高时空分辨率的GRACE(-FO)约束陆地水储量重建方法，捕捉了中国南海岸地区连续台风活动所带来的水文影响

《Journal of Hydrology》：High-spatiotemporal-resolution GRACE(-FO)-constrained terrestrial water storage reconstruction captures the hydrological footprints of successive typhoons in southern mainland China

　　• 一个级联框架在GRACE(-FO)的约束下，每日重建0.1°的地表水储存量（TWSA）。• 环境预测因子对校准后的重建参数进行降尺度处理。• 一个时变的比例代表了有效的降水量到TWS的转换率。• 连续的台风与重建的TWSA的逐步增加相吻合。

引言
气候变化正在改变许多天气和气候极端事件的频率和强度，对全球生态系统和社会构成了日益增加的风险（Cai等人，2014年；Li等人，2022年；Newman和Noy，2023年；Seneviratne等人，2021年）。其中，台风（定义为在西北太平洋形成的热带气旋）是最具破坏性的现象之一，经常引发暴雨、风暴潮和广泛的洪涝（Arakane等人，2019年；Cui等人，2021年；Deng等人，2025年；Kossin，2018年；Lockwood等人，2024年）。中国位于西北太平洋沿岸，是全球遭受台风影响最频繁和最严重的国家之一（Lai等人，2020年；Li等人，2025b）。珠江流域（PRB）位于中国大陆南部，由于人口密集、经济发达以及包括大湾区在内的战略重要区域，经常遭受台风引发的水文气象灾害（Chen等人，2020年；He等人，2025年；Liu等人，2025a；Wan等人，2025年；Yang等人，2015年；Zhang等人，2011年）。与台风相关的强降水是陆地水储存量（TWS）迅速增加的主要驱动力，从而加剧了洪水风险。2023年一系列强台风连续袭击珠江流域所引发的灾难性洪水，突显了对高分辨率TWS异常（TWSA）监测的迫切需求（He等人，2023年；He等人，2024年；Liu等人，2025b；Lui等人，2025年）。

地球测量和遥感技术的最新进展，包括全球导航卫星系统（GNSS）、干涉合成孔径雷达（InSAR）和光学成像，越来越多地被用于监测极端水文变化（Duan等人，2026年；Ran等人，2024年；Tellman等人，2021年；Zhang等人，2016年；Zhu等人，2024年）。GNSS的垂直位移可以通过反推固体地球对水文负荷的弹性响应来推断区域TWS的变化（Jiang等人，2021年）。相比之下，InSAR和光学成像分别提供了高分辨率的地表变形和地表水动态观测（Feng等人，2023年；Jiang等人，2026年；Tang等人，2022年）。然而，这些技术提供了对水文过程的互补观测，但不能替代卫星重力测量来监测大规模的TWS变化。重力恢复与气候实验（GRACE）（Tapley等人，2004年）及其后续任务（GRACE-FO）（Tapley等人，2019年）通过提供全球范围内的TWS变化观测，彻底改变了大尺度水储存量的监测（Humphrey等人，2023年；Landerer和Swenson，2012年；Pan等人，2017年；Rodell等人，2009年；Wahr等人，1998年；Xiong等人，2025年）。然而，GRACE(-FO)任务的粗糙空间（约300公里）和时间（每月）分辨率，加上信号泄漏和平滑效应（Chen等人，2015年；Peng等人，2025年；Ran等人，2018年；Zhou等人，2023年），限制了它们捕捉与台风相关的短暂、局部水文响应的能力（Kurtenbach等人，2012年；Yan等人，2023年）。因此，台风引起的TWSA信号在传统的GRACE(-FO)解中常常被掩盖，这突显了需要GRACE(-FO)约束的重建方法来解析极端事件期间的快速水储存动态。

为了应对基于卫星重力的TWSA产品的时间分辨率限制，已经开发了多种数据驱动和信号处理方法。这些方法包括深度学习方法（Uz等人，2024年）、更高频率的GRACE(-FO)解（Mayer-Gürr等人，2018年；Rateb等人，2024年）、卫星间重力差分技术（Ding等人，2026年；Han等人，2021年；Li等人，2025a；Tang等人，2026年；Zhong等人，2025a），以及利用每日降水量和温度数据的经验统计重建方法来提高GRACE(-FO)观测的时间分辨率（Humphrey和Gudmundsson，2019年）。其中，经验统计重建在计算上效率高，并已应用于近实时洪水监测（Xiao等人，2023年）、长江流域的干旱分析（Duan等人，2024年）和月度冰川质量变化重建（Liu等人，2022a）。对于高山冰川地区，Liu等人（2022a）通过结合水文和冰川-雪量平衡过程，并引入降水量缩放因子来考虑高海拔降水的不确定性，扩展了统计重建框架。Zhong等人（2025b）通过引入校准期间降水量转化为TWS的盆地特定平均比例，改进了重建模型。然而，作为长期平均值，这个参数无法描述与降水量强度和前期湿度相关的日变化。在极端降水事件期间，这种区别尤为重要，因为转换效率可能会随时间迅速变化。此外，经验重建方法的空间分辨率仍然受到GRACE(-FO)观测原始分辨率的根本限制，限制了它们解析短暂极端事件引起的局部水文响应的能力。

为了应对基于GRACE的TWSA产品的空间限制，提出了几种方法论途径。一类方法旨在从辅助环境信息中统计推断细尺度TWS变化，包括偏最小二乘回归（Vishwakarma等人，2021年），以及最近的数据驱动方法，如传统机器学习（Ali等人，2022年；Li和Kusche，2026年；Yin等人，2018年）和深度学习（Gou和Soja，2024年；Wan等人，2025年）。另一类方法侧重于通过重力场约束或光谱重建技术恢复或增强GRACE观测的光谱内容（Eshagh等人，2023年；Fanolazadeh等人，2022b；Fanolazadeh等人，2022a；Fanolazadeh等人，2025年；Mahbuby和Eshagh，2025年）。现有的统计降尺度研究通常在GRACE(-FO)观测的约束下从环境信息中推断细尺度水文变化。然而，大多数现有研究仅专注于提高时间或空间分辨率中的一个维度，同时提高这两个维度的方法仍然很少。

为了应对这些挑战，我们提出了一个级联框架，系统地整合了时间和空间增强策略。首先，本研究开发了一个改进的经验统计重建模型，该模型结合了由降水量强度和前期湿度共同控制的时变非线性降水量到TWS的转换率。该模型在月度尺度上校准以适应GRACE(-FO)观测，然后用于生成连续的日TWSA时间序列。随后，应用基于机器学习的降尺度方法对经验统计模型的关键参数进行降尺度处理，生成高分辨率的空间参数场。这些改进的高分辨率参数被重新引入经验统计重建模型，从而生成高时空分辨率的TWSA产品。通过逐步结合时间重建和参数降尺度，该框架解决了现有方法的时间和空间限制。

所提出的框架有三个主要贡献：（1）通过引入由降水量强度和前期湿度共同控制的时变非线性有效降水量到TWS的转换率，推进了经验统计TWS重建。（2）它将针对月度GRACE(-FO)观测校准的重建模型与基于机器学习的重建参数空间降尺度相结合，生成了0.1°×0.1°空间分辨率和日时间分辨率的气候驱动TWSA重建。（3）结果重建能够详细表征与单个台风及其在连续事件中的累积演变相关的TWSA变化。总体而言，该框架提供了一种基于GRACE(-FO)的重建方法，用于重建高分辨率TWSA并研究极端降雨事件期间的快速水文变化。

研究区域和材料
本节首先定义了研究区域以及用于评估连续台风引起的液压反应的四个子区域，然后描述了用于重建、降尺度和评估的卫星重力、再分析、陆地表面模型和环境数据集。

方法论
本研究开发的模型旨在通过降尺度重建参数并将其重新引入重建模型，生成高时空分辨率的长期TWSA数据集。该过程包括三个主要阶段（图2）：（1）TWSA重建模型的开发；（2）重建参数的降尺度；（3）高分辨率TWSA数据的生成和评估。

结果
本节从三个阶段评估了该框架：日TWSA重建的性能、降尺度参数的空间特征和不确定性，以及最终HST产品与参考数据集的时间和空间一致性。

2023年台风季节的重建水文响应
基于HST产品，我们分析了2023年季节中四个台风事件（Saola、Haikui、Koinu和Sanba）相关的重建水文变化。对于每个事件，比较了大气环流（位势高度和风）、降水量以及重建的TWSA，以表征它们的时空共同演变。

结论
本研究提出了一个级联框架，该框架将改进的经验统计重建模型与机器学习相结合，生成了0.1°空间和日时间分辨率的GRACE(-FO)约束、气候驱动的TWSA数据集。该框架首先使用降水量和温度作为驱动变量重建日TWSA，并采用由降水量强度和前期湿度共同控制的时变降水量到TWS的转换率。然后，对CRediT进行降尺度处理。

作者贡献声明
Haotian Wu：撰写 – 原始草案、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。
Jiangjun Ran：撰写 – 审阅与编辑、监督、资源管理、项目管理、方法论、资金获取、概念化。
Nathachet Tangdamrongsub：撰写 – 审阅与编辑。
Yulong Zhong：撰写 – 审阅与编辑。

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财务利益或个人关系可能影响本文所述的工作。

致谢
作者感谢编辑、副编辑和审稿人提供的建设性反馈。本工作得到了中国国家地球系统科学数据中心（http://www.geodata.cn）的数据支持。我们还要感谢Wan Xiangyu博士提供用于本研究的ConvLSTM模型数据。

Haotian Wu | Jiangjun Ran | Nathachet Tangdamrongsub | Yulong Zhong