《Journal of Hydrology》：A dynamic soft-constrained deep learning paradigm for spatial downscaling of satellite gravimetry terrestrial water storage
编辑推荐：
本研究针对GRACE/-FO卫星重力测量提供的约300公里低分辨率陆地水储量异常(TWSA)数据难以满足高时空分辨率水文事件监测需求的问题，开发了一种结合动态软约束损失函数的变分U-Net深度学习模型。该研究成功将JPL Mascon (JPLM) TWSA数据从2002年4月至2022年12月的时间序列空间降尺度至50公里分辨率，并提供了不确定性估计。验证结果表明，降尺度后的TWSA在保留GRACE/-FO观测大尺度信号的同时，有效融合了WaterGAP水文模型(WGHM)的高分辨率空间变异信息，能够更精确地刻画ENSO驱动的年际变化、冰川物质亏损趋势以及区域地下水耗竭模式，为区域水资源评估提供了更可靠的数据支撑。
水是生命之源，更是维系地球生态系统平衡和人类社会发展的关键要素。准确监测全球水资源的时空变化，对于理解气候变化、管理水资源、应对极端水文事件至关重要。过去二十年间，重力恢复与气候实验(GRACE)及其后续任务GRACE-FO (GRACE/-FO)卫星任务革命性地改变了我们监测全球陆地水储量(TWS)的能力，通过测量地球重力场的月度变化来反映水量的增减。然而，这一强大的观测工具存在一个先天不足：其空间分辨率相对较粗，约300公里，这就像是一副度数不足的眼镜，虽然能看清大致轮廓，却难以分辨细节。许多重要的水文过程，例如区域性的干旱、洪水、地下水超采以及冰川变化，往往发生在更小的空间尺度上。GRACE/-FO的低分辨率使得精准定位这些水文异常事件、理解其驱动机制以及评估其影响变得异常困难。
为了突破这一分辨率瓶颈，学术界通常采用两种思路。一种是“基于模型”的方法，例如将GRACE/-FO数据同化到复杂的水文模型中，通过调整模型参数来匹配观测，从而获得更高分辨率的输出。另一种是“基于数据”的统计方法，利用统计关系将低分辨率数据与高分辨率辅助数据融合。然而，这两种方法各有局限：模型方法受限于模型本身的不确定性以及对人类活动等过程表征的不足；而许多统计方法则假设水文过程在不同分辨率下完全一致，忽略了可能存在的非线性关系，且其降尺度结果有时会显得不真实或难以准确评估不确定性。
为了解决这些挑战，一项发表于《Journal of Hydrology》的研究提出了一种创新的深度学习范式。研究人员设计了一种名为“动态软约束变分U-Net”的混合深度学习模型，旨在对美国喷气推进实验室提供的JPL Mascon (JPLM) TWSA数据集进行高精度的空间降尺度。这项研究的核心目标是将GRACE/-FO观测的大尺度、低分辨率(约300公里)TWSA信号的准确性，与像WaterGAP全球水文模型(WGHM)这类水文模型所提供的高分辨率(50公里)空间细节信息有机地结合起来，生成一套既可靠又细致的新一代TWSA产品。
该研究的核心技术在于其独特的损失函数设计。研究者没有强硬地要求模型输出必须严格满足某些条件（硬约束），而是引入了一种“软约束”机制。这个动态软约束损失函数巧妙地平衡了两个目标：一是确保降尺度后的TWSA在低分辨率层面与原始的JPLM TWSA观测值保持一致（重构损失），二是促使降尺度结果在空间格局上尽可能贴近高分辨率的WGHM TWSA所展现的细节（约束违反损失）。一个动态权重参数（λ）在模型训练过程中不断调整，自适应地平衡这两方面的要求。此外，模型架构结合了U-Net擅长空间映射和变分自编码器(VAE)善于概率建模与不确定性量化的优点，使得最终输出的不仅是降尺度后的TWSA数据本身，还包含了每个估计值的不确定性信息。
在技术方法上，本研究构建了一个多输入单输出的深度学习框架。模型输入包括五个通道的高分辨率(50公里)数据：WGHM模型的TWSA、以及来自ERA5再分析数据的降水(P)、气温(T)、TWSA和累积水储量变化(CWSC)。模型的输出目标则是相应月份的JPLM TWSA数据（同样重采样至50公里网格）。通过训练，模型学习从高分辨率输入特征到低分辨率观测目标之间的复杂非线性映射关系。训练完成后，模型便能够利用连续的高分辨率输入数据，生成时间序列完整、空间细节丰富的降尺度TWSA产品。该研究还采用了蒙特卡洛丢弃法(MCDO)等技术来量化预测中的认知不确定性。
研究团队对生成的降尺度TWSA（简称DWSC TWSA）进行了 rigorous 的内外部验证。内部验证表明，DWSC TWSA成功保留了JPLM TWSA所包含的流域平均时间动态特征，包括长期趋势、季节循环和年际变率（如对ENSO事件的响应）。同时，其空间功率谱显示，DWSC TWSA在大于600公里的尺度上与JPLM TWSA高度一致，而在小于300公里的高波数范围则融入了WGHM TWSA的细节信息。与独立观测数据的对比（外部验证）进一步证实了DWSC产品的可靠性。例如，在2015-2016年强厄尔尼诺事件期间，DWSC TWSA与JPLM TWSA一样，清晰捕捉到了亚马逊地区与干旱相关的显著负异常；而在2010-2011年强拉尼娜事件期间，则准确反映了澳大利亚艾尔湖流域因暴雨引发的严重洪涝事件所致的正异常，其表现远优于未能充分体现此次事件强度的WGHM模型。特别值得指出的是，尽管WGHM模型本身不包含冰川模块，但DWSC TWSA却能够继承JPLM观测中清晰的冰川物质亏损信号，在阿拉斯加、加拿大北极地区、南安第斯山脉等主要冰川分布区呈现出与独立冰川数据集(G3PG)一致的强烈负趋势，显示了其捕捉多种水储量变化信号的能力。与土壤水分主动被动(SMAP)卫星表面土壤湿度数据的对比也显示，DWSC TWSA具有更高的空间一致性和相关性。最有力的验证来自与美国本土大量地下水监测井数据的比较。结果显示，DWSC TWSA反演得到的地下水储量异常(GWSA)在中央谷地、高平原等主要含水层区域，能够更精确地刻画长期地下水耗竭的空间分布和强度，显著改善了由于GRACE/-FO原始数据分辨率不足导致的信号“泄漏”和定位模糊问题，凸显了其在区域地下水监测中的巨大应用潜力。
研究结果强有力地证明了所提出的动态软约束深度学习范式的有效性。降尺度后的TWSA产品成功地将GRACE/-FO观测的准确性、全局性与水文模型的高分辨率空间细节融合在一起，生成了兼具可靠性和精细化的新一代水储量数据集。这套数据产品不仅更好地保留了大型水文极端事件（如干旱、洪水）的信号，也能更精确地揭示区域性的地下水变化和冰川物质平衡，为水文学、气候科学及相关领域的深入研究提供了更强大的数据支持，特别是在需要高空间分辨率进行区域水资源评估、灾害预警和气候变化影响研究的场合具有重要意义。该方法为融合多源数据以提升地球观测产品的空间分辨率提供了新思路，未来可进一步拓展至其他卫星重力产品或地球物理场数据的处理中。
