多源降水数据融合提升水文模拟精度：基于决策树模型的网格化融合算法与不确定性分析

为解决降水数据不确定性对水文模拟的影响，研究人员基于决策树模型开发了网格化多源降水融合算法(MSFPPs)，显著提升了降水产品(XGBoost-PP/RF-PP)的POD(0.85)、CSI(0.45)等指标。通过mHM模型在沮漳河流域的验证表明，融合产品使径流模拟的NSE>0.70，并揭示降水误差对TWS(αNCRMSE>2)和SM的敏感性显著高于径流与ET。该研究为全球复杂地形区水文建模提供了数据优化新范式。

　　

在全球气候变化背景下，精确的水文模拟对水资源管理和灾害预警至关重要。然而，传统降水数据受限于观测站稀疏分布和卫星反演误差，导致水文模型输入存在显著不确定性。特别是在地形复杂的流域，降水数据的空间异质性常使径流预测偏离实际，这种"垃圾进-垃圾出"的困境长期困扰着水文研究者。更棘手的是，降水误差会通过水文过程传导至土壤湿度、蒸散发等多变量模拟，但目前对这类误差传播机制的系统研究仍属空白。

针对这一系列挑战，武汉大学的研究团队在《Journal of Hydrology: Regional Studies》发表创新成果。研究以中国湖北省沮漳河流域为示范区，开发了基于XGBoost、随机森林(RF)等决策树算法的网格化多源降水融合模型，首次实现了降水数据精度提升与水文模拟不确定性的量化解析。

研究采用三大关键技术：1) 融合TRMM、GPM和ERA5-Land等多源降水数据，引入地形高程和气象因子构建特征变量；2) 应用mHM分布式水文模型进行多变量模拟；3) 创新性采用NCRMSE指标量化降水误差在TWS、SM等变量中的传递规律。通过2010-2022年的长时序验证，建立了从数据融合到水文应用的完整技术链条。

多源降水产品与融合产品性能
对比原始降水产品，融合后的XGBoost-PP和RF-PP将日尺度CC提升至0.9以上，对1-25mm/d中等降水的CSI达0.58。值得注意的是，融合算法显著改善了极端降水检测能力，使RMSE比原始产品降低50%。月尺度验证显示，融合产品RBias控制在0.06以内，优于ERA5L的0.09偏差。

径流模拟评估
在率定期(2010-2014)，RF-PP驱动的模拟NSE达0.80，较原始数据提升42.8%。但验证期性能下降揭示模型参数存在时效性问题。有趣的是，融合产品对枯季径流的模拟改进(ED距离缩短250%)显著优于汛期，说明降水融合对基流估算的优化效果更突出。

不确定性传播机制
ANOVA分解显示降水输入贡献46.51%的径流模拟不确定性，夏季占比超70%。通过α_NCRMSE指标首次量化发现：SM和TWS对降水误差的敏感度是径流的2倍，其中TWSA模拟的误差放大效应最显著(α_NCRMSE=1.403)。而ET受降水影响较小，反映其更多受能量平衡调控。

这项研究开创性地构建了"数据融合-模型模拟-误差解析"的研究框架。实践层面，开发的ERA5L-CR校正产品成功预测了2016/2020年沮漳河特大洪水，验证了业务化应用潜力。理论层面，揭示的降水误差传递规律为全球水文模型优化提供了新认知，特别是SM和TWS的高敏感性提示需重点改进土壤模块参数化方案。未来通过融合更多卫星数据(如GSMaP)和耦合陆气反馈模型，有望进一步突破复杂地形区水文模拟的精度瓶颈。