受人类活动影响,全球气候变化巨大,洪涝、干旱、海平面上升等问题严重威胁到人类未来的发展。许多气象灾害的发生都与水有着密切联系,而地下水作为陆地水资源的重要组成部分,其水量和水质的变化会对人们生产、生活产生显著影响,调查地下水储量可以提高人们对于区域地下水现状以及相关影响因素的认识,及时采取措施引导地下水的使用往可持续方向发展。常规的地下水储量数据获取方式具有成本高、局限多、不直观等缺点,重力恢复与气候实验卫星(Gravity Recovery and Climate Experiment,GRACE)的运行提供了一种大范围、非接触的测量手段,它的出现为区域与全球水资源调查及相关研究提供了全新的方法。很多学者利用GRACE数据对陆地水资源、冰川、海洋及冰盖等进行了研究,对区域乃至全球水资源现状有了直观全面的认识。但受到GRACE数据分辨率的限制,难以直接开展精细尺度的研究,因此很多学者对此开展了GRACE数据降尺度模型研究。在本研究中,为了生成更加精细的地下水储量变化结果,利用GRACE数据和统计降尺度方法构建了降尺度模型。与以往研究不同,该模型基于相关向量机(Relevance Vector Machine,RVM)构建,并引入地面沉降速率预测因子。其中,RVM是一种基于贝叶斯理论的机器学习方法,该方法所需超参数较少、且在小样本集上性能优异;地面沉降速率可作为指示人类对地下水储量影响程度的因子引入模型,其形变量反演通过小基线集干涉技术实现。最终构建的降尺度模型将原始1°×1°的产品生成0.1°×0.1°的地下水储量变化图,并进行了模型验证。为了说明模型的效果,根据现有研究现状,与人工神经网络方法和支持向量机方法构建的降尺度模型进行了比较。降尺度模型的模拟结果表明,在2007~2010年间,研究区地下水储量年损失速率相对稳定,且范围不断扩大。同时,研究表明了RVM方法可用于快速构造GRACE降尺度模型,且实验中表现优于人工神经网络和支持向量机;地面沉降速率可作为地下水储量反演的重要预测因子。最后,对本研究提出的降尺度模型进行了局限性分析,并针对局限性提出了相应的解决方案和未来研究可改进的方面。