基于机器学习负载模型提高陆地水储量反演准确性的方法技术

本发明专利技术公开了一种基于机器学习负载模型提高陆地水储量反演准确性的方法，包括：将研究区按照1

【技术实现步骤摘要】
基于机器学习负载模型提高陆地水储量反演准确性的方法


[0001]本专利技术属于卫星重力学、水文学等交叉
，尤其涉及一种基于机器学习负载模型提高陆地水储量反演准确性的方法。

技术介绍

[0002]陆地水对于工业、农业和人类生活的持续发展是一个重要的资源，然而仅占全球水资源的3.5％。在中国，陆地水储量的时空分布不均匀对人们的生存和发展带来一系列的问题。特别是在中国西南地区，水资源供需矛盾引发了一系列的自然灾害(如干旱、洪涝、水土流失等)。因此，必须监测陆地蓄水异常(TWSA)情况，以评估其潜力和长期可持续性。水团的重新分布会改变一个地区的重力场，重力恢复和气候实验(GRACE)卫星可以对重力场进行监测。
[0003]GRACE卫星是2002年美国国家航空航天局主持的地球系统科学探索项目的一部分，为大尺度TWSA反演提供了有效的测量手段。已有研究表明，GRACE卫星能以前所未有的准确度监测TWSA的趋势和季节性特征。然而，由于GRACE卫星的空间分辨率较差，较难反演出小尺度区域的TWSA。此外，由于GRACE卫星系统老化，GRACE任务自2017年终止，其后续任务GRACE
‑
FO于2018年发射，两次任务之间存在了14个月的空窗期。因此，找到一种替代方法来填补GRACE和GRACE
‑
FO之间的空白非常重要。
[0004]地壳负载的重分布会导致地表质量发生变化，导致地壳在水平方向(N、E)和垂直方向(U)上产生复杂的形变位移。并且在垂直方向上的形变尤为突出，这种关系可以利用地壳负载模型来构建。地壳负载的形变响应可以通过多种观测方法进行测量，例如全球卫星定位系统(GPS)、干涉测量技术(InSAR)以及超长基线干涉测量(VLBI)等。
[0005]GPS观测手段具有高效、准确、全天候等优点，可以准确实时地获得站点的形变。于此同时，中国地壳运动观测网(CMONOC)已经建立了18年，可以连续观测中国区域的地壳形变，并积累了大量的观测数据。前人很多研究利用CMONOC提供的数据分析了中国典型地区的地球物理现象，例如中国南部、华北平原、四川省等。但是，GPS站点的空间分布不均极大地限制了它在分析地球物理现象中的应用。此外，在中国西南地区的GPS站点主要集中在四川省和云南省。因此，如何更好地模拟未观测区域的地壳形变成为近些年的研究热点问题。其中，未观测区域表示在1
°×1°
的格网内不包含GPS站点的区域。
[0006]在地表质量重分布的研究中，如何能更好地建立地表负荷(如陆地蓄水量、大气和非潮汐海洋负荷)与其形变响应之间的关系是一个常见问题。此外，GPS提供了一种独立且近实时地观测地壳形变的测量手段。鉴于GPS的众多优势，近年来许多学者利用GPS观测信息反演地球物理现象取得了令人瞩目的成就。2004年Heki利用密集GPS站点序列探究了日本的季节性质量重分布问题，该研究表明利用GPS垂向时间序列可以有效地反演地壳负载的季节性变化，并可以对GRACE起到补充作用。2012年Fu等结合GPS和GRACE对尼泊尔的垂直荷载形变进行了分析，结果表明，季节形变序列与GRACE反演结果相一致。2015年Fu等阐述了一种利用GPS序列反演地面蓄水量的新方法，并论证了这种反演结果可以用来填补GRACE
和GRACE
‑
FO之间的空白。尽管利用GPS反演地壳负载取得了丰硕的成果，但很少有研究将GPS反演负载的方法应用到GPS站点分布粗糙的地区。2021年姜中山等提出了一种新的算法，它将传统的负载模型和球面斯莱皮恩(Slepian)基函数相结合，该研究表明，稀疏GPS阵列也可以作为一种反演TWSA时空变化的方法。然而，上述研究主要关注于利用GPS序列对地壳负载进行反演，而忽略了如何加密GPS站点分布的问题。因此，在没有GPS站点分布的地区，如何更好地模拟出地壳负荷形变是一个关键问题。

技术实现思路

[0007]本专利技术的技术解决问题：克服现有技术的不足，提供一种基于机器学习负载模型提高陆地水储量反演准确性的方法，旨在没有GPS站点分布的未观测区域，实现地壳负荷形变的模拟，进而实现对陆地水储量TWSA的反演，以提高TWSA反演精度。
[0008]为了解决上述技术问题，本专利技术公开了一种基于机器学习负载模型提高陆地水储量反演准确性的方法，包括：
[0009]将研究区按照1
°×1°
格网进行划分，并判断格网内是否包含GPS站点；
[0010]当确定格网内包含GPS站点时，对GPS站点的垂向时间序列进行预处理，得到真实GPS垂向形变序列；
[0011]当确定格网内不包含GPS站点时，基于随机森林法，模拟研究区所有格网内的地壳垂向形变序列，得到模拟地壳垂向形变序列；
[0012]对真实GPS垂向形变序列或模拟地壳垂向形变序列进行大气和非潮汐海洋负荷改正，得到改正后的地壳垂向形变序列；
[0013]将得到的改正后的地壳垂向形变序列作为地壳负载模型的输入数据，对陆地水储量TWSA进行反演。
[0014]在上述基于机器学习负载模型提高陆地水储量反演准确性的方法中，对GPS站点的垂向时间序列进行预处理，得到真实GPS垂向形变序列，包括：
[0015]从中国大陆构造网络CMONOC提供的中国区域GPS时间序列文件中，提取得到GPS站点对应的垂向时间序列；
[0016]对提取得到的GPS站点对应的垂向时间序列进行预处理，去处由于GPSGPS站点周围地震和接收机异常所引起的阶跃项和异常值，得到真实GPS垂向形变序列。
[0017]在上述基于机器学习负载模型提高陆地水储量反演准确性的方法中，GPS站点对应的垂向时间序列的预处理过程如下：
[0018]通过式(1)，得到GPS站点对应的垂向时间序列的一阶差分ΔU
gps
：
[0019]ΔU
gps
＝U
gps
(t)
‑
U
gps
(t
‑
1)
···
(1)
[0020]其中，t表示时间，U
gps
(t)表示t时刻GPS站点对应的垂向时间序列，U
gps
(t
‑
1)表示t
‑
1时刻GPS站点对应的垂向时间序列；
[0021]当ΔU
gps
大于5mm时，表明当前阶跃异常，通过式(2)对当前阶跃进行改正，得到真实GPS垂向形变序列U
deleap
：
[0022]U
deleap
＝U
gps
(t)+ΔU
gps
···
(2)
[0023]其中，t＝m,m+1,
…
,M，m表示出现异常阶跃的序列节点位置，M表示总的GPS站点个数。
[0024]在上述基于机器学习负载模型提高陆地水储量反演本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习负载模型提高陆地水储量反演准确性的方法，其特征在于，包括：将研究区按照1
°×1°
格网进行划分，并判断格网内是否包含GPS站点；当确定格网内包含GPS站点时，对GPS站点的垂向时间序列进行预处理，得到真实GPS垂向形变序列；当确定格网内不包含GPS站点时，基于随机森林法，模拟研究区所有格网内的地壳垂向形变序列，得到模拟地壳垂向形变序列；对真实GPS垂向形变序列或模拟地壳垂向形变序列进行大气和非潮汐海洋负荷改正，得到改正后的地壳垂向形变序列；将得到的改正后的地壳垂向形变序列作为地壳负载模型的输入数据，对陆地水储量TWSA进行反演。2.根据权利要求1所述的基于机器学习负载模型提高陆地水储量反演准确性的方法，其特征在于，对GPS站点的垂向时间序列进行预处理，得到真实GPS垂向形变序列，包括：从中国大陆构造网络CMONOC提供的中国区域GPS时间序列文件中，提取得到GPS站点对应的垂向时间序列；对提取得到的GPS站点对应的垂向时间序列进行预处理，去处由于GPSGPS站点周围地震和接收机异常所引起的阶跃项和异常值，得到真实GPS垂向形变序列。3.根据权利要求2所述的基于机器学习负载模型提高陆地水储量反演准确性的方法，其特征在于，GPS站点对应的垂向时间序列的预处理过程如下：通过式(1)，得到GPS站点对应的垂向时间序列的一阶差分ΔU
gps
：ΔU
gps
＝U
gps
(t)
‑
U
gps
(t
‑
1)
···
(1)其中，t表示时间，U
gps
(t)表示t时刻GPS站点对应的垂向时间序列，U
gps
(t
‑
1)表示t
‑
1时刻GPS站点对应的垂向时间序列；当ΔU
gps
大于5mm时，表明当前阶跃异常，通过式(2)对当前阶跃进行改正，得到真实GPS垂向形变序列U
deleap
：U
deleap
＝U
gps
(t)+ΔU
gps
···
(2)其中，t＝m,m+1,
…
,M，m表示出现异常阶跃的序列节点位置，M表示总的GPS站点个数。4.根据权利要求3所述的基于机器学习负载模型提高陆地水储量反演准确性的方法，其特征在于，基于随机森林法，模拟研究区所有格网内的地壳垂向形变序列，得到模拟地壳垂向形变序列，包括：将GPS站点所对应的温度和气压作为输入数据，GPS站点的垂向时间序列作为输出数据，利用随机森林法依次回归M次，得到M个格网的输出结果；对M个格网的输出结果进行平均处理，得到...

【专利技术属性】
技术研发人员：郑伟，尹文杰，沈祎凡，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：