《Groundwater for Sustainable Development》:Explainable AI-Based Spatial Downscaling and Water Balance-Guided Temporal Disaggregation of GRACE Terrestrial Water Storage Anomalies over the Ganges River Basin
编辑推荐:
基于可解释人工智能的空间降尺度与水均衡引导的GRACE陆地水储量异常在恒河流域的时间分解
卫星重力测量获取的水储量已在恒河流域被降尺度至0.1度。仅在质量守恒不预先固定答案的情况下报告模型技能。空间降尺度在流域尺度上优于插值方法,但在井点尺度上并不一致。缓慢的
基于可解释人工智能的空间降尺度与水均衡引导的GRACE陆地水储量异常在恒河流域的时间分解
卫星重力测量获取的水储量已在恒河流域被降尺度至0.1度。仅在质量守恒不预先固定答案的情况下报告模型技能。空间降尺度在流域尺度上优于插值方法,但在井点尺度上并不一致。缓慢的水储量记忆效应与邻近区域条件共同承载了精细尺度的信号。无卫星观测的月份携带双倍的不确定性。
陆地水储量(terrestrial water storage, TWS)是对陆地系统中累积总水量的综合估计,包括地表水体、土壤水分、地下水、积雪和冠层截留等组分,因此代表了流域的综合水文状态(Girotto & Rodell, 2019)。相应地,陆地水储量异常(terrestrial water storage anomaly, TWSA)反映了对降水输入、蒸散发(evapotranspiration, ET)损失和径流以及地下交换过程的累积响应,从而提供了水资源可获得性和水文胁迫的整体指标(Yang et al., 2023; Deng et al., 2024; Feng et al., 2025; Seka et al., 2022; Xie et al., 2016; Kaushik et al., 2021)。在恒河流域(Ganges River Basin, GRB),准确的TWS监测尤为重要,该流域是世界上人口最密集和农业生产力最高的地区之一,具有强烈的季风季节性、高强度的地下水开采和多样的气候条件(Moudgil & Rao, 2023; Saha et al., 2024),并且持续面临地下水枯竭、频繁干旱和日益增长的水资源需求(Chuphal & Mishra, 2025)。
水文和陆面模型已被用于模拟TWSA(Yang et al., 2020; Khorrami & Gündüz, 2025; Camporese & Girotto, 2022),但它们受限于结构不确定性、参数等效性以及高分辨率原位观测数据的稀缺性(Sun et al., 2017; Pokhrel et al., 2016),尤其是在像GRB这样的大型跨境流域。卫星重力测量领域的进展,特别是重力恢复与气候实验(Gravity Recovery and Climate Experiment, GRACE)及其后续任务(GRACE Follow-On, GRACE-FO),使得无需借助模型模拟即可直接监测TWSA成为可能(Scanlon et al., 2018; Save et al., 2016; Kornfeld et al., 2019; Rodell & Reager, 2023; Kvas et al., 2024; Humphrey et al., 2023; Tapley et al., 2019; Rodell & Li, 2023)。然而,其主要局限性在于空间和时间分辨率。GRACE mascon产品代表约3°空间分辨率和月尺度的水储量变化,而许多水文过程和水管理活动则在显著更细的尺度上变化。
这种分辨率不匹配促使了许多GRACE TWSA降尺度方法的发展(Mousavimehr & Kavianpour, 2025; Marshall et al., 2025),这些方法将GRACE TWSA与水文气候预测因子(如降水、ET和土壤水分储量(soil moisture storage, SMS))结合,采用线性回归、经验正交函数和机器学习等方法(Shilengwe et al., 2024; Cui et al., 2025)。近年来,随机森林(random forest, RF)、卷积神经网络和循环神经网络等机器学习和深度学习方法被广泛用于重建和预测高分辨率TWSA,为填补观测中的空白和延迟以及表征多种水文气候条件下的水储量行为提供了有效手段(Moudgil & Rao, 2023; Saha et al., 2024)。
尽管取得了这些进展,在解释降尺度后的GRACE产品时仍有两个方法论问题至关重要。首先,提高空间分辨率并不会创造新的卫星观测。在GRB中,JPL GRACE mascon产品提供了19个独立的mascon单元,而0.1°网格在流域内包含9538个单元格。因此,0.1°产品中所呈现的大部分空间变异性是从GRACE观测与辅助预测因子之间的关系推断出来的,而非由GRACE直接观测得到。降尺度产品可以提供有用的空间信息,但受GRACE约束的部分与模型推断的部分之间的区别必须保持明确。其次,当预测在与施加守恒约束相同的尺度上进行评估时,传统的验证可能会给出过于乐观的模型性能印象。如果降尺度后的场随后被调整使其面积加权均值再现相应的GRACE mascon值,那么在mascon尺度上的一致性只是施加约束的结果,本身并不能证明预测技能。因此,验证需要在独立于用于构建产品的约束的空间单元和聚合尺度上进行。
另一个挑战涉及机器学习预测的解释。高预测性能并不一定表明模型已经学到了与水文过程一致的关联。这对于TWSA尤其重要,因为水储量异常既反映了当前的水文气候条件,也反映了陆地系统中储存水分的持续性(Hipel & Ben-Haim, 1999; Tursunalieva et al., 2024)。可解释人工智能(explainable artificial intelligence, XAI)方法提供了改进的透明度(Ba?a?ao?lu et al., 2022; Lundberg & Lee, 2017; Salih et al., 2024; Kalasampath et al., 2025; Minh et al., 2022; Wang et al., 2022; Huang & Zhang, 2024; Hua et al., 2025),尽管其在GRACE降尺度中的应用仍然有限。在此背景下,可解释性不仅有助于描述模型行为,也有助于确定推断出的子mascon变异性是否与物理上有意义的水文气候条件相关联。然而,这种归因应被解释为基于模型的关联,而非因果关系的证据。
GRB为审视这些问题提供了一个特别相关的场景。该流域兼具显著的季风驱动季节性与大量的地下水使用以及水文气候和水文地质条件的强烈空间异质性。以往的研究已利用GRACE和GRACE-FO调查了整个流域的地下水及TWSA,包括地下水位估算和长期水储量消耗(Rodell et al., 2009; Moudgil & Rao, 2023; Janardhanan et al., 2023)。然而,以往的应用通常侧重于估算水储量变化或生成更高分辨率的场,而对于确定降尺度后的GRACE产品在何种空间尺度上,当使用未参与其构建的观测数据进行评估时仍然具有信息量,则关注较少。因此,GRB为评估空间详细的GRACE重建的潜力和局限性提供了一个合适的区域。
在这项研究中,研究人员因此为GRB提供了一套覆盖2000—2025年、空间分辨率为0.1°的月度TWSA产品,并推导出一个与月度水储量场保持一致的日尺度表示。该方法明确区分了从GRACE继承的信息与从水文气候和静态预测因子推断出的变异性。观测到的mascon级水储量水平和长期趋势直接从GRACE保留,而子mascon异常则使用机器学习模型进行估计,随后进行调整以满足相应的mascon尺度水储量约束。日尺度产品是通过对月度场进行时间分解生成的,而不是针对未观测到的日尺度GRACE目标训练单独的模型。
本研究旨在解决四个相关问题:(i) 在GRACE原生mascon尺度以下可以获得多少额外的空间信息,以及在何种聚合尺度上这些信息仍能得到独立观测的支持?(ii) 当整个mascon被排除在模型开发之外,以及当单独考虑GRACE观测记录之外的时段时,推断出的空间结构有多稳健?(iii) 直接受GRACE约束的月份与必须重建TWSA的月份之间的不确定性有何不同?(iv) 哪些水文气候条件和前期条件对推断出的子mascon变异性贡献最大,这些关系是否与TWSA预期的持续性一致?
为了解决这些问题,模型性能通过空间留出实验、时间留出实验以及来自中央地下水委员会(Central Ground Water Board, CGWB)的独立地下水观测进行评估。性能在多个聚合尺度上进行检验,而不仅仅是从与GRACE约束的一致性推断。不确定性分析分离了与GRACE观测、模型重建、空间推断和时间分解相关的主要不确定性来源。然后使用基于SHAP的归因来识别与建模异常相关的主导预测因子组。总之,这些分析旨在区分直接受GRACE约束的内容与由建模框架推断的内容,并确定由此产生的TWSA信息能够合理解释的空间尺度。
因此,所得框架并非旨在替代GRACE观测或提供直接的井点尺度地下水估算。相反,它提供了一个空间和时间上增强的、受GRACE约束的TWS表示,同时明确指出了推理的局限性。这一区别对于在一个地下水枯竭和季节性水储量变化同时在截然不同的空间尺度上发生的流域中解释高分辨率TWSA产品至关重要。
一、研究背景与现存问题
陆地水储量(TWS)是地表水、土壤水、地下水、积雪等组分的总和,其异常(TWSA)综合反映流域水文状态。恒河流域(GRB)人口密集、农业发达,面临强季风季节性、高强度地下水开采和持续的水储量消耗,亟需高时空分辨率的TWSA监测。GRACE/GRACE-FO卫星重力任务可提供月尺度、约3°分辨率的TWSA,但远不能满足流域水文过程和管理需求的精细尺度。现有降尺度方法虽多,但存在两大关键问题:一是提高空间分辨率并未增加观测信息,大量子mascon变异性系从辅助变量推断而来,需明确区分GRACE约束与模型推断部分;二是传统验证常因质量守恒约束而高估模型技能,需在独立于约束的尺度上评估。此外,机器学习模型的“黑箱”特性使其难以判断推断出的空间结构是否具有物理意义,可解释人工智能(XAI)的应用尚显不足。
二、研究目的、结论与意义
为解决上述问题,研究人员构建了一套覆盖2000—2025年、空间分辨率0.1°的月度TWSA产品,并通过水均衡引导将其时间分解至日尺度。研究核心在于明确分离GRACE直接约束的大尺度信息(水平与趋势)与机器学习模型推断的子mascon异常,并在施加mascon级质量守恒后,通过空间留出、时间留出及独立地下水井观测等多尺度验证严格评估模型性能。结果表明:该框架能将水储量变异性传递至比GRACE mascon更精细的空间尺度,但0.1°结构不应被视为直接观测;空间留出验证均方根误差(RMSE)为88.2 mm,时间验证RMSE为71.7—91.1 mm;独立井点对比显示,降尺度产品在流域尺度优于双线性插值,但在单井尺度优势消失,呈明显尺度依赖性;SHAP归因揭示模型高度依赖空间邻域信息(1—2°范围贡献42.1%)和前期水文气候条件(22.4%),同月预测因子贡献仅3.7%,符合TWS作为慢变量、具有较强记忆性的特征。该研究的重要意义在于:提供了一个严格区分观测约束与模型推断的高分辨率TWSA数据集,并建立了评估此类产品信息含量的方法论框架,强调降尺度产品应在与其实际信息含量相匹配的尺度上被解释和使用。
三、主要关键技术方法
- 1.
GRACE TWSA分解与建模策略:将各mascon的TWSA时间序列分解为mascon特定水平、线性趋势和残差异常,仅以残差异常作为机器学习目标,保留GRACE直接观测的水平与趋势。
- 2.
机器学习模型选择与特征工程:比较随机森林(RF)、XGBoost、LightGBM等五种模型,最终选定XGBoost。构建包含78个特征的矩阵,涵盖同期水文气候变量、前期滚动均值(1—24个月)、指数衰减前期降水指数(时间常数3—120个月)、高斯邻域均值(1°和2°)、季节谐波及9个静态协变量(地形、土壤、灌溉比例等)。
- 3.
空间降尺度与质量守恒约束:模型预测0.1°残差异常后,结合GRACE水平与趋势获得初步场,再通过过完备高斯基函数的最小范数解进行校正,使各mascon的面积加权均值精确等于GRACE观测值。
- 4.
日尺度时间分解:基于两种独立的水文气候子月变异表示(通量累积法和ERA5-Land状态法),在零和约束下将月度TWSA分解至日尺度,不训练独立的日尺度模型。
- 5.
不确定性分解与多尺度验证:将不确定性分为GRACE测量误差、空间传递误差、模型集合离散度和重建缺口误差四部分。采用留一mascon交叉验证(空间传递)、随机/分块/前向三种时间留出方案及656口CGWB独立地下水井进行多尺度验证,并使用SHAP进行特征归因。
四、研究结果
4.1 模型选择:五种候选模型交叉验证RMSE差异仅1.08 mm(76.32—77.40 mm),折间标准差(约6.6 mm)远大于模型间差异,最终选用XGBoost。
4.2 空间传递:留一mascon验证:19折留一mascon验证的合并RMSE为88.2 mm,R2为0.638,NSE为0.635。中部和下游恒河平原技能较高,喜马拉雅前沿mascon表现较弱,这与该区积雪、复杂地形等过程未被ERA5-Land预测因子充分表征有关。
4.3 时间传递:随机月度留出R2=0.713(RMSE=74.5 mm),分块留出R2=0.775(RMSE=71.7 mm),前向留出(外推)R2=0.730(RMSE=91.1 mm),表明外推情景难度更大。
4.4 年循环:预测系列再现了约96%的观测季节振幅(339 mm vs 353 mm),月气候态RMSE为33.9 mm。西北部平原全年处于亏损状态,最强亏损出现在季风前期。
4.5 独立地下水井评估:在流域尺度,降尺度产品(r=0.814, RMSE=57.0 mm)优于双线性插值(r=0.742, RMSE=73.1 mm);在mascon尺度,降尺度在10个mascon中有6个相关系数更高;在单井尺度,降尺度中位R2仅为0.191,中位相关系数0.430低于基线值0.484,NSE仅在656口井中的168口为正。
4.6 特征消融:完整78特征集RMSE为77.27 mm,移除径流异常导致最大增幅(+0.75 mm,p=0.018),其他简化配置差异不显著,故保留完整特征集。
4.7 特征归因:按源字段,土壤水分贡献最大(31.7%),其次是降水(18.1%)、季节谐波(14.3%)、径流异常(14.1%)和蒸散发(8.2%),9个静态协变量共5.2%。按项类型,邻域信息占42.1%,前期均值占22.4%,同月预测因子仅3.7%。
4.8 不确定性预算:所有格点月的中位总不确定性为51.1 mm。GRACE观测月(227个月)中位总不确定性为46.7 mm,其中测量误差占方差58.2%、空间传递占37.4%;重建月(85个月)中位总不确定性升至92.1 mm,缺口不确定性贡献77.0%的方差。
4.9 长期变化空间格局:去季节化后Theil-Sen趋势显示西北部平原负趋势最为集中,最强像素达约-84 mm/yr。9538个流域内像素中8071个通过错误发现率控制,其中76%呈负趋势,表明耗竭信号虽强度集中于西北部但具有全流域性质。
五、讨论与结论
讨论部分指出,所提框架能将水储量变异性传递至比GRACE mascon更精细的尺度,但0.1°结构不应被视为直接观测,产品本质上是受GRACE约束、模型辅助的TWSA空间表征。独立井点对比的尺度依赖性表明,产品在区域和子流域尺度提供可靠信息,而非单井点位。SHAP分析揭示模型高度依赖空间邻域和前期条件,这符合TWS作为慢变量的特征,但也意味着模型学到的是缓慢、平滑的重分析场跟踪缓慢、平滑的水储量,解释了为何井点尺度技能有限。
研究结论可归纳为:研究人员构建并发布了覆盖2000—2025年、空间分辨率0.1°的GRB月度TWSA产品及其日尺度分解版本,明确区分了GRACE直接约束的大尺度信息与模型推断的子mascon结构。通过严格的多尺度验证,确定了产品在不同聚合尺度上的信息含量:在流域和mascon尺度具有实用价值,而在单井尺度则不具备直接解释力。不确定性分析表明,重建月份的不确定性约为观测月份的两倍,主要由缺口不确定性主导。该工作强调了在高分辨率GRACE降尺度产品中明确区分观测约束与模型推断的重要性,并为评估此类产品的实际信息尺度提供了方法论框架。