一种基于卫星遥感和气候数据重建陆地水储量变化的方法

技术领域

本发明涉及一种方法，尤其涉及一种基于卫星遥感和气候数据重建陆地水储量变化的方法。

背景技术

陆地水资源是人类不可或缺的关键自然资源之一，但是陆地水资源空间分布极不均匀，同时收到地理环境、气候变化和人类活动的多方面因素影响，亟需开展陆地水资源变化的长期监测与可持续利用规划。自2002年4月-2017年10月运行的重力卫星GRACE（Gravity Recovery and Climate Experiment）以及2018年5月运行的后续卫星GRACE-FO为长期监测全球陆地水储量（TWSA）提供了极为重要的观测平台和可靠数据。然而，两组卫星观测期间存在近35个月的空窗期，包括2016年8月至2018年4月时段的长期缺失，以及卫星观测期间部分月份存在质量问题等，均严重制约着陆地水资源长期监测以及气候变化影响评估等研究与应用。因此，如何对陆地水储量变化的缺失数据填补、重构与预测成为了重要的技术难题。

目前，已有不少方法，如时间序列分析或机器学习等方法被应用于数据间断的补偿。例如自回归滑动平均法（ARMA，Autoregressive Moving Average），差分自回归滑动平均法（ARIMA，Autoregressive Integrated Moving Average），小波神经网络（WNN，WaveletNeural Network），人工神经网络（ANN，Artificial Neural Network）等。传统的时间序列分析方法实现简单，但对于信号成分复杂的时间序列的预测效果较差，且易受到信号中噪声成分的影响；而神经网络方法尽管算法有优势，但是依赖于大量样本数据库作为训练集，且需要额外物理数据如大量气候数据作为约束。但目前GRACE/GRACE-FO观测数据仅为254个有效样本月，样本量过小， 有限的时间序列数据需要更为有效的信号提取方法进行序列重构。奇异谱分析法（SSA）可充分识别并提取信号中不同成分（如周期、趋势、噪声等），实现较为简易，特别适合分析预测具有周期特征的时间序列。但由于陆地水储量仍然收到气候异常波动和人为活动的影响， 陆地水储量变化信号中受气候变化和人为活动影响的部分在奇异谱分析法中会被当成噪音信息，从而影响预测精度。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于卫星遥感和气候数据重建陆地水储量变化的方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于卫星遥感和气候数据重建陆地水储量变化的方法：以重力卫星遥感数据和气候观测数据为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性线性回归模型，剔除水储量变化受气候影响部分后，基于奇异谱分析方法建立循环迭代估算方法，填补卫星遥感反演陆地水储量变化的时间序列空缺月份数据，重建陆地水储量变化时间序列。

作为优选地，该方法包括以下处理步骤：

步骤1、重力卫星遥感数据的准备：获取基于GRACE和GRACE-FO卫星遥感反演的陆地水储量TWSA变化的时间序列数据；

步骤2、地面气候观测数据的准备：包括降水、蒸散发、气象干旱指数、温度、土壤水；

步骤3、计算获得陆地水储量异常序列和气候异常序列；

步骤 4、判断陆地水储量异常序列和气候异常序列这两时间序列是否显著相关，若显著相关，则建立陆地水储量异常线性回归模型，获得水储量变化

步骤5、基于奇异谱分析法重构序列的输入数据准备：依据步骤4的判段，显著相关时，输入数据为剔除气候影响部分的数储量序列TWSA=TWSA-

步骤6、基于奇异谱分析法重构序列的初始设置；

步骤7、基于奇异谱分析法重构序列的迭代估算，产生重建的陆地水储量变化时间序列。

作为优选地，步骤1所准备的重力卫星遥感数据的时间分辨率为月，空间分辨率为250公里或500公里，覆盖长度为2002年4月至今；

所述气候观测数据的时间分辨率为月，在所有月份上连续无缺失、覆盖长度超过陆地水储量观测。

作为优选地，步骤3的计算方式为：对步骤1的GRACE和GRACE-FO的TWSA时间序列数据进行去季节变化和去趋势处理，得到陆地水储量异常序列δTWS；

对步骤2的气候观测数据进行去季节变化和去趋势处理，得到气候异常序列。

作为优选地，通过计算陆地水储量异常序列δTWS与气候异常序列的相关系数r，若r的绝对值大于阈值以上，阈值为0.25，建立线性回归模型，并预报所有月份由气候异常引起的水储量变化

作为优选地，设气候序列时间长度为N，将步骤5处理后的陆地水储量序列TWSA匹配成长度为N的序列，缺测部分X

作为优选地，开始循环迭代过程，设置迭代变量ik=0，将TWSA缺失值赋值为X

若不是则重复计算过程，直到X

作为优选地，具体的迭代循环过程为：

（1）当ik=ik+1≦K时，将输入TWSA，记为

；

（2）直接对轨迹矩阵Y进行奇异值分解：

，

式中，U为左奇异矩阵，V为右奇异矩阵，Λ为对角矩阵，T表示矩阵转置，由此可得到L个特征值

轨迹矩阵Y可以进一步表示为：

，

式中，

（3）选取前ik组

；

（4）为了判断迭代是否收敛，计算第ik次与第ik-1次迭代在所有缺失月位置上

,

;

（5）判断迭代收敛系数

本发明针对现有的重力卫星GRACE和GRACE-FO在轨时间短，遥感反演陆地水储量存在35个月的空窗期，无法满足陆地水储量变化规律的认识需求、干旱长期监测的应用需求等现状，提出了一种基于卫星遥感和气候数据重建陆地水储量变化的方法，以GRACE/GRACE-FO反演陆地水储量和气候观测数据为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，剔除陆地水储量变化受气候影响部分，再基于奇异谱分析方法（SSA）建立循环迭代估算方法，填补卫星遥感反演空缺部分，重建陆地水储量变化时间序列。

对于本发明其适用范围广，可用应用于大区域或全球陆地水储量量重建或监测，可针对不同下垫面类型的陆地水储量重构产生最优迭代估计值；避免估算精度损失，重建结果更可靠。

附图说明

图1为本发明的技术流程结构示意图。

图2为本发明实施例中2002-2022年间35个缺测月的陆地水储量重建结果对比图。

图3为本发明实施例中2020-2021年时段的交叉验证结果对比图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提成了一种基于卫星遥感和气候数据重建陆地水储量变化的方法，以GRACE/GRACE-FO反演陆地水储量（TWSA）和气候观测数据（降水、温度、土壤水、蒸散发或气象干旱指数）为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性或非线性回归模型，剔除水储量变化受气候影响部分（TWSA=TWSA- 下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提成了一种基于卫星遥感和气候数据重建陆地水储量变化的方法，以GRACE/GRACE-FO反演陆地水储量（TWSA）和气候观测数据（降水、温度、土壤水、蒸散发或气象干旱指数）为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性或非线性回归模型，剔除水储量变化受气候影响部分（TWSA=TWSA-

如图1所示，具体的流程如下：

步骤1、重力卫星遥感数据的准备：获取基于GRACE和GRACE-FO卫星遥感反演的陆地水储量（TWSA）变化的时间序列数据，时间分辨率为月，空间分辨率为250公里或500公里，覆盖长度为2002年4月至今；

步骤2、地面气候观测数据的准备：包括降水（P）、蒸散发（ET）、气象干旱指数（SPEI）、温度、土壤水等；气候观测数据与TWSA有相同分辨率，在所有月份上连续无缺失、覆盖长度超过陆地水储量观测；例如2001年1月至今；

步骤3、计算获得陆地水储量异常序列和气候异常序列：具体有，对步骤1的GRACE和GRACE-FO的TWSA时间序列数据进行去季节变化和去趋势处理，得到陆地水储量异常序列δTWS；

对步骤2的气候观测数据进行去季节变化和去趋势处理，得到气候异常序列；例如，降水减蒸散发P-ET对应的气候异常序列δ(P-ET)；

步骤 4、陆地水储量异常线性回归模型的建立：判断陆地水储量异常序列和气候异常序列这两时间序列是否显著相关，若显著相关，则建立陆地水储量异常线性回归模型；

通过计算陆地水储量异常序列δTWS与气候异常序列的相关系数r，若r的绝对值大于阈值（阈值为0.25）以上，建立线性回归模型，并预报所有月份由气候异常引起的水储量变化

步骤5、基于奇异谱分析法重构序列的输入数据准备：依据陆地水储量异常序列和气候异常序列的相关系数r，若r的绝对值大于阈值（阈值为0.25）以上，则输入数据为剔除气候影响部分的数储量序列（TWSA== TWSA-

步骤6、基于奇异谱分析法重构序列的初始设置：设气候序列时间长度为N，将步骤5处理后的陆地水储量序列TWSA匹配成长度为N的序列，缺测部分X

步骤7、基于奇异谱分析法重构序列的迭代估算：开始循环迭代过程，设置迭代变量ik=0，将TWSA缺失值赋值为X

若不是则重复计算过程，直到X

具体的迭代循环过程为：

（1）当ik=ik+1≦K时，将输入TWSA（记为

；

（2）直接对轨迹矩阵Y进行奇异值分解（SVD）：

，

式中，U为左奇异矩阵，V为右奇异矩阵，Λ为对角矩阵，T表示矩阵转置。由此可得到L个特征值

，

式中，

（3）选取前ik组

；

（4）为了判断迭代是否收敛，计算第ik次与第ik-1次迭代在所有缺失月（如m=35）位置上

，

；

（5）判断迭代收敛系数

由此可知，与现有技术相比，本发明具有如下技术优势：

1）为了避免传统奇异谱分析方法把时间序列中异常波动组分归为随机扰动过程从而造成估算精度损失，提出在基于奇异谱分析法重构陆地水储量变化缺失数据之前，先计算气候异常波动与陆地水储量变化之间的显著相关性，通过建立陆地水储量变化对气候变化的回归模型剔除陆地水储量变化受气候影响部分，然后建立基于奇异谱分析的循环迭代估算方法，填补GRACE/GRACE-FO卫星遥感序列空缺月份数据，从而重建陆地水储量变化的时间序列（步骤1-7和图1）。

2）本发明主要基于卫星遥感数据，只利用常规地面气象观测数据，适用范围广，可用应用于大区域或全球陆地水储量量重建或监测，可针对不同下垫面类型（包括森林、草地、农田、湿地、灌木、荒漠、冰川、湖泊、人工水体等）的陆地水储量重构产生最优迭代估计值。

3）具有空间独立性，只需目标像元对应的遥感资料作为输入，无需该像元邻近像元的数据参与计算，不引入其他像元的误差信息，提高输出的重建陆地水储量变化时间序列结果的精度。

【实施例】

本实施例中，以长江流域中西部城市——重庆市的GRACE/GRACE-FO 陆地水储量变化在2002年至2022年间缺失月份的数据重建为例，开展本发明的技术方法的应用效果评估。

图2给出应用本发明基于气候调整的奇异谱分析方法和传统奇异谱分析法的2002-2022年间35个缺测月的陆地水储量重建结果对比，图中，本发明方法为方块虚线，传统方法为叉号虚线，原始观测为黑色十字虚线。结果表明，在连续缺测月份较少（如2011-2016年连续缺测月份为1-2个月）的时期，本发明方法和传统奇异谱分析法重建结果相近；但是，在连续缺测月份较大的时期，如2017-2018年连续缺测月数达13个月，本发明方法和传统奇异谱分析法重建结果差异较大。本发明方法的陆地水储量异常值在2017-2018年比传统方法平均高出6cm左右，而在2011-2016年间，两者差异仅为0.5cm。

图3给出了基于GRACE/GRACE-FO真值观测时段在2020-2021年时段的交叉验证结果对比分析发现，图中，本发明方法为方块虚线，传统方法为叉号虚线，原始观测为黑色十字虚线。结果显示，本发明方法重建结果与真值的相关系数为0.85，均方根误差为7.8cm。而传统方法重建结果与真值的相关系数为0.7，均方根误差为10.6cm。因此，相较而言，本发明方法在该地区对于重建陆地水储量变化具有更好的表现。

上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。