Disentangling and integrating spatiotemporal features: Deep learning-based downscaling of groundwater storage anomalies from GRACE and GRACE-FO satellites

Xinjiang, China, is one of the most representative arid regions of the world. The research focuses on enhancing the spatial resolution of GRACE-derived Groundwater Storage Anomaly (GWSA) data from 0.5° to 0.1° using a deep learning downscaling framework that decouples and fuses spatio-temporal featu...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Journal of hydrology. Regional studies Ročník 62
Hlavní autoři:	Liang, Qixiang, Hao, Xingming, Ci, Mengtao, Yuan, Mengqi, Di, Yanfeng, Sun, Fan, Wang, Chuan, Zhang, Jingjing, Fan, Xue, Xiong, Haibin
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier B.V 01.12.2025
Témata:	Downscaling Geographical neural network weighted regression (GNNWR) Geographically and Temporally Weighted Neural Network Regression (GTNNWR) GRACE GWSA Semi-supervised variational autoencoder regression (SSVAER) Xinjiang Geographical neural network weighted regression (GNNWR) Pre SMLT PCW JPL GSFC Downscaling NDVI Xinjiang GRACE SM Semi-supervised variational autoencoder regression (SSVAER) GWSA SWE CC SHAP SSVAER CSR GTNNWR CSR-CPL LST DEM GNNWR ET Runoff TWSA TCH Geographically and Temporally Weighted Neural Network Regression (GTNNWR)
ISSN:	2214-5818, 2214-5818
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!