2019, Vol. 39
2. 中国科学院大学，北京市玉泉路19号甲, 100049
陆地水储量(terrestrial water storage, TWS)是水文循环的关键变量，也是连接大气和地面相互作用的重要参数[1]。TWS包含地表植物、土壤、河流、湿地、湖泊、人造水库、冰、雪和地下水等[2]，人类活动和气候变化常常导致洪涝、干旱等自然灾害的发生[3]，是造成TWS变化的重要因素[4]。监测TWS变化并研究其成因，对充分利用水资源和了解全球气候变化有一定帮助[5]。长江是世界第三大河流，长江流域人口密集，农业发达，水利工程众多(如三峡工程、南水北调中线工程等)。长江东临西太平洋，西起冰川遍布的“世界屋脊”青藏高原。受东亚季风、印度季风及热带太平洋厄尔尼诺-南方涛动(El Niño-southern oscillation，ENSO)的影响，全球气候变暖，青藏高原冰雪融化加剧对长江流域造成影响[5-8]。研究气候变化和人类活动对长江流域TWS的影响，有助于管理和合理利用长江流域水资源，提高淡水资源利用效率、农业生产效率等，有效减少洪涝、干旱等灾害造成的经济损失。
获取长时序TWS数据对研究复杂气候和水文过程演变至关重要[9]。传统的TWS监测方法是基于点的实地测量，但由于高山冰川等交通不便地区无法测量，分散的数据采集点(或台站)导致空间分辨率低，TWS的高动态变化特性使得传统方法无法实时掌握整个流域的水文状况。此外，点的测量局限于地表水测量和地下水位测量，复杂的地下状况(断裂、基岩含水层等)使TWS实地测量精度受到影响[10]。近年来，遥感技术在水文监测中扮演了重要角色[11-12]。光学遥感技术提供TWS变化的空间信息，但由于其利用电磁波谱技术获取地面信息而使监测局限于地表[13]；全球定位系统(GPS)可监测区域TWS变化，但需要密集的GPS台站[14-15]；GRACE于2002-03成功发射，可监测全球和区域TWS变化[16]。
Long等[17]利用全球水文模型比例因子法修复低通滤波后的GRACE信息泄漏，估计长江流域TWS变化，提高自然和人为因素导致的TWS变化空间异质性，但未针对长江流域TWS变化的成因进行研究。Zhang等[3]利用GRACE估计长江流域TWS异常来研究干旱事件，分析ENSO和TWS变化的关系，但未对人类活动对其的影响进行深入探讨。综上所述，气候变化和人类活动对长江流域TWS变化的影响有待进一步研究，这对全方位指导管理长江流域水资源具有重要意义。
本文将从以下4个方面详细分析气候变化和人类活动对长江流域水储量变化的影响：1)利用全球正向建模恢复法来改正泄漏影响，获得改正后长江流域TWS变化的时间序列和速度变化空间分布；2)利用陆地水文模型(global land data assimilation system，GLDAS)获取长江流域的温度速度变化，利用热带降雨测量计划(tropical rainfall measuring mission, TRMM)的降水量数据，获取长江流域的降雨速度变化，分析其对TWS变化的影响；3)计算GRACE相对TWS指数，剔除长江流域季节性和长期变化的影响，表征人类活动与气候变化引起的TWS变化，分析人类活动的影响；4)GRACE非季节性TWS变化与ENSO指数相关性分析，探讨气候变化对长江流域TWS的影响。
1 观测数据和方法 1.1 GRACE反演TWS变化利用2002-08~2016-12 CSR公布的RL05产品60阶球谐系数，估计得到长江流域的TWS变化。用卫星激光测距观测的C20系数替代RL05数据中对应的C20项系数。由于模型中已经扣除日月引力、大气潮、极潮、固体潮及海潮等影响，利用GRACE反演的陆地质量变化主要为陆地水量的变化。利用GRACE重力场球谐系数反演陆地质量变化的公式为[18]：
| $ \begin{array}{*{20}{l}} {\Delta \eta \left( {\theta , \varphi } \right) = \frac{{a{\rho _{{\rm{ave}}}}}}{{3{\rho _w}}}\sum\limits_{l = 0}^\infty {\sum\limits_{m = 0}^l {{{\bar P}_{lm}}} } \left( {\cos \theta } \right)\frac{{2l + 1}}{{1 + {k_l}}} \times }\\ {\;\;\;\;\;\;\;\;(\Delta {C_{lm}}\cos \left( {m\varphi } \right) + \Delta {S_{lm}}\sin \left( {m\varphi } \right))q} \end{array} $ | (1) |
式中，a为地球平均赤道半径，l、m分别为球谐展开的阶数和次数，θ为余纬，φ为经度，Clm、Slm为无量纲的地球重力场位系数，Plm(cosθ)为归一正则化的缔合勒让德系数，ρave为地球平均密度(5 517 kg/m3)，ΔClm和ΔSlm为GRACE提供的球谐系数变化量，kl为负荷勒夫数，ρw为水的密度。可以将地球表面密度变化转化为等效水高变化Δη(θ, φ)，以等效水高的形式表示地球表面质量变化，讨论整个流域的TWS变化，用TWS变化的等效水厚度表示。首先计算整个流域的TWS，考虑到每个GRACE结果格网点面积不均，用余纬的余弦加权，再用总TWS变化除以水密度和长江流域总面积180万km2，获取TWS变化的等效水厚度。
为了更好地研究长期变化、季节性和非季节性变化，每1个月平均重力场减去155个月重力场的平均值，计算这段时期内长江流域的月TWS变化。本文采用Swenson等[19]提出的去相关滤波处理方法，较好地去除GRACE数据高阶系数相关性引起的条带现象，并相对较少地削弱真实的地球物理信号。考虑到模型系数误差随阶数l增大而迅速增加，且高阶项对表面密度的贡献不可忽略，为减小估算物质质量分布变化时的误差，引入平滑半径为300 km的高斯平滑函数，得到更精确的地球表面质量变化。
当GRACE数据处理过程中计算区域大于目标区域时，由于GRACE系数的截断及滤波影响，计算区域信号受到来自区域外信号的影响，即泄漏影响，特别是海洋与陆地的边界区域。也就是说，计算得到的地球表面质量变化不仅包括该点的质量异常信息，还包括来自附近区域，甚至全球质量异常的信息。泄漏影响会导致过高或过低估计所研究区域质量的异常变化。对泄漏影响目前有2种处理方法：一种是在计算海平面变化时，直接扣除海岸附近数百km的海域，计算剩余海洋质量变化，但这个方法不能得到全部海洋质量变化，且仅适用于临海的大冰川；另一种是在空间域或频率域内分离海洋信号和陆地水文信号来改正泄漏影响，如Mascon方法、增益因子、建模恢复方法等。
1.2 GLDAS数据和TRMM数据温度和降水量都是气候变化的重要指标，温度数据及水平衡方程中的蒸散发数据、径流量数据来源于全球陆地同化系统GLDAS[20]。GLDAS是基于地球表面信息和太空卫星观测联合估计的，诸如温度、土壤湿度、径流量等地表状态，有4个陆面过程模型(Mosaic、Noah、CLM和VIC)，全球覆盖范围为90°N~60°S。本文采用的是Noah版本2002-08~2016-12每月1°×1°的温度数据。
降水量数据使用的是TRMM卫星降水产品。TRMM卫星于1997-11-28发射，轨道高度为350 km，监测地球低、中纬度的降水状况(50°N~50°S)。本文采用2002-08~2016-12每月的TRMM-3B43降水0.25°×0.25°网格数据产品，通过4×4窗口，取平均值重采样为1°×1°的数据。
1.3 ENSO数据现今被广泛应用的描述ENSO现象的因素大致可以分为3类：1)海平面气压指数，通常采用南方涛动指数；2)海表温度，通常采用Nino1+2、Nino3、Nino3.4及Nino4等太平洋赤道ENSO发生的4个监测区域，通过海平面气压、赤道附近海表温度SST及综合变量指数来定义；3)多变量指数，通常采用MEI(multivariate ENSO index)表示。本文采用多变量指数MEI, 包括热带太平洋的6个变量——海平面压力、纬向的风、经向的风、海洋表面温度、表面空气温度、天空总云量。每月的MEI中，负值代表冷阶段的拉尼娜现象，正值代表暖阶段的厄尔尼诺现象。
2 结果与分析TWS长期项变化的拟合公式为：
| $ \begin{array}{l} {\rm{TWS}}\left( t \right) = a + bt + c{t^2} + \\ \mathop \sum \limits_{k = 1}^2 {d_k}\cos ({\omega _k}t - {\varphi _k}) + \varepsilon \left( t \right) \end{array} $ | (2) |
式中，a为常数，b为长期项变化，c为二阶项变化，dk为振幅，φk为相位，ωk为频率。当k为1时，dk和φk分别为1 a振幅和1 a相位；当k为2时，dk和φk分别为0.5 a振幅和0.5 a相位。ε为残余项。
2.1 TWS泄漏影响本文采用Chen等[21]提出的全球正向建模恢复法来改正泄漏影响，获得改正前后长江流域TWS变化的时间序列，量化泄漏影响并获得更可靠的TWS变化。为量化长江流域TWS变化情况，由式(2)拟合长江流域TWS变化，获得其长期变化速率，结果如图 1所示。由图可知，长江上游源头处的TWS显著减少，而三峡库区、鄱阳湖区域的TWS增加，这些区域的泄漏影响也相对较大。虽然泄漏信号对于内陆河流总TWS变化的影响不是很大，但对TWS变化比较大的区域，如三峡库区、鄱阳湖区域，具有更大的空间异质性，经过泄漏改正后三峡库区TWS变化由约10 mm/a变为15~20 mm/a。整个长江流域TWS有增长趋势，增长速度为0.13±0.12 cm/a。
|
图 1 GRACE TWS泄漏影响改正前后TWS速度空间分布 Fig. 1 GRACE TWS speed spatial distribution before and after leakage correction |
图 2给出了长江流域TWS变化的1 a内分布。由图可知，从2002~2016年15 a长江流域的TWS在7月最大，在2月最小，3月TWS开始增加，7月达到最高峰，10月开始回落。7~9月是TWS盈余高峰阶段，要注意防洪，1~3月是TWS亏损严重阶段，要做好防旱工作。
|
图 2 长江流域TWS变化的全年分布 Fig. 2 The Yangtze River basin TWS interannualchanges distribution |
为详细分析降水量对长江流域的影响，图 3展示了15 a长江流域TWS变化和降水量变化对比。由图可知，长江流域TWS变化与降水量变化趋势一致，且存在一定的滞后现象，滞后时间为1~2个月。其中，2011年降水量最少，TWS也相应地减少，说明这一年可能出现了严重的干旱灾害。事实上，由于持续晴热少雨天气，2011年全国遭受严重的旱灾，长江中下游大部地区降水量较常年同期减少3~8成，遭受近60 a来罕见旱情，湖北、江西、湖南等地部分地区旱情严重。如图 3所示，2006年也出现一定程度的干旱，干旱情况低于2011年。
|
图 3 长江流域TWS变化和降水量变化对比 Fig. 3 The Yangtze River basin TWS and rainfall changes |
由于GRACE估计的TWS留有前一个月的降水信息，将GRACE推导的TWS后一个月减去前一个月的数据，计算得出月水储量流量变化(terrestrial water storage change, TWSC)。图 4为每个月GRACE得到的长江流域TWSC与水平衡方程计算得到的TWSC时间序列。
|
图 4 长江流域2002-08~2016-12 TWSC变化 Fig. 4 The Yangtze River basin TWSC from August 2002 to December 2016 |
水平衡方程法是一个简单可靠的方法，可用于评估区域空间尺度水资源可利用性的动态变化[14]。本文利用GLDAS的蒸散发及径流数据，结合TRMM降水数据，模拟长江流域TWS变化，利用水平衡方程将TWS变化表示为：
| $ \partial S/\partial t = P - R - {E_T} $ | (3) |
式中，P为整个区域的降水量，R为径流量，ET为蒸散量，∂S/∂t为流域平均水储量流量变化，S为GRACE反演的水储量变化，t为数据采样时间，此处为1个月。由图 4可知，GRACE的TWSC与水平衡法TWSC变化趋势基本相同，但GRACE的TWSC在低值阶段变化幅度更大，体现了GRACE对监测TWS的亏损更加敏感。
3 讨论 3.1 温度和降水的影响由图 5可知，在人类活动引起的大气温室效应导致全球气候变暖的背景下[9]，长江流域上游青藏高原处温度明显升高，源头处温度呈现递增趋势，冰雪加速融化。由图 1(b)可知，长江上游源头处TWS具有减少趋势，而由图 6可知，该区域降水量变化趋势稳定不变，说明高原冰川融化的水注入长江，导致整个长江流域的TWS在这段时期有增长的趋势。
|
图 5 长江流域温度速度空间分布 Fig. 5 The Yangtze River basin spatial variability of land surface temperature |
|
图 6 长江流域降水量速度空间分布 Fig. 6 The Yangtze River basin spatial variability of precipitation |
由图 3可知，降水量和TWS具有较高的相关性，呈现出较一致的季节和年际变化趋势。对比图 1(b)和图 6可知，降水量变化速率的空间分布与TWS相同，在三峡库区及鄱阳湖区域变化速度呈积累趋势；但在上游河流源头区域，两者的变化速度呈相反趋势，说明该区域降水量对TWS变化不起主导作用，而温度是上游源头TWS变化的主导因素。
3.2 人类活动影响三峡工程的实施阶段正是本文研究的时间段(2002~2016年)。如图 1所示，TWS速度空间变化并不呈现规律性，在三峡库区、鄱阳湖流域为增长趋势，说明三峡工程的实施增大了三峡库区TWS，增长速率为15~20 mm/a，三峡库区与鄱阳湖之间(洞庭湖平原、江汉平原、南水北调中线工程引水区丹江口水库)的区域呈减少趋势。同为湖泊，相比鄱阳湖，洞庭湖却是减少趋势，这可能是由于三峡大坝的蓄水使得更靠近三峡的洞庭湖TWS减少，人为因素(如三峡工程、南水北调工程)改变了水储量的一般规律，而地处汉江中上游的丹江口水库为南水北调中线工程引水区，水资源向北引出，减少了该区域的水储量。
此外，长江流域发源地沱沱河位于“世界屋脊”青藏高原的唐古拉山南侧，为冰川分布地区。在全球气候变暖的背景下，冰雪加速融化，使得冰川融水注入江河。由图 1(b)可知，长江流域TWS大部分呈增加趋势，平均变化速度也呈增长趋势，平均增长速率为0.13±0.12 cm/a。上游尤其是长江源头处三级阶梯的高山冰川，TWS呈递减趋势。由此可知，同为冰川遍布的长江流域以外的青藏高原冰川加速融化，部分注入长江，使得整个流域的TWS呈增长趋势。由图 5可知，长江流域上游尤其是源头处，温度呈递增趋势，这是冰雪融化加速的主要原因。
由图 1(b)可知，三峡库区与鄱阳湖之间的区域TWS呈递减趋势，速率约为2.5 mm/a。由图 6可知，该区域的降水量递减速率约为1 mm/a。由此可知，降水量的递减不是导致该区域TWS减少的唯一因素。该区域为江汉平原和洞庭湖平原(即两湖平原)，是我国重要的粮食生产基地，农业灌溉使该区域局部TWS减少；人口增长也可能增加生活工业用水，对TWS产生影响。蒸散量、人口增长对TWS的定量影响有待进一步深入研究。
3.3 ENSO影响GRACE的TWS变化扣除长期变化速度和季节性影响(包括1 a变化和0.5 a变化)，得到非季节性变化，用以表征天气环境或人为影响。GRACE相对TWS指数，是指实际月TWS变化量相对于这段时间内月均TWS变化量的差值。当相对TWS指数连续3个月及以上月份为负值时，就认为该时段发生干旱事件；当相对TWS指数连续3个月及以上月份为正值时，就认为该时段发生洪涝事件。利用155个月长江流域的TWS数据求平均得到12个月各自TWS变化量的平均状态(图 2)，再将2002-08~2016-12时间段内每个月的TWS变化量减去对应月份的TWS变化量平均状态，得出该区域的相对TWS指数(单位cm)。当GRACE相对TWS指数为负值(正值)时，说明TWS少于(多于)平均状态，处于亏损(盈余)状态；当结果为0时，表示与平均状态相当。
由图 7可知，多变量指数和GRACE相对TWS指数并不呈线性相关，正如Zhang等[3]的研究结果，长江流域TWS变化和ENSO指数为非线性关系。2002~2005年，多变量指数和GRACE相对TWS指数均表现出比较平缓的波动，GRACE相对TWS指数在零值附近波动，这说明2002~2005年ENSO现象较弱，对长江流域的TWS变化影响很小。GRACE相对TWS指数可表征出ENSO现象比较弱的时段，即TWS变化波动平缓时段。2006年和2011年发生了干旱事件，由图 7可知，GRACE相对TWS指数出现相比前后阶段的最低值，TWS严重亏损且低值持续了3个月以上，此时应是拉尼娜现象，ENSO指数应当偏低；2015年和2016年洪涝，由GRACE非季节性TWS变化和MEI可知为厄尔尼诺年。
|
图 7 GRACE非季节性TWS变化与多变量指数 Fig. 7 GRACE unseasonal TWS change and MEI |
由图 7可知，2007年为厄尔尼诺年，但GRACE非季节性TWS指数却出现了长时间的亏损。从长时序角度看，2007年TWS亏损是受2006年极端干旱的影响。TWS的积累需要一个时间段，因此，当前一年出现严重干旱，后一年的GRACE非季节性TWS指数偏低不能表示拉尼娜现象，相比前一年出现的增长趋势，应是厄尔尼诺年。2008年也为拉尼娜年，却没有出现严重的干旱，但出现了严重的雪灾，这是拉尼娜年对我国影响特征的一种，即冬冷夏热。图 7显示，2008年GRACE相对TWS指数并没有像2006年和2011年那样出现极端的低值，因为雪灾并不会引起TWS亏损，这也解释了为何TWS变化和ENSO不呈现出很高相关性的原因。
综上所述，长江流域GRACE相对TWS指数一般可表征ENSO现象(极端的、非极端的)，但冬冷夏热、冬暖夏凉的ENSO现象会干扰GRACE相对TWS指数的表征。并且，TWS变化具有受前阶段积累的影响，但从长时序分析，可以规避此影响因素，即前一年出现干旱或者洪涝，GRACE相对TWS指数与ENSO为相反的变化趋势，GRACE相对TWS指数的增长(降低)依然能表示厄尔尼诺(拉尼娜)现象。因此，尽管两者的表征指数不呈现很高的相关性，ENSO现象仍是长江流域TWS变化的主要影响因子。
4 结语1) 利用GRACE数据扣除泄漏影响，获得改正前后长江流域2002-08~2016-12 TWS变化，分析其时空变化特征和趋势，整个长江流域的TWS有增长趋势，增长速度为0.13±0.12 cm/a。对TWS变化较大的区域，如三峡库区，经过泄漏改正后TWS变化由约10 mm/a增加为15~20 mm/a，且呈现更大的空间异质性。
2) 利用降水量、温度、ENSO指数等多种数据，对长江流域TWS增加的成因从气候变化和人类活动角度进行深入研究，通过GRACE相对TWS指数即非季节性变化，表征天气环境或人为因素的影响。结果表明，长江流域整体温度呈现上升趋势，上游尤其明显，这加速了长江上游源头处的冰川融化，从而加快了TWS变化，即在长江上游源头处温度是影响TWS变化的主要因子。降水量和TWS在时间和空间上都具有较高的相关性，时间上均呈现较一致的季节和年际变化趋势，且TWS变化趋势延迟1~2个月，空间上在三峡库区、鄱阳湖区域变化速度呈增长趋势。
3) 在人类活动引起的温室效应背景下，全球气候变暖，长江流域上游温度具有增长趋势，同为冰川遍布的长江流域以外的青藏高原冰川加速融化，部分注入长江，使得整个流域的TWS呈增长趋势。长江流域GRACE相对TWS指数一般可表征ENSO现象(极端的、非极端的)，但冬冷夏热、冬暖夏凉的ENSO现象会干扰GRACE相对TWS指数的表征。TWS变化受前阶段的影响，从长时序分析，前一年出现干旱或者洪涝，GRACE相对TWS指数与ENSO呈相反的变化趋势，GRACE相对TWS指数的增长(降低)表示厄尔尼诺(拉尼娜)现象。ENSO现象是长江流域TWS变化的主要影响因子，尽管两者的表征指数并不呈现很高的相关性。
| [1] |
Felfelani F, Wada Y, Longuevergne L, et al. Natural and Human-Induced Terrestrial Water Storage Change: A Global Analysis Using Hydrological Models and GRACE[J]. Journal of Hydrology, 2017, 533: 105-118
(  0) |
| [2] |
Güntner A, Stuck J, Werth S, et al. A Global Analysis of Temporal and Spatial Variations in Continental Water Storage[J]. Water Resources Research, 2007, 43(5)
( 0) |
| [3] |
Zhang Z Z, Chao B F, Chen J, et al. Terrestrial Water Storage Anomalies of Yangtze River Basin Droughts Observed by GRACE and Connections with ENSOP[J]. Global and Planetary Change, 2015, 126: 35-45 DOI:10.1016/j.gloplacha.2015.01.002
( 0) |
| [4] |
Zhao Q, Wu W W, Wu Y L. Variations in China's Terrestrial Water Storage over the Past Decade Using GRACE Data[J]. Geodesy and Geodynamics, 2015, 16(3): 187-193
( 0) |
| [5] |
Yang T, Wang C, Chen Y N, et al. Climate Change and Water Storage Variability over an Arid Endorheic Region[J]. Journal of Hydrology, 2015, 529: 330-339 DOI:10.1016/j.jhydrol.2015.07.051
( 0) |
| [6] |
Li S Y, Li J, Zhang Q F. Water Quality Assessment in the Rivers along the Water Conveyance System of the Middle Route of the South to North Water Transfer Project (China) Using Multivariate Statistical Techniques and Receptor Modeling[J]. Journal of Hazardous Materials, 2011, 195: 306-317 DOI:10.1016/j.jhazmat.2011.08.043
( 0) |
| [7] |
Yang S L, Liu Z, Dai S B, et al. Temporal Variations in Water Resources in the Yangtze River (Changjiang) over the Industrial Period Based on Reconstruction of Missing Monthly Discharges[J]. Water Resources Research, 2010, 46(10)
( 0) |
| [8] |
Yu R C, Wang B, Zhou T J. Tropospheric Cooling and Summer Monsoon Weakening Trend over East Asia[J]. Geophysical Research Letters, 2004, 31(22)
( 0) |
| [9] |
Billah M M, Goodall J L. Annual and Interannual Variations in Terrestrial Water Storage during and Following a Period of Drought in South Carolina, USA[J]. Journal of Hydrology, 2011, 409(1-2): 472-482 DOI:10.1016/j.jhydrol.2011.08.045
( 0) |
| [10] |
Creutzfeldt B, Ferré T, Troch P, et al. Total Water Storage Dynamics in Response to Climate Variability and Extremes: Inference from Long-Term Terrestrial Gravity Measurement[J]. Journal of Geophysical Research, 2012, 117(D8)
( 0) |
| [11] |
Song C Q, Huang B, Ke L H. Modeling and Analysis of Lake Water Storage Changes on the Tibetan Plateau Using Multi-Mission Satellite Data[J]. Remote Sensing of Environment, 2013(135): 25-35
( 0) |
| [12] |
Zhou Y, Jin S G, Tenzer R, et al. Water Storage Variations in the Poyang Lake Basin Estimated from GRACE and Satellite Altimetry[J]. Geodesy and Geodynamics, 2016, 17(2): 108-116
( 0) |
| [13] |
Yuan T, Lee H, Jung H C, et al. Absolute Water Storages in the Congo River Floodplains from Integration of InSAR and Satellite Radar Altimetry[J]. Remote Sensing of Environment, 2017, 201: 57-72 DOI:10.1016/j.rse.2017.09.003
( 0) |
| [14] |
Zhang T Y, Jin S G. Evapotranspiration Variations in the Mississippi River Basin Estimated from GPS Observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4694-4701 DOI:10.1109/TGRS.2016.2549364
( 0) |
| [15] |
Jin S G, Zhang T Y, Zou F. Glacial Density and GIA in Alaska Estimated from ICESat, GPS and GRACE Measurements[J]. Journal of Geophysical Research: Earth Surface, 2017, 122(1): 76-90 DOI:10.1002/2016JF003926
( 0) |
| [16] |
Tapley B D, Bettadpur S, Ries J C, et al. GRACE Measurements of Mass Variability in the Earth System[J]. Science, 2004, 305(5683): 503-505 DOI:10.1126/science.1099192
( 0) |
| [17] |
Long D, Yang Y T, Wada Y, et al. Deriving Scaling Factors Using a Global Hydrological Model to Restore GRACE Total Water Storage Changes for China's Yangtze River Basin[J]. Remote Sensing of Environment, 2015, 168: 177-193 DOI:10.1016/j.rse.2015.07.003
( 0) |
| [18] |
Wahr J, Molennar M, Bryan F. Time Variability of the Earth's Gravity Field: Hydrological and Oceanic Effects and Their Possible Detection Using GRACE[J]. Journal of Geophysical Research:Solid Earth, 1998, 103(B12): 30205-30229 DOI:10.1029/98JB02844
( 0) |
| [19] |
Swenson S, Wahr J. Post-Processing Removal of Correlated Errors in GRACE Data[J]. Geophysical Research Letters, 2006, 33(8)
( 0) |
| [20] |
Rodell M, Houser P R, Jambor U E A, et al. The Global Land Data Assimilation System[J]. Bulletin of the American Meteorological Society, 2004, 85(3): 381-394 DOI:10.1175/BAMS-85-3-381
( 0) |
| [21] |
Chen J L, Wilson C R, Tapley B D. Contribution of Ice Sheet and Mountain Glacier Melt to Recent Sea Level Rise[J]. Nature Geoscience, 2013, 6(7): 549-552 DOI:10.1038/ngeo1829
( 0) |
2. University of Chinese Academy of Sciences, A19 Yuquan Road, Beijing 100049, China