陆地水储量异常（Terrestrial Water Storage Anomaly, TWSA）是全球水资源安全预警与水旱灾害防控的核心指标。GRACE/FO卫星通过地球时变重力场反演，首次实现了全球尺度TWSA动态的定量监测，被认为是21世纪水文遥感领域的重大技术突破之一。然而，受重力场解算、泄漏误差校正、信号去噪等复杂后处理流程制约，GRACE/FO官方数据产品存在约3个月的滞后期。这一瓶颈使得决策部门面临“数据真空期”困境——在汛期防洪调度与旱季水源配置等关键场景中，只能依赖滞后数据或未经数据同化（open-loop）的陆面水文模型输出等低精度替代指标，严重制约了卫星数据在水资源实时管控、水文干旱早期预警中的决策支持效能。
针对这一挑战，MG冰球突破官网网站水科学系研究团队提出了基于贝叶斯卷积神经网络（BCNN）的TWSA概率预测模型，通过融合GRACE/FO历史监测数据和水文气象再分析数据（包括降水、温度及TWSA），成功实现了3个月滞后期TWSA数据的可靠填补，同时量化了预测不确定性。模型验证结果表明，BCNN预测的纳斯效率系数（NSE）和均方根误差（RMSE）中位数分别为0.81-0.89和1.79-2.36 cm（图1），水文干旱刻画偏差率中位数小于16.4%（图2），显著优于传统未经数据同化的陆面水文模型预测结果。该成果不仅为水利、应急管理等部门提供了近实时的可靠水储量和水文干旱动态信息（图3），有助于实现从卫星监测到业务应用的“最后一公里”跨越，同时能为陆面水文模型数据同化提供关键约束，提升对GRACE/FO数据滞后期水文过程演变规律和水灾害风险的认知水平，对增强全球变化背景下极端水文事件的应对能力具有重要意义。
研究成果以“Near-real-time monitoring of global terrestrial water storage anomalies and hydrological droughts”为题，近期发表于自然指数（Nature Index）期刊《Geophysical Research Letters》。MG冰球突破官网网站助理教授、研究员莫绍星为论文第一作者，施小清教授和吴吉春教授为共同通讯作者，合作者包括丹麦奥尔堡大学Ehsan Forootan教授和Maike Schumacher教授、澳大利亚国立大学Albert van Dijk教授。该成果是研究团队在GRACE/FO卫星2018-2019年监测空窗期的TWSA数据重建（Mo et al., 2022, JoH）和水文干旱刻画与解析（Mo et al., 2022, WRR）研究基础上的延伸与深化。
为促进科学交流，研究团队已将BCNN代码和相关数据集在GitHub（https://github.com/njujinchun/DL4TWSA）和Zenodo（https://zenodo.org/records/14981355）平台开源。本研究得到了国家自然科学基金委、丹麦维鲁姆基金会和国家留学基金委访问学者项目的联合资助。
论文信息：
Mo, S., Schumacher, M., van Dijk, A. I. J. M., Shi, X., Wu, J., Forootan, E. (2025). Near-real-time monitoring of global terrestrial water storage anomalies and hydrological droughts. Geophysical Research Letters, 52, e2024GL112677. https://doi.org/10.1029/2024GL112677
Mo, S., Zhong, Y., Forootan, E., Mehrnegar, N., Yin, X., Wu, J., Feng, W., Shi, X. (2022). Bayesian convolutional neural networks for predicting the terrestrial water storage anomalies during GRACE and GRACE-FO gap. Journal of Hydrology, 604, 127244. https://doi.org/10.1016/j.jhydrol.2021.127244
Mo, S., Zhong, Y., Forootan, E., Shi, X., Feng, W., Yin, X., Wu, J. (2022). Hydrological droughts of 2017–2018 explained by the Bayesian reconstruction of GRACE(-FO) fields. Water Resources Research, 58(9), e2022WR031997. https://doi.org/10.1029/2022WR031997
图 1BCNN模型对GRACE/FO卫星3个月数据滞后期（t+1, t+2, t+3）TWSA的预测精度：相关系数R（左），纳斯效率系数NSE（中），均方根误差RMSE（右; cm）
图 2BCNN模型对GRACE/FO卫星3个月数据滞后期全球水文干旱的刻画偏差
图 3BCNN对典型水文干旱事件的早期预警性能评估：（a-d）亚马逊河流域，2023年12月；（e-h）中欧地区，2022年8月；（i-l）刚果河流域，2022年2月；（m-p）恒河—雅鲁藏布江流域，2021年4月；（q-t）密西西比河流域，2022年11月；（u-x）长江流域，2022年11月
图文：莫绍星
审核：陈天宇
