一种基于人工神经网络的地下水储量变化空间降尺度方法技术

本申请涉及一种基于人工神经网络的地下水储量变化空间降尺度方法，包括：基于水量平衡原理，根据GRACE卫星监测的陆地总水储量中获取低空间分辨率的地下水储量变化量；获取高空间分辨率的环境变量，并确定地下水储量变化量相对于环境变量的最佳滞后时间；将环境变量作为样本数据基于控制变量法多次训练建模确定人工神经网络模型的最优模型参数；基于最优模型参数和所述最佳滞后时间根据人工神经网络模型构建GRACE地下水储量变化空间降尺度模型，以实现高空间分辨率地下水储量变化量的模拟，最终提高GRACE卫星监测地下水的精度，提升空间降尺度模型在复杂小区域的适用性。空间降尺度模型在复杂小区域的适用性。空间降尺度模型在复杂小区域的适用性。

【技术实现步骤摘要】
一种基于人工神经网络的地下水储量变化空间降尺度方法


[0001]本申请涉及遥感数字影像空间降尺度、水文学交叉
，特别是涉及一种基于人工神经网络的地下水储量变化空间降尺度方法。

技术介绍

[0002]地下水(GWS)是全球水文循环中最大的淡水资源，提供了全球约50％的饮用水。近年来，极端气候、人口增长、地下水资源过度开采导致地下水资源的严重消耗，掌握地下水动态变化对水资源管理和人类生存至关重要，而长期的地下水动态变化监测是实现地下水资源可持续管理与保护的基础。
[0003]卫星遥感技术中的GRACE卫星为实现高效率、大范围且时间连续的地下水动态变化监测提供了新的可能。但GRACE卫星数据的粗空间分辨率也严重限制了其在区域尺度地下水监测中的应用。特别是由于基于机器学习模型的GRACE卫星数据在空间降尺度研究方面通常忽视了GRACE地下水相对于环境变量的时间滞后效应，并且由于对机器学习算法最佳参数组合的研究不够深入，对于干旱地区，由于地下水含水层距地面深度大，水分从地表渗透到地下水含水层需要的时间较长的情况不能精确监测，导致其对于一些拥有复杂地形、气候环境的地区不能准确监测地下水动态变化。

技术实现思路

[0004]本申请提供了一种基于人工神经网络的地下水储量变化空间降尺度方法，能够提高GRACE卫星监测地下水的精度，提升空间降尺度模型在复杂小区域的适用性。
[0005]第一方面，本申请提供了一种基于人工神经网络的地下水储量变化空间降尺度方法，该方法包括：基于水量平衡原理，根据GRACE卫星监测的陆地总水储量中获取低空间分辨率的地下水储量变化量；获取与所述地下水储量变化量相对应的高空间分辨率的环境变量，并确定所述地下水储量变化量相对于所述环境变量的最佳滞后时间；将所述环境变量作为样本数据基于控制变量法多次训练建模确定人工神经网络模型的最优模型参数；其中，所述最优模型参数包括参与训练的各样本比例、隐含层神经元个数、网络学习速率、最大迭代次数、权值初始范围和训练次数中的一种或者多种；基于所述最优模型参数和所述最佳滞后时间根据人工神经网络模型构建GRACE地下水储量变化空间降尺度模型，以实现高空间分辨率地下水储量变化量的模拟。
[0006]可选的是，所述基于水量平衡原理，根据GRACE卫星监测的陆地总水储量中获取低空间分辨率的地下水储量变化量，包括：采集由GRACE卫星监测的陆地总水储量变化量，其中所述陆地总水储量变化量包括地表水、土壤水、地下水储量、冰雪融水和植被冠层水的变化量；计算研究区所述地表水、所述土壤水、所述冰雪融水和所述植被冠层水在预设时间段内的历史变化量，通过公式(1)进行描述：
[0007]ΔG(t)＝G(t)
‑
G
avg
(1)，
[0008]式中，ΔG(t)代表所述陆地总水储量变化量中某一变量在预设时间段内的历史变
化量，G(t)代表t时刻某一变量对应的历史变化量，G
avg
代表某一变量在预设时间段内历史变化量的平均值；基于水量平衡原理将所述GRACE卫星监测的陆地总水储量变化量与所述地表水、所述土壤水、所述冰雪融水和所述植被冠层水的变化量做减法运算，得到所述地下水储量变化量，通过公式(2)进行描述：
[0009]ΔGWS＝ΔTWS
‑
ΔSWS
‑
ΔSMS
‑
ΔSWE
‑
ΔCWS(2)，
[0010]式中，ΔGWS表示地下水储量变化量，ΔTWS表示陆地总水储量变化量，ΔSWS表示地表水储量变化量，ΔSMS表示土壤含水量变化量，ΔSWE表示冰雪融水量变化量，ΔCWS表示植被冠层水含量变化量。
[0011]可选的是，所述获取与所述地下水储量变化量相对应的高空间分辨率的环境变量，并确定所述地下水储量变化量相对于所述环境变量的最佳滞后时间，包括：根据集成经验模态分解算法分解所述地下水储量变化量与各个环境变化量的时间序列，得到若干个本征模态函数与残差；其中，所述环境变量包括降水、地表温度、潜在蒸散发、归一化植被指数和土壤含水量；根据快速傅里叶变换法计算每个所述本征模态函数对应的平均周期；根据所述本征模态函数计算每个所述本征模态函数对应的方差贡献率，通过公式(3)进行描述：
[0012]式中，P
i
为第i个本征模态函数的方差贡献率，V
i
是第i个本征模态函数的方差，n是本征模态函数的总个数；基于得到的每个所述本征模态函数对应的所述平均周期和所述方差贡献率，比较每个所述本征模态函数对应的平均周期和方差贡献率，选取平均周期最接近1年，且方差贡献率较大的所述本征模态函数，作为原始获取的所述地下水储量变化量与各个环境变量的替代时间序列；根据皮尔逊相关系数法计算不同滞后时间的所述地下水储量变化量与各环境变量的替代时序之间的相关性，其中最高相关系数对应的滞后时间被定义为最佳滞后时间，通过公式(4)进行描述：
[0013]式中，CC表示相关系数，和代表每组数据的平均值，x
i
和y
i
是两组用于相关性分析的数据，n是每组数据的长度。
[0014]可选的是，所述根据集成经验模态分解算法分解所述地下水储量变化量与各个环境变量的时间序列，得到若干个本征模态函数与残差，包括：基于集成经验模态分解算法分解所述地下水储量变化量与各个所述环境变量的时间序列，通过公式(5)进行描述：
[0015]式中，x(t)代表待分解的时间序列也即所述地下水储量变化量与各个所述环境变量的时间序列，IMF
i
(t)表示第i个本征模态函数，R(t)表示残差，t是时间，n表示所述本征模态函数的总个数。
[0016]可选的是，所述将所述环境变量作为样本数据基于控制变量法多次训练建模确定人工神经网络模型的最优模型参数，包括：对所述人工神经网络模型中的模型参数进行设置；基于人工神经网络模型对所述环境变量进行训练，得到多组输出数据，并利用误差反向传播算法确定各个所述模型参数的最佳值；根据预测精度指标确定所述人工神经网络模型的最佳模型参数。
[0017]可选的是，所述对所述人工神经网络模型中的模型参数进行设置包括：将所述环境变量的样本数据分为训练集、验证集以及测试集，并将三种数据集按照不同比例配置作为人工神经网络模型的输入数据；对所述隐藏层神经元、所述网络学习速率、所述最大迭代次数以及所述训练次数进行多次实验设置。
[0018]可选的是，所述根据预测精度指标确定所述人工神经网络模型的最佳模型参数，包括：根据每组所述模型参数的输入数据和输出数据，分别计算每个所述模型参数对应的相关系数、均方根误差和偏差；通过所述相关系数、均方根误差和偏差确定所述人工神经网络模型的最佳模型参数；其中，所述均方根误差、所述偏差分别通过以下公式(11)、(12)进行描述：
[0019][0020]其中，RMSE表示均方根误差，BIAS表示偏差，x
i
是第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的地下水储量变化空间降尺度方法，其特征在于，包括以下步骤：基于水量平衡原理，根据GRACE卫星监测的陆地总水储量中获取低空间分辨率的地下水储量变化量；获取与所述地下水储量变化量相对应的高空间分辨率的环境变量，并确定所述地下水储量变化量相对于所述环境变量的最佳滞后时间；将所述环境变量作为样本数据基于控制变量法多次训练建模确定人工神经网络模型的最优模型参数；其中，所述最优模型参数包括参与训练的各样本比例、隐含层神经元个数、网络学习速率、最大迭代次数、权值初始范围和训练次数中的一种或者多种；基于所述最优模型参数和所述最佳滞后时间根据人工神经网络模型构建GRACE地下水储量变化空间降尺度模型，以实现高空间分辨率地下水储量变化量的模拟。2.根据权利要求1所述的基于人工神经网络的地下水储量变化空间降尺度方法，其特征在于，所述基于水量平衡原理，根据GRACE卫星监测的陆地总水储量中获取低空间分辨率的地下水储量变化量，包括：采集由GRACE卫星监测的陆地总水储量变化量，其中所述陆地总水储量变化量包括地表水、土壤水、地下水储量、冰雪融水和植被冠层水的变化量；计算研究区所述地表水、所述土壤水、所述冰雪融水和所述植被冠层水在预设时间段内的历史变化量，通过公式(1)进行描述：ΔG(t)＝G(t)
‑
G
avg
ꢀꢀꢀꢀ
(1)，式中，ΔG(t)代表所述陆地总水储量变化量中某一变量在预设时间段内的历史变化量，G(t)代表t时刻某一变量对应的变化量，G
avg
代表某一变量在预设时间段内历史变化量的平均值；基于水量平衡原理将所述GRACE卫星监测的陆地总水储量变化量与所述地表水、所述土壤水、所述冰雪融水和所述植被冠层水的变化量做减法运算，得到所述地下水储量变化量，通过公式(2)进行描述：ΔGWS＝ΔTWS
‑
ΔSWS
‑
ΔSMS
‑
ΔSWE
‑
ΔCWS
ꢀꢀꢀꢀ
(2)，式中，ΔGWS表示地下水储量变化量，ΔTWS表示陆地总水储量变化量，ΔSWS表示地表水储量变化量，ΔSMS表示土壤含水量变化量，ΔSWE表示冰雪融水量变化量，ΔCWS表示植被冠层水含量变化量。3.根据权利要求1所述的基于人工神经网络的地下水储量变化空间降尺度方法，其特征在于，所述获取与所述地下水储量变化量相对应的高空间分辨率的环境变量，并确定所述地下水储量变化量相对于所述环境变量的最佳滞后时间，包括：根据集成经验模态分解算法分解所述地下水储量变化量与各个环境变量的时间序列，得到若干个本征模态函数与残差；其中，所述环境变量包括降水、地表温度、潜在蒸散发、归一化植被指数和土壤含水量；根据快速傅里叶变换法计算每个所述本征模态函数对应的平均周期；计算每个所述本征模态函数对应的方差贡献率，通过公式(3)进行描述：
式中，P
i
为第i个本征模态函数的方差贡献率，V
i
是第i个本征模态函数的方差，n是本征模态函数的总个数；基于得到的每个所述本征模态函数对应的所述平均周期和所述方差贡献率，比较每个所述本征模态函数对应的平均周期和方差贡献率，选取平均周期最接近1年，且方差贡献率较大的所述本征模态函数，作为原始获取的所述地下水储量变化量与各个环境变量的替代时间序列；根据皮尔逊相关系数法计算不同滞后时间的所述地下水储量变化量与各环境变量的替代时序之间的相关性，其中最高相关系数对应的滞后时间定义为最佳滞后时间，通过公式(4)进行描述：式中，CC表示相关系数，和代表每组数据的平均值，x
i
和y
i
是两组用于相关性分析的数据，n是每组数据的长度。4.根据权利要求3所述的基于人工神经网络的地下水储量变化空间降尺度方法，其特征在于，所述根据集成经验模态分解算法分解所述地下水储量变化量与各个环境变量的时间序列，得到若干个本征模态函数与残差，包括：基于集成经验模态分解算法分解所述...

【专利技术属性】
技术研发人员：许端阳，王杰，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：