Машинно-обучаемый подход к расширению аномалий общего хранения воды назад до 1980 года (ML-TWiX)

Почему важны долгосрочные изменения воды

То, сколько воды хранится на суше — в почве, снегу, реках, озёрах и подземных водах — меняется от месяца к месяцу и от десятилетия к десятилетию. Эти колебания влияют на засухи, наводнения, производство продовольствия и даже на глобальный уровень моря. Спутники дали нам мощный планетарный обзор этих изменений лишь с начала 2000-х годов, что слишком мало для полного понимания долгосрочных климатических закономерностей. В этом исследовании представлен ML-TWiX — реконструкция на основе машинного обучения, которая расширяет глобальную запись изменений хранения воды на суше назад до 1980 года, помогая учёным и принимающим решения видеть многодесятилетние тренды в водном цикле Земли.

Как спутники видят скрытую воду

Спутники миссий GRACE и GRACE Follow-On не видят воду напрямую. Вместо этого они измеряют крошечные изменения в гравитации Земли, вызванные перемещением воды по планете. По этим гравитационным сдвигам учёные выводят «аномалии общего хранения воды» — насколько количество воды, хранящееся на суше, отличается от его долгосрочного среднего. Эти данные сильно изменили наше понимание истощения грунтовых вод, затяжных засух, наводнений в бассейнах рек и вклада сухопутной воды в повышение уровня моря. Но наблюдения в стиле GRACE охватывают лишь примерно два десятилетия, что оставляет запись слишком короткой для надёжного выявления медленных климатических трендов или для сопоставления сегодняшних экстремумов с событиями недавнего прошлого.

Обучение компьютеров на моделях

Чтобы выйти за рамки того, что могут дать только спутники, авторы обращаются к машинному обучению. Многие компьютерные модели уже симулируют, как вода перемещается и хранится на суше, но у каждой модели есть свои слепые зоны — одни хорошо учитывают снег, но упускают грунтовые воды, другие включают человеческое водопользование, но упрощают реки, и так далее. ML-TWiX использует выходные данные тринадцати таких глобальных моделей за период 1980–2012 годов и применяет наблюдения GRACE за 2002–2012 годы в качестве обучающей цели. Три различных алгоритма обучения — Random Forest, XGBoost и Gaussian Process Regression — обучаются по ячейкам сетки, как комбинировать модели так, чтобы их суммарный выход соответствовал тому, что на самом деле видел GRACE во время своей работы.

Построение более полного изображения объединением многих взглядов

Вместо того чтобы полагаться на одну технику, ML-TWiX применяет ансамблевый подход. Каждый из трёх методов машинного обучения обучается многократно с немного разными настройками, после чего все их предсказания усредняются. Такое объединение снижает влияние особенностей любой одной модели и делает итоговый продукт более надёжным в разных климатах — от влажных тропиков до сухих пустынь и снежных высоких широт. Важно, что также фиксируется разброс между членами ансамбля, давая карту неопределённости, которая показывает пользователям, где реконструкция более или менее надёжна. Неопределённость, как правило, выше в регионах с очень динамичными водными циклами, например в бассейне Амазонки и в зонах муссонов, и ниже в более засушливых районах, где изменения запасов воды меньше.

Проверка новой записи

Авторы не просто доверяют выходу машинного обучения; они сверяют его с несколькими независимыми источниками доказательств. Во-первых, в годы работы GRACE реконструированное хранение воды в целом совпадает со спутниковой записью по сотням крупных речных бассейнов, с очень высокими корреляциями и малыми ошибками. Во-вторых, они сравнивают ML-TWiX с оценками, полученными методом лазерного дальномера спутников (satellite laser ranging) — старой техникой, которая также чувствует гравитационные изменения, — и обнаруживают, что новый набор данных соответствует этому сигналу примерно так же хорошо, как и сам GRACE. В-третьих, проверяется, согласуются ли помесячные изменения реконструированного хранения с базовым уравнением водного баланса, связывающим осадки, испарение и сток рек. Наконец, используют глобальный бюджет уровня моря: когда суша хранит больше воды, океаны временно понижаются, и наоборот. Глобальное среднее ML-TWiX хорошо согласуется с оценками, основанными на уровне моря, особенно в эпоху спутниковых наблюдений.

Что это означает для понимания будущего воды на Земле

Для неспециалистов ML-TWiX можно представить как умный, основанный на данных «переводчик» между множеством несовершенных компьютерных симуляций и короткой, но высоконадежной спутниковой записью. Научившись тому, как эти симуляции вели себя в годы GRACE, он может воспроизвести подобные соотношения назад до 1980 года, заполнив более чем две дополнительные декады помесячных глобальных карт изменений хранения воды на суше. Хотя реконструкция менее достоверна в предспутниковый период и не способна зафиксировать всё — особенно там, где климат или человеческое водопользование могли измениться новыми способами — она по-прежнему предоставляет одну из наиболее согласованных и строго проверенных карт того, как менялась сухопутная вода Земли за последние десятилетия. Этот более длинный обзор поможет исследователям и планировщикам лучше поместить сегодняшние засухи, наводнения и водные нагрузки в более широкий исторический и климатический контекст.

Цитирование: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

Ключевые слова: сухопутное хранение воды, спутники GRACE, гидрология с машинным обучением, глобальный водный цикл, изменение уровня моря