整合卫星遥感数据、数值模型和机器学习技术以估算全球地下水补给量

《Water Resources Research》：Integrating Satellite Retrievals, Numerical Models, and Machine Learning for Global Groundwater Recharge Estimation

地下水回灌率评估研究通过融合卫星数据、Hydrus-1D数值模型与Gaussian Process回归算法，创新性地构建了全球尺度回灌估算体系。采用Richards方程模拟235个气候-土壤类型组合的垂直土壤水分动态，并基于Hydrus-1D输出训练机器学习模型，整合SMAP土壤湿度、GPM降水及ERA5气候数据，揭示降雨强度、土壤湿度和渗透性为关键驱动因素，方法在湿润区表现优异但存在干旱区适用性局限，通过GRACE数据验证了模型的有效性。

　　

摘要

了解地下水的补给速率对于判断含水层的可持续利用至关重要。然而，由于地下过程的复杂性以及缺乏直接的观测方法，全球范围内准确测量补给量面临着重大挑战。本研究通过开发一种结合卫星数据、数值模型和机器学习的方法来应对这些挑战，从而实现全球地下水补给量的估算。该方法分为两个步骤：首先，我们运行Hydrus-1D数值模型，通过求解垂直方向上的Richards方程来模拟235个不同地点（代表全球各种气候和土壤类型）的土壤水分通量；其次，利用Hydrus-1D的输出数据，训练一个监督式集成机器学习模型（高斯过程回归模型）来模拟Hydrus-1D的运行过程。这样我们就能高效地处理卫星观测数据，从而估算出全球每年的地下水补给量。模型的输入数据包括NASA的SMAP土壤湿度数据、GPM降水数据、ERA5气候再分析数据以及土壤水力特性。研究发现，降雨量、非饱和土壤的水力传导性以及土壤湿度是影响地下水补给量的关键因素。该方法能够有效捕捉全球范围内的补给模式，尤其是在降雨量较大的地区；但在干旱地区（补给量较少）和灌溉程度较高的地区，该方法存在一定的局限性。我们通过将估算结果与GRACE卫星任务观测到的地下水资源变化进行对比，验证了其合理性。结果表明，该模型能够有效利用大规模的卫星数据和再分析数据来估算地下水补给量。

通俗语言总结

为了确保地下水的可持续利用，我们需要知道其补给量。然而，全球范围内精确测量地下水补给量非常困难，甚至几乎是不可能的。本研究提出了一种新方法，该方法结合了卫星数据、计算机模型和机器学习技术，用于全球范围内的地下水补给量估算。首先，数值模型模拟在不同气候和土壤条件下的水分运动过程；随后，通过训练机器学习模型来模仿这一过程，并利用数据高效估算年度补给量。模型输入的数据包括来自卫星观测的土壤湿度和降雨量信息、气候记录以及土壤特性。影响补给量的关键因素包括降雨量、土壤湿度以及水分在土壤中的流动能力。该方法能够准确反映全球范围内的补给模式，但在干旱和灌溉地区存在一定局限性。实验结果表明，新方法能够有效捕捉实际的水资源补给情况，为理解地下水的可持续性提供了有力工具。

利益冲突

作者声明与本研究无关的利益冲突。

数据获取方式

SMAP数据可通过https://nsidc.org/data/smap/smap-data.html获取；GPM降水数据（IMERG产品）可在https://pmm.nasa.gov/data-access/downloads/gpm获取；MODIS增强植被指数数据可在https://lpdaac.usgs.gov/products/mod13c2v006获取；GRACE数据可通过https://www2.csr.utexas.edu/grace/RL06_mascons.html获取。Hydrus-1D软件包可在https://www.pc-progress.com下载。Hydrus-1D模拟器是用MathWorks公司的MATLAB R2023a版本中的统计与机器学习工具箱开发的。