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性的影响，如强烈的厄尔尼诺现象。
GTWS-MLrec 数据集包括三个基于 JPL、CSR 和 GSFC mascons 的重建，三个去趋势和去季节化重建，以及六个陆地区域的全球平均 TWS 序列（包括格陵兰和南极洲）。GTWS_MLrec 具有广泛的属性，可以支持广泛的应用，如更好地了解全球水预算、约束和评估水文模型、气候-碳耦合和水资源管理。
模型训练数据：GRACE/GRACE-FO TES.
机器学习模型的输入：来自第五代欧洲中期天气中心的11个气象要素；ERA5的两个水文变量；土地利用和覆盖数据；植被指标，即LAI和太阳诱导荧光；11个气象变量等。
作为比较，使用了两个最广泛使用的全球TWS重建数据集（0.5°分辨率），即GRACE-Humphrey和Gudmundsson的REC数据集以及最近的类似于GRACE的重建TWS数据集。
重建是通过一套机器学习模型实现的，该模型使用了广泛的输入驱动因素，包括气候和水文变量、土地利用/土地覆盖数据以及植被指标。机器学习模型由 GRACE/GRACE-FO 测量数据训练而成，
机器学习重构的 TWS 估计值（即 GTWS-MLrec）与 GRACE/GRACE-FO 测量结果非常吻合，在 GRACE 时代显示出高相关系数和低偏差。还利用其他独立数据集对 GTWS-MLrec 进行了评估，如陆地-海洋质量预算、341 个大河流域的大尺度水量平衡以及 10,168 个测站的溪流测量数据。我们发现，所提出的方法在整体上与之前的 TWS 数据集相比，性能更佳或更可靠。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.ZENODO.DB6521.2024
10.5281/zenodo.10040927
