提升分布式水文模型的径流集合预报：预处理与后处理策略的协同优化研究

为解决集合径流预报系统存在的可靠性不足和离散度偏低问题，来自加拿大的研究团队针对魁北克au Saumon流域1-5天预见期的洪水预报，系统评估了温度降水预报预处理（CDFM/EBC）与径流后处理（WED）的协同效应。研究发现：预处理单独应用改善有限，而"预处理+后处理"组合策略显著提升预报技能与可靠性；CDFM短预见期表现更优，EBC长预见期优势明显；引入洪水事件数据并优化训练时长可进一步提升处理效果。该研究为分布式水文模型预报系统优化提供了重要范式。

　　

在水文预报领域，即便技术不断进步，基于空间分布式水文模型(spatially distributed hydrological model)的径流集合预报系统仍面临两大顽疾：预报结果可信度存疑，集合成员离散程度不足。为破解这一难题，科学家们以加拿大魁北克南部的au Saumon流域为试验场，开展了一项创新性研究。

研究团队设计了三重技术路线：对气温和降水输入数据实施预处理，对输出径流进行后处理，以及两者联用的组合策略。其中加权集合 dressing(WED) 技术分别耦合两种偏差校正方法——累积分布函数匹配(CDFM)和事件偏差校正(EBC)。特别值得注意的是，研究还深入探讨了洪水事件数据引入和训练数据时长这两个关键参数对处理效果的影响。

令人振奋的是，1-5^?天预见期的验证结果表明：单纯预处理虽能小幅提升原始预报质量，却难以彻底消除集合预报的系统偏差；而预处理-后处理"组合拳"展现出压倒性优势，在预报准确性和可靠性两个维度均实现显著突破。这一发现与既有研究形成有力呼应，为分布式水文模型预报系统优化提供了坚实证据。

技术细节方面，CDFM在短预见期(1-2天)表现更为稳健，而EBC则在长预见期(3-5天)大放异彩。更妙的是，当研究团队在训练数据中刻意加入历史洪水事件，并精细调控数据时间跨度后，两种处理方法的性能竟能更上一层楼——这无疑为水文预报数据策略优化指明了新方向。