本发明涉及水资源管理和预测领域，具体提出了一种基于水量平衡和机器学习误差优化的陆地水储变化量预测方法及系统。
背景技术：
1、陆地水储量是指存储在陆地上的所有水，包括土壤水、雪水、地下水、河流、湖泊和树冠水储量，是全球水循环和淡水资源的重要状态变量。获取高精度的陆地水储变化量(twsc)数据对于准确理解地球气候、生态系统和水循环的变化至关重要。而准确模拟陆地水储量变化一直是全球水循环变化研究的关键挑战，其重要原因之一是twsc的取值小，模拟精度容易受驱动变量误差的影响。
2、grace卫星为观测twsc提供了重要的机会，但受限于观测期的长度(从2002年至今)。为了在气候变化和人类活动的影响下获得历史和未来的twsc数据，需要使用各种方法来模拟twsc。广泛使用的方法包括水文模型、机器学习模型和水量平衡方法。水文模型通过模拟水储量分量的方式获取总的陆地水储量变化，但其精度常受到气候驱动数据精度、模型结构、参数化以及人类活动等因素的影响。机器学习模型通过建立twsc与不同驱动因素之间的关系来模拟twsc，但易受到驱动因素不确定性和过拟合的影响，且缺乏对水循环机制的考虑。与水文模型和机器学习模型相比，使用水平衡计算的twsc模拟具有使用固定变量(降水p、蒸散发et、径流q)作为驱动因素的优势，提高了p、et和q数据集之间的一致性，可以直接获得twsc且考虑水循环机制(质量守恒)。然而，使用水平衡计算的twsc模拟受到p、et和q数据集误差的较大影响。因此，减少从p、et和q数据集转移到估计twsc的误差是提高twsc估计精度的关键。
技术实现思路
1、本发明主要目的在于提供一种可以优化水平衡方法提高twsc估计精度的基于水量平衡和机器学习误差优化的陆地水储变化量预测方法及系统。
2、本发明所采用的技术方案是：
3、提供一种基于水量平衡和机器学习误差优化的陆地水储变化量预测方法，包括以下步骤：
4、s1、获取历史时期的降水、蒸散发、径流的遥感数据集，并融合观测数据，对遥感数据集进行优化处理；
5、s2、根据优化后的遥感数据集，利用多重搭配方法计算降水、蒸散发、径流的估计误差，并结合水量平衡公式估计历史时期的陆地水储量；
6、s3、引入误差调控因子，其为真实陆地水储量与估计的陆地水储量的差值再除去估计误差、水量平衡残差后的误差；
7、s4、根据历史时期的误差调控因子与优化后的遥感数据集、估计误差之间的关系构建机器学习模型并训练；
8、s5、选定预测时段，计算该预测时段中优化后的遥感数据集和估计误差，并输入到训练好的机器学习模型中，得到预测的该预测时段的误差调控因子，并根据预测的误差调控因子计算该预测时段的陆地水储量。
9、接上述技术方案，步骤s1中具体采用多元线性回归的方法，分别建立降水、蒸散发、径流的观测数据和遥感数据集之间的关系，并将该关系迁移到没有观测站点的栅格上，得到优化后的遥感数据集。
10、接上述技术方案，该多重搭配方法为三重搭配方法。
11、接上述技术方案，步骤s2中计算估计误差的具体步骤为：根据多重搭配的方法计算优化后的遥感数据集与真实值之间的距离，以该距离为权重来估计真实值，再根据优化后的遥感数据集和估计的真实值作差，得到降水、蒸散发、径流的估计误差。
12、接上述技术方案，步骤s4中机器学习模型为随机森林模型。
13、本发明还提供一种基于水量平衡和机器学习误差优化的陆地水储变化量预测系统，包括：
14、遥感数据集处理模块，用于获取历史时期的降水、蒸散发、径流的遥感数据集，并融合观测数据，对遥感数据集进行优化处理；
15、估算模块，用于根据优化后的遥感数据集，利用多重搭配方法计算降水、蒸散发、径流的估计误差，并结合水量平衡公式估计历史时期的陆地水储量；
16、误差调控因子计算模块，用于计算误差调控因子，其为真实陆地水储变化量与估计的陆地水储变化量的差值再除去估计误差、水量平衡残差后的误差；
17、误差调控因子预测模块，用于根据历史时期的误差调控因子与优化后的遥感数据集、估计误差之间的关系构建机器学习模型并训练；再根据选定的预测时段，计算该预测时段中优化后的遥感数据集和估计误差，并输入到训练好的机器学习模型中，得到预测的该预测时段的误差调控因子；
18、陆地水储量预测模块，用于根据预测的误差调控因子计算该预测时段的陆地水储量。
19、接上述技术方案，数据集处理模块具体采用多元线性回归的方法，分别建立降水、蒸散发、径流的观测数据和遥感数据集之间的关系，并将该关系迁移到没有观测站点的栅格上，得到优化后的遥感数据集。
20、接上述技术方案，估算模块中计算估计误差的具体过程为：根据多重搭配的方法计算优化后的遥感数据集与真实值之间的距离，以该距离为权重来估计真实值，再根据优化后的遥感数据集和估计的真实值作差，得到降水、蒸散发、径流的估计误差。
21、接上述技术方案，机器学习模型为随机森林模型。
22、本发明还提供一种计算机存储介质，其内存储有可被处理器执行的计算机程序，该计算机程序执行上述技术方案所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测方法。
23、本发明产生的有益效果是：本发明利用多重搭配方法估计了各水文变量的误差，并结合水量平衡公式引入了误差调控因子，构建了基于水量平衡和误差优化的陆地水储变化量预测模型，在很大程度上减少了从降水、蒸散发、径流的遥感数据集转移到估计陆地水储量的误差，有效地提高了陆地水储量估计的精度，本发明为解决现有技术中由于气候驱动数据、模型结构、参数化等问题导致陆表水储量模拟精度低的技术问题提供了重要参考依据。
24、进一步地，通过采用多元线性回归的方法，分别建立降水、蒸散发、径流的观测数据和遥感数据集之间的关系，并将该关系迁移到没有观测站点的栅格上，得到优化后的遥感数据集，从而提高历史时期遥感数据集的精度。
25、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
1.一种基于水量平衡和机器学习误差优化的陆地水储变化量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测方法，其特征在于，步骤s1中具体采用多元线性回归的方法，分别建立降水、蒸散发、径流的观测数据和遥感数据集之间的关系，并将该关系迁移到没有观测站点的栅格上，得到优化后的遥感数据集。
3.根据权利要求1所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测方法，其特征在于，该多重搭配方法为三重搭配方法。
4.根据权利要求1所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测方法，其特征在于，步骤s2中计算估计误差的具体步骤为：根据多重搭配的方法计算优化后的遥感数据集与真实值之间的距离，以该距离为权重来估计真实值，再根据优化后的遥感数据集和估计的真实值作差，得到降水、蒸散发、径流的估计误差。
5.根据权利要求1所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测方法，其特征在于，步骤s4中机器学习模型为随机森林模型。
6.一种基于水量平衡和机器学习误差优化的陆地水储变化量预测系统，其特征在于，包括：
7.根据权利要求6所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测系统，其特征在于，数据集处理模块具体采用多元线性回归的方法，分别建立降水、蒸散发、径流的观测数据和遥感数据集之间的关系，并将该关系迁移到没有观测站点的栅格上，得到优化后的遥感数据集。
8.根据权利要求6所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测系统，其特征在于，估算模块中计算估计误差的具体过程为：根据多重搭配的方法计算优化后的遥感数据集与真实值之间的距离，以该距离为权重来估计真实值，再根据优化后的遥感数据集和估计的真实值作差，得到降水、蒸散发、径流的估计误差。
9.根据权利要求6所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测系统，其特征在于，机器学习模型为随机森林模型。
10.一种计算机存储介质，其特征在于，其内存储有可被处理器执行的计算机程序，该计算机程序执行权利要求1-5中任一项所述的基于水量平衡和机器学习误差优化的陆地水储变化量预测方法。