北京师范大学徐同仁教授团队在Remote Sensing of Environment发表研究成果

摘要

Terrestrial water storage anomaly (TWSA) and groundwater storage anomaly (GWSA) data are of great importance for hydrological research and water resource management. However, products derived from the Gravity Recovery and Climate Experiment (GRACE) mission and its Follow-On mission (GRACE-FO) are constrained by the satellite design and variation in processing strategies among different institutions, resulting in multiple suboptimal products. These products not only have a coarse spatial resolution but also suffer from a continuous 11-month gap from July 2017 to May 2018, which represent significant limitations for related research. To address these challenges, the Bayesian-based three-cornered hat (BTCH) method was initially employed to fuse low-uncertainty GRACE-derived TWSA and GWSA products with a coarse resolution (0.5°). Subsequently, based on the fused TWSA/GWSA products and multi-source datasets, a machine learning downscaling framework based on a physically constrained sliding window (MLDF-PCSW) was developed. This framework not only enhanced the spatial resolution of the products but also filled the data gap, ultimately producing a high-resolution water storage anomaly product (HWSA v1.0), a long-term, continuous dataset on a global scale (excluding Greenland and Antarctica; variables: TWSA and GWSA; spatial resolution: 0.05°; temporal resolution: monthly; period: April 2002 to December 2022). The results of uncertainty analysis using the three-cornered hat (TCH) method indicated that the TWSA derived from the Center for Space Research (CSR) exhibited the lowest uncertainty (23.91 mm) of the three original products, and the uncertainty decreased by 35.42% (15.44 mm) after data fusion using the BTCH method. The HWSA v1.0 dataset based on MLDF-PCSW exhibited high correlation coefficients (CCs) (0.999 and 0.999 for TWSA and GWSA, respectively) and a low root mean square error (RMSE) (0.68 mm and 1.24 mm for TWSA and GWSA, respectively) with the original TWSA and GWSA products, while also providing more detailed TWSA and GWSA spatial information. Independent validation for TWSA_DYY based on the water balance method has been done across six basins and the results are great, with the CCs between 0.69 and 0.92. The GWSA from the MLDF-PCSW demonstrated acceptable correspondence with global in-situ groundwater observations, with a mean CC of 0.27. The other four previously released gap-filled TWSA products also exhibited outstanding performance, with the average CC reaching 0.98 for the 11-month gap. Collectively, these results suggest that the HWSA v1.0 dataset based on the MLDF-PCSW has significant potential as a robust data foundation for related research.

地表水储量异常（TWSA）和地下水储量异常（GWSA）数据对水文研究和水资源管理具有重要意义。然而，由重力恢复与气候实验（GRACE）及其后续任务（GRACE-FO）生成的产品受到卫星设计限制以及不同机构处理策略差异的影响，导致生成了多个次优产品。这些产品不仅空间分辨率较低，还存在2017年7月至2018年5月长达11个月的连续数据缺口，给相关研究带来了显著限制。为解决这些挑战，首先采用基于贝叶斯的三角帽（BTCH）方法，融合了低不确定性的GRACE衍生TWSA和GWSA粗分辨率（0.5°）产品。然后，基于融合后的TWSA/GWSA产品和多源数据集，开发了一种基于物理约束滑动窗口的机器学习降尺度框架（MLDF-PCSW），不仅提高了产品的空间分辨率，还填补了数据缺口，最终生成了高分辨率水储量异常产品（HWSA v1.0），这是一套全球范围内的长期、连续数据集（不包括格陵兰和南极；变量：TWSA和GWSA；空间分辨率：0.05°；时间分辨率：逐月；时间段：2002年4月至2022年12月）。通过广义三角帽（TCH）方法的不确定性分析结果表明，来自空间研究中心（CSR）的TWSA产品在三个原始产品中具有最低的不确定性（23.91毫米），而数据融合后不确定性减少了35.42%（15.44毫米）。基于MLDF-PCSW的HWSA v1.0数据集与原始TWSA和GWSA产品具有很高的相关系数（CCs）（分别为0.999和0.999），同时具有较低的均方根误差（RMSE）（TWSA为0.68毫米，GWSA为1.24毫米），并提供了更详细的TWSA和GWSA空间信息。基于水量平衡方法对六个流域的TWSA_DYY进行了独立验证，结果显示，相关系数（CCs）在0.69到0.92之间。MLDF-PCSW生成的GWSA与全球地下水观测站点表现出合理的一致性，平均相关系数为0.27。其他四个先前发布的填补TWSA缺口的产品也表现优异，11个月数据缺口的平均相关系数达到0.98。总体而言，这些结果表明，基于MLDF-PCSW的HWSA v1.0数据集在相关研究中具有显著潜力，能够作为稳健的数据基础。

亮点

Fused global water storage anomaly based on the BTCH have the lowest uncertainty（基于BTCH融合的全球水储量异常具有最低的不确定性）

主要图表

表1 本研究中使用的数据集的基本信息。

图1 全球范围内的地下水观测井分布图。

图2 MLDF-PCSW的流程图。

表2 四种情景的基本配置。

图3 基于TCH方法的CSR、JPL和GSFC三种TWSA产品的不确定性和相对不确定性的空间分布图。

图4 TWSA_CSR、TWSA_JPL、TWSA_GSFC产品以及基于BTCH方法融合产品（TWSA_BTCH）的年变化趋势的空间分布图。

图5 TWSA_CSR、TWSA_JPL、TWSA_GSFC产品以及基于BTCH方法融合产品（TWSA_BTCH）在随机选择的月份（2003年6月）的空间分布图。

图6 TWSA_CSR、TWSA_JPL、TWSA_GSFC和TWSA_BTCH的不确定性统计：（a）–（d）不确定性的直方图和核密度估计，以及（e）TWSA随时间的变化。

图7 GWSA_CSR、GWSA_JPL和GWSA_GSFC的年度GWSA变化趋势的空间分布，以及基于BTCH方法的融合产品（GWSA_BTCH）。

图8 GWSA_CSR、GWSA_JPL和GWSA_GSFC产品以及基于BTCH方法的融合产品（GWSA_BTCH）在随机选择的月份（2003年6月）的GWSA值的空间分布。

图9 GWSA_CSR、GWSA_JPL、GWSA_GSFC和GWSA_BTCH产品的GWSA随时间的变化。

图10 （a）TWSA_DNN、（b）TWSA_DYN、（c）TWSA_DNY和（d）TWSA_DYY的年TWSA变化趋势的空间分布。

图11 （a）TWSA_DNN、（b）TWSA_DYN、（c）TWSA_DNY和（d）TWSA_DYY在随机选定的月份（2003年6月）的TWSA值的空间分布。

图12 对比四种下采样TWSA情景（TWSA_DNN、TWSA_DYN、TWSA_DNY和TWSA_DYY）与TWSA_BTCH的准确性：（a1–a4）在0.5°分辨率下，（b1–b4）在3°分辨率下，以及（c1–c4）在全球尺度下。（d）分析期间五种产品在全球尺度上的变化情况。

图13 使用以下方法的年度GWSA变化趋势的空间分布：（a）GWSA_DNN，（b）GWSA_DYN，（c）GWSA_DNY，以及（d）GWSA_DYY。

图14 使用以下方法的2003年6月GWSA值的空间分布：（a）GWSA_DNN，（b）GWSA_DYN，（c）GWSA_DNY，以及（d）GWSA_DYY。

图15 四种下分辨率GWSA情景（GWSA_DNN、GWSA_DYN、GWSA_DNY和GWSA_DYY）与GWSA_BTCH的准确性比较：（a1–a4）分辨率为0.5°，（b1–b4）分辨率为3°，以及（c1–c4）全球尺度。（d）在分析期间五个产品在全球尺度上的变化。

图16 TWSA_DYY（P0）与之前报告的填补了2017年7月到2018年5月缺失时期的TWSA产品（P1–P4）的性能比较：（a）麦肯齐河流域，（b）长江流域，（c）密西西比河流域，（d）恒河流域，（e）亚马逊河流域，（f）扎伊尔河流域，以及（g）全球。

图17 六个选定流域的TWSC时间序列比较：TWSC_BTCH、TWSC_DYY和TWSC_Noah v2.1。

图18 与在地面观测的GWSA_DYY的比较：（a）全球范围内CCs的空间分布，（b）–（g）各区域01–06的CCs。