一种将总储水异常扩展回1980年的机器学习方法（ML-TWiX）

为什么长期水量变化很重要

陆地上储存的水量——包括土壤、积雪、河流、湖泊和地下水——会随月度和十年尺度发生变化。这些变化影响干旱、洪涝、粮食产量，甚至全球海平面。卫星自21世纪初以来才为我们提供了强大的全球视角，但这段时间太短，无法充分理解长期气候模式。本研究提出了 ML-TWiX，一种基于机器学习的重建方法，将全球陆地水储变化记录扩展回1980年，帮助科学家和决策者识别地球水循环的多十年趋势。

从太空观测隐藏的水

GRACE 和 GRACE Follow-On 任务的卫星并不直接“看见”水，而是测量因水在地球上移动而引起的微小重力变化。科学家从这些重力变化推断出“总储水异常”——即陆地储水量与长期平均值的差异。这些数据彻底改变了我们对地下水枯竭、长期干旱、流域洪涝以及陆地水对海平面上升贡献的认识。但 GRACE 类型的观测仅覆盖约二十年，记录太短，难以稳健地检测缓慢的气候驱动趋势或将当前极端事件与近期过去作比较。

教计算机从模式中学习

为了超越单靠卫星能提供的信息，作者转向机器学习。许多数值模式已经模拟了水在陆地上的运动和储存，但每个模式都有盲点——有些对积雪处理得很好却忽视地下水，另一些虽考虑人类用水却简化河流过程，等等。ML-TWiX 使用十三个此类全球模式在1980–2012年的输出，并以2002–2012 年间的 GRACE 观测作为训练目标。三种不同的学习算法——随机森林、XGBoost 和高斯过程回归——逐格点学习如何组合这些模式的输出，使其联合结果在卫星在轨期间与 GRACE 实际观测一致。

通过多视角组合构建更强的图像

ML-TWiX 不是信任单一技术，而是采用集合方法。三种机器学习方法在略有不同的设置下重复训练多次，然后对它们的预测取平均。这样的汇聚减少了单一模型特性对结果的影响，使最终产品在从湿润热带到干燥沙漠及雪主导的高纬区等各种气候下更稳健。重要的是，还记录了集合成员之间的分布，生成不确定性图，告诉用户重建在哪些区域更可靠或不可靠。不确定性往往在水循环非常动态的地区更高，例如亚马逊和季风区，而在储水变化较小的干旱地区则较低。

对新记录进行检验

作者并未盲目信任机器学习输出，而是用若干独立证据进行检验。首先，在 GRACE 在轨的年份里，重建的储水与卫星记录在数百个大型流域中紧密对应，相关性很高且误差较小。其次，他们将 ML-TWiX 与来自卫星激光测距的估计进行比较——这一较旧的方法同样能感知重力变化——发现新数据集与该信号的匹配度与 GRACE 本身相当。第三，他们检验重建储水的月际变化是否与降水、蒸散和河流径流之间的基本水量平衡方程一致。最后，他们利用全球海平面预算：当陆地储水增加时，海洋应暂时下降，反之亦然。ML-TWiX 的全球平均值与基于海平面的估计吻合良好，尤其在卫星时代表现突出。

这对理解地球水资源未来意味着什么

对非专业读者而言，ML-TWiX 可被视为在多套不完美的数值模拟与一段短但高度可信的卫星记录之间的智能、数据驱动的“翻译器”。通过学习这些模拟在 GRACE 年间的表现，它可以将类似的关系回放到1980年，补全超过二十年的每月全球陆地储水变化图。尽管在卫星出现之前重建的不确定性更大，且无法捕捉所有变化——尤其是在气候或人类用水模式发生新变化的地区——它仍然提供了迄今为止最一致且经过严格检验的地球陆地水变化图像之一。这一更长期的视角应能帮助研究人员和规划者把当今的干旱、洪涝与水资源压力更好地置于更广的历史与气候背景中理解。

引用: 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

关键词: 陆地水储量, GRACE 卫星, 机器学习水文学, 全球水循环, 海平面变化