陆地水储量（terrestrial water storage, TWS）的准确估计和理解其驱动因素对于有效的水文评估和水资源管理至关重要。重力恢复和气候实验（Gravity Recovery and Climate Experiment, GRACE）卫星的发射与深度学习算法的发展为此类研究开辟了新途径。本研究采用长短期记忆（long short-term memory, LSTM）神经网络模型，利用降水、温度、径流、蒸散发和叶面积指数（LAI）数据，模拟珠江流域（Pearl River Basin, PRB）的陆地水储量异常值（terrestrial water storage anomaly, TWSA）。同时，我们采用了SHAP（SHapley Additive exPlanations）方法揭示驱动因素的相对重要性并评估不同提前期的影响。结果显示，降水对TWSA的影响最为显著，其中一个月前的降雨影响最大。蒸散发、径流、温度和LAI也发挥着重要作用，且不同因素之间存在交互作用。此外，我们观察到降水和蒸散发对TWSA的累积效应显著，尤其对于较短的提前期。总体而言，卫星观测与深度学习技术的结合有望推动我们对TWS动态的理解，并加强水资源管理策略。
 

陆地水储量；驱动因素分析；深度学习