使用时空图神经网络重建GRACE陆地水储量：南美洲应用

陆地水储量（TWS）是描述气候变化和人类活动对全球水循环影响的关键变量，包含了积雪、土壤水分、地表水和地下水。GRACE和GRACE-FO卫星任务提供了唯一直接且全球一致的TWS变化观测数据，但该数据始于2002年，对于许多气候尺度的分析来说时间跨度太短。为了解决这一问题，研究者们提出了一种基于深度学习的方法，利用多变量时间序列图神经网络（MTGNN）重建1940年以来的月尺度GRACE类陆地水储量异常（TWSA）。该方法通过每日ERA5气象强迫数据（降水、蒸散发、径流）与月尺度GRACE观测之间的关系进行学习。与传统的基于网格单元回归、CNN或LSTM的重建方法不同，该研究将最初为城市传感器网络移动性和交通预测开发的MTGNN架构迁移至卫星测地任务。模型的核心是一个静态且可解释的混合邻接矩阵，它结合了测地邻近性和气候时间序列的滞后相关性，从而同时捕捉本地水文耦合和大尺度遥相关。在南美洲应用中，重建模型在网格单元尺度上达到了0.69的皮尔逊相关系数，流域平均相关系数高达0.94，偏差近乎为零。模型成功再现了2015/16年厄尔尼诺和2020/21年拉尼娜事件的空间特征。与现有重建方法（GTWS-MLrec、RM-REC、GRAiCE）的系统比较表明，基于图的模型在流域尺度上具有统计竞争力，相关系数与最佳基准相差不到0.025，而所需预测变量仅为其他模型的一半到十分之一。此外，所有模型在干旱区域均表现出特征性弱点。该研究的完整实现已在GitHub上公开（github.com/hcu-cml/MTGNN-TWS-Reconstruction-GRACE），为扩展GRACE记录和改进全球水循环研究提供了有力工具。该方法的成功表明，深度学习技术能够有效融合多源数据，弥补卫星观测记录的不足，为长期水循环研究提供关键数据支持。此外，该框架可推广至其他区域，有望在全球范围内重建历史TWS记录，从而深化我们对气候变化和人类活动对水循环影响的理解。