EN中文

地理科学进展 >

2024 , Vol. 43 >Issue 11: 2136 - 2146

DOI: https://doi.org/10.18306/dlkxjz.2024.11.003

研究综述

基于GRACE数据同化的水文模型构建方法分析与展望

  • 罗增良 , 1, 2 ,
  • 董雯雯 1 ,
  • 王伦澈 , 1, 2, * ,
  • 丁相毅 3 ,
  • 黄河清 1 ,
  • 吴云龙 1 ,
  • 钟玉龙 1
展开
  • 1.中国地质大学(武汉)地理与信息工程学院，武汉 430074
  • 2.自然资源信息管理与数字孪生工程软件教育部工程研究中心，武汉 430074
  • 3.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室，北京 100038
*王伦澈(1987— )，男，安徽安庆人，博士，教授，博士生导师，主要从事区域地表信息监测与生态环境遥感方向的研究工作。E-mail:

罗增良(1990— )，男，河南周口人，博士，教授，博士生导师，主要从事水文学及水资源方向的研究工作。E-mail:

收稿日期: 2024-03-31

  修回日期: 2024-05-21

  网络出版日期: 2024-11-26

基金资助

国家自然科学基金项目(42201038)

收起

Analysis and prospects of hydrological model construction methods based on GRACE data assimilation

  • LUO Zengliang , 1, 2 ,
  • DONG Wenwen 1 ,
  • WANG Lunche , 1, 2, * ,
  • DING Xiangyi 3 ,
  • HUANG Heqing 1 ,
  • WU Yunlong 1 ,
  • ZHONG Yulong 1
Expand
  • 1. School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China
  • 2. Engineering Research Center of Natural Resource Information Management and Digital Twin Engineering Software, Ministry of Education, Wuhan 430074, China
  • 3. State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin, China Institute of Water Resources and Hydropower Research, Beijing 100038, China

Received date: 2024-03-31

  Revised date: 2024-05-21

  Online published: 2024-11-26

Supported by

National Natural Science Foundation of China(42201038)

Fold

摘要

GRACE卫星反演的水储量信息为研究水循环过程提供了高精度数据，但如何把GRACE卫星水储量数据同化到现有分布式水文模型的径流模拟过程，已成为限制GRACE数据应用于水文模型、提高径流模拟精度的关键科学问题。论文在综述国内外研究进展的基础上，归纳总结GRACE水储量数据同化的常用方法、现有数据同化方式的原理及优缺点，以及不同数据同化方式提高水文模型精度的程度。进而，总结GRACE水储量数据同化存在的难点问题，并展望可能的破解途径。梳理结果表明，GRACE水储量数据同化面临的难点问题包括水文模型精细的建模需求与GRACE数据粗糙时空分辨率的矛盾问题，以及水文模型单独模拟水储量分量与GRACE数据表示陆表总的水储量变化的矛盾问题；综合前人在不同流域的研究结果表明，通过GRACE水储量数据同化，水文模型水储量模拟值的均方根误差减少了约5%~40%，相关性系数提高了约10%~50%，但径流模拟精度的提高幅度比较有限，相关性系数提高了约2%~16%。研究结果将为推动GRACE卫星水储量数据同化的水文模型开发及应用研究提供理论和方法参考。

关键词： GRACE卫星水储量数据; 分布式水文模型; 陆表水储量; 数据同化; 径流模拟

本文引用格式

罗增良 , 董雯雯 , 王伦澈 , 丁相毅 , 黄河清 , 吴云龙 , 钟玉龙 . 基于GRACE数据同化的水文模型构建方法分析与展望[J]. 地理科学进展, 2024 , 43(11) : 2136 -2146 . DOI: 10.18306/dlkxjz.2024.11.003

Abstract

The water storage information retrieved by GRACE satellite provides high-precision data for the study of water cycle process. However, assimilating terrestrial water storage change data of GRACE satellite into existing distributed hydrological models for streamflow simulation has become a key scientific challenge in utilizing GRACE data to improve the accuracy of water storage and streamflow simulations. Based on a review of current research progress, this article summarized the commonly used methods for assimilating GRACE water storage change data into distributed hydrological model, the principles and advantages/disadvantages of existing data assimilation approaches, and the extent to which different data assimilation methods improve the accuracy of hydrological modeling for water storage and streamflow simulations. Furthermore, this study identified the problems associated with assimilating GRACE water storage change data into distributed hydrological models and then proposed possible solutions to these problems. The results of this study indicate that the challenges in assimilating GRACE water storage change data into distributed hydrological models include: 1) the contradiction between the high spatial and temporal modeling requirements of hydrological models and the low spatial and temporal resolutions of GRACE data and 2) the discrepancy between the individual simulation of water storage components in distributed hydrological models and the representation of total terrestrial water storage changes by GRACE data. Findings from previous studies in different river basins manifest that assimilating GRACE water storage data can reduce the root mean square error of water storage simulations by approximately 5% to 40% and increase the correlation coefficient of water storage simulations by about 10% to 50%. However, the improvement in streamflow simulation accuracy is relatively limited, with an increase in the correlation coefficient of approximately 2% to 16%. This research provides theoretical and methodological references for the development and application of hydrological models assimilating GRACE satellite water storage data.

Key words： GRACE satellite water storage data; distributed hydrological model; terrestrial water storage; data assimilation; runoff simulation

水文模型是研究全球水循环变化的有力工具。然而，由于缺乏陆表水储量观测数据，水文模型的开发通常采用模型内置的水量平衡或统计方法模拟陆表水储量，包括河湖水储量、雪水当量、植被截留量、土壤水储量和地下水储量等[1-2]。由于水储量模拟值未经精度验证，当作为驱动下一阶段水文过程模拟的输入数据时，水储量模拟误差将随着水文过程模拟不断传递，最终影响径流模拟精度。因此，提高水文模型水储量变化的空间模拟精度，对于提高水文模型精度具有重要意义。
为了监测地球重力场变化，美国航空航天局(National Aeronautics and Space Administration，NASA)和德国航空航天中心(German Aerospace Center，DLR)于2002年3月联合发射了GRACE (gravity recovery and climate experiment)卫星，并于2018年5月发射了其后续卫星(GRACE-FO)。GRACE卫星任务可以在全球范围内提供更加高效和准确的水储量变化观测数据，目前已经被广泛应用于全球许多流域的水文循环和陆表水储量变化研究[3⇓⇓-6]。由于精度高和空间覆盖范围广，GRACE卫星数据为提高水文模型精度提供了重大机遇。基于GRACE数据同化的水文模型开发及应用成为学科前沿。国内外学者提出了许多不同的数据同化思路和方法。例如，许多研究利用GRACE数据作为参考值调整水文模型参数[7⇓-9]；把GRACE数据同化到水文模型的水储量变化模拟，通过提高水储量变化在空间上的模拟精度，提高径流模拟精度[10⇓-12]。
值得注意的是，不同数据同化方法的原理不同，同化方式的类型多样，对GRACE数据的处理、同化流程和提高径流模拟精度的程度也不尽相同。目前，国内外尚缺乏针对GRACE数据同化水文模型研究的归纳总结，例如，不同数据同化方式的区别和优缺点、其在提高流域径流模拟精度方面的潜力、当前研究面临的难点以及如何克服这些挑战等问题。因此，系统总结常用GRACE数据同化方法的原理，以及现有数据同化方式的区别及优缺点，进而归纳GRACE数据同化的难点问题及研究展望，对进一步发展基于GRACE数据同化的水文模型、提高复杂流域的径流模拟精度具有重要意义。
本文将对常用的水储量数据源、GRACE卫星水储量数据同化方法、数据同化的方式及当前研究进展进行归纳总结和梳理，进而分析基于GRACE数据同化提高水文模型精度面临的难点问题，并展望解决这些问题进一步的研究重点，期望研究成果能够为基于GRACE数据同化的水文模型开发及应用提供参考。

1 陆表水储量数据源及特点

目前常用的陆表水储量变化数据获取方法包括实地观测、水文模型模拟、卫星遥感反演、水量平衡方程估计、机器学习与深度学习模型模拟等，现对其数据源及特征的总结如下。
地下水位观测是估算陆表水储量变化的常用方法，但是由于全球的观测站点数量有限且空间分布不均，许多研究仅将其作为卫星反演和水文模型的验证数据。例如曹杰等[13]通过重力卫星反演得到华北平原地下水储量变化，并利用地下水井观测数据进行验证。
水文模型通过模拟水储量分量的方式获取总的陆表水储量变化。相比直接观测法，其显著优势是时空分辨率更高，但模型精度通常受到气候驱动数据精度、模型结构、参数化以及人类活动等因素的影响。例如，Scanlon等[14]基于GRACE数据，在全球186个流域评估了7个全球模型的水储量变化模拟精度，发现不同模型之间的差异较大，且水文模型模拟的水储量变化与GRACE数据的相关性较弱；Chi等[15]使用CLM5(community land model version 5)模型在东亚地区的研究发现，水储量变化的模拟值在春秋季节偏高，与GRACE数据的相关系数约为0.55；Tangdamrongsub等[16]在干旱和半干旱地区(澳大利亚和华北平原)的研究表明，PCR-GLOBWB (PCRaster global balance)、CABLE (community atmosphere biosphere land exchange)和W3 (world-wide water resources assessment system)模型的陆表水储量变化模拟值与GRACE数据的平均相关系数约为0.6，而WGHM (waterGAP global hydrology model)模型的相关系数仅为0.15。虽然关于水文模型模拟陆表水储量变化的研究已经有很多，但相关数据集的发布较少，这可能与水文模型较低的水储量变化模拟精度有关。
重力卫星为更加准确地观测陆表水储量变化带来了新的机遇。2002年3月发射的重力卫星GRACE及其后续卫星(GRACE-FO)是迄今为止能够长期监测大尺度流域陆表水储量变化的主要途径[17-18]。重力卫星的基本原理是假设陆表重力的变化主要是由水的变化导致的。进而，GRACE卫星通过监测地球重力场的变化，反映了地球表面水的分布和变化信息。然而GRACE水储量观测数据的时间范围覆盖有限(GRACE卫星发射于2002年3月，2017年10月停止运行；GRACE-FO卫星2018年5月发射运行，期间存在数据缺失)，且数据的时空分辨率较粗，分别为1个月和1°(也有一些0.5°空间分辨率的数据集)。当前的许多研究主要集中在对GRACE数据集的重建和时空降尺度[19⇓-21]。
基于上述数据获取方法，几个常用的水储量变化数据集见表1。
表1 常用陆表水储量变化数据集

Tab.1 Widely used datasets of terrestrial water storage change

数据名称 获取方法 时空分辨率 时期 下载网址
地下水位 实测数据 年/站点 1968—2018年 https://doi.org/10.5281/zenodo.10003697
ITSG-Grace2018 遥感数据 日/1° 2002—2017年 http://ifg.tugraz.at/ITSG-Grace2018
GRACE CSR 遥感数据 月/1° 2002年至今 http://www2.csr.utexas.edu/grace/RL06_mascons.html
GRACE GFZ 遥感数据 月/1° 2002年至今 https://earth.gsfc.nasa.gov/geo/data/grace-mascons
GRACE JPL 遥感数据 月/1° 2002年至今 https://search.earthdata.nasa.gov/GRACE
HHU-IPM-GRACE 重建数据 月/0.25° 2002—2022年 https://cstr.cn/18406.11.Terre.tpdc.300612
GRID_CSR_GRACE_REC 重建数据 月/0.5° 1979年至今 https://doi.org/10.5061/dryad.z612jm6bt
GRACE-REC 重建数据 日/月/0.5° 1901—2019年 https://doi.org/10.6084/m9.figshare.7670849
BSWB v2016 水量平衡方程 月/0.25° 1979—2015年 https://doi.org/10.5905/ethz-1007-82

2 GRACE卫星水储量数据同化方法及流程

数据同化是通过先进的统计或数值方法将观测数据与模型相结合，约束模型的动态和信息流，以提高模型精度的过程[11,22]。根据优化途径的不同，常用的水储量数据同化方法可以概括为两类：变分数据同化(全局拟合方法)和顺序数据同化(实时优化方法)。变分数据同化的核心思想是通过在特定的时间窗口内构建一个目标函数，来衡量模型模拟结果与观测数据之间的差异，从而寻找最优的状态估计[23]。顺序数据同化法又称为滤波法，是一种基于误差估计理论、逐步更新模型状态的同化方法。它通过实时或连续更新的观测数据来改进模型的状态估计，从而不断修正和优化预报场，使模型状态在每个时间步上逐步调整并向前推进[24]。在水文领域的应用广泛。常见的滤波方法包括：线性卡尔曼滤波(Kalman filter，KF)、扩展卡尔曼滤波(extended Kalman filter，EKF)、集合卡尔曼滤波(ensemble Kalman filter，EnKF)和粒子滤波(particle filter， PF)等。其中，集合卡尔曼滤波(EnKF)和粒子滤波(PF)被广泛用于水储量数据的同化。因此，以这两种方法为例介绍GRACE卫星水储量数据与分布式水文模型同化的步骤和流程(图1)。
图1 GRACE卫星水储量数据同化流程

Fig.1 Process for assimilating GRACE terrestrial water storage change data into distributed hydrological model

2.1 集合卡尔曼滤波算法

集合卡尔曼滤波(EnKF)是一种基于蒙特卡洛方法的卡尔曼滤波算法。该方法利用模拟值和观测值集合来反映误差协方差信息，并以误差协方差最小化为约束条件，实现模型模拟值的最优估计[25]，具有计算效率高的优势。应用该方法同化GRACE水储量数据的步骤如下：
首先，生成水储量变化模拟值集合及其误差。水文模型的误差主要来源于气象驱动数据和模型参数的不确定性。因此，需要确定生成水储量变化模拟值的数量n，并对气象驱动数据和模型参数进行随机扰动(通常采用蒙特卡洛或拉丁超立方采样法)，以反映模型模拟的不确定性。将扰动后的气象数据和模型参数输入模型，得到水储量变化模拟值集合：
X b =   ( x 1 b ,   x 2 b ,   x 3 b ,   … ,   x n b )
式中：Xb是同化前的水储量变化模拟值集合，b代表同化前； x 1 b 、 x 2 b … … x n b分别是同化前每个水储量变化模拟值的状态向量，向量的维度等于模型设置网格的数量；n为随机扰动的水储量变化模拟值数量。
在集成卡尔曼滤波算法中，模型误差估计是通过计算模拟值集合成员的均值和偏差实现的，模型的误差协方差矩阵Pb计算如下：
P b = 1 n X ' b X ' b T
X ' b = ( x 1 ' b ,   x 2 ' b ,   … ,   x n ' b )
x i ' b = x i b - x - b
x - b = 1 n ∑ i = 1 n x i b
式中： x - b、 x i ' b分别为模型模拟值集合的均值和偏差， X ' b为所有模拟值偏差的集合。
其次，获取GRACE观测误差。GRACE观测误差主要来源于仪器误差和代表性误差。其中，仪器误差取决于纬度和球谐函数的平滑半径，代表性误差取决于GRACE观测值和模型模拟值空间分辨率的差异[26]。通常利用Stokes系数的月误差信息计算GRACE数据的观测误差协方差矩阵R，详细算法可参考Tangdamrongsub等[16]。
最后，更新水储量变化模拟值集合。基于水储量变化模拟值和GRACE观测值及其误差计算卡尔曼增益K，进而根据式(7)的集合卡尔曼滤波算法实现数据同化：
K = P b H T H P b H T + R
x i a = x i b + K ( y i - H x i b )
式中：Pb为水储量变化模拟值的误差协方差矩阵；R为GRACE观测值的误差协方差矩阵； x i a表示同化后的水储量变化，a代表同化后；H为观测算子，是将模型预测结果从模型空间转换到观测空间的函数，使模型模拟的各水储量变化分量与GRACE数据在空间尺度和水储量组分上相匹配。式(7)也可写为 x i a = x i b + K ( y i - y i b )，其中 y i b= H x i b=h( x i b)，用于更新每个模拟值集合成员[27]。
模型模拟值通常是日尺度的，而GRACE卫星数据仅提供月尺度的水储量变化数据。为了将两者结合，通常将每月更新后的增量添加到该月的日模拟值，确保更新后每月模拟值集合的均值与该月的每日均值相同，从而得到模型的日尺度同化结果。同时，将模拟值集合 x i b和更新后集合 x i a的差异作为偏移量添加到该月最后一天的模拟值上，以生成下个月同化步骤的集合[28]。

2.2 粒子滤波算法

粒子滤波(PF)算法是一种递归贝叶斯估计算法。该方法通过在状态空间中利用一组随机加权的样本来近似状态的概率密度函数，从而实现对状态的最小方差估计，这些样本称为“粒子”[29]。随着粒子数目的增加，粒子的概率密度函数逐步接近真实的状态分布，从而实现最优的贝叶斯估计效果[30-31]。相较于卡尔曼滤波算法，该方法不要求模拟值满足高斯分布，克服了误差协方差的传播和物理模型的线性化问题[32]。应用该方法同化GRACE水储量数据的步骤如下[33]：
首先，生成水储量变化模拟值集合。与集合卡尔曼滤波算法类似，确定生成水储量变化模拟值的数量n，对气象驱动数据和模型参数进行随机扰动，结合水文模型可获得n个水储量变化模拟值(粒子)。
其次，粒子权重计算和重采样。在得到每个同化时段的水储量变化模拟值和GRACE观测值后，根据似然函数计算每个粒子的权重(模拟结果与观测值越接近权重越大，反之权重越小)，该步骤基于贝叶斯理论、一阶马尔科夫过程以及蒙特卡洛方法实现。后验概率密度函数为：
p x t | y 1 : t = ∑ i = 1 n W t i δ ( x t - x t i )
W t i = W t - 1 i p ( y t | x t i )
式中： W t i为t时刻第i个粒子的后验归一化权重；狄拉克δ函数用于描述每个粒子的状态，从而更好地计算均值和协方差。根据序贯重要性重采样法(sequential importance resampling, SIR)，对所有粒子进行重采样。权重较大的粒子会被多次复制，而权重小的粒子会被少次复制或直接筛除。在重采样后，各粒子赋值等权重1/n。
最后，更新水储量变化模拟值集合。将重采样后各粒子对应的水储量变化模拟结果求均值，即得到该时刻同化后的水储量变化模拟值。
x t ¯ = ∑ i = 1 n W t i x t i
式中： x t ¯是t时刻状态变量的估计值， x t i是第i个粒子在t时刻状态变量的模拟值。
为防止模型参数在同化过程中出现粒子匮乏的问题，需要在每次同化后给参数叠加高斯噪声扰动，以增加参数粒子的多样性。在下一时段，重复上述步骤，直至完成所有时段。
集合卡尔曼滤波和粒子滤波两种方法同化GRACE数据都能够提高水文模型精度，然而对于不同流域和水文模型，它们的数据同化效果存在差异。总体来讲，集合卡尔曼滤波方法的同化效果更佳且应用更为广泛。例如，Khaki等[34]在澳大利亚分别使用集合卡尔曼滤波和粒子滤波方法将GRACE水储量数据同化到W3RA模型中，结果表明，基于两种方法同化GRACE数据，地下水储量的均方根误差分别降低了31.68%和14.96%；Yin等[25]在华北平原将CABLE模型模拟的土壤湿度、地表水储量和地下水储量与GRACE数据同化，结果表明，地下水储量的相关系数提高了42%，均方根误差降低了31.22%。

3 GRACE卫星水储量数据同化方式及相关研究进展

不同于上文介绍的GRACE水储量数据同化方法，数据同化方式侧重于回答如何把GRACE数据同化到水文模型的问题，例如GRACE数据与水文模型结合的具体位置、与哪些水储量分量模拟结果结合等。简言之，GRACE数据同化需要首先确定同化方式，其次利用数据同化方法实现数据同化。根据目前的研究进展，将GRACE卫星水储量数据同化到水文模型的方式(解决如何同化的问题)可以概括为三类(图2)：利用GRACE水储量数据校准水文模型参数(改变水文模型的参数值)、利用GRACE数据同化水文模型水储量分量模拟值(改变水文模型的水储量模拟值)，以及利用分割的GRACE数据同化水文模型水储量分量模拟值(改变水文模型的水储量模拟值)。总结三类数据同化方式的原理、优缺点和国内外研究进展如下：
图2 GRACE卫星水储量数据同化方式及优缺点总结

Fig.2 Summary of GRACE satellite water storage data assimilation methods and their advantages and disadvantages

3.1 利用GRACE数据校准水文模型参数

学者通常根据观测的径流数据校准水文模型精度，但对于一些大尺度流域，尤其是偏远流域，径流观测站点布设较少，难以获取充足的径流观测数据验证模型在空间上的径流模拟精度[35]。许多研究以GRACE卫星水储量观测数据为参考值(比较水文模型水储量变化模拟值与GRACE数据)，校准水文模型参数，以提高径流模拟精度[36-37]。例如，Meyer Oliveira等[38]根据水位、洪水范围、陆表水储量变化、蒸散发和土壤湿度5个变量的遥感数据校准亚马逊河流域水文模型精度；Bai等[39]结合GRACE和径流观测数据，在中国22个不同气候区的小流域校准abcd四参数水文模型和WM (Australia water balance model)水文模型精度，结果表明，该校准方法显著优于单独使用径流观测数据的校准方法，水储量变化模拟值的KGE (Kling-Gupta efficiency coefficient)分别增加了0.64和0.49，拟合优度提高了12%和14%，偏差百分比降低了34%和37%；Lee等[40]根据GEACE数据校准SINDBAD (strategies to integrate data and biogeochemical model)和H2M (hybrid hydrological model)模型，结果表明，水储量变化模拟值的拟合优度分别提高了21%和26%。
虽然利用GRACE数据校准水文模型参数的同化方式可以改变水文模型的水储量模拟值，但是并没有直接将GRACE数据纳入水文模型的水储量模拟过程中，而是通过改变模型的参数值，使水文模型的水储量模拟值更加接近GRACE观测值，进而提高径流模拟精度。此外，水文模型的复杂结构和参数之间的相互作用增加了参数率定的工作量且很难获得最优的参数组合[41]。例如，水文模型的参数往往具有“一参多效”的特点，即一个参数不仅会影响水储量变化模拟值，还会对其他水循环变量产生影响(例如蒸散发和径流等)。因此，利用GRACE数据校准水文模型参数的方式难以大幅度提高径流模拟精度。

3.2 利用GRACE数据同化水文模型水储量分量模拟值

由于大多数水文模型是分开模拟水储量的各个分量(地表水、土壤水、地下水、雪水等)的，现有的许多研究首先计算水文模型模拟的水储量分量之和，进而计算其与GRACE观测数据的偏差，再次根据一定的规则(例如误差的相对大小)将偏差分配给水文模型的水储量分量模拟值，最后基于数据同化方法和偏差估计，改变水文模型的水储量模拟值，实现数据同化。这也是目前最为常见的GRACE数据同化方式。例如，Nie等[42]将4层土壤湿度和地下水之和作为Noah-MP LSM (Noah-Multiparameterization Land Surface Model)模型的水储量模拟值，进而根据GRACE水储量数据实现数据同化，发现地下水储量的相关系数提高了33%，均方根误差降低了5%；Forootan等[43]把W3RA模型的雪水、地表水储量、土壤水和地下水储量模拟值与GRACE数据同化，结果表明，地下水储量的均方根误差减少了40%；Khaki等[44]在全球8个流域使用集合卡尔曼滤波方法将GRACE数据同化到W3RA模型，结果表明，地下水储量和径流的相关系数分别提高了14%和4%。
相较于3.1节的数据同化方式，这一数据同化方式把GRACE数据结合到水文模型的水储量模拟值，更加充分地利用了GRACE数据信息，能够更好地提高水储量变化及径流的模拟精度。例如，Tangdamrongsub等[45]在中国北方河西走廊地区将GRACE水储量数据同化到PCR-GLOBWB水文模型，结果表明，地下水和河流径流的相关系数分别提高了57%和2%，均方根误差下降了25%和3%；Wu等[46]在全球40个流域对不同水循环变量的卫星观测数据进行同化，结果发现GRACE数据同化对全球径流模拟的影响最大，拟合优度提高了16%。此外，该数据同化方式能够更好地解决水文模型参数校准困难的问题。例如，Schumacher等[47]的研究表明，利用GRACE数据同化水文模型水储量分量模拟值的数据同化方式使水文模型参数收敛在先验范围内，显著降低了模型参数的不确定性。但是，值得注意的是，GRACE水储量数据同化并没有真正改进物理机理水文模型的降雨—径流等水文模拟过程，反而会降低各水文通量之间的动态平衡[11]。这是因为许多水文模型的开发是基于水量平衡闭合假设，GRACE水储量数据同化通过改变水文模型的水储量模拟值，改变了水文模型原有的水量平衡闭合程度。

3.3 利用分割的GRACE数据同化水文模型水储量分量模拟值

由于GRACE表示陆表总的水储量变化，对GRACE水储量数据分割，进而将分割的数据与水文模型中对应的水储量模拟值进行同化，是一种重要的数据同化方式。当前的研究主要是把GRACE的地下水储量分割数据与水文模型的地下水储量模拟结果进行同化。这是因为分割地下水的其他水储量分量(式(11))用的是现有的数据产品，换言之，这种分割方法仅有地下水充分利用了GRACE数据信息，这也是当前许多研究仅根据分割的地下水储量数据同化水文模型的根本原因。例如Khaki等[48]分别将GRACE数据分割后的地下水储量数据与GRACE水储量数据同化到W3RA模型中，结果表明，相较于地下水观测值，两种同化方式均表现良好，其均方根误差分别为41.02 mm和39.99 mm，标准差分别为23.16 mm和20.01 mm。如何准确分割GRACE水储量数据是当前面临的技术难题，这也是为什么目前该种数据同化方式的应用较为有限的主要原因。
目前，最常见的GRACE水储量数据分割方法是水量平衡法[4,49]。该方法假设水储量为地表水储量、土壤水储量、地下水储量和雪水当量之和，进而根据现有土壤水储量和雪水当量数据产品(再分析和数据同化产品)，近似地估计地下水储量变化：
∆ G W S = ∆ T W S - ∆ S W S - ∆ S M S - ∆ S N
式中：ΔGWS表示地下水储量变化；ΔTWS表示GRACE反演的陆表水储量变化；ΔSWS表示地表水储量变化；ΔSMS表示土壤水储量变化；ΔSN表示雪水当量变化。

4 GRACE卫星水储量数据同化的水文模型构建难点及展望

如何把GRACE数据同化到水文过程模拟所面临的难点问题，归结起来是水文模型精细的建模需求与GRACE数据粗糙时空分辨率的矛盾问题，以及水文模型单独模拟水储量分量与GRACE数据表示陆表总的水储量变化的矛盾问题。
(1) GRACE水储量数据有限的时间覆盖范围和粗糙的空间分辨率如何与长时间序列和精细的水文建模需求相匹配的问题。GRACE卫星于2002年3月发射，2017年10月结束任务，GRACE-FO于2018年4月发射，延续GRACE卫星任务。因此，GRACE任务缺乏2002年之前的陆表水储量观测数据。这对于历史的水储量变化以及未来的水储量变化预测研究带来巨大挑战。对于空间分辨率，目前GRACE水储量数据以1°和0.5°为主，难以满足中小流域的水文建模需求。此外，许多分布式水文模型根据水文响应单元模拟产汇流，例如SWAT (soil and water assessment tool)模型需求与GRACE粗糙网格尺度的数据类型不匹配。因此，如何解决GRACE数据有限的时间覆盖和粗糙的空间分辨率与长序列、精细化水文建模需求的矛盾问题，是奠定GRACE数据同化的难点。
针对GRACE有限的时间覆盖范围，许多研究利用水文模型或者水量平衡方程模拟水储量变化[14-15]。在这些应用中，GRACE数据被用来调整模型参数，以提高水文模型精度。针对GRACE数据粗糙的空间分辨率，通常采用降尺度处理。但是，降尺度将不可避免地引入一定的不确定性，如何降低因降尺度而引入的模型不确定性，是GRACE数据同化需要进一步研究的核心问题。一方面可以比较不同降尺度方法对降低水文模型不确定性的影响，另一方面生产更高分辨率的水储量变化数据集，满足水文建模需求。
(2) GRACE月尺度的水储量观测数据如何与水文模型日尺度的水储量变化模拟值同化的问题。水文模型以日、月和年尺度的水文过程模拟为主，而GRACE数据以月尺度为主。针对这一问题，大多数研究利用月尺度的GRACE数据修正水文模型日尺度的水储量模拟值[50-51]。具体而言，首先根据水文模型模拟月尺度的水储量变化数据，进而根据月尺度的水储量变化模拟残差调整水文模型日尺度的水储量变化模拟值。此外，一些研究尝试基于GRACE数据生产日尺度的水储量变化数据集，以满足日尺度的水文建模需求[52]。对月尺度的GRACE数据降尺度或者生产日尺度的水储量变化数据集是奠定GRACE数据同化的重要基础。
(3) GRACE表示陆表总的水储量变化，如何准确分割GRACE数据，获取地表、土壤和地下水储量变化数据的问题。水文模型通常单独模拟水储量的各个分量，而GRACE数据表示陆表总的水储量变化。许多研究首先汇总水文模型的水储量模拟值，然后利用GRACE数据进行数据同化。这种数据同化方式虽然能够在一定程度上提高径流模拟精度，但也存在一定的不确定性(见3.2节)。例如，水储量各个分量参与水文过程模拟的环节不同，如何准确分割GRACE水储量数据，本文认为是把GRACE数据进一步同化到水文模型的研究重点。目前的研究主要通过水量平衡方法分割地下水，进而将其同化到水文模型。本文认为根据水储量各个分量模拟值的误差百分比进行数据分割，或者引入水储量数据分割参数等方式，对于降低数据分割误差，提高径流模拟精度具有重要意义。
(4) 如何基于GRACE数据同化提高水储量变化预测精度的问题。水储量决定了陆表水资源的可利用量。预测未来水储量变化，对于应对未来气候情景变化引起的水资源变化具有重要意义。而目前关于未来水储量变化的预测研究较为缺乏，究其原因是模型精度难以得到保证。如何基于GRACE数据同化提高水文模型的水储量变化预测精度，为水储量未来变化研究提供可靠的模型和数据支撑，本文认为是应对全球变化背景下水储量变化研究的重要方向，值得进一步深入探讨。

5 结论

本文简述了基于GRACE数据同化构建水文模型的常用数据同化方法、现有数据同化方式、模型构建的研究进展、面临的难点问题及研究展望。利用GRACE数据同化水文模型水储量分量模拟值的数据同化方式和集合卡尔曼滤波方法在GRACE数据同化中的应用较为广泛，且具有较好的同化效果。综合现有的研究结果，通过GRACE水储量数据同化，水文模型水储量模拟值的均方根误差减少了约5%~40%，相关性系数提高了约10%~50%，而径流模拟精度的提高幅度相对较小，相关性系数提高了约2%~16%。进一步的研究重点应该致力于克服GRACE数据分割和时空尺度处理引入的不确定性，以及提高气候变化背景下水储量变化预测的模型精度，为当前和未来水储量变化研究提供可靠的模型和数据支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
褚江东, 粟晓玲, 吴海江, 等. 2002—2021年中国陆地水储量及其组分变化分析[J]. 水资源保护, 2023, 39(3): 170-178.

[Chu Jiangdong, Su Xiaoling, Wu Haijiang, et al. Analysis of terrestrial water storage and its component changes in China from 2002 to 2021. Water Resources Protection, 2023, 39(3): 170-178.]

[2]
孙倩, 阿丽亚·拜都热拉. 基于GRACE卫星和GLDAS系统的地下水水位估算模型: 以和田地区克里雅河流域为例[J]. 地理科学进展, 2018, 37(7): 912-922.

DOI

[Sun Qian, Baidourela Aliya. Mathematical fitting of influencing factors and measured groundwater level: Take Keriya River Basin in Hetian area as an example. Progress in Geography, 2018, 37(7): 912-922.]

DOI

[3]
Yang X H, Yuan L G, Jiang Z S, et al. Investigating terrestrial water storage changes in Southwest China by integrating GNSS and GRACE/GRACE-FO observations[J]. Journal of Hydrology: Regional Studies, 2023, 48: 101457. doi: 10.1016/j.ejrh.2023.101457.

[4]
Tariq A, Ali S, Basit I, et al. Terrestrial and groundwater storage characteristics and their quantification in the Chitral (Pakistan) and Kabul (Afghanistan) river basins using GRACE/GRACE-FO satellite data[J]. Groundwater for Sustainable Development, 2023, 23: 100990. doi: 10.1016/j.gsd.2023.100990.

[5]
Zhang X L, Ren L, Feng W. Comparison of the shallow groundwater storage change estimated by a distributed hydrological model and GRACE satellite gravimetry in a well-irrigated plain of the Haihe River Basin, China[J]. Journal of Hydrology, 2022, 610: 127799. doi: 10.1016/j.jhydrol.2022.127799.

[6]
Mehrnegar N, Jones O, Singer M B, et al. Comparing global hydrological models and combining them with GRACE by dynamic model data averaging (DMDA)[J]. Advances in Water Resources, 2020, 138: 103528. doi: 10.1016/j.advwatres.2020.103528.

[7]
张永强, 黄琦, 刘昌明, 等. 遥感数据产品率定水文模型的潜力研究[J]. 地理学报, 2023, 78(7): 1677-1690.

DOI

[Zhang Yongqiang, Huang Qi, Liu Changming, et al. Potential of using remote sensing product to calibrate hydrological models. Acta Geographica Sinica, 2023, 78(7): 1677-1690.]

DOI

[8]
Jing W L, Di L P, Zhao X D, et al. A data-driven approach to generate past GRACE-like terrestrial water storage solution by calibrating the land surface model simulations[J]. Advances in Water Resources, 2020, 143: 103683. doi: 10.1016/j.advwatres.2020.103683.

[9]
Rusli S R, Bense V F, Taufiq A, et al. Quantifying basin-scale changes in groundwater storage using GRACE and one-way coupled hydrological and groundwater flow model in the data-scarce Bandung groundwater Basin, Indonesia[J]. Groundwater for Sustainable Development, 2023, 22: 100953. doi: 10.1016/j.gsd.2023.100953.

[10]
Yang X, Yuan L, Jiang Z, et al. Investigating terrestrial water storage changes in Southwest China by integrating GNSS and GRACE/GRACE-FO observations[J]. Journal of Hydrology: Regional Studies, 2023, 48: 101457. doi: 10.1016/j.ejrh.2023.101457.

[11]
Soltani S S, Ataie-Ashtiani B, Simmons C T. Review of assimilating GRACE terrestrial water storage data into hydrological models: Advances, challenges and opportunities[J]. Earth Science Reviews, 2021, 213: 103487. doi: 10.1016/j.earscirev.2020.103487.

[12]
Li B L, Rodell M, Zaitchik B F, et al. Assimilation of GRACE terrestrial water storage into a land surface model: Evaluation and potential value for drought monitoring in western and central Europe[J]. Journal of Hydrology, 2012, 446/447: 103-115.

[13]
曹杰, 肖云, 龙笛, 等. 联合重力卫星和水井资料监测华北平原地下水储量变化[J]. 武汉大学学报(信息科学版), 2024, 49(5): 805-818.

[Cao Jie, Xiao Yun, Long Di, et al. Combined gravity satellite and water well information to monitor groundwater storage changes in the North China Plain. Geomatics and Information Science of Wuhan University, 2024, 49(5): 805-818.]

[14]
Scanlon B R, Zhang Z Z, Save H, et al. Global models underestimate large decadal declining and rising water storage trends relative to GRACE satellite data[J]. PNAS, 2018, 115(6): E1080-E1089.

[15]
Chi H, Seo H, Kim Y. Hydrological trends captured by assimilating GRACE total water storage data into the CLM5-BGC model[J]. Journal of Hydrology, 2024, 629: 130527. doi: 10.1016/j.jhydrol.2023.130527.

[16]
Tangdamrongsub N, Han S C, Tian S Y, et al. Evaluation of groundwater storage variations estimated from GRACE data assimilation and state-of-the-art land surface models in Australia and the North China Plain[J]. Remote Sensing, 2018, 10(3): 483. doi: 10.3390/rs10030483.

[17]
郝卫峰, 杨伊迪, 刘培冲, 等. GRACE和GRACE-FO缺失数据重建研究进展[J]. 地球物理学进展, 2024, 39(5): 1734-1748.

[Hao Weifeng, Yang Yidi, Liu Peichong, et al. Research progress in the reconstruction of GRACE and GRACE-FO missing data. Progress in Geophysics, 2024, 39(5): 1734-1748.]

[18]
Nourani V, Jabbarian Paknezhad N, Ng A, et al. Application of the machine learning methods for GRACE data based groundwater modeling: A systematic review[J]. Groundwater for Sustainable Development, 2024, 25: 101113. doi: 10.1016/j.gsd.2024.101113.

[19]
Li F P, Kusche J, Chao N F, et al. Long-term (1979-present) total water storage anomalies over the global land derived by reconstructing GRACE data[J]. Geophysical Research Letters, 2021, 48(8): e2021GL093492. doi: 10.1029/2021GL093492.

[20]
Humphrey V, Gudmundsson L. GRACE-REC: A reconstruction of climate-driven water storage changes over the last century[J]. Earth System Science Data, 2019, 11(3): 1153-1170.

DOI

[21]
Hirschi M, Seneviratne S I. Basin-scale water-balance dataset (BSWB): An update[J]. Earth System Science Data, 2017, 9(1): 251-258.

[22]
赖锡军. 流域水环境过程综合模拟研究进展[J]. 地理科学进展, 2019, 38(8): 1123-1135.

DOI

[Lai Xijun. A review of integrated water quality modeling for a watershed. Progress in Geography, 2019, 38(8): 1123-1135.]

DOI

[23]
王文, 寇小华. 水文数据同化方法及遥感数据在水文数据同化中的应用进展[J]. 河海大学学报(自然科学版), 2009, 37(5): 556-562.

[Wang Wen, Kou Xiaohua. Methods for hydrological data assimilation and advances of assimilating remotely sensed data into rainfall-runoff models. Journal of Hohai University (Natural Sciences), 2009, 37(5): 556-562.]

[24]
刘永伟, 王文, 刘元波, 等. 水文模型模拟预报的多源数据同化方法及应用研究进展[J]. 河海大学学报(自然科学版), 2021, 49(6): 483-491.

[Liu Yongwei, Wang Wen, Liu Yuanbo, et al. Advances in multi-source data assimilation approach and application in simulation and forecast of hydrological model. Journal of Hohai University (Natural Science), 2021, 49(6): 483-491.]

[25]
Yin W J, Han S C, Zheng W, et al. Improved water storage estimates within the North China Plain by assimilating GRACE data into the CABLE model[J]. Journal of Hydrology, 2020, 590: 125348. doi: 10.1016/j.jhydrol.2020.125348.

[26]
Girotto M, De Lannoy G J M, Reichle R H, et al. Assimilation of gridded terrestrial water storage observations from GRACE into a land surface model[J]. Water Resources Research, 2016, 52(5): 4164-4183.

[27]
Bahrami A, Goïta K, Magagi R, et al. Data assimilation of satellite-based terrestrial water storage changes into a hydrology land-surface model[J]. Journal of Hydrology, 2021, 597: 125744. doi: 10.1016/j.jhydrol.2020.125744.

[28]
Eicker A, Schumacher M, Kusche J, et al. Calibration/data assimilation approach for integrating GRACE data into the WaterGAP Global Hydrology Model (WGHM) using an ensemble Kalman filter: First results[J]. Surveys in Geophysics, 2014, 35(6): 1285-1309.

[29]
García-Alén G, Hostache R, Cea L, et al. Joint assimilation of satellite soil moisture and streamflow data for the hydrological application of a two-dimensional shallow water model[J]. Journal of Hydrology, 2023, 621: 129667. doi: 10.1016/j.jhydrol.2023.129667.

[30]
Fan Y R, Huang G H, Baetz B W, et al. Development of integrated approaches for hydrological data assimilation through combination of ensemble Kalman filter and particle filter methods[J]. Journal of Hydrology, 2017, 550: 412-426.

[31]
Jiang C H, Zhu D J, Li H B, et al. Improving the particle filter for data assimilation in hydraulic modeling by using a Cauchy likelihood function[J]. Journal of Hydrology, 2023, 617: 129050. doi: 10.1016/j.jhydrol.2022.129050.

[32]
Sun Y, Bao W, Qu S, et al. Development of the consider cubature Kalman filter for state estimation of hydrological models with parameter uncertainty[J]. Journal of Hydrology, 2023, 625: 130080. doi: 10.1016/j.jhydrol.2023.130080.

[33]
Han P F, Long D, Li X D, et al. A dual state-parameter updating scheme using the particle filter and high-spatial-resolution remotely sensed snow depths to improve snow simulation[J]. Journal of Hydrology, 2021, 594: 125979. doi: 10.1016/j.jhydrol.2021.125979.

[34]
Khaki M, Hoteit I, Kuhn M, et al. Assessing sequential data assimilation techniques for integrating GRACE data into a hydrological model[J]. Advances in Water Resources, 2017, 107: 301-316.

[35]
孙赫, 苏凤阁. 雅鲁藏布江流域多源降水产品评估及其在水文模拟中的应用[J]. 地理科学进展, 2020, 39(7): 1126-1139.

DOI

[Sun He, Su Fengge. Evaluation of multiple precipitation datasets and their potential utilities in hydrologic modeling over the Yarlung Zangbo River Basin. Progress in Geography, 2020, 39(7): 1126-1139.]

DOI

[36]
Liu X M, Yang K, Ferreira V G, et al. Hydrologic model calibration with remote sensing data products in global large basins[J]. Water Resources Research, 2022, 58(12): e2022WR032929. doi: 10.1029/2022WR032929.

[37]
Trautmann T, Koirala S, Guentner A, et al. Calibrating global hydrological models with GRACE TWS: Does river storage matter?[J]. Environmental Research Communications, 2023, 5(8): 081005. doi: 10.1088/2515-7620/acece5.

[38]
Meyer Oliveira A, Fleischmann A S, Paiva R C D. On the contribution of remote sensing-based calibration to model hydrological and hydraulic processes in tropical regions[J]. Journal of Hydrology, 2021, 597: 126184. doi: 10.1016/j.jhydrol.2021.126184.

[39]
Bai P, Liu X M, Liu C M. Improving hydrological simulations by incorporating GRACE data for model calibration[J]. Journal of Hydrology, 2018, 557: 291-304.

[40]
Lee H, Jung M, Carvalhais N, et al. Error hotpots of the modelled global terrestrial water storage interannual variation[R]. EGU22-5118. Vienna, Austria: EGU General Assembly Conference, 2022. doi: 10.5194/egusphere-egu22-5118.

[41]
苟娇娇, 缪驰远, 段青云. 水文模型参数敏感性分析—优化—区域化方法研究进展[J]. 地理科学进展, 2022, 41(7): 1338-1348.

DOI

[Gou Jiaojiao, Miao Chiyuan, Duan Qingyun. Progress in parameter sensitivity analysis-optimization-regionalization methods for hydrological models. Progress in Geography, 2022, 41(7): 1338-1348.]

DOI

[42]
Nie W S, Zaitchik B F, Rodell M, et al. Assimilating GRACE into a land surface model in the presence of an irrigation-induced groundwater trend[J]. Water Resources Research, 2019, 55(12): 11274-11294.

[43]
Forootan E, Mehrnegar N, Schumacher M, et al. Global groundwater droughts are more severe than they appear in hydrological models: An investigation through a Bayesian merging of GRACE and GRACE-FO data with a water balance model[J]. Science of the Total Environment, 2024, 912: 169476. doi: 10.1016/j.scitotenv.2023.169476.

[44]
Khaki M, Ait-El-Fquih B, Hoteit I, et al. Unsupervised ensemble Kalman filtering with an uncertain constraint for land hydrological data assimilation[J]. Journal of Hydrology, 2018, 564: 175-190.

[45]
Tangdamrongsub N, Steele-Dunne S C, Gunter B C, et al. Improving estimates of water resources in a semi-arid region by assimilating GRACE data into the PCR-GLOBWB hydrological model[J]. Hydrology and Earth System Sciences, 2017, 21(4): 2053-2074.

[46]
Wu W Y, Yang Z L, Zhao L, et al. The impact of multi-sensor land data assimilation on river discharge estimation[J]. Remote Sensing of Environment, 2022, 279: 113138. doi: 10.1016/j.rse.2022.113138.

[47]
Schumacher M, Forootan E, van Dijk A I J M, et al. Improving drought simulations within the Murray-Darling Basin by combined calibration/assimilation of GRACE data into the WaterGAP Global Hydrology Model[J]. Remote Sensing of Environment, 2018, 204: 212-228.

[48]
Khaki M, Forootan E, Kuhn M, et al. Determining water storage depletion within Iran by assimilating GRACE data into the W3RA hydrological model[J]. Advances in Water Resources, 2018, 114: 1-18.

[49]
Srivastava S, Dikshit O. Analysis of groundwater storage (GWS) dynamics and its temporal evolution for the Indo-Gangetic plain using GRACE data[J]. Remote Sensing Applications: Society and Environment, 2022, 25: 100685. doi: 10.1016/j.rsase.2021.100685.

[50]
Stampoulis D, Reager J T, David C H, et al. Model-data fusion of hydrologic simulations and GRACE terrestrial water storage observations to estimate changes in water table depth[J]. Advances in Water Resources, 2019, 128: 13-27.

DOI

[51]
Jung H C, Getirana A, Arsenault K R, et al. Improving surface soil moisture estimates in West Africa through GRACE data assimilation[J]. Journal of Hydrology, 2019, 575: 192-201.

[52]
Pellet V, Aires F, Alfieri L, et al. A physical/statistical data-fusion for the dynamical downscaling of GRACE data at daily and 1 km resolution[J]. Journal of Hydrology, 2024, 628: 130565. doi: 10.1016/j.jhydrol.2023.130565.

Options
文章导航

/

〈 〉