陆地水是不可或缺的重要自然资源，与人类活动密切相关，由于水资源的分布不均，制约着国家和地区的高速发展，严重影响我国可持续发展战略(Zhong et al., 2009).因此，陆地水储量异常TWSA(Terrestrial Water Storage Anomaly)的长期可持续监测，对于研究水循环过程，合理配置水资源，预防洪涝、干旱等自然灾害等有相当重要的科学意义和参考价值(Chen et al., 2009).

2002年初，GRACE(Gravity Recovery and Climate Experiment)卫星开始运行，基于GRACE获取空间中长尺度的时变重力场信息，可反演TWSA，使TWSA的长期可持续监测成为可能，国内外学者基于GRACE数据对区域TWSA进行了大量研究(Tapley et al., 2004；Yeh et al., 2006；Tiwari et al., 2009；Chen et al., 2014；Long et al., 2016).直至2017年10月，GRACE任务结束，CSR(Center for Space Research)、GFZ(Helmholtz-Centre Potsdam-German Research Centre for Geosciences)、JPL(Jet Propulsion Laboratory)三所机构最新发布的GRACE Level-2 RL06(Release 06) 数据更新至2017年6月，但由于卫星后期运行存在的质量问题，一般2016年8月之后的数据不再使用.2018年5月，为延续GRACE任务，GRACE-FO(GRACE Follow-On)成功发射升空，该卫星将继续监测全球重力场的变化.近期CSR、GFZ、JPL公布了最新的GRACE-FO Level-2 RL06球谐系数数据，下文简称GRACE-FO SH，截至2021年1月10日，数据的时间段为2018年6月至2020年11月，由此GRACE与GRACE-FO之间存在了20多个月的数据空窗期.为得到长期连续的TWSA监测结果，更准确的研究TWSA的年际变化与长期趋势特征，从而合理利用配置水资源，一种有效的针对GRACE/GRACE-FO数据空窗期的TWSA间断补偿方法是十分必要的.

数据间断的补偿可通过时间序列分析或机器学习等方法预测实现，国内外学者针对水储量变化的预测开展了大量研究工作.Mirzavand和Ghazavi (2015)利用ARMA(Autoregressive Moving Average)、ARIMA(Autoregressive Integrated Moving Average)、SARIMA(Seasonal Autoregressive Integrated Moving Average)对伊朗喀山平原的地下水位进行预测试验，研究表明可提前60个月对地下水位取得较好的预测效果.Adamowski和Chan(2011)利用小波神经网络WNN(Wavelet Neural Network)预测加拿大魁北克的地下水位，并与ARIMA方法比较，验证了该方法的有效性及潜力.Dos Santos和Pereira Filho(2014)利用ANN(Artificial Neural Network)，并引入天气变量，预测圣保罗地区的用水需求，发现天气对用水消耗存在反馈作用.另外还有WA-ANN(Wavelet Analysis-Artificial Neural Network)、SVR(Support Vector Regression)等其他方法(Adeli and Jiang, 2006；Moosavi et al., 2013；王宇谱等，2013；Tiwari and Adamowski, 2015；Al-Zahrani and Abo-Monasar, 2015；Mukherjee and Ramachandran, 2018). 传统的时间序列分析方法实现简单，基于最小二乘原理构造随时间变化的函数，向后递推，从而预测后续序列.然而该方法对于信号成分复杂的时间序列的预测效果较差，且易受到信号中噪声成分的影响，从而预测失真.相较而言，ANN、WA-ANN、SVR算法的精度较高，但需额外的物理变量进行约束(如气象数据等)，实现困难，计算效率较低.综上所述，