联合机器学习和二元水循环模型的GRACE降尺度方法

本发明公开了联合机器学习和二元水循环模型的GRACE降尺度方法，涉及遥感技术领域。本发明与之前的地下水监测手段相比，解决了现有GRACE降尺度手段存在不确定性较大，可解释性较差等问题；联合GRACE和GLDAS数据，构建了基于二元水循环物理机制的机器学习降尺度模型，能够获取时空连续的长时序高空间分辨率地下水储量变化信息，打破了传统地面监测在空间和时间上的局限性，可为实测数据缺失的中小尺度区域的地下水储量变化研究提供数据支撑。在机器学习模型训练过程中，引入了二元水循环的物理机制，耦合了具有物理机制的机器学习模型。增加了机器学习在解决地理问题时的归因性与可解释性，为当下遥感科学与人工智能领域的结合提供了可行性方案。