基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法

本发明涉及地球物理遥感与水文信息处理，具体涉及一种基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法。

背景技术：

1、地下水储量异常（gwsa，即groundwater storage anomaly）是表征区域地下水变化的重要指标，在水资源评价与生态监测中具有重要意义。尽管grace（gravity recoveryand climate experiment，即重力恢复与气候实验）/grace-fo（gravity recovery andclimate experiment follow on，即重力恢复与气候实验后续任务）卫星为大尺度监测提供了有效手段，但其空间分辨率较低，通常需要进行降尺度处理以获取更精细的信息。

2、现有降尺度方法主要包括动力降尺度和统计降尺度；其中，前者具有物理基础，但对数据和计算资源要求较高；而后者在效率和空间表达上具有优势，但多为数据驱动，缺乏对grace产品不确定性的系统考虑，也难以引入物理约束；此外，目标数据构建过程中常采用单一产品或简单平均，未能充分反映不同数据源之间的误差差异。

技术实现思路

1、为了解决现有技术在不确定性处理、物理约束以及模型稳定性方面仍存在不足的技术问题，本发明的目的在于提供一种基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，所采用的技术方案具体如下：

2、步骤s1：获取多源重力卫星mascon网格产品及水文模型数据，确定待研究区域的若干水储量分量，反演得到地下水储量异常数据，并进行预处理；

3、步骤s2：基于预处理后的地下水储量异常数据，选取环境变量，在粗空间分辨率下构建地下水储量异常降尺度融合模型，引入水文物理约束，完成地下水储量异常降尺度融合模型的训练；

4、步骤s3：采用训练后的地下水储量异常降尺度融合模型对待研究区域反馈的高分辨率环境变量进行预测，得到对应的地下水储量异常预测值。

5、优选地，步骤s1中，包括：

6、步骤s11：通过多源重力卫星mascon网格产品得到待研究区域的陆地水储量异常值；

7、步骤s12：通过全球陆地数据同化系统得到水文模型数据，基于水文模型数据得到待研究区域的植被冠层水储量、土壤水储量和积雪水当量，并确定对应的异常值；

8、步骤s13：综合陆地水储量异常值及水储量分量对应的异常值，反演得到地下水储量异常数据，并填补缺失值。

9、优选地，步骤s12中，具体为：

10、基于当前待研究区域的研究时段建立长期时间序列，通过长期时间序列分别得到植被冠层水储量、土壤水储量和积雪水当量对应的平均值，结合待研究区域的植被冠层水储量、土壤水储量和积雪水当量，得到对应异常值。

11、优选地，步骤s2中，包括：

12、步骤s21：基于预处理后的地下水储量异常数据，选取环境变量进行时空匹配与标准化预处理，建立粗空间分辨率特征集合；

13、步骤s22：通过粗空间分辨率特征集合构建地下水储量异常降尺度融合模型，引入水文物理约束，对模型参数进行约束优化，建立环境变量与地下水储量异常数据的非线性映射关系，完成地下水储量异常降尺度融合模型的训练。

14、优选地，步骤s22中，包括：

15、步骤s221：基于粗空间分辨率特征集合采用梯度提升树模型构建地下水储量异常降尺度融合模型，输出拟合误差；

16、步骤s222：通过水量平衡原理引入水文物理约束，结合拟合误差建立耦合损失函数；

17、步骤s223：根据耦合损失函数对模型参数进行约束优化，建立环境变量与地下水储量异常数据的非线性映射关系，完成地下水储量异常降尺度融合模型的训练。

18、优选地，步骤s221中，包括：

19、步骤s2211：基于粗空间分辨率特征集合通过顺序集成多个决策树，建立梯度提升树模型；

20、步骤s2212：对梯度提升树模型迭代优化，逐步融合决策树，不断引入新的决策树修正前序模型误差，直至完成预设迭代轮数的训练，得到地下水储量异常降尺度融合模型；

21、步骤s2213：通过地下水储量异常降尺度融合模型输出预测值，结合特征集合中的观测值，得到拟合误差。

22、优选地，步骤s222中，包括：

23、步骤s2221：获取待研究区域对应研究时段中的降水、蒸散发和径流，基于地下水储量异常降尺度融合模型在研究时段输出的预测地下水储量异常数据与粗空间分辨率特征集合中的观测地下水储量异常数据，得到地下水储量异常数据的变化量，结合降水、蒸散发和径流构建水文物理约束；

24、步骤s2222：将拟合误差和水文物理约束进行加权融合，建立耦合损失函数。

25、优选地，步骤s3中，具体为：

26、将待研究区域在目标时段的高分辨率环境变量，输入训练后的地下水储量异常降尺度融合模型进行前向计算，输出对应的地下水储量异常预测值。

27、为解决上述技术问题，本发明还提供：一种电子设备，所述设备包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，处理器调用存储器中的逻辑指令，以执行前述任意一项所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法。

28、本发明具有如下有益效果：

29、1、在本方法中，首先，综合利用相关产品与系统提供的多层级水文数据，反演得到待研究区域的gwsa数据；随后，构建集成学习框架下的降尺度融合模型，即在粗空间分辨率下构建地下水储量异常降尺度融合模型；引入水文物理约束，耦合进模型的损失函数中，实现物理机制对数据驱动过程的深度约束与融合训练；最后，经过训练后的地下水储量异常降尺度融合模型，输出对应的地下水储量异常预测值；在显著提升gwsa空间分辨率的同时，确保了预测结果的水文物理一致性，输出高空间分辨率且符合自然规律的gwsa时空分布产品，即考虑到传统方法在提升分辨率时难以保证物理一致性的难题，通过物理约束耦合驱动的训练机制，使模型在优化过程中同时遵循数据规律与物理定律，在实际应用中，该方法有效生成了兼具高空间细节与强物理合理性的地下水储量异常分布，显著提升了监测结果的精度、可靠性和科学价值，有助于更精细地揭示地下水储量的时空演变机制及其对气候与人类活动的响应特征。

30、2、本发明提供的一种电子设备，与本发明提供的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法具有相同的有益效果，在此不做赘述。

1.基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，步骤s1中，包括：

3.据权利要求2所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，步骤s12中，具体为：

4.根据权利要求1所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，步骤s2中，包括：

5.根据权利要求4所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，步骤s22中，包括：

6.根据权利要求5所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，步骤s221中，包括：

7.根据权利要求5所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，步骤s222中，包括：

8.根据权利要求1所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法，其特征在于，步骤s3中，具体为：

9.一种电子设备，其特征在于，所述设备包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，处理器调用存储器中的逻辑指令，以执行权利要求1~8任意一项所述的基于水文物理约束与集成机器学习耦合驱动的地下水储量异常降尺度方法。