朝着气候适应性强的降雨径流模型迈进：开发并评估能够在多种条件下提供可靠预测的参数库

《Water Resources Research》：Toward Climate-Robust Rainfall Runoff Models: Development and Evaluation of Parameter Libraries That Produce Dependable Predictions Across Diverse Conditions

降水径流系数对气候变化的响应及参数库构建研究 摘要：基于207个澳大利亚流域数据，通过贝叶斯方法构建GR4J和Sacramento模型的气候鲁棒参数库，并与传统优化方法（DELO）对比。研究发现参数库能显著提升模型在干燥气候下的预测能力，GR4J在极端干旱时存在参数不匹配问题，Sacramento因参数更多表现出更好的泛化性。当降雨减少超过25%时，传统优化参数易出现偏差，而参数库选择能有效控制误差范围。

　　在面对气候变化带来的极端条件时，确定流域对降雨径流响应的模型参数一直是水文学领域的一个长期挑战。这一研究的核心目标在于探索如何利用参数库来提高模型在不同气候条件下的预测能力，特别是针对澳大利亚207个流域，以期为区域水资源管理和规划提供更为可靠的支持。当前研究中，采用了两种广泛使用的降雨径流模型：GR4J和Sacramento。研究者通过一个两阶段的过程，首先筛选出能够准确再现观测径流系数的参数集，构建参数库；然后，根据不同的拟合度指标，从这些参数库中选取适合特定流域的参数。这种参数库方法的性能被与传统优化方法DELO（差分进化局部优化）进行了对比，评估其在不同气候条件下的适用性。

### 参数库方法的适用性与局限性

研究发现，参数库方法在某些拟合指标上表现不如DELO优化方法，比如Nash-Sutcliffe效率（NSE）和百分比偏差（%bias）。然而，参数库方法在模拟气候条件发生显著变化时，其径流系数的预测行为更符合预期。相比之下，DELO优化方法虽然在某些条件下表现良好，但在降雨减少超过25%的情况下，存在低估或高估径流系数的高风险。这表明，参数库方法在预测未来气候条件下流域径流系数方面可能更具优势，尤其是在缺乏额外数据约束的情况下。

### 参数库构建与性能评估

参数库的构建基于贝叶斯推断框架，使用了马尔可夫链蒙特卡洛（MCMC）算法，如Gibbs采样器，以评估参数的不确定性。通过多次种子和链的运行，确保了参数库的收敛性和稳定性。最终，对于GR4J模型，得到了400万组参数集，而Sacramento模型则获得了2400万组。这些参数集在不同的气候条件下均能提供合理的径流系数预测，表明它们具有一定的鲁棒性。然而，参数库中的参数集在某些指标上表现不佳，例如低流量拟合指标NSE_log和PD_q10，以及高流量指标NSE_2。这说明参数库方法虽然在总体性能上有所提升，但在某些特定方面仍存在局限。

### 模型性能的对比分析

通过对比不同模型的性能，研究发现，Sacramento模型在KGE（ Kling-Gupta效率）指标上整体表现优于GR4J模型，尤其是在低流量拟合方面。DELO方法在PD_q10和abs%bias等指标上表现更为优异，这可能是因为其参数集在特定流域中经过了更精确的优化。然而，当考虑气候变化时，参数库方法的预测结果在某些情况下更为合理，特别是在极端气候条件下，能够更好地反映径流系数的变化趋势。

### 气候条件下的模拟表现

研究进一步探讨了在不同降雨量变化情况下的模型表现。当降雨量减少时，DELO方法的预测偏差显著增加，尤其是在超过25%的降雨减少情况下，预测结果可能偏离实际值。相比之下，参数库方法在这些情况下表现出相对稳定的性能。这说明，参数库方法在模拟未来极端气候条件下的径流系数时，可能比传统的单流域优化方法更可靠。此外，参数库方法在高降雨量条件下也表现出一定的优势，尤其是在某些情况下能够更好地预测高流量。

### 参数分布与模型结构

参数库中的参数分布揭示了某些关键参数及其相互作用对径流系数的影响。例如，在GR4J模型中，x2（地下水交换系数）和x3（路由存储容量）之间存在显著的正相关，表明这些参数在不同气候条件下的变化趋势具有一定的关联性。而在Sacramento模型中，涉及下层区域的参数（如uztwm、lztwm等）在模拟中起到了更为重要的作用。这些参数的分布表明，模型的结构和参数的灵活性对模拟结果有重要影响。GR4J模型由于参数较少，可能在某些复杂气候条件下表现出不足，而Sacramento模型由于参数更多，具有更高的适应性。

### 实践意义与未来展望

本研究展示了一种实用的方法，即如何利用参数库进行流域的参数选择。这种方法不仅能够减少模型校准的复杂性，还能提高在有限数据情况下的预测能力。然而，参数库方法也存在一定的局限性，例如在某些指标上表现不佳，以及对特定气候条件的适应性有限。因此，未来的研究可以考虑通过更精细的筛选条件，比如基于流域特征（如地理位置、地质条件、植被覆盖等）来进一步优化参数库，以提高其在特定应用场景下的适用性。

此外，研究还指出，参数库方法在不同流域之间可能存在一定的适用性差异，尤其是在气候变化的极端情况下。这意味着，参数库的构建和应用需要考虑目标流域的具体特征，以确保其在实际应用中的有效性。同时，研究还强调了气候变化背景下，使用更长的校准期和更广泛的气候数据对于提高模型预测能力的重要性。

总体而言，参数库方法为应对气候变化提供了新的思路，尤其适用于那些无法获得额外数据的流域。然而，这种方法仍然需要进一步的验证和优化，特别是在不同地理和气候条件下，以确保其在实际应用中的广泛适用性。未来的研究可以探索如何结合不同模型的参数库，或者如何通过改进参数选择方法，提高模型在极端气候条件下的预测准确性。