《Science of Remote Sensing》:Quantifying Water Resource Changes across Natural and Managed Landscapes in the Indus Basin Drainage Catchments: A Geographically Weighted Machine Learning Approach for GRACE Downscaling
编辑推荐:
重力恢复与气候实验(GRACE)及其后续任务(G-FO)是卫星监测全球陆地水储量(TWS)和地下水储量(GWS)的有前景工具。然而,这些数据集的粗空间分辨率(范围从0.25°到1°)限制了其在决策相关的水资源变化表征中的效用。在本研究中,研究人员采用了地理空间
重力恢复与气候实验(GRACE)及其后续任务(G-FO)是卫星监测全球陆地水储量(TWS)和地下水储量(GWS)的有前景工具。然而,这些数据集的粗空间分辨率(范围从0.25°到1°)限制了其在决策相关的水资源变化表征中的效用。在本研究中,研究人员采用了地理空间建模方法,包括机器学习(ML)(随机森林(RF)和混合地理加权随机森林(hybrid RFgw))以及空间回归(地理加权回归(GWR)),对三个不同的GRACE数据集(JPL-SH、JPL-M和CSR-M)进行地理空间降尺度,生成了1 km2的降尺度GRACE数据,以量化水资源变化。具体而言,研究人员量化了2002年至2020年印度河流域不同集水区自然与人工管理景观中的陆地水储量异常(TWSA)和地下水储量异常(GWSA)。研究人员利用1238口监测井的原位地下水储量异常(GWSA)评估了降尺度结果的有效性。结果表明:(1)混合RFgw模型在预测高分辨率TWSA和GWSA方面优于GWR和全局RF模型;(2)混合RFgw模型降尺度的地下水储量异常(GWS)与原位观测数据吻合良好,降尺度JPL-SH(R2 = 0.60 - 0.86)、JPL-M(R2 = 0.54 - 0.75)和CSR-M(R2 = 0.54 - 0.85)的R2值较高;(3)在人工管理景观主导的集水区中检测到最高的TWS(-133.49 mm/年)和GWS(-150.38 mm/年)下降速率;(4)尽管空间范围较小,但农田经历了最大的储量损失(62-85 km3),其次是城市区域(8-15 km3)。该论文证明了1 km2降尺度GRACE/G-FO数据集在面临数据稀缺和水-粮食安全挑战的景观中为水资源管理提供局部信息的有效性。
**论文解读:印度河流域自然与人工管理景观水资源变化量化——基于地理加权机器学习的GRACE降尺度方法**
**研究背景、问题与目的**
陆地水储量(TWS)包括地表水储量(SWS)、土壤水分储量(SMS)和地下水储量(GWS),其变化受人类活动和气候变率影响。在跨界印度河流域,水资源因环境脆弱性而持续下降,巴基斯坦人均可用水量预计从1951年的5000 m
3降至2025年的800 m
3,面临从水压到水稀缺的转变。然而,由于监测不足和跨界数据共享困难,对气候与环境变化如何影响自然与人工管理景观中水资源的理解受到限制。GRACE和G-FO任务提供了全球月尺度TWS异常(TWSA)数据,但粗分辨率(0.25°–1°)限制了其在局部决策中的应用。为此,研究人员引入机器学习(ML)驱动的降尺度方法,旨在提升GRACE产品的空间分辨率,并生成1 km
2的决策相关水储量信息。
**主要技术方法**
研究人员采用三种地理空间建模方法进行GRACE/G-FO TWSA降尺度:地理加权回归(GWR)、随机森林(RF)和混合地理加权随机森林(hybrid RFgw)。hybrid RFgw结合了RF的非线性建模能力和GWR的地理加权思想,通过距离衰减核函数和带宽参数拟合局部子模型。输入协变量包括高程、降水、土壤水分储量(SMS)、冠层水储量(CWS)、实际蒸散发(ETa)、地表温度(LST)和归一化差异植被指数(NDVI),均重采样至1 km分辨率。数据来源包括GRACE三个产品(JPL-SH、JPL-M、CSR-M)、FLDAS再分析数据集、MODIS、TRMM、SRTM等。地下水储量异常(GWSA)通过从TWSA中减去FLDAS提供的SMS、雪水储量(SnWS)和CWS组分获得,并与巴基斯坦和印度1238口监测井的原位数据(2002–2020年)进行验证。降尺度流程包括:训练模型(粗分辨率)、预测残差插值、测试模型(高分辨率)、残差校正。
**研究结果**
**3.1. ML模型降尺度性能评估**
通过参数调优,hybrid RFgw模型在带宽为55个最近邻观测时达到最优性能(R
2 = 0.93,MSE < 140 mm/年),显著优于GWR(R
2 = 0.91)和RF模型(R
2 = 0.80–0.82)。RF模型性能随节点大小、mtry和树数增加而提升,但受限于非空间性;GWR假设线性关系,易受多重共线性影响。
**3.2. GRACE与模型预测TWSA对比**
hybrid RFgw模型在粗分辨率下预测的TWSA与GRACE/G-FO数据空间模式高度一致,概率密度分布显示其误差集中分布在零附近,峰值密度更高。年际RMSE(19.63 mm)和NSE(0.93)均优于GWR(RMSE = 27.90 mm,NSE = 0.84)和RF(RMSE = 41.75 mm,NSE = 0.71)。CSR-M数据训练时模型拟合精度最高(R
2 = 0.94–0.96)。月尺度上,hybrid RFgw在全年各月均保持较低误差,尤其在6–10月季风期表现稳健。
**3.3. 降尺度TWSA与GRACE对比**
降尺度至1 km的TWSA保留了原始GRACE的空间模式,但提供了更精细的局部细节,例如在农业景观和五个主要城市(拉合尔、贾朗达尔、卢迪亚纳等)中清晰显示地下水枯竭热点(GWSA达-100至-700 mm)。hybrid RFgw降尺度结果与GRACE数据的一致性最高(R
2 = 0.96–0.99,NSE = 0.93–0.98,RMSE = 7.25–23.6 mm),优于GWR和RF模型。
**3.4. 降尺度GWSA与原位观测对比**
与粗分辨率GRACE(CC < -0.3)相比,降尺度GWSA与1238口监测井的原位埋深异常(DTWT)相关性显著提升(CC > -0.70)。JPL-SH降尺度产品与观测GWSA的R
2最高(0.60–0.86),CSR-M次之(0.54–0.85),JPL-M最低(0.54–0.75)。多数据集均值进一步提高了与观测数据的吻合度。
**3.5. 水资源定量评估**
**3.5.1. 时空变化**:2002–2020年,印度河流域TWSA和GWSA持续下降,2008年后加速。至2020年,78%的区域呈现负异常,部分区域降至-2000至-3000 mm。JPL-SH显示下降速率(-11.50 mm/月)高于JPL-M(-7.83 mm/月)和CSR-M(-7.71 mm/月)。GWSA下降速率略大于TWSA。
**3.5.2. 集水区储量损失**:人工管理景观主导的集水区(如德利、BIST、拉维、杰纳布)出现最大负异常和最早变化点(2008–2009年),而上游自然集水区(如谢加尔、约戈、卡蒙)变化点较晚(2011–2015年),部分出现正异常。BIST Doab的TWSA下降速率最高(-282.33 mm/年),GWSA下降达-290.70 mm/年。总储量损失方面,德利Doab的TWSA损失达-27.80 km
3,GWSA损失-29.22 km
3。
**3.5.3. 不同景观储量损失**:农田是最大的储水库,损失62–85 km
3,其次为森林和草地。尽管城市区域面积小,但损失达8–15 km
3,突出了城市地下水抽取的影响。
**讨论与结论**
**讨论**:hybrid RFgw模型通过结合空间权重矩阵和非线性建模,有效降低了预测误差,相比RF和GWR模型具有显著优势,适用于跨界流域的数据稀缺环境。CSR-M在训练阶段表现最佳,但JPL-SH在验证阶段与观测GWSA的一致性更高,表明多产品联合使用可降低不确定性。人工管理景观集水区的水储量下降更早且更剧烈,而自然集水区受气候驱动出现正异常,强调了集水区特异性管理策略的必要性。研究局限性包括上游冰川和地表水储量的观测缺失,未来需结合水文模型和遥感方法改进。
**结论翻译**:本研究使用了三种统计和机器学习模型对印度河流域的GRACE/G-FO TWSA进行降尺度。研究人员考察了自然与人工管理景观中排水集水区的TWS趋势,以深入了解气候与人类活动在水储量变异性中的相互作用。结果表明,hybrid RFgw模型在预测高分辨率TWSA和GWSA方面优于GWR和全局RF模型。基于RFgw的降尺度GWSA与观测地下水数据表现出强一致性。此外,研究人员观察到,JPL-M、CSR-M和JPL-SH降尺度GWSA的多均值估计提供了更真实的信息。2002年至2020年间,大部分排水集水区的TWSA和GWSA持续下降。然而,三个降尺度GRACE/G-FO数据集的下降速率有所不同,JPL-SH显示的下降幅度大于JPL-M和CSR-M。在受人工管理景观影响的集水区(如萨特莱杰、BIST Doab和拉维),TWSA和GWSA的下降速率及较早的下降起始时间更为显著。上游自然集水区中检测到的TWSA和GWSA显著增加可能受季节性和年际水文气象影响驱动。在各种景观中,农田经历了最大的储量损失。尽管空间范围有限,城市区域显示出显著的水量损失,突显了城市地下水抽取的影响。1 km
2的降尺度GRACE/G-FO数据集为面临数据稀缺和水-粮食安全挑战的景观中的水资源管理提供了局部信息。