【技术实现步骤摘要】
本专利技术涉及遥感，尤其涉及联合机器学习和二元水循环模型的grace降尺度方法。
技术介绍
1、地下水作为水资源的主要组成部分，在生态、农业和家庭用水方面都发挥着至关重要的作用。据统计，全球约15亿人的饮水来源于地下水。受气候变化和人类活动的共同影响，地下水资源量明显减少，已造成地下水位下降、地面沉降、土地盐渍化等一系列生态环境问题。传统地下水储量变化监测一般利用地面监测井进行实验。然而这种方法主要依靠对单点的地下水位进行实地测量，难以充分反映地下水储量在空间上和时间上的变化特征，还会受到相应国家政策、台站数量以及仪器精度等的限制。grace重力卫星是一种监测陆地水储量变化的新型手段，打破了传统地面观测在空间和时间上的局限性，并被广泛应用于地下水储量变化研究中。但是，目前grace产品的空间分辨率最高为0.25°×0.25°，实际分辨率为1°×1°，难以支撑中小尺度区域地下水研究。因此，有必要结合降尺度方法深入了解地下水储量变化的时空分布特征。
2、现有的grace降尺度可分为动态降尺度和统计降尺度。动态降尺度是将grace数据同化到全球气候模式当中，但该方法的精度取决于的grace和水文模型的全误差协方差矩阵，不仅增加了不确定性还较为复杂。统计降尺度通过建立输入变量与目标变量之间的关系以实现降尺度。由于各水文要素与地下水之间的关系是非线性的，故而机器学习模型被广泛应用于降尺度研究。但是机器学习模型不受物理机理约束，尤其在针对地理问题时存在归因性、可解释性较差的缺点，耦合具有物理机制的机器学习模型是当下实现遥感科学与
3、为了解决上述问题，本专利技术提出联合机器学习和二元水循环模型的grace降尺度方法。
技术实现思路
1、本专利技术的目的在于提出联合机器学习和二元水循环模型的grace降尺度方法以解决
技术介绍
中所提出的问题：
2、现有grace降尺度手段存在不确定性较大，可解释性较差等问题。
3、为了实现上述目的，本专利技术采用了如下技术方案：
4、联合机器学习和二元水循环模型的grace降尺度方法，包括如下步骤：
5、s1：联合grace和gldas，获取时空连续的地下水储量变化信息；
6、s2：基于era5和watergap水文模型，构建二元水循环关键要素数据集；
7、s3：基于水平衡原理，构建二元水循环模型；
8、s4：在地理随机森林算法框架下，搭建具有二元水循环物理机制的地理随机森林降尺度模型，获取时空连续中高分辨率地下水储量变化信息；
9、s5：通过实测地下水位数据，对降尺度的结果进行验证。
10、优选地，所述grace用于监测陆地水储量变化，所述陆地水储量变化包括土壤水储量变化、雪水储量变化和地下水储量变化。
11、优选地，所述陆地水储量变化的水平衡方程表示为：
12、twsa＝smsa+swea+gwsa
13、其中，twsa、smsa、swea、gwsa分别表示陆地水储量变化、土壤水储量变化、雪水储量变化和地下水储量变化。
14、优选地，所述s2中的era5用于提供分辨率为0.1°×0.1°的逐月水量和能量循环相关数据；所述watergap水文模型用于提供空间分辨率为0.5°×0.5°的逐月的地下水开采值。
15、优选地，所述s2中构建二元水循环关键要素数据集包括降水量、蒸发量，径流量，地下水开采量。
16、优选地，所述s3中的二元水循环模型中的二元水循环流程具体如下：
17、全球气候变化通过影响大气环流以及温度场变化，进而影响降水过程；
18、降水为地表水提供补给来源，且落到地表的水分为四部分：
19、第一部分入渗至土壤中形成土壤水，土壤水再次入渗形成地下水，所述地下水分别储存于地下或社会水循环过程中；
20、第二部分进入社会水循环过程，所述社会水循环过程通过蒸发进入大气，冷却凝结后再次形成降水，或通过排水过程形成地表径流；
21、第三部分形成地表径流，其中，地表径流还通过蒸发进入大气，冷却凝结后再次形成降水；
22、第四部分直接通过蒸发进入大气，冷却凝结形成降水。
23、优选地，所述社会水循环过程包括取水过程、用水过程和排水过程。
24、优选地，所述地下水的补给量表达式为：
25、re＝p-et-r-w
26、其中，re、p、et、r、w分别表示地下水补给量，降水量，蒸散发量，径流深和地下水开采量。
27、优选地，所述s4中的地理随机森林降尺度模型的构建具体如下：
28、s4.1：基于地理随机森林模型，以研究区不同区域的地理特性为依据对研究区进行分区；
29、s4.2：将二元水循环关键要素数据集统一到0.25°×0.25°空间分辨率上，并以其为自变量输入到地理随机森林模型中；以空间分辨率为0.25°×0.25°的地下水储量变化数据为地理随机森林模型的目标变量；选取80％的数据为样本数据，20％数据为验证数据，依据所述s4.1的分区进行地理随机森林降尺度模型的构建；通过相关系数、平均绝对误差、均方根误差和纳什效率系数验证地理随机森林降尺度模型的模拟精度；
30、s4.3：将基于地理随机森林降尺度模型模拟所得的空间分辨率为0.25°×0.25°的地下水储量变化数据与grace反演的地下水储量变化数据作差值；采用克里金法将空间分辨率为0.25°×0.25°的差值结果转换为空间分辨率为0.1°×0.1°的差值结果；将空间分辨率为0.1°×0.1°的差值结果作为地理随机森林降尺度模型模拟的误差值；
31、s4.4：将空间分辨率为0.1°×0.1°的二元水循环关键要素数据集作为预测数据集，输入到所述地理随机森林降尺度模型中，获取空间分辨率为0.1°×0.1°的地下水储量变化数据；将所获得的结果减去所述s4.2中的误差值以削弱模型模拟所带来的误差，最终实现地下水储量变化数据的降尺度。
32、优选地，所述s5中，对水位数据进行距平处理，扣除研究时间段内的平均水位埋深，再乘以相应的区域给水度得到水储量变化的等效水柱高，以此将地下水水位数据转化为与重力卫星监测等效的地下水储量变化值：
33、δgws实测＝μ×δh
34、其中，δgws实测为实测地下水位数据；μ为无量纲的综合给水度系数；δh为地下水位变化量。
35、与现有技术相比，本专利技术提供了联合机器学习和二元水循环模型的grace降尺度方法，具备以下有益效果：
36、本专利技术联合grace和gldas数据，构建了基于二元水循环物理机制的机器学习本文档来自技高网...
【技术保护点】
1.联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述GRACE用于监测陆地水储量变化，所述陆地水储量变化包括土壤水储量变化、雪水储量变化和地下水储量变化。
3.根据权利要求2所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述陆地水储量变化的水平衡方程表示为：
4.根据权利要求1所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述S2中的ERA5用于提供分辨率为0.1°×0.1°的逐月水量和能量循环相关数据；所述WaterGAP水文模型用于提供空间分辨率为0.5°×0.5°的逐月的地下水开采值。
5.根据权利要求1所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述S2中构建二元水循环关键要素数据集包括降水量、蒸发量，径流量，地下水开采量。
6.根据权利要求1所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述S
7.根据权利要求6所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述社会水循环过程包括取水过程、用水过程和排水过程。
8.根据权利要求6所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述地下水的补给量表达式为：
9.根据权利要求1所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述S4中的地理随机森林降尺度模型的构建具体如下：
10.根据权利要求1所述的联合机器学习和二元水循环模型的GRACE降尺度方法，其特征在于，所述S5中，对水位数据进行距平处理，扣除研究时间段内的平均水位埋深，再乘以相应的区域给水度得到水储量变化的等效水柱高，以此将地下水水位数据转化为与重力卫星监测等效的地下水储量变化值：
...【技术特征摘要】
1.联合机器学习和二元水循环模型的grace降尺度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的联合机器学习和二元水循环模型的grace降尺度方法，其特征在于，所述grace用于监测陆地水储量变化，所述陆地水储量变化包括土壤水储量变化、雪水储量变化和地下水储量变化。
3.根据权利要求2所述的联合机器学习和二元水循环模型的grace降尺度方法，其特征在于，所述陆地水储量变化的水平衡方程表示为：
4.根据权利要求1所述的联合机器学习和二元水循环模型的grace降尺度方法，其特征在于，所述s2中的era5用于提供分辨率为0.1°×0.1°的逐月水量和能量循环相关数据；所述watergap水文模型用于提供空间分辨率为0.5°×0.5°的逐月的地下水开采值。
5.根据权利要求1所述的联合机器学习和二元水循环模型的grace降尺度方法，其特征在于，所述s2中构建二元水循环关键要素数据集包括降水量、蒸发量，径流量，地下水开...
【专利技术属性】
技术研发人员：苏祺，宫辉力，陈蓓蓓，周超凡，李民，钟雪婷，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。