图片来源：Pixabay
借助卫星监测，我们可以监测陆地储水量变化。为处理储水量变化监测所需要的地球引力场数据集来自GRACE和GRACE-FO卫星任务。由于这些数据集仅包括典型的大规模水体异常，因此不能获得小规模结构水体的相关结论，例如河流和河流分支中水体的实际分布情况。德国地球科学研究中心GFZ的地球系统建模人员以南美大陆为例，开发了一种新的深度学习方法，借助卫星数据对小规模以及大规模下的水体变化进行量化。这种新方法巧妙地结合了深度学习方法、水文模型以及基于重力测量和高度测量的地球观测结果。
迄今为止，人们还不能获知某一大陆中储水量的确切数值。陆地水体本身也在不断变化，在影响地球自转的同时也联系着大气和海洋之间的水循环。例如秘鲁的亚马逊支流，在某些年份承载了较多的水量，但在其他年份却只有一小部分。除了河流和其他淡水体水体外，土壤、积雪和地下水存储中也有相当数量的水资源，这些水量很难直接量化。
图片来源：Pixabay
现在，本研究的主要作者Christopher Irrgang的研究团队开发了一种新的方法，以便从粗分辨率的卫星数据中得出关于南美大陆储水量的结论。Irrang介绍道：“对于所谓的降尺度（down-scaling）问题，结合新开发的训练方法，我们采用了卷积神经网络，简称CNN。CNN特别适合处理空间地球观测结果，因为它们可以可靠地提取反复出现的模式，如线条、边缘或更复杂的形状及特征。”
图片来源：Pixabay
为了了解陆地储水情况与相关卫星观测之间的联系，研究者们利用2003年至2018年期间通过数值水文模型获得的模拟数据对CNN进行了训练。亚马逊地区的卫星测高数据被用作验证。此外， CNN能够不断进行自我修正和自我验证，以便对蓄水的分布做出最准确的描述。Irrgang称：“因此，CNN这一方法结合了数值建模和高精度地球观测数据的优势。”
研究人员的结果表明，新的深度学习算法对于南美大陆南纬20°以北的热带地区较为适用，因为那里除了有热带雨林、广阔的地表水外，也有大量的地下水盆地。对位于南美南边地下水丰富的西部地区也是如此。在干旱和沙漠地区，降尺度方法的效果则不如在上述地区效果好。这可以解释为，那里的储水量本来就比较低，变异性比较低，所以神经网络的训练只有边际影响。然而，研究人员也发现，在亚马逊地区，经过验证的CNN预测结果还是比用过的数值模型更加准确。
今后，对全球大陆蓄水量进行大规模以及区域性尺度上的分析和预测的需求将更为迫切。进一步发展数值模型并与新型的深度学习方法相结合，以获得对大陆水文的全面了解，将在实现上述任务的过程中发挥更为重要的作用。除了纯粹的地球物理探究外，此方法还有许多其他潜在的应用，如研究气候变化对大陆水文的影响，确定生态系统的压力因素，如干旱或洪水，以及制定农业和城市地区的水管理战略。
作者：GFZ GeoForschungsZentrum Potsdam，Helmholtz Centre
翻译：汪亚及
审校：董子晨曦
引进来源：物理学家组织网
本文来自：中国数字科技馆
特别声明：本文转载仅仅是出于科普传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或其它相关事宜，请与我们接洽。
[责任编辑：环球科学]
京公网安备11010502039775号
