[发明专利]一种基于融合模型的地下水储量偏差降尺度方法

权利要求书

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：

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°×0.5°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；

步骤4，降尺度结果的合理性验证：

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。

2.根据权利要求1所述的基于融合模型的地下水储量偏差降尺度方法，其特征在于，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。

3.根据权利要求1所述的基于融合模型的地下水储量偏差降尺度方法，其特征在于，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。

4.根据权利要求1所述的基于融合模型的地下水储量偏差降尺度方法，其特征在于，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。

5.根据权利要求1所述的基于融合模型的地下水储量偏差降尺度方法，其特征在于，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：

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。

6.根据权利要求1所述的基于融合模型的地下水储量偏差降尺度方法，其特征在于，步骤2中S23，选用随机森林模型作为非线性融合模型。

7.根据权利要求1所述的基于融合模型的地下水储量偏差降尺度方法，其特征在于，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。