一种提高陆地水储量异常时间分辨率的时间降尺度方法

本发明属于水文学、计算机科学等交叉，涉及一种提高陆地水储量异常时间分辨率的时间降尺度方法。

背景技术：

1、grace重力卫星自2002年发射以来，已经发展成为监测大区域、长时序水资源变化不可或缺的重要工具，为全球水循环研究和气候变化提供了坚实的数据基础，特别是在量化水循环组分、监测地下水、监测干旱、洪涝等极端气候事件上表现尤为突出。因此，在第一代grace任务于2017年结束后，为了继续传承grace重力卫星任务的优势，美国国家航空局和德国空间研究中心又于2018年成功发射了其后续任务grace-fo。

2、然而，受限于卫星自身设计的局限性，获取的陆地水储量异常数据(terrestrialwater storage anomaly，twsa)面临着多个缺陷，其一，空间分辨率较为粗糙，有限分辨率约为300km；其二，grace任务和grace-fo任务之间存在大约1年的连续缺失值；其三，twsa的时间分辨率较为粗糙，为月尺度。这三个局限性在很多情况下对于水资源相关的研究都带来了一定的瓶颈。近年来，针对提高空间分辨率及补全两个任务缺失值的研究发明较多，且都取得了一定的成效；而针对grace反演出的twsa的时间分辨率的提升的研究发明略显不足，仍有待进一步研究。

3、为解决grace时间分辨率低的局限性，一些研究发明试图从原始的grace任务观测数据(grace l1 b)中获取更精细时间的水储量信息，这些观测数据主要包括gps数据、加速度计数据和k波测距数据。有2009年首次使用卡尔曼滤波方法，尝试从grace l1 b数据中分解得到日尺度的数据信息，该方法将有关重力场时间行为的先验信息引入到分析过程中，因此可以在不损失空间分辨率的情况下增强时间分辨率，但该方法很大程度上取决于所选的模型假设和参数。当然，也有一些构建统计模型的尝试，在2019年构建了降水、温度同陆地水储量的关系，进而将月尺度的数据信息分解到日尺度中，该方法也被应用到中国的海河流域，都取得了较为理想的结果。然而，陆地水储量异常同温度和降水变量之间的统计关系并非一定是线性，且容易受到各种因素的影响，显然，这种方法也是具有一定的局限性。

技术实现思路

1、本发明针对现有技术问题，提供一种提高陆地水储量异常时间分辨率的时间降尺度方法。

2、一种提高陆地水储量异常时间分辨率的时间降尺度方法,含有以下步骤：收集多种直接或间接影响到陆地水储量异常的驱动变量，用于驱动人工智能模型构建多变量同grace产品之间的非线性关系，再引入物理约束及滑动窗口滤波对模型结果进行校正，将月尺度的grace数据提高到更高时间分辨率中。

3、一种提高陆地水储量异常时间分辨率的时间降尺度方法,还含有以下步骤：

4、步骤一：收集数据集。

5、步骤二：数据预处理。

6、步骤三：构建基于ai的时间降尺度模型。

7、步骤四步：基于第二步数据预处理得到的日尺度的驱动数据驱动第三步构建的月尺度的非线性时间降尺度模型，进而得到初步的高时间分辨率的降尺度结果。

8、步骤五：将初步时间降尺度结果归算到降尺度前的时间分辨率，进而求出时间降尺度后的结果同时间降尺度前的偏差。

9、步骤六：为每个精细时间尺度的结果分配一个合理的比重。

10、步骤七步：将比重同偏差相乘，即可获得每个精细时间尺度上数据的补偿值，计算步骤如下：

11、bday＝days·bmonth·wday

12、其中，days表示当月包含的天数，bday表示日尺度下twsa的补偿值。

13、步骤八：将初步时间降尺度结果同第七步的补偿值进行加和即可获得最终的时间降尺度产品，

14、

15、其中，表示基于物理约束对初步时间降尺度结果修正后的最终时间降尺度产品。

16、步骤九：对最终时间降尺度结果进行平滑处理，最终得到最终时间降尺度平滑结果。

17、近年来，人工智能(artificial intelligence，ai)算法的崛起为各领域都带来了翻天覆地的变化，特别是在构建多变量之间的统计关系中，而在同grace时间降尺度的结合尚待探索，本发明收集多种直接或间接影响到陆地水储量异常的驱动变量，用于驱动人工智能模型构建多变量同grace产品之间的非线性关系，再引入物理约束及滑动窗口滤波对模型结果进行校正，将月尺度的grace数据提高到更高时间分辨率中。

18、本发明的优点是：为解决了grace反演的陆地水储量异常产品时间分辨率低的问题，而且本发明构建的基于受物理约束的人工智能算法的非线性时间降尺度方法为最终时间降尺度后的陆地水储量异常提供了月尺度上的物理约束，使得时间降尺度后的数据在保留了月尺度数据的信息的同时刻画了更精细的日尺度细节，同时最终滑动窗口的滤波平滑使得有效避免了个别时刻极端情况的出现。

技术特征：

1.一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，含有以下步骤：收集多种直接或间接影响到陆地水储量异常的驱动变量，用于驱动人工智能模型构建多变量同grace产品之间的非线性关系，再引入物理约束及滑动窗口滤波对模型结果进行校正，将月尺度的grace数据提高到更高时间分辨率中。

2.根据权利要求1所述的一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，还含有以下步骤：

3.根据权利要求2所述的一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，收集数据集,还含有以下步骤：从全球陆面数据同化系统(global land dataassimilation system，gldas)项目中收集与陆地水储量异常相关的降雨、径流、蒸散发、多层土壤水储量、雪水等效水高、植被冠层水等效水高以及对应的时间变量年、月、日。

4.根据权利要求2所述的一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，数据预处理,还含有以下步骤：将收集的驱动数据集转换为两种时间尺度，第一个尺度需同目标变量的时间尺度一致，驱动数据集为月尺度；第二个尺度为最终需求的时间尺度，即降尺度的目标时间尺度，将月尺度时间序列数据降尺度到日尺度。

5.根据权利要求2所述的一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，构建基于ai的时间降尺度模型,还含有以下步骤：在月尺度时间分辨率下，基于人工智能(artificial intelligence，ai)算法，构建基于ai的时间降尺度模型，其中，输入变量：降雨、径流、蒸散发、多层土壤水储量、雪水等效水高、植被冠层水等效水高以及对应的时间变量年、月、日；目标变量：grace反演的陆地水储量异常，公式如下：

6.根据权利要求2所述的一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，基于步骤二数据预处理得到的日尺度的驱动数据，驱动步骤三构建的月尺度的非线性时间降尺度模型，进而得到初步的高时间分辨率的降尺度结果，

7.根据权利要求2所述的一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，为每个精细时间尺度的结果分配一个合理的比重，还含有以下步骤：将初步时间降尺度结果归算到降尺度前的时间分辨率，进而求出时间降尺度后的结果同时间降尺度前的偏差，

8.根据权利要求2所述的一种提高陆地水储量异常时间分辨率的时间降尺度方法，其特征在于，对最终时间降尺度结果进行平滑处理，最终得到最终时间降尺度平滑结果，还含有以下步骤：经过物理约束后的最终时间降尺度结果很容易受到某个时间段突变值的影响，为了使得时间降尺度结果更平滑，在最后对最终时间降尺度结果进行平滑处理，以5天数据的平均值来代表中间一天的值，设计了一个滑动窗口为5天，步长为1天的平滑滤波器。

技术总结
一种提高陆地水储量异常时间分辨率的时间降尺度方法，属于水文学、计算机科学等交叉技术领域。收集多种直接或间接影响到陆地水储量异常的驱动变量，用于驱动人工智能模型构建多变量同GRACE产品之间的非线性关系，再引入物理约束及滑动窗口滤波对模型结果进行校正，将月尺度的GRACE数据提高到更高时间分辨率中。本发明解决了GRACE反演的陆地水储量异常产品时间分辨率低的问题，为最终时间降尺度后的陆地水储量异常提供了月尺度上的物理约束，使得时间降尺度后的数据在保留了月尺度数据的信息的同时刻画了更精细的日尺度细节，同时最终滑动窗口的滤波平滑使得有效避免了个别时刻极端情况的出现。

技术研发人员：徐同仁,张刚强,明文婷,汪鉴诚
受保护的技术使用者：北京师范大学
技术研发日：
技术公布日：2024/12/23