[发明专利]基于神经网络可选择模型提高水储量变化预测可靠性方法

说明书

本发明公开了一种基于神经网络可选择模型提高水储量变化预测可靠性方法，包括：获取GLDAS数据和TRMM降雨数据；通过偏最小二乘回归模型PLSR，从GLDAS数据和TRMM降雨数据中筛选得到预测变量；调用预测模型，将筛选得到的预测变量作为预测模型的输入，通过预测模型得到陆地水储量变化预测值。本发明提高了陆地水储量变化预测的可靠性，且计算速度快。

技术领域

本发明属于卫星重力学、水文学等交叉技术领域，尤其涉及一种基于神经 网络可选择模型提高水储量变化预测可靠性方法。

背景技术

陆地水储量变化(terrestrial water storage anomaly，TWSA)是地表水、降 水、蒸发、径流、土壤水、地下水和其他成分相互作用的结果，也是水文循环 的关键部分。传统的监测陆地水储量变化TWSA的方法包括遥感卫星反演法、 观测法、物理模拟法等，然而上述方法无法估算陆地水储量的全部组分，例如， 气象业务卫星MetOp(MeteorologicalOperational Satellite Program)只能计算土 壤表层(＜2cm)的含水量情况。

2002年3月发射的GRACE卫星(Gravity Recovery and Climate Experiment) 以及于2018年5月发射的GRACE-FO卫星(GRACE-Follow On)可观测地球 重力场的时间变化，并进一步获取陆地水储量变化TWSA。GRACE卫星和 GRACE-FO卫星提供的陆地水储量变化为开展水文研究，包括水资源管理、气 候变化预测以及监测洪涝灾害提供了新手段。但是，GRACE数据和GRACE-FO 数据之间存在11个月数据缺失，限制了长期和连续的水文研究。预测这些缺失 数据对于保证GRACE数据的连续性和促进GRACE数据在水文研究中的广泛 应用至关重要。

传统的预测缺失的陆地水储量变化数据的方法是：基于陆面模式(Land SurfaceModels，LSMs)或全球水文模型构建简单的统计关系来对缺失的陆地 水储量数据进行定量估算，该方法主要用于估算由于地下水、蒸散发、冰川等 自然现象引起的陆地水储量变化。但是，利用这种方法无法估算深层地下水储 存和人类活动用水等组分。此外，该方法的质量在较大程度上受模型的结构、 边界条件(降雨和蒸散发)和数据的可用性、以及模型的校准和参数的影响。 因此，基于这种简单的统计关系估算的结果与GRACE真实值之间往往存在较 大偏差。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于神经网络可 选择模型提高水储量变化预测可靠性方法，旨在提高陆地水储量变化预测的可 靠性，具有可靠性高、计算速度快等优点。

为了解决上述技术问题，本发明公开了一种基于神经网络可选择模型提高 水储量变化预测可靠性方法，包括：

获取GLDAS数据和TRMM降雨数据；

通过偏最小二乘回归模型PLSR，从GLDAS数据和TRMM降雨数据中筛 选得到预测变量；

调用预测模型，将筛选得到的预测变量作为预测模型的输入，通过预测模 型得到陆地水储量变化预测值。

在上述基于神经网络可选择模型提高水储量变化预测可靠性方法中，偏最 小二乘回归模型PLSR的表达式如下：

其中，VIP_j值表示第j个自变量的指标投影重要性，p表示自变量的个数， h表示提取的主成分的个数，t_k表示相关自变量提取的主成分，R(Y,t_k)表示第k 个成分t_k与因变量Y的相关系数，w_kj表示第j个自变量对第k个成分t_k上的权 重。

在上述基于神经网络可选择模型提高水储量变化预测可靠性方法中，通过 偏最小二乘回归模型PLSR，从GLDAS数据和TRMM降雨数据中筛选得到预 测变量，包括：