基于机器学习重建全球陆地蓄水量数据集（1940 年-至今）

本研究提出了全球陆地表面 TWS 异常值的长期（即 1940-2022 年）和高分辨率（即 0.25°）月度时间序列。重建是通过一套机器学习模型实现的，该模型包含大量预测因子，包括气候和水文变量、土地利用/土地覆被数据以及植被指标（如叶面积指数）。此外，我们的重建成功地再现了气候多变...

This study presents long-term (i.e., 1940–2022) and high-resolution (i.e., 0.25°) monthly time series of terrestrial water storage (TWS) anomalies over global land surfaces. The reconstruction is implemented via a suite of machine learning models that incorporate a large set of predictors, including climatic and hydrological variables, land use/land cover data, and vegetation metrics such as leaf area index. Furthermore, our reconstruction has successfully replicated climatic variability...

搜集汇总

背景与挑战

背景概述

该数据集是一个基于机器学习重建的全球陆地蓄水量数据集，覆盖1940年至2022年，提供高分辨率（0.25°）的月度时间序列。它利用多种气候、水文和植被指标作为输入，通过GRACE/GRACE-FO数据训练模型，成功再现了气候变异性如厄尔尼诺的影响，并与现有测量结果高度一致，适用于全球水预算研究和水资源管理。