1.一种基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，所述方法包括：

S1，采集历史月度水位数据、历史月度湖泊面积数据、历史ERA5大气再分析数据以及CMIP6气候模式的历史模拟数据与未来预测数据，经数据质控、修复与标准化处理后，采用圆台体积法融合获取的历史月度水位数据与历史月度湖泊面积数据，计算逐月水量变化量，构建待监测湖泊的历史月尺度水量变化序列；

S2，引入历史ERA5大气再分析数据中的多种月尺度变量作为候选驱动因子，从中筛选出与待监测湖泊水量变化存在驱动关系的气象驱动因子，计算各气象驱动因子偏离全局均值的波动量以构建年际冲击特征；将标准化后的气象驱动因子序列作为自变量，待监测湖泊的历史月尺度水量变化序列作为因变量，并按序列滑动窗口构建训练样本集；

S3，构建并训练级联拓扑结构的湖泊水量监测模型，所述湖泊水量监测模型将年际冲击特征融入标准化后的气象驱动因子序列，以构成增强特征序列作为模型输入，通过Transformer编码器提取长时序依赖特征，输出反映湖泊水量基本演变趋势的基准预测值并同步获取序列末端的隐藏层状态；将隐藏层状态与当前时间步气象特征拼接，构建并输出降维后的元特征向量；利用并行的XGBoost回归器与LightGBM回归器分别接收所述元特征向量并预测代数残差，按照预设的跳变与平滑偏好权重进行加权集成，输出用于偏差补偿的融合残差调整量；利用独立的XGBoost调节模型接收所述元特征向量，预测反映极端气候诱发水量起伏强度的波动强度因子；采用配置为分位数回归损失函数的LightGBM模型接收所述元特征向量，分别预测水量分布边界的上下界残差，并引入区间覆盖概率校准机制，根据验证集的实际覆盖效果动态计算缩放系数，输出区间调整量；将所述基准预测值与所述融合残差调整量进行加法融合后，与所述波动强度因子进行乘法缩放运算，得到目标湖泊水量预测值；并同步结合所述区间调整量生成具有统计学意义的预测置信区间；

S4，利用CMIP6气候模式的历史模拟数据与同时段的历史ERA5大气再分析数据，对CMIP6气候模式的未来预测数据进行偏差校正；对同一种排放情景下的所有气候模式的校正后未来气象数据进行集合平均处理后，输入训练完毕的湖泊水量监测模型，得到初步的未来逐月湖泊水量预测序列及对应的动态预测区间，通过软着陆平滑与跨边界滑动平均机制，处理历史实际水量序列与软着陆平滑后的未来逐月湖泊水量预测序列拼接的跳变问题，最终输出平滑过渡的未来多情景湖泊水量演变曲线及其不确定性量化范围。

2.根据权利要求1所述的基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，步骤S1进一步包括：

S11，采集Hydroweb卫星测高产品的历史月度水位数据，通过数据质控剔除异常值，确保水位序列连续性，生成待监测湖泊的历史月尺度水位序列；

S12，获取Landsat5/7/8系列遥感影像，采用插值修复法处理Landsat7的SLC故障条带，通过MNDWI指数与Otsu自适应阈值法提取月度湖泊面积数据，对于缺失的数据采用插值法进行补充；

S13，收集ERA5大气再分析数据、CMIP6气候模式的历史模拟数据与未来预测数据，统一数据时空分辨率并进行标准化处理；

S14，采用圆台体积法融合获取的历史月度水位数据与历史月度湖泊面积数据，计算逐月水量变化量 ：

；

式中 和 分别为相邻两个月的湖泊水面面积， 和 分别为相邻两个月的水位，构建待监测湖泊的历史月尺度水量变化序列；

将待监测湖泊的逐月水量变化量统一格式，并标注每个数据点的时间戳、湖泊名称及数据质量等级，构建待监测湖泊的历史月尺度水量变化序列。

3.根据权利要求2所述的基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，步骤S12中，通过MNDWI指数与Otsu自适应阈值法提取月度湖泊面积数据的过程包括以下步骤：利用GoogleEarthEngine平台，对预处理后的Landsat影像计算改进的归一化差水体指数MNDWI：

；

其中Green对应Landsat的绿光波段，SWIR对应短波红外波段；

采用Otsu自适应阈值分割法，通过最大化水体与非水体的类间方差自动确定分割阈值，对水体进行无监督分类；对分类结果进行矢量边界提取，剔除面积小于预设面积阈值的细碎斑块以排除噪声干扰，计算每月湖泊实际水面面积；

将提取的每月湖泊实际水面面积与Hydroweb平台获取的同期水位数据进行响应耦合性分析，先对超出历史同期均值、大于预设百分比的异常面积值，结合同期水位数据与气象条件进行合理性验证，通过线性插值替换异常值；再验证面积与水位变化趋势的一致性，剔除水位与面积变化趋势矛盾的异常时段，通过线性插值进行填补；最终形成连续的历史月尺度湖泊面积数据，并与历史月尺度水位序列建立对应关系。

4.根据权利要求1所述的基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，步骤S2进一步包括：

引入包括2m气温、总降水、10m风速和地表潜热通量在内的多个月尺度变量作为候选驱动因子，提取历史ERA5大气再分析数据作为各个候选驱动因子的历史实际观测数据，将提取的历史ERA5大气再分析数据、待监测湖泊的月度水位数据与月度湖泊面积数据，经线性插值统一转换为月度时间分辨率；按时间戳对候选驱动因子、水位与面积序列进行严格对齐，剔除无同步数据的时段；最后，采用Z‑Score标准化方法消除各变量之间的量纲差异，构建得到包含时间标识、湖泊标识、候选驱动因子、以及对应水位和面积标签的历史多源对齐数据集；

采用历史多源对齐数据集拟合候选驱动因子与湖泊水量变化之间的非线性映射关系；

基于地理探测器的空间异质性原理，计算各候选驱动因子的解释力和显著性，从中筛选出与待监测湖泊水量变化存在驱动关系的气象驱动因子，构建气象驱动因子和湖泊水量变化的驱动关系分析框架。

5.根据权利要求1所述的基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，步骤S3中，所述湖泊水量监测模型包括主干预测模块、元特征提取模块、多分支修正融合模块和级联合成模块；

其中，所述主干预测模块采用基于多头自注意力机制的Transformer编码器，接收增强特征序列作为输入，利用自注意力机制提取长时序依赖的深层抽象特征，输出反映湖泊水量基本演变趋势的基准预测值，并同步提取序列末端的隐藏层状态；

所述元特征提取模块接收所述隐藏层状态，将其与当前时间步的气象特征进行拼接，构建并输出降维后的元特征向量；

所述多分支修正融合模块接收所述元特征向量，并将其分配至由双分支残差融合单元、幅度敏感预测单元、置信区间生成单元组成的三个并行的子网络分支进行独立推理与精细化微调；其中，所述双分支残差融合单元利用并行的XGBoost回归器与LightGBM回归器分别接收所述元特征向量并预测代数残差，按照预设的跳变与平滑偏好权重进行加权集成，输出用于偏差补偿的融合残差调整量；所述幅度敏感预测单元利用独立的XGBoost调节模型接收所述元特征向量，预测反映极端气候诱发水量起伏强度的波动强度因子；所述置信区间生成单元采用配置为分位数回归损失函数的LightGBM模型接收所述元特征向量，分别预测水量分布边界的上下界残差，并引入区间覆盖概率校准机制，根据验证集的实际覆盖效果动态计算缩放系数，输出区间调整量；

所述级联合成模块将所述基准预测值与所述融合残差调整量进行加法融合后，与所述波动强度因子进行乘法缩放运算，得到目标湖泊水量预测值；并同步结合所述区间调整量生成具有统计学意义的预测置信区间。

6.根据权利要求1所述的基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，步骤S4进一步包括：

针对获取的CMIP6气候模式的未来预测数据，利用所述CMIP6气候模式的历史模拟数据与同时段的历史ERA5大气再分析数据进行比对，提取各气候模式的系统性偏差；采用偏差校正法，利用所述系统性偏差对所述CMIP6气候模式的未来预测数据进行校正；

对同一种排放情景下的所有气候模式的校正后未来气象数据进行集合平均处理，生成标准化后的未来气象驱动因子序列，将该序列输入训练完毕的湖泊水量监测模型，输出初步的未来逐月湖泊水量预测序列及对应的动态预测区间；

提取待监测湖泊的历史实际水量序列的末端真实值与所述未来逐月湖泊水量预测序列的起始预测值，计算跳变差值；在预设的缓冲期内，引入基于余弦函数的渐进式权重对所述跳变差值进行衰减并叠加至预测序列，执行软着陆平滑；

将历史实际水量序列与软着陆平滑后的预测序列拼接，在拼接交界处采用跨边界滑动平均机制消除趋势折角，最终输出平滑过渡的未来多情景湖泊水量演变曲线及其不确定性量化范围。

7.根据权利要求1所述的基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，步骤S4进一步包括：

利用绘图库绘制水量变化曲线图，包含历史序列重建结果和未来多情景预测曲线，并添加不确定性阴影区，输出月度水量数据表格和综合分析报告。

8.根据权利要求1所述的基于多源遥感与机器学习的湖泊水量监测与预测方法，其特征在于，所述气候模式至少包括BCC‑CSM2‑MR、CESM2、CMCC‑ESM2、EC‑Earth3和MPI‑ESM1‑2‑HR；所述排放情景至少包括SSP1‑2.6、SSP2‑4.5和SSP5‑8.5。

9.一种基于多源遥感与机器学习的湖泊水量监测与预测系统，其特征在于，包括：

数据获取模块，用于采集历史月度水位数据、历史月度湖泊面积数据、历史ERA5大气再分析数据以及CMIP6气候模式的历史模拟数据与未来预测数据，并进行数据质控、修复与标准化处理；

水量序列构建模块，用于采用圆台体积法融合获取的历史月度水位数据与历史月度湖泊面积数据，计算逐月水量变化量，构建待监测湖泊的历史月尺度水量变化序列；

训练集生成模块，用于引入历史ERA5大气再分析数据中的多种月尺度变量作为候选驱动因子，从中筛选出与待监测湖泊水量变化存在驱动关系的气象驱动因子，计算各气象驱动因子偏离全局均值的波动量以构建年际冲击特征；将标准化后的气象驱动因子序列作为自变量，待监测湖泊的历史月尺度水量变化序列作为因变量，并按序列滑动窗口构建训练样本集；

湖泊水量监测模块，用于构建并训练级联拓扑结构的湖泊水量监测模型，所述湖泊水量监测模型将年际冲击特征融入标准化后的气象驱动因子序列，以构成增强特征序列作为模型输入，通过Transformer编码器提取长时序依赖特征，输出反映湖泊水量基本演变趋势的基准预测值并同步获取序列末端的隐藏层状态；将隐藏层状态与当前时间步气象特征拼接，构建并输出降维后的元特征向量；利用并行的XGBoost回归器与LightGBM回归器分别接收所述元特征向量并预测代数残差，按照预设的跳变与平滑偏好权重进行加权集成，输出用于偏差补偿的融合残差调整量；利用独立的XGBoost调节模型接收所述元特征向量，预测反映极端气候诱发水量起伏强度的波动强度因子；采用配置为分位数回归损失函数的LightGBM模型接收所述元特征向量，分别预测水量分布边界的上下界残差，并引入区间覆盖概率校准机制，根据验证集的实际覆盖效果动态计算缩放系数，输出区间调整量；将所述基准预测值与所述融合残差调整量进行加法融合后，与所述波动强度因子进行乘法缩放运算，得到目标湖泊水量预测值；并同步结合所述区间调整量生成具有统计学意义的预测置信区间；

未来多情景推演与平滑输出模块，用于利用CMIP6气候模式的历史模拟数据与同时段的历史ERA5大气再分析数据，对CMIP6气候模式的未来预测数据进行偏差校正；对同一种排放情景下的所有气候模式的校正后未来气象数据进行集合平均处理后，输入训练完毕的湖泊水量监测模型，得到初步的未来逐月湖泊水量预测序列及对应的动态预测区间，通过软着陆平滑与跨边界滑动平均机制，处理历史实际水量序列与软着陆平滑后的未来逐月湖泊水量预测序列拼接的跳变问题，最终输出平滑过渡的未来多情景湖泊水量演变曲线及其不确定性量化范围。