一种基于融合模型的地下水储量偏差降尺度方法技术

本发明专利技术属于水文学、图像增强等交叉技术领域，提供了一种基于融合模型的地下水储量偏差降尺度方法，所述方法包括：利用双线性内插法将与地下水储量相关的各驱动变量由高分辨率重采样至低分辨率；采用融合模型构建驱动变量与目标变量的统计关系模型；采用统计关系模型所得陆地水储量偏差和残差，获得高分辨率的陆地水储量偏差；从高分辨率的陆地水储量偏差中减去地表水储量偏差，得到地下水储量偏差。本发明专利技术通过构建多种单一类型的机器学习模型和深度学习模型的融合模型，显著提高了传统单一类型模型对地下水储量偏差的降尺度精度，为区域或流域尺度地下水资源规划利用提供一定的参考。参考。参考。

【技术实现步骤摘要】
一种基于融合模型的地下水储量偏差降尺度方法


[0001]本专利技术属于水文学、图像增强等交叉
，特别涉及一种基于融合模型的地下水储量偏差降尺度方法。

技术介绍

[0002]地下水是干旱半干旱区最主要的灌溉水源和人类生活水源。在全球极端天气和人口不断增加的背景下，地下水开采量激增，地下水枯竭导致的问题引发越来越多的关注，因此准确监测地下水变化对与区域地下水资源管理具有重要的意义。传统的地下水网监测消耗需要大量人力物力，难应用于较大的时空尺度。2002年3月发射升空的重力测量及气候监控(GRACE)卫星可以提供时空精度较高的地球重力场变化信息，因此大量研究基于水量平衡理论，结合GRACE卫星数据和全球陆地同化系统(GLDAS)数据进行地下水储量偏差的反演和重建。由于经球谐系数法和点质量法处理后的GRACE数据的实际空间分辨率分别为1
°×1°
和0.5
°×
0.5
°
，为保持两类数据分辨率的一致性，大多数研究将0.25
°×
0.25
°
分辨率的GLDAS数据重采样至0.5
°×
0.5
°
或1
°×1°
，导致GLDAS中许多重要的空间信息丢失。
[0003]为解决GRACE卫星数据和GLDAS数据分辨率不一致的问题，学者们提出了许多降尺度方法，通常划分为动力降尺度方法和统计降尺度方法。动力降尺度方法具有更为坚实的物理基础，但需要消耗大量的计算资源，当时空尺度较大或分辨率提高时，对计算机的算力要求极高，因此统计降尺度法具有更为广泛的应用。在众多统计降尺度方法中，机器学习模型和深度学习模型能更好地处理驱动变量和目标变量间的非线性关系，然而从现有研究来看，当下垫面条件较复杂时，单一类型的机器学习模型或深度学习模型捕捉的因果关系不同且范围有限，使模型降尺度的全局效果仍然较差。因此，提出有效的多模型融合手段对于提升GRACE卫星数据精度、反演和重建地下水储量偏差具有重要意义。

技术实现思路

[0004]为了克服现有技术的问题，本专利技术提出了一种基于融合模型的地下水储量偏差降尺度方法，通过建立地下水量偏差的降尺度模型，获得一套空间精度较高且更加可靠的地下水储量偏差数据集，可为区域或流域尺度地下水资源规划利用提供参考。
[0005]本专利技术的目的是这样实现的：
[0006]一种基于融合模型的地下水储量偏差降尺度方法，包括以下步骤：
[0007]步骤1，驱动变量重采样：
[0008]利用双线性内插法将与地下水储量相关的各驱动变量，由0.25
°×
0.25
°
的分辨率重采样至0.5
°×
0.5
°
，获得驱动变量的数据集；
[0009]步骤2，构建驱动变量与目标变量的统计关系模型：
[0010]采用融合模型构建经所述步骤1处理后的驱动变量，与目标变量的统计关系模型；其中，所述目标变量为采用点质量法获得的GRACE陆地水储量偏差数据；
[0011]所述融合模型的构建包括：
[0012]S21，通过3折交叉验证法，采用m种机器学习模型和n种深度学习模型在步骤1获得的驱动变量的数据集上分别进行训练；
[0013]S22，采用Nash效率系数(NS)、Pearson相关系数(CC)、一致性指数(IG)和Kling
–
Gupta效率系数(KG)对S21中各模型的精度进行评估，表达式分别为：
[0014][0015][0016][0017][0018]式中，o
i
和s
i
分别为第i个观测值和第i个模拟值；σ
s
和σ
o
分别为模拟值和观测值的标准差；μ
s
和μ
o
分别为模拟值和观测值的均值；和分别为观测序列和模拟序列的均值；
[0019]以上述四个指标之和排名靠前的单一类型模型的输出，以及m+n个模型中与原始值偏差绝对值最小的输出结果构成新的数组；
[0020]S23，分别利用线性融合模型和非线性融合模型，对S22处理得到所述新的数组进行训练，并采用NS、CC、IG和KG之和最大的融合模型作为所述统计关系模型；
[0021]步骤3，获得高分辨率的陆地水储量偏差：
[0022]利用所述步骤2构建的统计关系模型模拟出0.5
°×
0.5
°
分辨率的陆地水储量偏差，与上述目标变量相减，得到0.5
°×
0.5
°
分辨率的残差，并利用最邻近插值法将残差分辨率重采样至0.25
°×
0.25
°
；进而与所述步骤2中构建的统计关系模型模拟出0.25
°×
0.25
°
分辨率的陆地水储量偏差相加，得到降尺度后的陆地水储量偏差；
[0023]步骤4，降尺度结果的合理性验证：
[0024]从步骤3获得降尺度后的陆地水储量偏差中，减去地表水储量偏差，得到0.25
°×
0.25
°
的地下水储量偏差，进而通过对研究区域的实测地下水位进行相关性分析，验证降尺度结果的合理性。
[0025]进一步的，步骤1中所述驱动变量包括降水、地表温度、地表径流、地下径流、实际蒸散发和土壤湿度。
[0026]进一步的，步骤2中S21，所述机器学习模型采用Python中的PyCaret包进行构建，并利用tune_model函数得到各模型的最优超参数。
[0027]进一步的，步骤2中S21，所述深度学习模型采用Python中的tsai包进行构建，并利用hyperop包进行超参数寻优。
[0028]进一步的，步骤2中S23，选用超级集合平均模型作为线性融合模型，表达式为：
[0029][0030]式中，(S
MMSE
)
t
为t时段MMSE模型模拟值；是t时段多模型模拟值的平均值；w
j
为各模型权重值；F
j,t
和分别为t时段第j个模型的预测值和预测均值；z为模型数量。
[0031]进一步的，步骤2中S23，选用随机森林模型作为非线性融合模型。
[0032]进一步的，步骤4中，所述地表水储量偏差包括冠层水储量偏差、雪水当量偏差和土壤水储量偏差。
[0033]本专利技术相比现有技术的优点和有益效果是：
[0034]本专利技术所述地下水储量偏差降尺度方法，通过构建多种单一类型的机器学习模型和深度学习模型的融合模型，并以Nash效率系数、Pearson相关系数、一致性指数和Kling
–
Gupta效率系数为指标，验证模型降尺度前后的一致性，统一了GRACE卫星数据和GLDAS数据的空间分辨率，显著提高了传统单一类型模型对地下水储量偏差的降尺度精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合模型的地下水储量偏差降尺度方法，其特征在于，包括以下步骤：步骤1，驱动变量重采样：利用双线性内插法将与地下水储量相关的各驱动变量，由0.25
°×
0.25
°
的分辨率重采样至0.5
°×
0.5
°
，获得驱动变量的数据集；步骤2，构建驱动变量与目标变量的统计关系模型：采用融合模型构建经所述步骤1处理后的驱动变量，与目标变量的统计关系模型，其中，所述目标变量为采用点质量法获得的GRACE陆地水储量偏差数据；所述融合模型的构建包括：S21，通过3折交叉验证法，采用m种机器学习模型和n种深度学习模型在步骤1获得的驱动变量的数据集上分别进行训练；S22，采用Nash效率系数(NS)、Pearson相关系数(CC)、一致性指数(IG)和Kling
–
Gupta效率系数(KG)对S21中各模型的精度进行评估，表达式分别为：效率系数(KG)对S21中各模型的精度进行评估，表达式分别为：效率系数(KG)对S21中各模型的精度进行评估，表达式分别为：效率系数(KG)对S21中各模型的精度进行评估，表达式分别为：式中，o
i
和s
i
分别为第i个观测值和第i个模拟值；σ
s
和σ
o
分别为模拟值和观测值的标准差；μ
s
和μ
o
分别为模拟值和观测值的均值；和分别为观测序列和模拟序列的均值；以上述四个指标之和排名靠前的单一类型模型的输出，以及m+n个模型中与原始值偏差绝对值最小的输出结果构成新的数组；S23，分别利用线性融合模型和非线性融合模型，对S22处理得到所述新的数组进行训练，并采用NS、CC、IG和KG之和最大的融合模型作为所述统计关系模型；步骤3，获得高分辨率的陆地水储量偏差：利用所述步骤2构建的统计关系模型模拟出0.5
°×
0.5
°
分辨率的陆地水储量偏差，与上述目标变量相减，得到0.5
°×
0....

【专利技术属性】
技术研发人员：屈艳萍，姜田亮，吕娟，张学君，王峰，杨晓静，陈茜茜，王兴旺，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：