考虑季节-土地利用异质性的贝叶斯三角帽方法(SLH-BTCH)用于无测站和稀疏测站区域的降水融合

《Journal of Hydrology: Regional Studies》:Season-land-use heterogeneity Bayesian Three-Cornered Hat (SLH-BTCH) for precipitation fusion in ungauged and sparsely gauged regions

【字体: 大 中 小 】 时间:2026年01月18日 来源:Journal of Hydrology: Regional Studies 4.7

编辑推荐:

  研究区域长江源区,作为“亚洲水塔”的核心部分,测站稀疏、海拔寒冷、地势复杂,加之强烈的气候变异性,导致降水估算误差较大,削弱了水文建模和气象评估。研究重点研究人员引入季节-土地利用异质性贝叶斯三角帽(SLH-BTCH),这是对BTCH的改进。数据按季节-土地利

  
研究区域长江源区,作为“亚洲水塔”的核心部分,测站稀疏、海拔寒冷、地势复杂,加之强烈的气候变异性,导致降水估算误差较大,削弱了水文建模和气象评估。研究重点研究人员引入季节-土地利用异质性贝叶斯三角帽(SLH-BTCH),这是对BTCH的改进。数据按季节-土地利用分层进行分组;在每组内,研究人员估计误差协方差,然后通过加权平均融合产品,仅使用多源降水场——无需现场先验。研究人员利用CHIRPS、CMFD、TPHiPr和CHM-PRE,评估原始产品、BTCH和SLH-BTCH相对于地面观测的日尺度性能,并包括等权平均(EWA)基线以衡量分组误差建模的益处。区域新水文见解与原始产品、BTCH和等权平均相比,SLH-BTCH在对比地表类型上产生与测站更一致的事件时间和季节性降水,同时减少暴雨强度偏差和日常噪声。在关键源头站(沱沱河、五道梁、治多),这增强了破坏性风暴信号并减少了误报,为青藏高原无测站和数据稀疏区域提供了更紧密的流域水量平衡闭合和更可靠的洪水模拟、路径分析及旱季可用水量估算。
论文解读文章

研究背景:长江源区作为“亚洲水塔”的核心组成部分,不仅是长江主干流的源头,还对维持下游生态系统、调节区域气候和保障水资源安全至关重要。然而,该区域位于青藏高原腹地,具有寒冷高海拔、地形破碎和气候条件复杂的特点,水文过程对降水的微小变化高度敏感。由于恶劣的环境条件和有限的基础设施,流域内降水测站空间覆盖稀疏,观测周期短且数据质量差异显著,极大限制了对降水分布和趋势变化的精确刻画,制约了气候变化科学评估。在全球尺度上,基于测站的网格化产品(如GPCC、CRU、CPC)在站网密集区常作为参考数据,但在山区源头站网极稀疏时精度迅速下降;卫星反演产品(如TRMM、GPM IMERG、CMORPH、PERSIANN、CHIRPS)提供准全球覆盖和高时间分辨率,但反演受云型、地表条件和地形效应影响,在高海拔和雪冰覆盖区常存在系统性偏差;再分析和陆面数据同化产品(如ERA5、ERA5-Land、MERRA-2)提供动态一致的多变量场和大尺度变率,但对流和地形降水在流域尺度上偏差显著。在数据稀缺条件下,多源网格化降水产品成为稀疏测站的重要替代。在青藏高原和长江源区,CHIRPS、CMFD、TPHiPr和CHM-PRE等数据集因空间连续性和长时间跨度被广泛用于水文和气候研究,但这些产品在复杂地形区仍存在较大不确定性和系统性偏差。现有融合方法多依赖地面观测估计各数据集精度并确定权重,这在测站稀疏的高海拔区域难以应用;许多方案还假设误差空间均匀或仅弱分层,无法反映青藏高原降水误差的强空间-季节异质性。因此,亟需一种轻量级、可解释的融合框架,其不依赖先验参考数据、能整合产品误差的额外物理控制因素、并在“亚洲水塔”数据稀缺源头流域得到系统评估。

研究人员开展的研究:针对上述问题,本研究基于传统贝叶斯三角帽(BTCH)方法,提出了一种融合季节和土地利用分组策略的SLH-BTCH方法。该方法保持BTCH无需先验参考数据的优势,但按季节(雨季/旱季)和土地利用类型(高寒草甸、荒地、灌木休耕地、稀疏植被地)划分样本组,在各组内估计多源降水产品(CHIRPS、CMFD、TPHiPr、CHM-PRE)的误差协方差矩阵,进而计算加权最优融合权重,生成1981—2019年38年逐日降水序列。研究以长江源区为案例,使用6个气象站和2个水文站的观测数据进行评估,并与传统BTCH和等权平均(EWA)基线对比。论文发表在《Journal of Hydrology: Regional Studies》。

主要关键的技术方法(不超过250字):SLH-BTCH方法的核心在于采用贝叶斯三角帽(BTCH)框架,通过产品间成对差异估计误差协方差矩阵,无需先验参考数据。研究将数据样本按季节(雨季5—9月和非雨季10—4月)和土地利用类型(源自UMD GLCC分类)进行分组,在各组内独立求解误差协方差矩阵,再根据最小方差无偏约束计算融合权重。输入产品包括CHIRPS、CMFD、TPHiPr和CHM-PRE,所有数据统一重采样至0.1°空间分辨率和1天时间分辨率,并用5×5加权中值法提取站值。精度评估采用相关系数(CC)、均方根误差(RMSE)、平均绝对误差(MAE)、相对偏差(RB)、检测概率(POD)、纳什效率系数(NSE)和修正克林-古普塔效率(KGE)等指标。样本队列来源于长江源区(青藏高原)的6个气象站和2个水文站。

研究结果:
3.1 降水数据集的不确定性分析:通过箱线图和空间分布图,CHIRPS的不确定性中位值最高(达11),CHM-PRE在大多数区域不确定性最低(尤其在东北部站网密集区),CMFD和TPHiPr居中,其中TPHiPr在南部和东部边缘不确定性较高,CMFD沿高海拔边界略有上升。
3.2 BTCH融合结果与分析
3.2.1 数据集准确性:与原始产品(CHM、CMFD、TPHiPr)相比,BTCH在大多数测站的相关系数(CC)和检测概率(POD)上取得高分(0.8–1.0),NSE和KGE稳健,尤其在水文站(直门达、沱沱河)明显优于CMFD和TPHiPr。但BTCH在部分站(如直门达水文站、沱沱河水文站、曲麻莱、治多)的NSE和KGE仍有限,表明统一协方差建模不足以完全捕捉高原环境的空间异质性。
3.2.2 数据集误差:月均RMSE曲线显示5—9月(雨季)误差显著升高,7—8月达峰值,与区域降水气候特征一致;不同土地利用类型下RMSE存在系统性差异,高寒草甸(五道梁)误差最小(1.49),稀疏植被地(清水河)误差最大(2.01)。
3.3 SLH-BTCH精度评估:在6个气象站上,SLH-BTCH在CC、NSE、KGE上均高于BTCH和EWA,在RMSE、MAE、RB上降低,尤其在沱沱河、五道梁、治多改善最显著。例如,沱沱河站SLH-BTCH的CC为0.819(BTCH 0.811,EWA 0.767),RMSE为1.427(BTCH 1.471,EWA 1.595),RB降至22.983%(BTCH 7.818%,EWA 158.039%)。POD差异较小但SLH-BTCH仍略优。分组策略有效抑制了系统偏差和随机波动,提高了对异质地形的适应性。

讨论部分:SLH-BTCH系统性地优于BTCH和EWA,这种优势源自分组误差建模允许权重响应季节和地表特定的误差模式。在无测站区域,无先验误差建模、显式表示误差异质性以及简单可解释性是成功融合的关键。研究存在局限性:评估仅基于长江源区一个高海拔源头流域的6个测站,分组设计较简单,可迁移性仅部分验证;组内样本量过小时协方差估计可能不稳定。未来应扩展到更多气候对比流域,耦合水文模型直接量化输入不确定性减少对径流、洪峰和可用水量估计的改善,并探索层次化或自适应分组方案以平衡稳健性和异质性。该方法还可推广到降雪、蒸散发等其他水文气象变量。研究结论翻译:本研究发展了SLH-BTCH,一种按季节和土地利用类型建模误差协方差的贝叶斯三角帽融合方案。在青藏高原6个代表站的日尺度评估显示,SLH-BTCH一致优于BTCH和等权平均:所有站CC、NSE、KGE提高,大多数站RMSE、MAE、RB降低,在五道梁和治多改善最大。水文上,融合场揭示了雨季和旱季、不同地表类型之间暴雨发生和强度的强烈对比,而这些被流域统一融合部分掩盖。通过减少日常噪声和暴雨强度偏差,SLH-BTCH产生的事件序列在时间和季节演化上更接近测站,使危险降雨事件更易识别,并提供更支持无测站源头流域水量平衡闭合、洪水模拟、路径分析和旱季可用水量分析的季节总量和风暴序列。该工作的关键局限是评估限于单个高海拔源头区域的6个测站,因此季节×土地利用分组策略在其他气候体制和观测网络下的稳健性和可迁移性仅部分测试。未来研究应将SLH-BTCH应用于更多山区和更密集的测站网络,并明确将融合降水耦合到流域尺度的水文和洪水预报模型中,以量化输入不确定性减少对径流、洪峰和可用水量估计的改善。超越青藏高原案例,本研究对数据稀缺区域的水文学具有更广泛意义。SLH-BTCH轻量级、权重逻辑透明且不依赖额外先验水文信息,适用于其他观测稀疏的山地源头地区。更一般地,使用季节和土地利用分组建模误差协方差的思想为融合多源降水产品同时保留关键时空信号提供了实用模板,并可扩展到其他水文气象变量(如降雪或蒸散发),以支持最迫切需要改进水文信息的区域的水量平衡研究、洪水风险评估和气候影响与适应规划。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号