基于时空图卷积网络的浅层地下水储变量信号分离方法

本发明涉及卫星遥感水文监测、水文地质定量反演与时空深度学习交叉，具体为基于时空图卷积网络的浅层地下水储变量信号分离方法。

背景技术：

1、浅层地下水是维系区域植被生长、支撑生态修复的核心水源，精准刻画浅层地下水的时空演变规律，对量化生态修复过程中的地下水消耗特征、揭示植被恢复与地下水动态的耦合机制具有重要的科学价值。grace/grace-fo重力卫星可通过捕捉地球重力场时序变化信号，反演得到区域尺度、长时序、空间连续的地下水储量异常（gwsa）数据，已成为大尺度地下水储量动态监测的核心技术手段。但该卫星反演的地下水储量变化信号，是浅层地下水与深层地下水动态叠加的综合响应结果，无法直接剥离得到独立的浅层地下水变化信息。

2、一方面，grace/grace-fo卫星的固有观测特性存在局限，其反演结果仅能反映深浅层地下水叠加的整体变化，无法针对性表征与降水补给、植被蒸腾、土壤蒸发等关键生态水文过程密切相关的浅层地下水动态特征，难以适配生态水文研究的精细化需求。

3、另一方面，传统盲源分解方法以信号的统计独立性、非高斯性、正交性等数学准则为核心拆解依据，在缺乏实测数据与水文先验知识约束的条件下完成信号分离。该方法虽可拆分出多组时序与空间分量，但分解结果完全依赖数学统计规则，未结合地下水实测数据校验与真实水文过程机理约束，导致分离得到的信号缺乏明确的水文物理意义。同时，浅层地下水、深层地下水、侧向径流补给、人工地下水开采、模型残差等多种水文组分存在显著的时空叠加效应，单一依靠盲源信号分解极易引发信号混叠、时空尺度模糊、物理解释不唯一等问题，最终造成浅层地下水储量变化识别精度低、稳定性差。

4、针对传统方法存在的上述技术问题，本文提出一种基于时空图卷积网络的浅层地下水储量变化信号分离方法，以期实现浅层地下水动态的精准、可靠反演。

技术实现思路

1、1、本发明要解决的技术问题

2、本发明的目的在于针对grace/grace-fo反演地下水储变量中浅层与深层储量变化相互叠加，现有盲源信号分解方法难以准确分离区域尺度浅层地下水储变量信号，提出基于时空图卷积网络的浅层地下水储变量信号分离方法。该方法综合利用grace/grace-fo重力卫星、气象植被因子、地表因素和水井观测数据，构建具有空间关联表达能力和时间序列学习能力的浅层地下水储变量分离模型，实现区域尺度浅层地下水储量变化信号分离。

3、2、技术方案

4、为实现上述目的，本发明提供如下技术方案：基于时空图卷积网络的浅层地下水储变量信号分离方法，包括如下步骤：

5、s1、多源数据构建与随机森林降尺度处理：多源遥感数据融合并通过随机森林算法完成地下水储变量空间降尺度处理，得到高分辨率降尺度地下水储变量序列；

6、s2、k-means聚类空间分区：基于降尺度地下水储变量提取时序特征并通过k-means聚类完成区域地下水响应分区；

7、s3、时空图卷积网络模型stgcn构建：以各分区栅格像元为图节点构建加权空间图结构，搭建融合时间卷积与图卷积的时空图卷积网络模型；

8、s4、多约束损失函数训练模型：利用实测潜水井水位构建浅层地下水监督标签并完成尺度校正，引入多约束复合损失函数对时空图卷积网络模型迭代训练；

9、s5、浅层地下水储变量分离：将完整时序高分辨率地下水储变量输入训练完成的模型，输出浅层地下水储变量信号，并差分求解得到深层地下水剩余储变量信号。

10、作为优选的，所述s1具体包括：

11、s1.1、采集grace/grace-fo陆地总水储量异常twsa、gldas陆面模型土壤水储量异常sma、积雪水当量异常swea、植被冠层水当量cwsa，同步采集降水、气温、蒸散发、归一化植被指数ndvi、数字高程dem、土地利用lucc、实测潜水地下水位多源辅助数据；

12、s1.2、通过扣除土壤、积雪、植被水储量干扰项，得到低分辨率原始总地下水储变量gwsa；具体表达式为：

13、

；

14、s1.3、构建随机森林非线性映射模型，将1km高分辨率气象植被地形辅助变量输入模型得到初步高分辨率地下水储变量拟合结果；

15、s1.4、计算低分辨率原始gwsa与随机森林低分辨率拟合值的残差并空间插值至高分辨率网格，叠加拟合结果得到降尺度地下水储变量dsgwsa，计算公式为：

16、

17、

18、式中，为随机森林模型，表示高分辨率辅助变量集合、表示低分辨率地下水储变量集合，表示原始0.25°空间尺度下的残差校正项；

i表示空间位置，

t表示时间。

19、作为优选的，所述s2具体包括：

20、s2.1、计算分区区域r内所有像元平均地下水储变量，计算单像元地下水储变量相对异常序列，所述具体表示公式如下：

21、

22、

23、式中，表示区域r在t时刻的平均地下水储变量；表示降尺度地下水储变量集合；表示区域r内有效像元数量；表示t时刻的总地下水储变量集合。

24、s2.2、基于相对异常序列提取包含趋势、季节振幅、季节相位、短期波动强度、振幅变化趋势、像元平面坐标的多维聚类特征向量，向量表达式为：

25、

26、式中，表示聚类特征向量；表示相对变化趋势；表示季节振幅；表示季节相位，表示短期波动强度；表示振幅变化趋势；、表示像元平面坐标。

27、s2.3、对特征向量标准化后输入k-means聚类模型，设定聚类数量k完成分区划分，得到第i个像元所属分区，通过轮廓系数评价聚类分区合理性，对不同地下水响应分区独立建模；所述的表达式为：

28、

29、式中，

k表示聚类数量。

30、作为优选的，所述s3具体包括：

31、s3.1、以分区内每个栅格像元为图节点，综合节点空间距离、高程差值、土地利用匹配权重计算节点间图边权重，所述权重计算公式为：

32、

33、式中，为节点i、j空间距离，、分别为距离、高程尺度参数，为土地利用类型匹配权重；和均表示为数字高程；

34、s3.2、基于图边权重构建原始邻接矩阵a，采用对称归一化得到归一化邻接矩阵，所述具体表达式为：

35、

36、式中，d为图节点度矩阵，其对角元素为邻接矩阵a中对应节点的连接权重之和；a为邻接矩阵；为归一化邻接矩阵。

37、s3.3、构建时空图卷积网络输入特征，融合降尺度地下水储变量、气象植被变量、月份周期正余弦编码，所述具体表达式为：

38、

39、式中，m为月份序号；、、、分别表示为降水量、气温、蒸散发、归一化植被指数；

40、s3.4、时空图卷积网络由特征标准化模块、时间卷积层、图卷积层、隐藏层解码器串联构成，以输入特征与归一化邻接矩阵为输入，通过模型参数前向运算输出浅层地下水储变量估计值，所述表达式为

41、

42、式中，[]表示为时空图卷积网络映射函数。

43、作为优选的，所述s4具体包括：

44、s4.1、对潜水井实测水位做距平、标准化转换，结合井点对应栅格地下水储变量标准差构建原始监督标签，引入可学习尺度系数、偏置项校正量纲差异，得到校正后的监督标签，所述具体表达式为：

45、

46、式中，表示第j口潜水井地下水位序列的标准差；表示该井对应栅格降尺度地下水储变量序列的标准差；表示第j口潜水井观测时段内的平均地下水位。

47、s4.2、构建复合多约束损失函数loss，包含标签拟合项、时序趋势一致性项、时间平滑项、频域抑制项、尺度参数正则项：所述复合多约束损失函数loss表达式为：

48、

49、式中，为深层残余地下水储变量信号；表示时空图卷积网络输出的浅层地下水储变量估计值；表示由潜水井观测水位构建的浅层地下水储变量监督标签；表示浅层地下水储变量估计值的时间差分序列；表示深层残余地下水储变量信号的时间差分序列；表示频域加权函数；、、分别表示为趋势一致性项、时间平滑项和频域约束项的权重系数；表示为尺度参数正则化项权重。

50、s4.3、对分区平均地下水储变量差分序列做功率谱分析，识别季节周期、年际周期，计算频域截止周期、截止频率序号，构造频域加权函数，m为时序总长度；所述频域截止周期、截止频率序号、频域加权函数表达式为：

51、

52、

53、

54、s4.4、基于神经正切核ntk梯度范数动态更新各损失项权重，更新公式：

55、

56、式中为标签拟合损失梯度，为待调整损失项梯度，为极小常数防止分母为0，为权重限幅算子；

57、s4.5、采用梯度下降法联合优化时空图卷积网络参数、尺度校正参数、，完成模型收敛训练。

58、作为优选的，所述s5具体包括：

59、s5.1、将全时序高分辨率dsgwsa与配套辅助变量输入训练收敛的时空图卷积网络，输出全区逐栅格浅层地下水储变量sgwsa；

60、s5.2、通过差分运算得到深层残余地下水储变量drgwsa，计算公式为：

61、

62、作为优选的，还包括精度验证步骤：

63、采集csrrl06mascon0.25°grace/grace-fo数据、gldasnoah陆面水文数据、1km逐月气象植被数据、30mdem与土地利用数据、区域逐月潜水井监测水位作为输入数据源；将井点数据按7:3划分为训练集、独立验证集，采用pearson相关系数r、纳什效率系数nse评价分离后浅层地下水储变量与实测潜水水位的匹配精度。

64、作为优选的，通过k-means分区分区域建模消除不同水文单元地下水动态差异干扰；空间加权图结构融合地形、土地利用约束实现栅格空间水文关联建模；实测潜水井监督标签+自适应频域约束实现浅层、深层地下水信号物理可解释分离，解决传统盲源分解方法信号混叠、水文物理含义不明确的缺陷。

65、与现有技术相比，本发明提供的基于时空图卷积网络的浅层地下水储变量信号分离方法，具备以下有益效果：

66、（1）本发明针对grace/grace-fo观测结果包含不同深度地下水储量变化叠加的问题，引入潜水含水层地下水位观测作为监督约束，结合时空图卷积网络综合利用地下水储变量、辅助环境变量及空间关联信息，实现浅层地下水储变量信号的有效分离。

67、（2）针对不同区域地下水储变量变化特征存在空间异质性的问题，通过k-means空间分区识别区域内部地下水储变量时序变化差异，并结合时空图卷积网络构建具有空间关联表达能力的图结构，使模型能够针对不同区域地下水储变量变化特征进行差异化学习，降低不同区域信号混合对浅层地下水储变量分离结果的影响。

68、（3）引入可学习尺度校正参数实现监督标签与地下水储变量之间的转换；同时结合自适应频域约束和多约束损失函数，从频域特征和时序变化特征两个方面约束模型优化过程，提高了模型分离结果的稳定性和物理合理性。