将分布式水文模型与空间离散的高程数据相结合，用于无测量站的流域的分布式预测

《Journal of Hydrology》：Coupling distributed hydrological model with spatially discrete altimetry data for distributed prediction in ungauged basins

本研究通过耦合Sentinel-3 altimetry数据与分布式水文模型（DDRM），对比 lumped模型GR4J在未设站流域径流估计中的应用。结果表明DDRM通过多虚拟站（VS）空间匹配及ERA5-land土壤湿度多目标校准，显著提升精度（NSE校准期0.73，验证期0.62），验证了分布式模型在整合离散卫星数据中的优势。

　　在水文学研究中，监测未测流区域（ungauged basins）的径流一直是极具挑战性的课题。传统的方法依赖于测站提供的水文数据，然而这些数据在空间分布上往往不充分，尤其在一些缺乏基础设施或数据安全要求较高的地区，测站的覆盖范围和数据获取能力受到限制。因此，研究者们逐渐将目光转向遥感数据，尤其是卫星测高数据，以填补这些空白。近年来，随着卫星技术的进步，测高数据在监测内陆水体和估算未测流区域径流方面展现出广阔的应用前景。

卫星测高技术通过测量地球表面与卫星之间的距离，能够获取大范围的水体高度信息。然而，由于卫星轨道的特性，例如极轨卫星的轨道周期较长，轨道间距较大，导致其观测点与实际水体出口之间存在显著的空间不匹配。这种不匹配限制了测高数据在径流估算中的直接应用。为了克服这一问题，研究者们提出了多种方法，如虚拟站点（virtual stations, VS）的概念，即将测高数据视为一种间接的径流观测手段，用于校准集总型水文模型（lumped hydrological models）。这种方法虽然在一定程度上提高了未测流区域径流估算的可行性，但仍存在局限性，特别是在数据利用效率和模型适用性方面。

本研究采用了一种新的方法，即基于数字高程模型（Digital Elevation Model, DEM）的分布式降雨径流模型（Distributed Rainfall-runoff Model, DDRM），与Sentinel-3卫星测高数据进行耦合，以实现对未测流区域径流的分布式估算。与传统的集总型模型（如GR4J模型）相比，分布式模型能够更精确地模拟水文过程，并且能够将多个虚拟站点的数据整合到模型中，从而提高数据的利用效率。此外，本研究还引入了ERA5-land土壤湿度数据，用于多目标校准，以进一步提升模型的性能和减少径流估算的不确定性。

在具体实施过程中，本研究选择了中国赣江流域作为案例研究区域。赣江是长江的重要支流之一，流域面积约为83,500平方公里，平均年降雨量在1400至1800毫米之间，平均年径流量为2130立方米/秒，远高于黄河等其他主要河流。该流域的地形特征为南高北低，主河道的高程下降达937米，具有较为复杂的水文系统。这些地理和水文特征使得赣江流域成为研究未测流区域径流估算的理想场所。

为了实现Sentinel-3测高数据与分布式模型的耦合，本研究首先对测高数据进行了预处理，包括对水位数据进行均值中心化处理，以消除由于不同基准面导致的系统误差。随后，通过将测高数据与分布式模型中的网格单元进行匹配，实现了多点空间校准。这种方法不仅提高了模型对测高数据的利用效率，还增强了模型在不同流域中的适用性。此外，由于SWOT卫星（Surface Water and Ocean Topography）在内陆河流中的观测点数量远多于传统测高卫星，本研究还为未来将SWOT数据与分布式水文模型进行多点空间匹配提供了理论基础。

本研究的主要目标包括：1. 评估Sentinel-3卫星在监测赣江水位方面的准确性；2. 实现测高数据与分布式模型之间的空间匹配；3. 探索未测流区域径流估算的最优策略。通过对比分析，本研究发现，使用分布式模型与多点测高数据进行耦合，相较于集总型模型，能够更有效地实现对未测流区域径流的模拟和预测。同时，引入土壤湿度数据作为多目标校准的补充，也显著提升了模型的性能和稳定性。

在实验设计方面，本研究采用了与GR4J模型相似的策略，将测高数据与分布式模型进行耦合，以进行径流模拟和预测。具体来说，测高数据首先通过经验公式转换为径流数据（Q_RS），然后用于校准模型。这一过程的关键在于如何选择合适的测高数据点，并将其与模型中的网格单元进行匹配。传统的集总型模型通常只能利用靠近流域出口的测高数据点，而分布式模型则能够整合多个测高数据点，从而实现更全面的径流估算。

本研究还对比了不同模型在径流估算中的表现。结果显示，GR4J模型在使用测高数据进行校准时存在较大的不稳定性，且由于其结构上的限制，无法有效整合额外的测高数据，也无法实现流域范围内的分布式径流估算。相比之下，分布式模型能够更稳定地进行多点空间匹配，并且在结合土壤湿度数据进行多目标校准时，表现出更优的性能。实验结果表明，在校准期间，17个水文站点的平均NSE（Nash-Sutcliffe Efficiency）达到0.73，而在验证期间，这一数值为0.62，显示出模型具有较高的预测能力。

在方法论部分，本研究详细描述了如何将Sentinel-3测高数据与分布式模型进行耦合。首先，通过DEM数据构建了一个网格化的流域模型，模拟了每个网格单元的径流生成过程，并根据河流网络的拓扑结构进行了逐单元的流路计算。这种方法不仅提高了模型对水文过程的模拟精度，还为整合测高数据提供了便利。随后，将测高数据与模型中的网格单元进行匹配，从而为这些网格单元提供校准参考。这种方法避免了传统方法中测高数据点与流域出口之间的空间不匹配问题，提高了数据的利用效率。

此外，本研究还引入了ERA5-land土壤湿度数据，用于多目标校准。土壤湿度数据在水文模拟中起着重要作用，能够影响地表径流的生成和下渗过程。通过将土壤湿度数据与测高数据相结合，本研究不仅提升了模型对土壤湿度的模拟能力，还进一步减少了径流估算的不确定性。实验结果表明，这种多目标校准策略能够显著提高模型的性能，使其在未测流区域径流估算中表现出更高的准确性和稳定性。

在研究结果分析部分，本研究展示了不同模型在径流估算中的表现。通过对比分析，发现分布式模型在结合多点测高数据和土壤湿度数据进行多目标校准时，能够更准确地模拟流域内的径流变化。而在仅使用测高数据进行校准的情况下，集总型模型的性能相对较低，且存在较大的不确定性。这表明，将测高数据与分布式模型进行耦合，能够有效提升未测流区域径流估算的精度和可靠性。

本研究的结论表明，通过将Sentinel-3测高数据与ERA5-land土壤湿度数据整合到分布式模型中，可以构建出更高效的径流估算方法。这种方法不仅克服了传统集总型模型在空间匹配和数据利用方面的局限性，还为未来将SWOT数据与分布式水文模型进行多点空间匹配提供了理论支持。同时，本研究还指出，测高数据在未测流区域径流估算中的应用，需要结合其他遥感数据和模型结构，以提高数据的利用效率和模型的准确性。

在实际应用中，测高数据的精度和空间分辨率是影响径流估算的重要因素。传统的测高卫星由于轨道间距较大，导致其观测点与实际水体出口之间存在较大的空间不匹配。然而，随着SWOT卫星的出现，其观测点数量大幅增加，使得多点空间匹配成为可能。尽管如此，SWOT数据的获取仍受到一定限制，因此，如何在现有数据基础上，优化测高数据与水文模型的耦合方法，仍然是未来研究的重要方向。

本研究通过将测高数据与分布式模型进行耦合，不仅提高了未测流区域径流估算的精度，还为未来多源遥感数据在水文模拟中的应用提供了新的思路。此外，本研究还强调了多目标校准在提升模型性能中的作用，特别是在结合土壤湿度数据的情况下，能够显著减少径流估算的不确定性。这表明，未来在未测流区域水文研究中，应更加注重多源数据的整合和多目标校准的应用，以提高模型的准确性和适用性。

在研究过程中，本研究还探讨了测高数据在未测流区域径流估算中的局限性。尽管测高数据能够提供大范围的水位信息，但由于其空间分辨率和观测频率的限制，仍然无法完全替代传统的测站数据。因此，如何在测高数据的基础上，进一步提高其精度和空间分辨率，是未来研究需要解决的关键问题。同时，本研究还指出，测高数据的利用效率和模型的适用性，与数据的处理方法和模型的结构设计密切相关，因此，优化这些方面将是提升未测流区域径流估算能力的重要途径。

总体而言，本研究通过将Sentinel-3测高数据与分布式模型进行耦合，为未测流区域径流估算提供了一种新的方法。该方法不仅克服了传统集总型模型在空间匹配和数据利用方面的局限性，还通过多目标校准策略，进一步提升了模型的性能和稳定性。这些研究成果对于未来在未测流区域进行水文模拟和预测具有重要意义，也为多源遥感数据在水文学中的应用提供了理论支持。同时，本研究还为SWOT卫星数据与分布式水文模型的多点空间匹配奠定了基础，为未来更广泛的遥感数据应用提供了可能性。