DOI: https://doi.org/10.1038/s41597-025-04403-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39863652
تاريخ النشر: 2025-01-25
المؤلف: Irene Palazzoli وآخرون
الموضوع الرئيسي: الجيولوجيا الفيزيائية وقياسات الجاذبية
نظرة عامة
لقد كانت تجربة استعادة الجاذبية والمناخ (GRaCE) وخلفها، GRaCE-FO، أدوات أساسية في تقدير شذوذ تخزين المياه الأرضية (TWSA) منذ عام 2002، مما يسهل مراقبة التغيرات الهيدرولوجية العالمية. ومع ذلك، فإن غياب بيانات TWSA قبل عام 2002 والفجوات الزمنية في مجموعات البيانات الحالية تعيق الفهم الشامل لتغيرات المياه العذبة على المدى الطويل. لمعالجة هذه القيود، يقدم هذه الدراسة GRAiCE، مجموعة جديدة من أربعة إعادة بناء عالمية شهرية لـ TWSA تمتد من 1984 إلى 2021 بدقة مكانية تبلغ 0.5°.
باستخدام الشبكات العصبية من نوع الذاكرة قصيرة وطويلة الأمد (LSTM) و LSTM ثنائي الاتجاه (BiLSTM)، تظهر نماذج GRAiCE درجة عالية من الدقة في تكرار ملاحظات GRACE/GRACE-FO على نطاق عالمي وتلتقط بفعالية آثار الظروف المناخية المتطرفة. تتفوق أداء GRAiCE على إعادة بناء TWSA المرجعية السابقة، مما يوفر قدرات تنبؤية محسنة لـ TWSA الملاحظ ويقدم تقديرات موثوقة لميزانية المياه على مستوى حوض النهر. من خلال توليد سلسلة زمنية مستمرة طويلة الأمد لـ TWSA، من المتوقع أن تقدم GRAiCE رؤى مهمة حول آثار تقلب المناخ والتغير على موارد المياه العذبة.
مقدمة
تناقش مقدمة ورقة البحث أهمية تخزين المياه الأرضية (TWS) كعنصر حاسم في دورة المياه العالمية، حيث تشمل جميع خزانات المياه العذبة على سطح الأرض القاري. تشير التغيرات في TWS، التي تُسمى شذوذات TWS (TWSA)، إلى التغيرات في التدفقات الهيدرولوجية المدفوعة بالتقلبات الطبيعية، وتغير المناخ، والأنشطة البشرية. لقد قدمت مهمة القمر الصناعي تجربة استعادة الجاذبية والمناخ (GRACE)، التي تعمل منذ عام 2002، قياسات مستمرة لـ TWSA، على الرغم من أنها شهدت فجوة بيانات بين عامي 2017 و2018 وفجوات إضافية في مهمة GRACE-FO. تشكل هذه الانقطاعات تحديات لفهم التغيرات في تخزين المياه العذبة على المدى الطويل، مما يستدعي الحاجة إلى إعادة بناء سلسلة زمنية لـ GRACE من خلال أساليب مختلفة تعتمد على البيانات.
تسلط الورقة الضوء على التطبيق المتزايد لتقنيات التعلم الآلي (ML)، وخاصة الشبكات العصبية من نوع الذاكرة قصيرة وطويلة الأمد (LSTM)، في إعادة بناء TWSA. بينما تم استخدام شبكات LSTM بنجاح في التنبؤ الهيدرولوجي، لا يزال تطبيقها في إعادة بناء TWSA العالمية محدودًا. تقدم هذه الدراسة GRAiCE، مجموعة من أربعة نماذج مدفوعة بالمناخ تستخدم الشبكات العصبية أحادية الاتجاه وثنائية الاتجاه لإعادة إنتاج ملاحظات TWSA لـ GRACE/GRACE-FO وتمتد بإعادة البناء إلى عام 1984. تتضمن النماذج خمسة متنبئات رئيسية مناخية وتستخدم أداة ضبط Optuna لاختيار أفضل المعلمات. توفر مجموعة بيانات GRAiCE الناتجة سلسلة زمنية شهرية مستمرة لـ TWSA من 1984 إلى 2021 بدقة مكانية تبلغ 0.5°، مما يجعلها موردًا قيمًا لتحليل تأثيرات المناخ والأنشطة البشرية على تخزين المياه العذبة الأرضية على مدى العقود الأخيرة.
طرق
في هذه الدراسة، يقدم المؤلفون أربعة إعادة بناء شهرية لشذوذ تخزين المياه الكلي (TWSA) تمتد من يناير 1984 إلى ديسمبر 2021، باستخدام دقة شبكة تبلغ 0.5°. يتم توليد إعادة البناء للمتغير المستهدف، الذي يتوافق مع ملاحظات TWSA لـ GRACE/GRACE-FO، من خلال نماذج الذاكرة قصيرة وطويلة الأمد (LSTM) و LSTM ثنائي الاتجاه (BiLSTM).
تم استخدام مجموعتين متميزتين من المتنبئات في عملية النمذجة. تتضمن المجموعة الأولى خمسة متغيرات مناخية رئيسية جنبًا إلى جنب مع بيانات ديناميات الغطاء النباتي، بينما تعتمد المجموعة الثانية فقط على المتغيرات المناخية. تهدف هذه الطريقة المنهجية إلى تعزيز دقة إعادة بناء TWSA من خلال الاستفادة من مدخلات بيانات مختلفة، كما هو موضح في الشكل 1 من الورقة.
نقاش
في هذا القسم، يناقش المؤلفون المنهجيات ومجموعات البيانات المستخدمة لإعادة بناء شذوذات تخزين المياه الأرضية (TWSA) باستخدام نماذج التعلم الآلي، وخاصة الشبكات العصبية من نوع الذاكرة قصيرة وطويلة الأمد (LSTM) و LSTM ثنائي الاتجاه (BiLSTM). يستفيدون من أحدث استرجاعات شهرية لـ GRACE و GRACE-FO من مختبر الدفع النفاث، باستخدام نهج تركيز الكتلة (mascon) الذي يعزز ارتباط البيانات مع القياسات في الموقع. تتضمن الدراسة متغيرات مناخية وبيانات ديناميات الغطاء النباتي تمتد من 1982 إلى 2021، مع تحديد المتنبئات الرئيسية مثل إجمالي الهطول، وعمق الثلج المعادل للمياه، والإشعاع الشمسي، ودرجة حرارة الهواء، والرطوبة النسبية. بالإضافة إلى ذلك، يتم تضمين الفلورسنت الناتج عن الشمس (SIF) كبديل لعملية التمثيل الضوئي، مما يساعد في فهم دور الغطاء النباتي في دورة المياه.
تؤكد طريقة النمذجة على مزايا شبكات BiLSTM، التي تعالج بيانات الإدخال في كلا الاتجاهين الأمامي والخلفي، وبالتالي تلتقط الديناميات الزمنية بشكل أكثر فعالية من النماذج أحادية الاتجاه. يوضح المؤلفون تصميم نموذجهم، وتحسين المعلمات، وطرق تقييم الأداء، بما في ذلك استخدام مقاييس مختلفة مثل معامل ارتباط بيرسون (PCC) وكفاءة ناش-سوتكليف (NSE) لتقييم دقة النموذج مقابل ملاحظات GRACE. تشير النتائج إلى أن نماذج BiLSTM تتفوق عمومًا على غيرها، خاصة في التقاط اتجاهات TWSA عبر مناطق مناخية مختلفة، على الرغم من ملاحظة بعض التباينات في المناطق التي تشهد سحبًا مائيًا كبيرًا من الأنشطة البشرية. كما تسلط الدراسة الضوء على قدرة النماذج على محاكاة استجابات TWSA للأحداث المناخية الكبرى، مما يظهر إمكانياتها لفهم التأثيرات الهيدرولوجية المرتبطة بتقلب المناخ.
DOI: https://doi.org/10.1038/s41597-025-04403-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39863652
Publication Date: 2025-01-25
Author(s): Irene Palazzoli et al.
Primary Topic: Geophysics and Gravity Measurements
Overview
The Gravity Recovery and Climate Experiment (GRaCE) and its successor, GRaCE-FO, have been instrumental in estimating Terrestrial Water Storage Anomalies (TWSA) since 2002, facilitating the observation of global hydrological changes. However, the absence of TWSA data prior to 2002 and temporal gaps in the existing datasets hinder comprehensive understanding of long-term freshwater variability. To address these limitations, this study introduces GRAiCE, a novel set of four global monthly TWSA reconstructions spanning from 1984 to 2021 at a spatial resolution of 0.5°.
Utilizing Long Short-Term Memory (LSTM) and Bidirectional LSTM (BiLSTM) neural networks, the GRAiCE models demonstrate a high degree of accuracy in replicating GRACE/GRACE-FO observations on a global scale and effectively capture the effects of climate extremes. The performance of GRAiCE surpasses that of a previous reference TWSA reconstruction, providing enhanced predictive capabilities for observed TWSA and delivering reliable water budget estimates at the river basin level. By generating a continuous long-term TWSA time series, GRAiCE is poised to yield significant insights into the implications of climate variability and change on freshwater resources.
Introduction
The introduction of the research paper discusses the significance of Terrestrial Water Storage (TWS) as a critical component of the global water cycle, encompassing all freshwater reservoirs on Earth’s continental land surface. Variations in TWS, termed TWS Anomalies (TWSA), are indicative of changes in hydrological fluxes driven by natural variability, climate change, and human activities. The Gravity Recovery and Climate Experiment (GRACE) satellite mission, operational since 2002, has provided continuous measurements of TWSA, although it experienced a data gap between 2017 and 2018 and additional gaps in the GRACE-FO mission. These interruptions pose challenges for understanding long-term freshwater storage changes, prompting the need for reconstruction of the GRACE time series through various data-driven approaches.
The paper highlights the increasing application of machine learning (ML) techniques, particularly Long Short-Term Memory (LSTM) networks, for TWSA reconstruction. While LSTM networks have been successfully utilized in hydrological forecasting, their application for global TWSA reconstruction remains limited. This study introduces GRAiCE, a collection of four climate-driven models utilizing Unidirectional and Bidirectional LSTM networks to reproduce GRACE/GRACE-FO TWSA observations and extend reconstructions back to 1984. The models incorporate five key meteorological predictors and utilize the Optuna tuning tool for optimal hyperparameter selection. The resulting GRAiCE dataset offers continuous monthly TWSA time series from 1984 to 2021 at a 0.5° spatial resolution, serving as a valuable resource for analyzing climate and human impacts on terrestrial freshwater storage over recent decades.
Methods
In this study, the authors present four monthly Total Water Storage Anomaly (TWSA) reconstructions spanning from January 1984 to December 2021, utilizing a grid resolution of 0.5°. The reconstructions of the target variable, which corresponds to GRACE/GRACE-FO TWSA observations, are generated through Long Short-Term Memory (LSTM) and Bidirectional LSTM (BiLSTM) models.
Two distinct sets of predictors are employed in the modeling process. The first set integrates five key meteorological variables along with vegetation dynamics data, while the second set is based solely on the meteorological variables. This methodological approach aims to enhance the accuracy of TWSA reconstructions by leveraging different data inputs, as illustrated in Figure 1 of the paper.
Discussion
In this section, the authors discuss the methodologies and datasets utilized for reconstructing terrestrial water storage anomalies (TWSA) using machine learning models, specifically Long Short-Term Memory (LSTM) and Bidirectional LSTM (BiLSTM) networks. They leverage the latest GRACE and GRACE-FO monthly retrievals from the Jet Propulsion Laboratory, employing a mass concentration (mascon) approach that enhances data correlation with in-situ measurements. The study incorporates meteorological variables and vegetation dynamics data spanning from 1982 to 2021, identifying key predictors such as total precipitation, snow depth water equivalent, solar radiation, air temperature, and relative humidity. Additionally, solar-induced fluorescence (SIF) is included as a proxy for photosynthesis, which aids in understanding vegetation’s role in the water cycle.
The modeling approach emphasizes the advantages of BiLSTM networks, which process input data in both forward and backward directions, thus capturing temporal dynamics more effectively than unidirectional models. The authors detail their model design, hyperparameter optimization, and performance evaluation methods, including the use of various metrics such as Pearson’s Correlation Coefficient (PCC) and Nash-Sutcliffe Efficiency (NSE) to assess model accuracy against GRACE observations. The results indicate that BiLSTM models generally outperform others, particularly in capturing TWSA trends across different climatic regions, although some discrepancies are noted in areas with significant anthropogenic water withdrawals. The study also highlights the models’ ability to simulate TWSA responses to major climatic events, demonstrating their potential for understanding hydrological impacts associated with climate variability.