水文干旱（陆地水储量亏缺）通常由气象干旱（降水亏缺）进一步发展演变形成，揭示其时空演变规律和成因，是预防和减轻灾害影响以及水资源管理的重要依据。GRACE (Gravity Recovery And Climate Experiment)重力卫星及其后继卫星GRACE-FO (GRACE Follow-On)对全球陆地总水储量变化的时空监测，为水文干旱研究提供了关键数据支撑。自2002年发射以来，GRACE(-FO)监测的陆地水储量变化资料被广泛应用于全球水文干旱研究。然而，由于GRACE和GRACE-FO之间的观测空白期，2017-2018年存在约一年的全球水储量观测数据缺失，这影响了对与该时期存在时间重叠的水文干旱事件的分析。此外，该观测数据缺失也给其它相关应用研究造成一定的不确定性，如对全球陆面/水文过程的模拟和对区域水循环变化的评估等。
针对上述问题，太阳集团tyc539水科学系研究团队依托自身在水文过程和深度学习研究方面的优势，与中山大学、中国地质大学（武汉）、丹麦奥尔堡大学及南京水利科学研究院等国内外单位的学者合作，发展了一种BCNN (Bayesian Convolutional Neural Network)深度学习方法，联合卫星重力、降水、温度和水文模拟等数据，重建GRACE和GRACE-FO监测空白期间的水储量变化数据，进而量化分析2017-2018年全球水文干旱的时空演变规律和成因。
图 1 基于GRACE(-FO)验证数据集计算的BCNN纳什效率系数NSE重建精度分布（接近1.0为佳）
如图1所示，除数据信噪比较低的少数极端干燥区（如撒哈拉沙漠等），BCNN在超过70%的区域纳什效率系数大于0.7。基于GRACE(-FO)观测和BCNN重建的水储量变化数据，进一步围绕2017-2018年全球水文干旱展开研究，主要取得以下新认识：
(1)这一时期全球北中纬度许多区域经历了持续的水文干旱，包括我国北部、南亚-中东-撒哈拉南部一带、欧洲伊比利亚半岛以及美国大部地区（图2）；气象和土壤干旱指数也表明这些地区在该时期经历了干旱条件，间接验证了水文干旱的重建识别结果；
(2)通过对旱区内的六个流域/地区的水文干旱特征进一步分析发现，它们在2017-2018年经历了中旱(D2)、重旱(D3)或特旱(D4；图3)，干旱持续13-25个月、最大水储量亏缺可超过储量季节波动的50%；
(3)上述六个流域的水文干旱均主要由持续的降水短缺导致，干旱的扩散和恢复速率与降水盈亏累积速率呈显著相关（相关系数可达0.92）；其中，伊比利亚半岛(图3c)和印度河-赫尔曼德河-阿姆河流域(图3d)在2017-2018年均经历了特旱(D4)，但前者在干旱后期有更快的降水盈余累积，水储量恢复较快，展现出更强的天然抗旱潜力;
(4) GRACE(-FO)间断期内的水文干旱与前后的干旱存在延续关系，且上述六个流域的水储量损失峰值发生在间断期内(图3)。因此，BCNN的重建识别结果避免了对2017-2018水文干旱持续时间及强度的低估误判。
图 2 基于标准化水文干旱指数识别的GRACE(-FO) 2017-2018观测空白期全球水文干旱时空演变
图 32002-2020年六个流域不同等级水文干旱发生面积占比，两条虚线之间为BCNN填补的GRACE(-FO) 2017-2018观测空白期干旱演化过程
图 4 六个流域在2017-2018年水文干旱期间水储量亏缺(WSD)和累积降水距平(CPA)
该工作揭示了GRACE(-FO)观测空白期间全球水文干旱的时空演化规律，为相关区域防旱抗旱和水资源优化管理提供了重要信息，也为进一步研究气候变化和人类活动双重加剧背景下的水文干旱演变机制提供了基础数据。BCNN相比传统方法可显著提高GRACE(-FO)信号重建精度，有效填补了全球水储量变化数据缺失，可广泛应用于区域水储量变化评估、全球陆面/水文过程模型的数据同化等研究中。
上述成果分别以“Bayesian convolutional neural networks for predicting the terrestrial water storage anomalies during GRACE and GRACE-FO gap”和“Hydrological droughts of 2017-2018 explained by the Bayesian reconstruction of GRACE(-FO) fields”为题，发表于水文水资源领域权威期刊Journal of Hydrology (JoH)和Water Resources Research (WRR)，其中后者是在前者基础上改进了BCNN重建框架，并进一步围绕2017-2018年全球水文干旱展开研究。
太阳集团tyc539博士后莫绍星为论文第一作者，吴吉春教授为JoH论文通讯作者，施小清教授为WRR论文通讯作者，中山大学测绘学院冯伟教授为共同通讯作者，合作者包括中国地质大学(武汉)钟玉龙博士、丹麦奥尔堡大学Ehsan Forootan教授和Nooshin Mehrnegar博士、南京水利科学研究院尹鑫博士。该研究得到国家重点研发计划、国家自然科学基金、第二次青藏高原综合科学考察、中国和江苏省博士后基金的联合资助。论文信息：
1. 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
2. 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, e2022WR031997. https://doi.org/10.1029/2022WR031997
1.代码：https://github.com/njujinchun/BCNN4GRACE
2.数据：https://zenodo.org/record/5336992
