(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111370747.2 (22)申请日 2021.11.18 (71)申请人 中国空间技 术研究院 地址 100194 北京市海淀区友谊路104 号 (72)发明人 郑伟　尹文杰　陈智伟　 (74)专利代理 机构 中国航天科技专利中心 11009 代理人 杨春颖 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 基于机器学习空间降尺度提高水储量分辨 率和精度的方法 (57)摘要 本发明公开了一种基于机器学习空间降尺 度提高水储量分辨率和精度的方法和系统， 该方 法包括： 基于建模窗口， 建立陆地水储量变化异 常与多种水文变量之间的初始降尺度模型； 采用 于采用N种不同的机器学习算法， 对初始降尺度 模型进行学习， 并结合M种不同的优化选择器， 筛 选得到最优地水储量变化异常求解模型和最优 建模窗口； 根据最优陆地水储量变化解算函数和 最优建模窗口， 构建得到最优降尺度模型； 根据 最优降尺度模型， 输出陆地水储量变化异常值。 本发明对低空间分辨率(如1 °和0.5°)的TWSA产 品进行优化处理。 以获得高空间分辨率(如 0.25°、 0.1°和0.05°)的TWSA产品， 提高了水储量 分辨率和精度。 权利要求书2页 说明书11页 附图7页 CN 114218853 A 2022.03.22 CN 114218853 A 1.一种基于 机器学习空间降尺度提高水储量分辨 率和精度的方法， 其特 征在于， 包括： 基于建模窗口， 建立陆地水储量变化异常与多种水文变量之间的初始降尺度模型； 采用于采用N种不同的机器学习算法， 对初始降尺度模型进行学习， 并结合M种不同的 优化选择器， 筛 选得到最优地水储量变化异常求 解模型和最优建模窗口； 根据最优陆地水储量变化 解算函数和最优建模窗口， 构建得到最优降尺度模型； 根据最优降尺度模型， 输出陆地水储量变化异常值。 2.根据权利要求1所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在于， 初始降尺度模型为低空间分辨 率模型， 表达式如下： 其中， TWSAi表示第i个月的低 空间分辨率 的地水储量变化异常， i＝1,2,3...； vij表示 第i个月、 第j类低空间分辨率的水文变 量， j＝1,2,3...； wn表示建模窗口， n＝3,5,7,9； fi表 示第i个月的低空间分辨 率的地水储量变化异常求 解模型。 3.根据权利要求2所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在于， w3、 w5、 w7和w9分别表示3 ×3、 5×5、 7×7和9×9格网的建模窗口。 4.根据权利要求3所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在于， N种不同的机器学习算法， 包括： RF机器学习算法、 ETR机器学习算法、 ABR机器 学习算法和GBR机器学习算法。 5.根据权利要求4所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在于， M种不同的优化选择器， 包括： 以均方根误差RMS E、 平均绝对误差MAE、 纳什效率 系数NSE和相关系数C C为评价指标的四种优化选择器。 6.根据权利要求5所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在于， 通过如下公 式(2)和(3)， 筛选得到最优地水储量变化异常求解模 型fopt和最优 建模窗口wopt： 其中， fRF、 fETR、 fABR和fGBR分别表示以RF、 ETR、 ABR和GBR机器学习算法作为 公式(1)中f的 基本模型； 公式(2)和(3)的含义如下： 分别使用fRF、 fETR、 fABR和fGBR作为公式(1)中f的基本模型， 并 分别代入不同尺寸的建模窗 口w3、 w5、 w7和w9， 通过RMSE、 MAE、 NSE和CC四个评价指标， 对基于 不同的fRF、 fETR、 fABR和fGBR与不同尺寸的建模窗口w3、 w5、 w7和w9的组合输出的结果进行综合权　利　要　求　书 1/2 页 2 CN 114218853 A 2评价， 筛选得到降尺度结果精度最优的fopt和wopt。 7.根据权利要求6所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在于， RMSE和MAE的值越小， 表示模型的精度越高； NSE取值为负无穷到1， NSE越接近 1， 表示模型的质量越好， 模型可信度越高； CC的取值为 ‑1到1， CC越接近1， 表示模型的质量 越好， 模型 可信度越高。 8.根据权利要求6所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在于， 最优降尺度模型为高空间分辨 率模型， 表达式如下： 其中， 表示高空间分辨率的地水储量变化异常， 表示第j类高空间分辨率的水 文变量。 9.根据权利要求8所述的基于机器学习空间降尺度提高水储量分辨率和精度的方法， 其特征在 于， 还包括： 根据 通过如下公式(5)， 解算得到高空间分辨率的地下水储量 变化 其中， 表示高空间分辨 率的土壤水储量变化。 10.一种基于机器学习空间降尺度提高水储量分辨率和精度的系统， 其特征在于， 包 括： 初始模型构建模块， 用于基于建模窗口， 建立陆地水储量变化异常与多种水文变量之 间的初始降尺度模型； 筛选模块， 用于采用N种不同的机器学习算法， 对初始降尺度模型进行学习， 并结合M种 不同的优化选择器， 筛 选得到最优地水储量变化异常求 解模型和最优建模窗口； 最优模型构建模块， 用于根据最优陆地水储量变化解算函数和最优建模窗口， 构建得 到最优降尺度模型； 结果输出模块， 用于根据最优降尺度模型， 输出陆地水储量变化异常值。权　利　要　求　书 2/2 页 3 CN 114218853 A 3