除地表水贡献；35%使用GLDAS估算雪水当量，56%忽略该项；23%使用GLDAS估算植被冠层水，69%未予考虑。

#### 3.2.2 GRACE（-FO）数据降尺度用于局部应用

GRACE（-FO）原始分辨率较粗（约300 km×300 km），对中小尺度区域适用性有限。研究证实GRACE-GLDAS的GWSA估算在大于900,000 km²的流域表现良好，但在约500,000 km²区域精度下降， necessitating降尺度技术。

机器学习（Machine Learning, ML）方法最为广泛应用。随机森林（RF）出现在11篇文献中，常优于多元线性回归（MLR）、极端梯度提升（XGBoost）、支持向量回归（SVR）和多层感知器（MLP）等方法。其他方法包括：XGBoost将TWSA从0.25°降尺度至0.1°；机器学习空间降尺度方法（MLSDM）整合RF、极端随机树（ETR）、梯度提升回归器（GBR）和自适应提升回归器（ABR）；SVR和人工神经网络（ANN）如反馈神经网络（FFNN）、MLP和反向传播神经网络（BPNN）各出现4次。

深度学习方法中，Hu等人应用深度学习将GRACE（-FO）数据从0.5°重建至0.25°，与井数据相比相关系数（Correlation Coefficient, CC）提高34%，均方根误差（Root Mean Square Error, RMSE）降低31%。然而，Nourani等人发现浅层模型集合（FFNN、自适应神经模糊推理系统ANFIS、SVR）在长短期记忆网络（Long Short-Term Memory, LSTM）基础上提高NSE达17%。Zhang等人整合MLR和梯度提升决策树（GBDT）结合局部气候与监测数据；Ali等人采用地理加权回归（GWR）将GWSA降尺度至0.05°，与实测地下水位皮尔逊相关系数达0.83。其他方法包括基于物理约束滑动窗口的机器学习降尺度框架（MLDF-PCSW）、半监督变分自编码器（SSVAER）、多尺度地理加权回归（MGWR）等。Sun等人将GRACE与区域MODFLOW模型整合，平均CC高于0.54；Zhong等人开发自校准方差分量模型（SCVCM）结合陆面模型（LSM）输出，实现300 km至5 km空间降尺度，并进一步扩展为两步时空降尺度程序获取日尺度5 km分辨率数据。

#### 3.2.2.1 降尺度方法的综合与批判性评估

随机森林因稳健性、处理高维数据能力、非线性关系建模能力及低过拟合风险而成为最常用方法，但其非空间特性难以捕捉GRACE（-FO）数据的空间异质性。深度学习方法尤其是LSTM网络在捕捉时间依赖性和重建时间序列方面前景良好，但性能增益在不同研究中存在差异，受数据可用性、计算复杂度和过拟合风险影响。方法有效性高度依赖流域尺度、水文地质复杂性、预测因子选择、数据质量及人类活动影响表征等因素，需谨慎解释降尺度产品不确定性。

#### 3.2.3 GRACE（-FO）数据与模型整合

##### 3.2.3.1 与区域数值地下水模型整合

GRACE（-FO）数据已广泛融入数值地下水模型以改善储量估算、增强水文预测和降低不确定性。Guardiola-Albert等人将MODFLOW与GRACE（-FO）体积地下水储量（VGWS）整合，使用VGWS作为校准参数显著提高了GWSA时序模拟精度。K?yce?iz等人将GRACE（-FO）与中尺度水文模型（mHM）结合，校准后模型估计与井测量更为吻合。Sun等人（2023）采用 SCE-UA优化技术校准参数；Sun等人（2012）通过进化多目标优化（EMO）算法整合GRACE数据提高参数准确性。

##### 3.2.3.2 在水文模型中的广泛应用

GRACE数据已与陆面及水文模型整合以改进地下水估算。将GRACE TWSA同化至社区陆面模型（CLM）4和5版本及W3RA等模型，提高了相关性并降低RMSE。集合卡尔曼滤波（EnKF）、集合调整卡尔曼滤波（EAKF）、弱约束集合卡尔曼滤波（WCEnKF）和集合平方根滤波（EnSRF）等方法改善了主要盆地的地下水和土壤水分模拟。Li等人将GRACE TWSA同化至NASA的CLSM，发现GRACE-DA在区域尺度降低估算误差36%、点尺度10%，相关性分别提高16%和22%。Lee等人使用GRACE数据改进混合水文模型（H2M）和SINDBAD框架性能，但两模型均高估全球TWS年际变率幅度，凸显混合ML-过程模型需更强物理约束。

##### 3.2.3.3 与机器学习模型整合用于地下水监测

机器学习模型因无需详细参数化而比传统地下水模型更灵活。Elmotawakkil等人发现SVR、GBR、决策树和RF表现良好，其中GBR最优（R²=0.99，RMSE=2.98 cm，MAE=1.94 cm）。Gaffoor等人（2022a）使用轻量梯度提升机（LGBM）预测短期地下水变化，MAE为12.78 cm。Camacho等人结合GRACE（-FO）与XGB、LGBM、CatBoost等AI模型监测巴西主要含水层，RMSE（2.68 cm）优于GLDAS基准（6.76 cm）。LSTM网络在模拟地下水变化方面表现突出，常优于GBDT、FFNN、循环神经网络（RNN）和卷积神经网络（CNN）。CNN-LSTM模型与多数盆地原位数据吻合良好。自回归积分滑动平均模型（ARIMA）和贝叶斯模型平均（BMA）也提高了GRACE数据的预测精度。

总体而言，GRACE（-FO）数据整合在区域尺度地下水储量变化空间相干且与卫星足迹兼容时最为有效。数值地下水和陆面模型最受益于GRACE（-FO）储量作为校准或数据同化约束，但性能对辅助数据集假设敏感；机器学习方法尤其是LSTM和CNN-LSTM在再现时间动态方面常优于传统方法，但报告性能因预测因子选择、训练数据长度、水文气候 regime 和评估策略而异。

#### 3.2.4 GRACE（-FO）数据验证方法

256篇文献明确了验证方法。78%使用原位地下水测量验证，包括地下水位变化、储量变化（大多采用文献特定产水系数）、水量变化、开采数据、可用储量、补给量、开采量、水头、水位、测压测量及高开采率地块等。少数研究以降水、区域地下水模型输出、地面沉降、WGHM地下水储量、GLDAS地下水储量及其他水文变量作为验证。

性能指标方面，CC出现在112个案例中，RMSE出现在92个案例中，其他常用指标包括皮尔逊相关系数（R）、决定系数（R²）和纳西效率系数（NSE）。多数研究显示中等至极强CC、强R、极强R²和极优NSE，仅两项研究最高性能为中等或弱CC。

### 3.3 文献趋势分析

2002年至2010年文献数量较少，2010年后逐渐增加，2023年达到峰值51篇，2014-2024年间共有256篇文献。92种期刊发表了相关研究，主要发表于Remote Sensing、Water Resources Research、Hydrogeology Journal、Journal of Hydrology和Science of the Total Environment。676个具体案例研究分布于各大洲：亚洲占43%，非洲26%，北美14%。中国有111个案例，印度106个，伊朗29个；美国78个案例。非洲多聚焦跨国流域，50个案例关注南部非洲，其中17个聚焦南非。

尽管GRACE（-FO）应用研究迅速增长，但地理分布不均。亚洲和非洲案例集中反映高地下水压力及低收入地区对卫星观测补偿稀疏原位监测的依赖；数据丰富地区研究不足，需开展基准研究以完善和验证GRACE（-FO）降尺度方法。

### 3.4 南部非洲背景

GRACE（-FO）在南部非洲地下水监测中已证明具有价值，尤其在野外测量有限地区。半干旱区降雨少、补给低，含水层具有长水力记忆，对降雨响应缓慢。GRACE（-FO）与GLDAS、WGHM、SWAT等模型及深度信念网络（DBN）、GBDT、LSTM-NN等ML框架整合增强了评估能力。

2015-2016年厄尔尼诺干旱期间，GRACE数据与测压计记录显示林波波盆地地下水位急剧下降；2006-2012年间该盆地因降雨低于平均水平6%，淡水持续损失约-4.6本±3.2 mm/年。Shilengwe等人及Wang等人应用RF和XGBoost降尺度提高GWSA空间分辨率；Zhang等人开发物理约束滑动窗口方法降低不确定性。Sand河流域研究中，Baker发现GRACE-GLDAS与流域水量平衡地下水储量估计相关性达0.82。

南非研究涵盖多种含水层类型：阿德莱德亚群含水层和基底含水层等非承压裂隙岩含水层、孔隙含水层、岩溶白云岩系统、卡鲁和斯坦普里特沉积含水层，以及水力连接的多层含水层系统。不同含水层类型中，GRACE（-FO）与原位观测或独立估算的中等至强对应关系持续报告，相关系数通常在0.6-0.8之间，某些研究R²达约0.8。南非含水层以长地下水响应时间、多种含水层系统共存及气候变异与人为开采共同驱动趋势为特征。GRACE（-FO）在此应用中面临的主要障碍是数据可用性、机构整合和技术能力相关的操作性约束，而非估算能力本身的限制。

### 3.5 地下水储量条件

全球范围内地下水储量减少主要由超采、农业灌溉增长、人口增加、工业用水需求、气候变化导致的降水模式变异及补给率下降、管理不善和治理缺失等因素驱动。

显著枯竭案例包括：沙特阿拉伯Wadi As-Sirhan（-13.81±0.24 mm/年）、Wadi Al Dawasir（-0.48±0.02 cm/年），与商用农场中心支轴式灌溉扩张相关；伊朗（78.45±0.2百万m³/年）；柬埔寨-湄公河三角洲（-0.68 cm/年，总量损失18.28 km³）；美国德克萨斯州主要沿海含水层（-0.35±0.078 km³/年）。

储量增加案例包括：中国金沙江流域（2003-2015年，人工梯级水库增加）；非洲埃塞俄比亚高地、肯尼亚-索马里和塔纳湖区域地下水位上升， Karoo碳酸盐、上尼罗和坦桑尼亚中部稳定；罗武马和努比亚砂岩下降。Lullemmeden和塞内加尔盆地分别有~1 km³/年和1.5 km³/年的一致增长趋势加纳Nasia盆地2002-2021年累计上升30 cm（约120 km³）；亚马逊河流域TWS和地下水储量分别增长14.26±1.18 km³/年和22.24±1.18 km³/年。

部分研究仅划分时段而未揭示长期趋势；也有研究如美国中大西洋地区2005-2011年呈现稳定状态。

### 3.6 研究区划界考虑因素

除高地下水使用率外，研究区划界还考虑监测井信息可用性、低水位记录位置、水文和水文地质数据完备性、远离沿海误差区域、可靠测压测量、密切监测状态、区域模型可获取性、地下水枯竭热点、数据可用性、储水系数、强开采、面积接近GRACE分辨率以及土壤水分和地下水数据充足性等因素。

#### 3.6.1 土地利用

公园和草地GRACE（-FO）与地下水测量相关性最强，森林和湿地因复杂土壤-植被-水相互作用而较弱。美国高平原含水层等强灌溉区，考虑观测和估算灌溉对土壤水分的影响显著改善储量估算。水库区域存在显著负对应，采矿区考虑重力损失可改善估计。

#### 3.6.2 含水层类型

沉积含水器案例最多，其次为复杂/多样、非固结、基底、火成和变质含水层。GRACE在简单含水层（单一岩性）表现更佳，复杂多含水层系统性能较差。关键在于地下水储量变化是否足够大且空间一致以在卫星尺度解析。非承压含水层研究远多于承压含水层，后者储量变化小且缓慢，GRACE难以捕捉。东部山麓平原浅水非承压含水层抽水高的区域，降尺度后GWSA与观测更为一致。

#### 3.6.3 研究区面积

GRACE（-FO）通常推荐用于200,000 km²以上区域，但许多研究通过降尺度成功应用于更小区域。研究区面积选择基于研究目的或数据可用性。

### 3.7 GRACE（-FO）应用的局限性

GRACE（-FO）的根本局限包括：2017-2018年任务中断期间的时间数据空隙；约300 km的粗空间分辨率；需从总水储量中分离地下水而引入的辅助数据和参数不确定性；以及点尺度原位观测与空间平均卫星估算之间的尺度失配验证挑战。线性插值可填充数据空隙，但仅适用于长期趋势评估而非短期决策。Mascon和SH产品间的选择涉及信噪比、泄漏误差和正则化假设的权衡。不确定性随流域尺度减小而增加，小于200,000-300,000 km²时尤为显著。GLDAS土壤水分的模型结构误差、参数化和强迫数据误差，以及特定产水系数采用文献值或未充分表征空间变异，均会传播至GWSA估算。降尺度引入额外不确定性，机器学习可能放大输入数据集的噪声或偏差。大多数研究停留在研究层面，未将GRACE（-FO）信息整合到开采控制、干旱规划或常规监测框架中。

#### 3.7.1 GRACE地下水储量估算中的不确定性传播

不确定性来源包括：卫星测量层面的仪器噪声、轨道构型、大气海洋校正、球谐截断及后处理滤波导致的信号衰减和泄漏；不同时期产品依赖的假设差异；信号分离阶段陆面模型误差传播；降尺度的预测因子质量、重采样方法和模型假设；以及验证阶段的尺度失配和特定产水系数变异。这些因素累积作用，使得GRACE（-FO）估算最适合识别区域尺度趋势和长期变率，绝对量和局部尺度解释不确定性较高。

## 4 结论与建议

本综述综合282项研究确认GRACE（-FO）是检测区域尺度地下水储量趋势的有力工具，尤其在存在原位监测数据稀疏地区特别有效。Mascon解决方案、辅助数据集和降尺度方法的进步提高了GWSA的可解释性，机器学习尤其是随机森林成为提高空间分辨率的主导框架。

针对南非应用，三方面的优先事项值得关注：一是优先进行方法论上一致的GRACE（-FO）信号本地化，而非更多的概念验证展示，包括系统测试不同含水层类型、补给制度和开采强度下的降尺度性能，明确报告来自辅助数据集和储水性假设的不确定性传播过程；二是将GRACE（-FO）与区域地下水模型整合，利用水资源与卫生部长期钻孔记录，评估GRACE（-FO）的GWSA作为校准或约束数据在数值地下水模型中的应用，特别是在西开普省、林波波河和瓦尔河流域等优先系统中；三是超越储量变化本身，将地下水动态与可用性约束（包括水质退化、海岸盐入侵和干旱期开采压力）明确关联，将GRACE（-FO）指标嵌入国家地下水监测和干旱预警框架。

南非面临的主要挑战不再是确认GRACE（-FO）能否检测地下水储量变化，而是如何将GRACE（-FO）信息系统地整合到地下水评估、建模和管理框架中，将基于卫星的地下水监测从研究应用转化为缺水地区可持续地下水管理的可操作工具。