《Journal of Hydrology: Regional Studies》：Nonlinear trend decomposition for reconstructing terrestrial water storage anomalies across the GRACE/-FO data gap in Mainland China
编辑推荐：
填补重力恢复与气候实验(GRACE)及其后续任务(GRACE-FO)之间近一年的观测空白是陆地水储量异常(TWSA)研究的关键挑战，现有研究中趋势分离的合理性尚未得到充分关注。研究人员开发了非线性趋势分解框架，直接从TWSA时间序列中提取连续低频趋势，结合降水
填补重力恢复与气候实验(GRACE)及其后续任务(GRACE-FO)之间近一年的观测空白是陆地水储量异常(TWSA)研究的关键挑战，现有研究中趋势分离的合理性尚未得到充分关注。研究人员开发了非线性趋势分解框架，直接从TWSA时间序列中提取连续低频趋势，结合降水、温度、蒸散发、径流及陆面模式模拟TWSA(CLSM_TWSA)等多源水文气象变量开展TWSA重构，并进行系统性验证与应用。结果表明，该框架在流域与网格尺度均显著提升重构精度：全国1.5万余个网格单元中，相较于分段线性方法，皮尔逊相关系数(CC)、纳什效率系数(NSE)、克林-古普塔效率(KGE)分别提升2.1%、4.3%、28.4%，归一化均方根误差(NRMSE)降低40.0%；相较于线性分解，CC、NSE、KGE分别提升5.4%、10.3%、59.3%，NRMSE降低50.0%。重构结果成功捕捉到数据间隙内2018年5月淮河流域大洪水，并有效量化了人类活动与自然气候变率的相对贡献。该非线性框架的优势证实了其全球适用性与强应用潜力。
该研究针对GRACE与GRACE-FO之间约11个月的数据间隙导致陆地水储量异常(TWSA)时序不连续、掩盖真实水文信号的问题，聚焦现有重构方法中趋势项处理过度依赖线性或分段线性假设、难以刻画人类活动与气候变化共同驱动的非线性长期趋势的不足，开展了中国大陆区域TWSA高精度重构方法研究。研究通过融合多源Mascon产品、开发自适应非线性趋势分解技术、耦合机器学习预测模型，实现了数据间隙的有效填补，并量化了人类活动与气候变化的贡献，成果发表于《Journal of Hydrology: Regional Studies》。
关键技术方法方面，研究人员首先采用贝叶斯三角帽(BTCH)方法融合CSR、JPL、GSFC三个机构的Mascon产品，得到不确定性更低的BTCH_TWSA；随后开发滑动窗口三次多项式拟合结合高斯滤波的非线性趋势分解技术，通过最小化降水和去趋势项的归一化均方根误差确定最优窗口长度，提取连续平滑的非线性趋势；预测阶段采用五折交叉验证，对比多元线性回归(MLR)与随机森林(RF)两种算法，分别以去趋势项和残差项为预测目标，输入变量包括CN05.1与GLDAS_NOAH的降水(P)、温度(T)，GLEAM与GLDAS_NOAH的蒸散发(E)，CNRD与GLDAS_NOAH的径流(R)，以及GLDAS_CLSM模拟的TWSA(CLSM_TWSA)；最终通过皮尔逊相关系数(CC)、纳什效率系数(NSE)、克林-古普塔效率(KGE)、归一化均方根误差(NRMSE)进行多维度精度评估，并采用SHAP方法解析变量重要性。
研究结果部分，时空特征分析显示BTCH_TWSA与主流Mascon产品一致性显著，2003-2022年中国大陆TWSA呈下降趋势，速率为-1.38 mm/yr，空间分布上华北、藏东及新疆西北部呈显著下降，黄河流域与东北河流流域呈上升趋势，其中BTCH_TWSA与CSR产品空间一致性最高。气象数据对比发现，不同数据源在各流域存在系统性偏差：GLDAS在高径流流域与CNRD径流一致性较高，但在低流流域低估径流，气温与蒸散发也存在类似偏差，且人类活动强烈区域CLSM_TWSA与BTCH_TWSA差异更显著。非线性趋势分解结果显示，该方法提取的趋势项能有效捕捉TWSA的长期低频变化，去趋势项保留了季节循环与极端水文事件信号，如2013年黄河流域洪水与2016年海河流域洪水，其统计分布特征在不同流域呈现单峰、双峰及右偏等异质性。预测策略确定过程中，五折交叉验证表明基于去趋势项的MLR模型泛化性能略优，但最终全序列重构时随机森林(RF)因能捕捉非线性关系表现更佳，综合选择RF-1（预测去趋势项）为默认策略，RF-2（预测残差项）为补充策略。不同趋势分解方法对比显示，非线性方法在流域尺度平均CC、NSE、1-NRMSE构成的雷达图面积最大，网格尺度全国平均CC达0.98、NSE达0.96、KGE达0.86、NRMSE仅0.03，较分段线性方法CC、NSE、KGE分别提升2.1%、4.3%、28.4%，NRMSE降低40.0%，较线性方法提升更为显著。重构精度评估表明，非线性方法重构的TWSA在绝大多数网格CC>0.93、NSE>0.85、KGE>0.70、NRMSE<0.06，仅沿海与东西向山脉区精度略低；SHAP分析显示CLSM_TWSA在71%的区域为首要预测因子，气象通量变量主要起补偿作用，新疆地区温度与蒸散发贡献突出。应用部分，基于去趋势TWSA计算的干旱 severity指数(DSI)成功捕捉到数据间隙内2018年5月淮河流域大洪水，与SPEI-1的空间分布高度一致；人类活动与气候变化贡献量化结果显示，全国尺度气候影响比例(CIP)占主导，人类影响比例(HIP)在东北河流流域最高（HIP:CIP≈3:7），其次为海河与黄河流域，东南与珠江流域人类活动影响最弱，人类活动的正贡献主要集中在东北、内陆湖泊周边及南水北调工程影响区，负贡献集中于西北内陆河流域、农业灌溉区及人口密集区。
讨论部分，研究人员指出未来TWSA趋势外推可通过探索显式非线性拟合函数实现，较传统线性方法更具理论优势；当前研究仅采用MLR与RF基础模型，未来结合深度学习算法有望进一步提升精度，同时引入多水文模型模拟结果可增强区域适应性。结论部分明确，非线性趋势分解框架在全国网格尺度重构精度显著提升，DSI可有效识别数据间隙内极端水文事件，气候变化为全国TWSA变化主因，人类活动影响呈空间异质性，CLSM_TWSA为最主要预测因子。该研究提出的框架具备全球推广潜力，可为TWSA重构、人类活动与气候变化贡献量化及极端水文事件监测提供可行路径，支撑区域水资源调控与可持续管理。
