陆地水储量(TWS)是水循环与气候变化的关键指标,精确监测其变化对理解气候变暖背景下水循环变化具有重要意义。针对GRACE/GRACE-FO卫星重力产品在空间分辨率与时间连续性方面的固有局限,以及GNSS垂直地壳位移观测空间离散、噪声复杂的问题,本文提出一种基于物理信息神经网络(PINN)的TWS反演框架,该方法深度融合了GNSS成像结果与各GRACE产品,实现了从离散站点观测到连续空间场重建的范式转换。首先,基于空间成像技术将GNSS站点垂直位移序列转换为规则网格的形变场,以增强其空间连续性与水文信号刻画能力;然后,构建以时间和GNSS垂直地壳位移为输入、GRACE TWS为输出的PINN模型,并在保持参数一致的条件下,与反向传播神经网络进行对比分析;最后,引入物理信息约束后的结果表明,模型性能显著优于纯数据驱动模型,重建结果在振幅、相位及年际变化特征上与GRACE及GLDAS产品保持更高一致性。此外,动态权重策略的引入使模型在训练中能够有效平衡数据拟合与物理约束之间的关系,从而提高收敛稳定性与整体反演精度。研究证实,PINN为实现大地测量观测数据约束下的区域TWS高分辨率反演,提供了一条稳健且具有推广价值的技术路径。