本发明属于卫星重力学、水文学交叉技术领域，尤其涉及一种提高区域地下水储量估计精度的方法。
背景技术：
地下水(gws)是全球水文循环中最大的淡水资源，提供了全球约50％的饮用水。近年来，极端气候、人口增长、地下水资源过度开采导致地下水资源的严重消耗。因此，掌握地下水动态变化对水资源管理和人类生存至关重要。
传统地下水变化监测方法主要依靠观测井，虽然其结果能够提供高分辨率地下水水位估计，但在实际应用中存在诸多局限性。首先，观测井的建设和维护耗时耗力；其次，观测水井分布不均；最后，单点观测数据难以代表大区域结果。重力反演与气候实验卫星(grace)计划由美国宇航局(nasa)和德国空间飞行中心(dlr)联合实施，于2002年3月成功发射，该卫星能够获得区域所有深度的陆地水储量。至今为止，grace卫星是唯一能够在任何条件下，监测所有深度tws变化的遥感手段。然而，其主要缺点是无法从grace数据中分离出单独的水文分量。
为了将地下水储量从陆地水储量中分量出来，以往研究主要利用个别水文模型的辅助信息对grace数据进行垂直分解。全球陆地数据同化系统(gldas)提供了0.25°空间分辨率的水文通量估计，已经被应用于各种水文研究。例如，华北平原地下水下降、中国黄土高原地下水补给率、青藏高原径流量评估等。
目前，许多水文模型和陆地表面模型被开发出来用于描述陆地各水文通量，例如watergapglobalhydrology模型(wghm)，communityatmospherebiospherelandexchange(cable)和world-widewaterresourcesassessment(w3ra)。由于模型结构、参数设置和驱动数据的不同，水文模型的输出结果存在部分差异。通常，这些模型是在全球尺度上开发，因此各有利弊。例如，gldas模型的全球水文数据公开，但没有模拟地下水分量；awar模型模拟了地下水分量，但不能描述在干旱时期发生的大量水资源消耗现象。因此，使用单个水文模型的最大问题在于不确定模型输出是否适合特定区域。
塔斯马尼亚岛位于澳大利亚南部，总面积约为68000km2。虽然它不到澳大利亚表面积的1％，但该地区约占澳大利亚淡水资源的12％。塔斯马尼亚州的地下水开采率相对较低，总消耗量估计为38gl/yr。然而，90％的开采区在该州的西北和中北部，这意味着地下水开采可能会在这些地区引起局部问题。此外，塔斯马尼亚西海岸的大部分地区都被保护为世界遗产区，原生植被覆盖了整个州的50％。因此，了解gws的动态变化对当地生态环境具有重要意义，而且，由于地下水位监测井分布不均，难以利用水井观测值对地下水储量进行可靠估计。特别是在2001～2009年间，澳大利亚东南部地区发生了长期干旱，即所谓的“千年干旱”，影响了环境、农业和经济活动。已经有较多研究表明该干旱现象影响到了塔斯马尼亚地下水。
技术实现要素：
本发明的技术解决问题：克服现有技术的不足，提供一种提高区域地下水储量估计精度的方法，基于统计选择方法联合grace卫星重力数据和全球水文模型，提高了区域地下水储量的估计精度。
为了解决上述技术问题，本发明公开了一种提高区域地下水储量估计精度的方法，包括：
获取月尺度的陆地水储量变化δtws0；
利用gldas水文模型提取全球范围内月尺度的土壤含水量变化δsm1、雪水当量变化δswe1和植被冠层水储量变化δpcsw1；
利用wghm水文模型提取全球范围内月尺度的土壤含水量变化δsm2、雪水当量变化δswe2、植被冠层水储量变化δpcsw2；
根据δtws0、δsm1、δswe1和δpcsw1，解算得到月尺度的地下水储量变化δgws1；根据δtws0、δsm2、δswe2和δpcsw2解算得到月尺度的地下水储量变化δgws2；
根据研究区的实测的月尺度的地下水储量变化δgws0，分别对δgws1和δgws2进行评估；
根据评估结果选择最优月尺度的地下水储量变化δgws优作为研究区各像元的月尺度的地下水储量变化结果输出。
在上述提高区域地下水储量估计精度的方法中，获取月尺度的陆地水储量变化δtws0，包括：
从m个数据源获取得到m个基于球谐系数解算得到的月尺度的陆地水储量变化δtws1、δtws2...δtwsm；其中，m≥3；
确定δtws1、δtws2...δtwsi各自对应的时间序列的回归模型z1(t)、z2(t)、...zm(t)；
对z1(t)、z2(t)、...zm(t)分别进行解算，得到各回归模型中的线性趋势项的值；
根据各回归模型中的线性趋势项的值的比较结果，从δtws1、δtws2...δtwsm中筛选得到最优的月尺度的陆地水储量变化δtws0，并输出。
在上述提高区域地下水储量估计精度的方法中，δtws1、δtws2...δtwsi各自对应的时间序列的回归模型的通用表达式为：
其中，i∈m，βi1表示第i个回归模型的常数项，βi2表示第i个回归模型的线性趋势项，βi3表示第i个回归模型的年正弦信号，βi4表示第i个回归模型的年余弦信号，βi5表示第i个回归模型的半年正弦信号，βi6表示第i个回归模型的半年余弦信号，εi表示第i个回归模型的数据误差。
在上述提高区域地下水储量估计精度的方法中，月尺度的地下水储量变化的解算公式如下：
δgws1＝δtws0-δsm1-δswe1-δpcsw1
δgws2＝δtws0-δsm2-δswe2-δpcsw2。
在上述提高区域地下水储量估计精度的方法中，根据研究区的实测的月尺度的地下水储量变化δgws0，分别对δgws1和δgws2进行评估，包括：
确定δgws0与δgws1的相关系数pr1、均方根误差rmse1，确定δgws0与δgws2的相关系数pr2、均方根误差rmse2；
确定δgws0、δgws1和δgws2各自的斜率tr0、tr1和tr2；
解算得到δgws1的评估结果y1和δgws2的评估结果y2：
其中，f11、f12、f21和f22分别表示pr1、rmse1、pr2和rmse2的权重系数，consist(·)表示趋势一致性判断函数。
在上述提高区域地下水储量估计精度的方法中，确定δgws0与δgws1的相关系数pr1、均方根误差rmse1，确定δgws0与δgws2的相关系数pr2、均方根误差rmse2，包括：
获取δgws0的时间序列x(t)、δgws1的时间序列y1(t)和δgws2的时间序列y2(t)；
相关系数计算如下：
均方根误差计算如下：
其中，n表示时间序列的长度。
在上述提高区域地下水储量估计精度的方法中，
当tr0的趋势与tr1的趋势一致，则consist(tr1,tr0)＝1；否则，consist(tr1,tr0)＝0；
当tr0的趋势与tr2的趋势一致，则consist(tr2,tr0)＝1；否则，consist(tr2,tr0)＝0。
在上述提高区域地下水储量估计精度的方法中，
本发明具有以下优点：
本发明公开了一种提高区域地下水储量估计精度的方法，基于统计选择方法联合grace卫星重力数据和全球水文模型，提高了区域地下水储量的估计精度，为水文应用选择合适的水文模型提供了有效方案。
附图说明
图1是本发明实施例中一种提高区域地下水储量估计精度的方法的步骤流程图；
图2是本发明实施例中一种利用不同grace产品计算的塔斯马尼亚2003～2015年陆地水储量变化区域平均结果示意图；
图3是本发明实施例中一种联合grace-gldas、grace-wghm和wghm得到的塔斯马尼亚2003-2015年地下水储量变化示意图；其中，3a：月尺度，3b：季节尺度，3c：grace-gldas与grace-wghm之间相关系数和rmse；
图4是本发明实施例中一种塔斯马尼亚地下水位监测井分布位置和数量示意图；
图5是本发明实施例中一种四个格网的gldas-gldas、grace-wghm和wghm结果与实测数据的对比示意图；
图6是本发明实施例中一种2003-2015年地下水储量变化空间分布图；其中，6a：gldas-gldas，6b：grace-wghm；d和d表示呈下降趋势区域，r和r表示呈上升趋势区域；
图7是本发明实施例中一种r2和d4区域grace-gldas和grace-wghm地下水储量变化估计结果与实测数据比较，以及与温度和降雨比较示意图；
图8是本发明实施例中一种grace-gldas和grace-wghm组合结果示意图；8a：最优选择结果，8b：简单平均结果；
图9是本发明实施例中一种2003-2015年地下水储量变化和相应降雨变化示意图；其中，9a：月尺度，9b：年际尺度，9c：平均季节尺度；灰色条形表示真实降雨数据，黑色条状表示经过7个月滞后期调整的降雨数据；
图10是本发明实施例中一种2003-2015年地下水储量变化示意图；10a：整个区域平均结果，10b干旱指数和降雨积分结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
在本发明中，主要通过以下几个方面对本实施例公开的一种提高区域地下水储量估计精度的方法进行说明。
1、研究区概况
塔斯马尼亚位于澳大利亚本土以南240km处，经纬度范围为40°s-44°s和144°e-148°e，面积6.45万km2。该地区大部分为高山和丘陵，中心为该区最高部分，山峰海拔超过1500m，中东部地区及沿海区域较为平坦。
塔斯马尼亚气候类型为温带海洋性气候，凉爽温和，平均年气温最高达15.7℃，最低为4.5℃。由于地形影响，东西部降水差异较大，西部大部分地区降水量每年超2000mm，高山地区达到4000mm；东部地区年平均降水量低于750mm，个别地区少于400mm；东北部高地相对于周围地区降雨量也很高，部分原因是降雪，年降水量约为900mm；东南部地区全年降水分布均匀，大多低于800mm。该地区约有150000km的水道，8800个湿地和94000个水体。岛上河流流域面积685～11700km2。
2、数据源
2.1)grace陆地水储量异常数据
本发明实施例使用的陆地水储量异常数据是level3格网产品和mascon产品，这两种产品由美国德克萨斯大学太空研究中心(csr)提供。level3格网产品由swensonandwahr(2006)和landererandswenson(2012)的算法处理得到，空间分辨率为1°×1°。由于grace观测数据的采样和后处理，在较小空间尺度的表面质量变化信号趋于衰减。
尺度因子方法用于恢复信号泄漏(称为csr-scaled)，该尺度因子由ftp://podaac-ftp.jpl.nasa.gov/alldata/tellus/l3/land_mass/提供。
mascon是重力场解算的另一种基础方程，空间分辨率为0.5°×0.5°。csrmascon(csr-m)受时变正则化矩阵约束，并且仅从grace信息得出，没有应用其他模型或数据进行约束。因此，csr-m解没有明显的条带误差，可以捕获grace在测量噪声水平内的信号。
2.2)水文模型地表水储量数据
全球陆面数据同化系统(gldas)由美国宇航局(nasa)、美国国家环境预报中心(ncep)和美国国家海洋大气局(noaa)联合研发，同时建立全球水文模式，公开发布实时卫星遥感观测数据与地表观测数据，通过这些数据驱动clm、mos、vic和noah四个陆面过程模型，可以生成28项陆面气象数据。本发明采用noah2.1空间分辨率为0.25°×0.25°，重采样为0.5°×0.5°。
thewatergapglobalhydrologymodel(wghm)全球水文模型由德国法拉克福大学自然地理研究所(ipg)研发，提供了除南极和格陵兰岛外的全球0.5°×0.5°水资源信息。wghm模型不仅考虑了地下水分量，还考虑了人类活动对水资源消耗的影响。
2.3)降雨数据
trmm3b43是标准的月解降雨产品，结合了降水数据集，包括tmi(trmm微波成像仪)、pr(降水雷达)、virs(可见光和红外扫描仪)、ssm/i(特殊传感器微波成像仪)和雨量计数据。trmm3b43通过平均trmm3b42v6降水产品得到，并广泛用于气候学应用。它提供了从1988年到现在记录的月总降雨量估计值，空间分辨率为0.25°。
2.4)地面观测数据
地下水监测井实测数据来自全球地下水监测网络(globalgroundmonitoringnetwork，ggmn)，ggmn由联合国教科文组织发起，由igrac(internationalgroundwaterresourcesassessmentcentre)组织实施，旨在提高地下水监测信息的质量和获取性，网站(https://ggmn.un-igrac.org/)提供了全球时空地下水监测数据，数据每天收集1～2次。本发明按月取平均求得每月水位信息，由于给水度未知，因此不将水位转换成储量。
澳大利亚气象局(bom，http://www.bom.gov.au/climate/data/)提供了基于地面观测的降水和温度数据。尽管气候站的范围有限且存在固有误差，但它们仍然是最直接和最精确的测量工具。因此，在以下讨论中，基于地面测量被认为是“真实降水”和“真实温度”。
3、方法
在本实施例中，如图1，该提高区域地下水储量估计精度的方法，包括：
步骤101，获取月尺度的陆地水储量变化δtws0。
在本实施例中，首先，可以从m个数据源获取得到m个基于球谐系数解算得到的月尺度的陆地水储量变化δtws1、δtws2...δtwsm；其中，确定δtws1、δtws2...δtwsi各自对应的时间序列的回归模型z1(t)、z2(t)、...zm(t)；然后，对z1(t)、z2(t)、...zm(t)分别进行解算，得到各回归模型中的线性趋势项的值；最后，根据各回归模型中的线性趋势项的值的比较结果，从δtws1、δtws2...δtwsm中筛选得到最优的月尺度的陆地水储量变化δtws0，并输出。
优选的，δtws1、δtws2...δtwsi各自对应的时间序列的回归模型的通用表达式可以如下：
其中，m≥3，i∈m，βi1表示第i个回归模型的常数项，βi2表示第i个回归模型的线性趋势项，βi3表示第i个回归模型的年正弦信号，βi4表示第i个回归模型的年余弦信号，βi5表示第i个回归模型的半年正弦信号，βi6表示第i个回归模型的半年余弦信号，εi表示第i个回归模型的数据误差。
步骤102，利用gldas水文模型提取全球范围内月尺度的土壤含水量变化δsm1、雪水当量变化δswe1和植被冠层水储量变化δpcsw1。
步骤103，利用wghm水文模型提取全球范围内月尺度的土壤含水量变化δsm2、雪水当量变化δswe2、植被冠层水储量变化δpcsw2。
步骤104，根据δtws0、δsm1、δswe1和δpcsw1，解算得到月尺度的地下水储量变化δgws1；根据δtws0、δsm2、δswe2和δpcsw2解算得到月尺度的地下水储量变化δgws2。
在本实施例中，月尺度的地下水储量变化的解算公式如下：
δgws1＝δtws0-δsm1-δswe1-δpcsw1
δgws2＝δtws0-δsm2-δswe2-δpcsw2
步骤105，根据研究区的实测的月尺度的地下水储量变化δgws0，分别对δgws1和δgws2进行评估。
在本实施例中，评估的具体流程如下：
1)确定δgws0与δgws1的相关系数pr1、均方根误差rmse1，确定δgws0与δgws2的相关系数pr2、均方根误差rmse2。
在本实施例中，可以获取δgws0的时间序列x(t)、δgws1的时间序列y1(t)和δgws2的时间序列y2(t)，则有：
相关系数计算如下：
均方根误差计算如下：
其中，n表示时间序列的长度。
2)确定δgws0、δgws1和δgws2各自的斜率tr0、tr1和tr2。
3)解算得到δgws1的评估结果y1和δgws2的评估结果y2：
其中，f11、f12、f21和f22分别表示pr1、rmse1、pr2和rmse2的权重系数。
优选的，consist(·)表示趋势一致性判断函数。其中，当tr0的趋势与tr1的趋势一致，则consist(tr1,tr0)＝1；否则，consist(tr1,tr0)＝0。当tr0的趋势与tr2的趋势一致，则consist(tr2,tr0)＝1；否则，consist(tr2,tr0)＝0。
步骤106，根据评估结果选择最优月尺度的地下水储量变化δgws优作为研究区各像元的月尺度的地下水储量变化结果输出。
在本实施例中，根据步骤105得到的评估值越大，说明选择的水文模型的输出结果与实测数据的差异越小。即：
4、结果和分析
4.1)陆地水储量变化
利用不同grace产品计算的塔斯马尼亚2003～2015年陆地水储量变化区域平均结果如图2所示。csr-scaled结果比csr-sh和csr-m结果要大，与这两种结果在振幅上的差异分别为42.6mm和21.34mm。这表明在塔斯马尼亚地区，用尺度因子校正后的信号被高估，可能是由于在clm4.0模型中tws存在一定误差。在2003～2015年间，所有tws变化序列均呈上升趋势，斜率范围从0.33mm/yr(csr-sh)～1.49mm/yr(csr-scaled)。图中阴影表示csr-scaled和csr-mascon结果的不确定度，其值为46.26mm和21.34mm。
csr-sh的陆地水储量异常存在较大不确定性，而且粗糙的空间分辨率是数据主要缺点之一；此外，csr-m可以明确定义陆地和海洋区域，可有效减少泄漏误差影响，并在处理过程中抑制噪声，几乎没有经验后处理要求。因此，在以下讨论中选择csr-m结果描述陆地水储量异常特征。
4.2)地下水储量长期变化分析
图3表示由grace-gldas、grace-wghm和wghm得到的2003～2015年塔斯马尼亚地区地下水储量整体变化情况。grace-gldas和grace-wghm结果的总体趋势基本一致，相关系数为0.82，两种结果都表现出明显周期性(图3a)。grace-gldas和grace-wghm的年振幅分别为40.75mm和65.41mm，年相位分别为76.37°和69.91°。然而，在季节性特征方面，wghm与其他两种结果相反，当wghm的结果达到峰值时，其他两种结果为谷底。此外，wghm结果的振幅在塔斯马尼亚约30％区域都无法确定，这对于地下水估计相当不准确。
地下水储量变化表现出较强周期性，1～5月出现盈余，6～11月出现亏损。在较冷季节，grace-gldas和grace-wghm之间差异较大，在9月差异最大，达到42.48mm(图3b)。总体来说，grace-gldas的gws变化与grace-wghm在除g23和g24以外格网比较一致，相关系数在0.59～0.85。grace-gldas和grace-wghm之间的rmse约为55mm，最大值和最小值出现在g21和g40中，分别为61.61mm和27.61mm(图3c)。
4.3)基于grace卫星重力和水文模型的地下水储量变化验证
将塔斯马尼亚州在空间上按经纬度0.5°×0.5°划分为48个网格，如图4所示，圆点表示监测井，并非完全覆盖整个研究区域。grace-gldas、grace-wghm和wghm对地下水储量变化估计结果与实测数据比较如图5所示，本发明仅选取其中4个格网。在每个格网中，grace-gldas和grace-wghm的季节性和周期性与实测数据均较为接近。此外，在g8网格，grace-wghm结果的振幅明显大于grace-gldas，而在g32中grace-gldas有较大变化幅度。实测数据振动幅度变化较大，例如，在g14(图5b)中从-5～5m变化，在g34中变化为-0.3～0.3m(图5d)。wghm结果呈现出相反季节性特征，在g35中几乎毫无变化趋势。这说明wghm模型在塔斯马尼亚地区的地下水储量估计需要进行较大改进。
在塔斯马尼亚东部地区，grace-gldas结果与实测数据高度相关，相关系数从0.64(g41)～0.85(g33)不等。而在北部地区，grace-wghm结果与实测数据高度相关，相关系数从0.69(g21)～0.88(g26)不等，除g27和g41外，rmse结果与相关系数结论一致。
对于时间序列趋势项，除g21和g27外，grace-水文模型结果和实测数据均呈上升趋势。此外，grace-gldas的斜率通常是grace-wghm的1.8倍。在g21和g27中，grace-wghm和实测数据均呈下降趋势，而grace-gldas则具有相反趋势。原因可能是由于气象强迫数据和模型参数的缺点，gldas模型无法在高海拔地区产生准确估计水文变量。
4.4)地下水储量变化趋势的空间分布
利用grace-gldas和grace-wghm计算2003～2015年间塔斯马尼亚州地下水储量变化速率空间分布，结果如图6所示。d1-d3和d1-d4分别为由grace-gldas和grace-wghm结果显示的呈下降趋势的主要区域。r1-r2和r1分别为由grace-gldas和grace-wghm结果显示的呈上升趋势的主要区域。据图6可知，由grace-gldas和grace-wghm反演得到的研究区域地下水储量变化速率空间分布较为一致，两种模型结果均表明：2003～2015年，塔斯马尼亚西部沿海、西南部和南部地区地下水储量呈下降趋势，下降速率最快区域主要在西部沿海地区，上升速率较快区域主要为中部和北部地区。grace-gldas结果显示地下水储量呈上升趋势区域范围比grace-wghm要大，且上升速率大，呈下降趋势的区域范围比grace-wghm小，且下降速率小，即在大部分区域，grace-gldas变化速率偏高。最大差异出现在中部高原地区(r2和d4)，两个结果显示相反趋势，速率分别为2.93mm/yr和-2.36mm/yr。
据图7可解释两种结果在r2和d4中呈现相反趋势的原因。图7a显示grace-wghm与实测数据的相关性比grace-gldas与实测数据的相关性高，相关系数分别为0.70和0.41。导致呈现相反趋势原因主要包括：(1)该地区位于中部高原，地下水补给源主要来自积雪和冰川融水，因此gws变化受温度影响较大。图7b显示grace-wghm结果更敏感于温度变化，而grace-gldas结果不能捕获温度的动态变化，尤其是在5～7月。grace-wghm和grace-gldas与温度数据的相关系数分别为0.89和0.55；(2)由wghm得到的sm变化在振幅上要比gldas大，如图7c所示。主要原因是gldas和wghm的降雨驱动数据不同以及模型定义的土壤层和土壤深度不同。
4.5)地下水储量变化最优估计的空间分布
根据统计选择法，总体指标显示：ygrace-wghm和grace-gldas在灰色区域较大(图4)。这表明grace-wghm和grace-gldas结果在灰色区域与实测数据较吻合。对于缺乏实测数据区域，grace-gldas和grace-wghm之间的相关系数和rmse值分别为0.74和44.17，优于整个塔斯马尼亚平均水平(0.68mm和45.15mm)。因此，将grace-wghm结果作为中部和北部地区最终估计，东部沿海和东南部以grace-gldas作为最终估计，其他区域取二者平均值，得到研究区最终地下水储量变化速率空间分布结果如图8a所示。此外，图8b表示两种结果在整个区域的简单平均结果。
与图8b中的简单平均结果相比，改进结果可以综合利用不同模型结果，并保留特定区域特征，如图8a所示。df1-df4为地下水储量呈下降趋势的主要区域，下降速率分别约为-2.21mm/yr、-3.37mm/yr、-3.19mm/yr和-2.36mm/yr。rf1为呈上升趋势的主要区域，上升速率约为5.43mm/yr。gws的动态变化主要受降雨、人类活动、地质地形条件等因素影响。在非常明显的下降趋势地区(df1-df2)主要包括崎岖山脉和广阔森林。因此，人类活动极小，降雨年际变化可能对这些地区的地下水急剧下降起重要作用。
图9比较了df2地下水储量变化结果和实际降水结果。可以看出，地下水储量变化结果滞后于降雨数据，因为降雨对地下水的补给需要时间。本发明统计了4个区域降雨与地下水储量时间序列的滞后相关系数，滞后期分别设为0～8个月，可以看出四个区域的滞后期为7个月(滞后相关系数为0.49～0.63)。在2003～2015年，地下水储量与降雨均呈现明显下降趋势，下降速率分别为-3.36mm/yr和-39.04mm/yr(图9b)，这表明地下水储量下降主要由降水减少引起。对于季节性周期，降雨主要发生在9月到次年5月，占据全年60％的降雨量，这与地下水储量变化一致(图9c)。
4.6)地下水储量时间变化趋势及气候影响分析
在实测水井数据区域，grace卫星重力和水文模型估计的地下水储量变化结果与实测数据具有较高一致性，这表明用grace卫星重力和水文模型可用于估计整个塔斯马尼亚地区地下水储量变化(图10a)。地下水储量变化结果显示2003年1月～2010年9月呈现下降趋势，下降速率为-2.57mm/yr，同时显示出塔斯马尼亚受到了“千年干旱”影响。本发明利用自适应palmer干旱指数(scpdsi)作为气象干旱指标。scpdsi数据来自climaticresearch(http://www.cru.uea.ac.uk/cru/data)，pdsi小于-2表明严重干旱。从图10b可以看出，2006～2009年，scpdsi低于-2，表明该地区出现严重的干旱气候。这种干旱气候对地下水储量产生影响，使地下水储量在该阶段出现严重下降，下降速率为-9.47mm/yr。在干旱阶段，降雨低于平均水平，并呈现下降趋势，这可能是引起干旱的主要原因。2011～2015年，地下水储量以3.94mm/yr的速率恢复，主要原因是降雨增多。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
1.一种提高区域地下水储量估计精度的方法，其特征在于，包括：
获取月尺度的陆地水储量变化δtws0；
利用gldas水文模型提取全球范围内月尺度的土壤含水量变化δsm1、雪水当量变化δswe1和植被冠层水储量变化δpcsw1；
利用wghm水文模型提取全球范围内月尺度的土壤含水量变化δsm2、雪水当量变化δswe2、植被冠层水储量变化δpcsw2；
根据δtws0、δsm1、δswe1和δpcsw1，解算得到月尺度的地下水储量变化δgws1；根据δtws0、δsm2、δswe2和δpcsw2解算得到月尺度的地下水储量变化δgws2；
根据研究区的实测的月尺度的地下水储量变化δgws0，分别对δgws1和δgws2进行评估；
根据评估结果选择最优月尺度的地下水储量变化δgws优作为研究区各像元的月尺度的地下水储量变化结果输出。
2.根据权利要求1所述的提高区域地下水储量估计精度的方法，其特征在于，获取月尺度的陆地水储量变化δtws0，包括：
从m个数据源获取得到m个基于球谐系数解算得到的月尺度的陆地水储量变化δtws1、δtws2...δtwsm；其中，m≥3；
确定δtws1、δtws2...δtwsi各自对应的时间序列的回归模型z1(t)、z2(t)、...zm(t)；
对z1(t)、z2(t)、...zm(t)分别进行解算，得到各回归模型中的线性趋势项的值；
根据各回归模型中的线性趋势项的值的比较结果，从δtws1、δtws2...δtwsm中筛选得到最优的月尺度的陆地水储量变化δtws0，并输出。
3.根据权利要求2所述的提高区域地下水储量估计精度的方法，其特征在于，δtws1、δtws2...δtwsi各自对应的时间序列的回归模型的通用表达式为：
其中，i∈m，βi1表示第i个回归模型的常数项，βi2表示第i个回归模型的线性趋势项，βi3表示第i个回归模型的年正弦信号，βi4表示第i个回归模型的年余弦信号，βi5表示第i个回归模型的半年正弦信号，βi6表示第i个回归模型的半年余弦信号，εi表示第i个回归模型的数据误差。
4.根据权利要求1所述的提高区域地下水储量估计精度的方法，其特征在于，月尺度的地下水储量变化的解算公式如下：
δgws1＝δtws0-δsm1-δswe1-δpcsw1
δgws2＝δtws0-δsm2-δswe2-δpcsw2。
5.根据权利要求1所述的提高区域地下水储量估计精度的方法，其特征在于，根据研究区的实测的月尺度的地下水储量变化δgws0，分别对δgws1和δgws2进行评估，包括：
确定δgws0与δgws1的相关系数pr1、均方根误差rmse1，确定δgws0与δgws2的相关系数pr2、均方根误差rmse2；
确定δgws0、δgws1和δgws2各自的斜率tr0、tr1和tr2；
解算得到δgws1的评估结果y1和δgws2的评估结果y2：
其中，f11、f12、f21和f22分别表示pr1、rmse1、pr2和rmse2的权重系数，consist(·)表示趋势一致性判断函数。
6.根据权利要求5所述的提高区域地下水储量估计精度的方法，其特征在于，确定δgws0与δgws1的相关系数pr1、均方根误差rmse1，确定δgws0与δgws2的相关系数pr2、均方根误差rmse2，包括：
获取δgws0的时间序列x(t)、δgws1的时间序列y1(t)和δgws2的时间序列y2(t)；
相关系数计算如下：
均方根误差计算如下：
其中，n表示时间序列的长度。
7.根据权利要求5所述的提高区域地下水储量估计精度的方法，其特征在于，
当tr0的趋势与tr1的趋势一致，则consist(tr1,tr0)＝1；否则，consist(tr1,tr0)＝0；
当tr0的趋势与tr2的趋势一致，则consist(tr2,tr0)＝1；否则，consist(tr2,tr0)＝0。
8.根据权利要求5所述的提高区域地下水储量估计精度的方法，其特征在于，
