厘清流域气候变化和人类活动如何影响水储量变化有利于水资源精准管理和保护。以黄河流域为研究区,基于统计模型从降水量和气温中重建0.25°格网尺度气候变化驱动的水储量异常(Climate-driven water storage anomalies,CWSA)信息,并从GRACE重力卫星提供的陆地总水储量异常(Terrestrial water storage anomalies,TWSA)中分离出人类活动驱动的水储量异常(Human-driven water storage anomalies,HWSA)信息。结果表明:(1)黄河流域CWSA整体呈显著上升趋势,流域平均上升速率为3.6 mm·a^(-1),其变化主要由流域内增加的降水量引起。(2)黄河流域HWSA整体呈显著下降趋势,流域平均下降速率为8.9 mm·a^(-1),其中下降速率较大的区域集中在中下游地区,造成其下降的主要因素可能是人类活动中的地下水过度抽采。(3)TWSA分别与CWSA和HWSA的相关性分析表明黄河上游源区的TWSA主要受CWSA影响,而在广大中下游地区则受HWSA影响更大。研究通过量化的方式分离了气候变化和人类活动引起的流域水储量变化量,并区分了二者对黄河流域水储量变化的影响。
GNSS观测时间序列包含复杂的非线性构造运动,如地面质量荷载、模型残差、周围环境因素等。由于环境因素的复杂性,季节性信号可能具备准周期时变的特征,传统的时间序列分析模型很难模型化。因此,可以采用一种双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)循环神经网络与变分模态分解(Variational Mode Decomposition,VMD)联合的信号重构方法。首先利用VMD强大的分解能力将GNSS信号进行频域剖分并将其分为多项子信号和噪声项,再基于BiLSTM强大的学习能力对GNSS信号进行训练建模。结果表明,BiLSTM+VMD模型能充分挖掘信号的时频域特征,提高信号重构的精度和稳定性,GNSS N、E、U三分量重构结果均方根误差(Root Mean Squared Error,RMSE)都表现出不同程度的降低,尤其水平方向效果更为显著,相比EMD与VMD方法,E方向离散度分别降低了61%和19%,N方向离散度分别降低了20%和14%。这为GNSS观测时间序列中信号提取与模型参数估计提供了一个有价值的模型。
