【技术实现步骤摘要】
利用机器学习从卫星重力数据恢复陆地水储量异常的方法
[0001]本专利技术涉及重力卫星技术和水文领域，具体而言，涉及重力卫星反演陆地水储量异常的应用领域，更具体地为一种利用机器学习从卫星重力数据恢复陆地水储量异常的方法，即基于卷积神经网络恢复重力卫星泄露信号获取陆地水储量异常的方法。
技术介绍
[0002]陆地上各种形式水储存量的总和称为陆地水储量，包括植被冠层水、土壤含水量、地表水储量、雪水当量和地下水储量。陆地水储量异常(Terrestrial Water Storage Anomaly,TWSA)指的是研究时间段内的陆地水储量与一段时间内的陆地水储量平均值的差值，其可以反映出陆地水储量的增减情况。陆地水储量异常是衡量区域水资源状况的重要指示，也是全球陆地生态系统水热平衡的重要组成部分。定量精确地估算区域陆地水储量异常的时空变化可以为实现水资源可持续管理提供有力支持。
[0003]常用的陆地水储量监测方法包括水文气象观测、陆面过程建模等。传统水文气象观测方法易受空间站点时空分布、复杂地形地貌、人财物能力等条件制约...
【技术保护点】
【技术特征摘要】
1.一种利用机器学习从卫星重力数据恢复陆地水储量异常的方法，其特征在于，包括：步骤S1：获取GRACE重力卫星的卫星数据、水文模型的陆地水储量数据以及预设区域的边界及经纬度信息，并根据预设区域的重力信号可能泄露的范围设置背景区的边界及经纬度信息，其中，背景区为预设区域范围外含有大部分泄露信号的区域；步骤S2：根据步骤S1获取的数据及预设区域和背景区的经纬度信息，计算预设区域和背景区的GRACE重力卫星反演的平滑后的陆地水储量异常；步骤S3：获取全球的水文模型的月尺度陆地水储量异常数据，并根据研究时间段进行距平操作；步骤S4：将全球的陆地水储量异常数据进行正演模拟，通过低通滤波减少高阶次球谐系数中的误差，根据背景区的边界和经纬度信息获取平滑后的陆地水储量异常数据；步骤S5：构建并训练神经网络模型；步骤S6：将步骤S2得到的背景区的GRACE重力卫星反演的平滑后的陆地水储量异常数据输入训练好的神经网络模型进行泄露信号的恢复。2.根据权利要求1所述的利用机器学习从卫星重力数据恢复陆地水储量异常的方法，其特征在于，GRACE重力卫星数据为level
‑
2球谐系数产品，其所代表的陆地水储量信息包括地表水、土壤水和地下水；获取的水文模型包括WGHM、Noah、CLSM、Mosaic和VIC五种水文模型，水文模型的陆地水储量数据包括水文模型模拟的雪水当量输出结果、土壤水储量输出结果和地下水储量输出结果的总和。3.根据权利要求2所述的利用机器学习从卫星重力数据恢复陆地水储量异常的方法，其特征在于，步骤S2根据GRACE重力卫星的卫星数据计算陆地水储量异常是将高阶次含有随机误差和系统误差的level
‑
2球谐数据转换成背景区平滑后的陆地水储量异常数据的过程，其通过构建地球重力场模型，经过低通滤波、去条带滤波和距平操作，根据背景区的经纬度信息，转换为平滑后陆地水储量异常值。4.根据权利要求3所述的利用机器学习从卫星重力数据恢复陆地水储量异常的方法，其特征在于，低通滤波采用半径为300km的高斯滤波处理，去条带滤波优选采用P3M10方式，即对前10
×
10阶的球谐系数保持不变，用3阶多项式拟合大于等于10阶的球谐系数，奇数阶与偶数阶分开拟合，并从原球谐系数中扣除拟合值，具体过程包括：将GRACE level
‑
2球谐系数产品截断至一定阶数的球谐系数；去掉0阶项；采用卫星激光测距数据计算的结果对C20项进行替换；使用JPL发布的Technical Note TN
‑
13数据替换level
‑
2球谐系数产品的1阶项。5.根据权利要求4所述的利用机器学习从卫星重力数据恢复陆地水储量异常的方法，其特征在于，步骤S2还包括球谐系数与陆地水储量异常之间的转换，其为将GRACE重力卫星level
‑
2球谐系数转换成背景区的平滑后的格网数据，具体包括：步骤S201：假设引起重力异常的地球质量重分布仅集中在地球表层，主要包括大气、海洋、冰盖、陆地水储量的变化，通过将这一质量重分布对应的密度变化用径向积分换算为其引起的大地水准面高...
【专利技术属性】
技术研发人员：潘云，张青全，马亚林，李慧香，宫辉力，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。