基于深度神经网络的GRACE等效水高及地表形变量预测

姚志伟 陈 雨

1 四川大学电子信息学院，成都市一环路南一段24号，610065

地球重力场信息可反映地球表面载荷以及内部物体质量的分布变化，是大地测量学、地球物理学等学科研究的重要组成部分[1]。2002-03美国宇航局NASA以及德国航空航天中心DLR联合研制发射GRACE地球重力场观测卫星，以前所未有的精度绘制全球静态重力场[2]。由全球时变重力场模型反演得到的等效水高等数据，已在区域地下水存量、冰川融化、地表载荷变化趋势等领域取得广泛应用[3-5]。因此对等效水高以及地表形变量进行精准预测，能够极大推进地表水存储量、地表质量变化等各方面预测研究。

由于时间序列特征复杂，基于统计学的传统方法难以具备较好的预测效果。循环神经网络(recurrent neural network, RNN)可提供一种全新的预测方法,但RNN网络在训练过程中容易出现梯度消失或梯度爆炸的现象，并且无法学习到时间序列之间长时期的依赖特征[6]。Hochreiter等[7]对RNN网络进行改进，推出LSTM长短时记忆网络，可克服相关问题,预测效果显著提升。基于LSTM的时间序列预测在各个领域蓬勃发展,改进的LSTM网络在地震横波速度预测方面具有较高的精度和较强的泛化能力[8],在海洋畸形波预测方面比传统支持向量机算法更加精准[9]；在自然灾害领域，LSTM可用于预测降水、干旱等气象灾害[10-13]。目前关于GRACE反演产品的研究主要集中在应用方面,在预测方面的研究较少,此外LSTM在地球科学方面的应用大部分采用单层LSTM结合传统方法或改进网络内部结构的方法，从而忽视了LSTM能够拓展成深层网络的特点。……