气候变化与水库蓄水下受调控河流生态-热力耦合机制的分析框架

这篇研究提出了一种针对GRACE卫星数据不规则时间间隔(ITI)特征的分解重建方案，通过动态重采样(dynamic resampling)、改进的信号分解算法、日尺度滞后校正(daily-scale lag correction)和指数衰减滤波(exponential decay filtering)等技术，显著提升了陆地水储量异常(TWSA)重建精度。在华南95个Mascon网格验证中，该方法使PCC提升5%、NSE提升22%，并降低56%-178%的趋势/季节分量不确定性，为不规则采样条件下的水文研究提供了创新解决方案。

　　

Highlight

本研究提出了一种基于分解的重建方案，专门针对重力恢复与气候实验(GRACE)数据的不规则时间间隔(ITI)特征进行优化。该方案通过整合多种预测因子处理技术，包括：动态重采样使预测变量与GRACE衍生的陆地水储量异常(TWSA)产品时间带对齐；改进的ITI序列信号分解算法；日尺度滞后校正以增强时间对齐；以及指数衰减滤波来抑制降水输入的高频噪声。在华南95个Mascon网格的测试表明，相较于忽略ITI特征的基线方案，该方法将中位数PCC提升5%、NSE提升22%，同时降低RMSE达12%。重建不确定性也显著降低：趋势分量减少56%，季节性分量减少178%，次季节分量减少12%。多方案对比进一步验证了该方法的鲁棒性。

Methodology

本研究提出了一个ITI感知的GRACE数据重建集成框架（图3）。首先将原始0.25°分辨率的预测数据通过空间平均聚合至GRACE Mascon网格。采用基于GRACE产品时间边界信息的动态重采样方法，确保预测数据集与GRACE观测精确对齐。随后应用专为ITI序列设计的信号分解算法...

Temporal resampling of predictors

在建立适用于ITI序列的新重建方案前，我们首先评估了GRACE研究中常用的两种假设——线性插值和规则月采样假设——对预测性的影响。动态重采样方法确保这些月份提取的预测因子均值与不规则的GRACE时间序列精确匹配。我们计算了五个预测因子...

The impact of data processing methods accounting for ITI

GRACE数据在水文学中的应用常受限于其有限的时间覆盖范围和粗糙的空间分辨率。许多研究通过建立统计或机器学习模型将GRACE观测与水文气候变量关联，以实现GRACE衍生的TWSA空间降尺度和时间扩展。然而一个关键但常被忽视的问题是...

Conclusion

本研究提出的分解重建方案通过纳入GRACE数据的不规则时间间隔(ITI)特征，显著提高了重建精度并降低不确定性。动态重采样、改进的时间序列分解、滞后校准和降水过滤等方法的综合应用，有效解决了传统插值和统一时间假设的局限性。在华南地区的验证表明...