《Journal of Hydrology: Regional Studies》：The Southern rain–snow transition zone as a major source of uncertainty in precipitation-phase partitioning across China
编辑推荐：
根据IPCC第六次评估报告，全球气候系统正经历普遍增暖，这一根本性转变深刻改变了全球大气水汽含量与输送格局，其最直接后果之一是全球水循环的加剧（Douville et al., 2021, Seneviratne et al., 2021）。在此背景下，全球降
根据IPCC第六次评估报告，全球气候系统正经历普遍增暖，这一根本性转变深刻改变了全球大气水汽含量与输送格局，其最直接后果之一是全球水循环的加剧（Douville et al., 2021, Seneviratne et al., 2021）。在此背景下，全球降水格局正发生显著变化，不仅体现在总量、强度和频率的时空再分配上（Donat et al., 2016, Liu et al., 2020, Papalexiou and Montanari, 2019），还体现在一个关键却常被忽视的维度——降水相态的转变（Li et al., 2025b）。例如，北极已开始向降雨主导型格局转变（Bintanja and Andry, 2017），而大西洋北极地区正逐渐从以雪为主的"冰雪世界"转变为降雨更频繁的"湿润世界"（?upikasza and Cielecka-Nowak, 2020）。同样，被称为"中亚水塔"的天山地区，其降雪与降水之比（S/P）也呈下降趋势（Chen et al., 2016）。降水相态变化不仅影响径流和融雪过程，改变径流总量组成及径流的季节分配，还会引起更为复杂的流量演变（Han et al., 2024, Li et al., 2025a, Li et al., 2025b, Liu et al., 2022）。此外，它提高了雨夹雪（rain-on-snow, ROS）事件的发生概率，进而增加了混合相态洪水灾害的风险（Hao et al., 2025）。此外，降水以液态雨或固态雪形式降落，决定了截然不同的地表水文路径和气候反馈。强降雨主要引发瞬时地表径流，是山洪、城市内涝和水土流失的主要成因（Gao and Hartnett, 2016, Zhao et al., 2019）。相反，降雪以季节性积雪形式暂时储存在地表，不仅是许多寒冷和高海拔地区春季融水的重要来源（Armstrong et al., 2019, Kiba et al., 2021），还通过其高反照率对地表能量平衡产生关键反馈。因此，准确判别降水相态是理解和应对气候变化挑战的关键课题。为应对这一挑战，早期方法主要依赖简化的经验阈值。一些经典水文模型（SWAT（Soil & Water Assessment Tool）、HBV（Hydrologiska Fyrans Vattenbalans modell）、VIC（Variable Infiltration Capacity hydrological model））通常仅基于一两个固定气温阈值来区分雨雪，其精度往往无法满足高精度模拟的需求。然而，降水相态并非仅由近地表气温控制。地表的实际相态受垂直热力结构、潜热交换和复杂大气过程的共同影响（Harpold et al., 2017）。为提高判别精度，研究人员相继开发了一系列更为复杂的物理参数化方案。例如，降水相态划分方法从基于近地表气温的Dai方案（Dai, 2008），发展到能更准确捕捉相态转换概率的Sigmoid（S曲线）公式（Liu et al., 2018），以及双S曲线公式（Hashemireza et al., 2023）。认识到大气湿度的重要作用，研究人员进一步开发了纳入湿度及其他大气变量的方法，如Trh方法（Feiccabrino et al., 2015）、二元逻辑回归模型（Jennings et al., 2018）、基于湿球温度的方案如Yamazaki方法（Yamazaki, 2001），以及更复杂的方法如Ding等人（Ding et al., 2014b）提出的综合湿球温度、海拔、气压和相对湿度的方法。最近，Liu et al.（2025a）提出了一种不依赖S形曲线的动态阈值方法，证明降水相态阈值具有显著的空间变异性，并可更稳健地从观测的降雪-降雨频率曲线中导出，而无需预设S形假设。这些参数化方案的持续演进显著提高了降水相态判别的精度和物理真实性，大幅推进了该领域的发展。传统的降水相态识别方法主要基于物理过程的参数化。然而，这些方案无论多么复杂，本质上都是对实际大气物理过程的简化和近似。这些方案往往依赖特定假设和经验参数，在不同区域和气候条件下应用时可能限制其适用性和精度。此外，捕捉多个变量之间高度复杂的非线性相互作用仍是这些方法面临的挑战。机器学习凭借其强大的非线性拟合能力和从海量数据中自动学习复杂模式的优势（Elshawi et al., 2018, Mehta et al., 2019），能够以"数据驱动"的方式构建输入特征与降水相态之间的隐式关系（Lang et al., 2023）。事实上，近期研究已证实这一点，Pham et al.（2023）证明在波兰降水类型分类中，随机森林方法的精度显著高于传统经验阈值方法（Tw和Ta方法）。Wang et al.（2025）采用随机森林模型识别影响中国降水类型的关键气象驱动因子，结果表明按季节训练的模型表现最佳，分类精度显著优于ERA5再分析数据。同样，对于卫星遥感降水相态识别，机器学习展现出巨大潜力（Liu et al., 2026, Yang et al., 2026）：一方面，它使曾经难以实现的全球高精度降水类型分类成为可能（Das et al., 2022）；另一方面，它有效缓解了业务产品中存在的关键系统性偏差（Petkovi? et al., 2019）。然而，当前文献仍存在若干研究空白。首先，中国跨越高度多样的气候和地貌区域，从湿润季风区、内陆干旱区到高山青藏高原，在如此异质的環境条件下，单一降水相态划分方法能否在全国范围内提供持续稳健的性能仍不清楚。其次，现有比较研究往往不够全面，通常局限于少数常规算法（Hu et al., 2024, Sun et al., 2022），缺乏常规方法与机器学习方法之间多层面、多区域的比较。因此，对不同气候背景下各种常规降水相态识别方法和机器学习模型的性能、适用边界及对关键气象因子敏感性的比较分析，仍是一个亟待深入研究的关键科学问题。为填补这些空白，本研究旨在系统探究并回答以下关键科学问题：1. 在中国多样的气候区域，主流机器学习模型相比常规方法能在多大程度上提高降水相态识别的精度？2. 是否存在单一普适最优模型，还是不同气候区域对特定类型模型表现出不同偏好？3. 驱动机器学习模型预测降雪概率的关键环境因子是什么，这些发现在不同模型间是否一致？本研究对中国典型气候区域进行全面比较分析，以确定不同区域降水相态预报的最优技术方法。此外，旨在加深对数据驱动模型在复杂地理环境中适用性和潜在物理机制的科学理解。本文结构如下：第2节介绍研究区、数据来源及用于降水相态划分的12种常规方法和6种机器学习方法。第3节分析传统方法和机器学习方法在降水相态识别中的性能。第4节讨论结果。最后，第5节给出主要结论。准确的降水相态划分不仅对改进水文模型性能至关重要，还对雪影响流域的水资源管理、融雪径流预报和洪水风险评估具有支撑作用。它进一步为研究极端降雪、极端降雨和雨夹雪事件提供了基础依据，这些事件与气候变化下的复合水文气象灾害密切相关。此外，稳健的降水相态判别方法对基于卫星的雨雪分类算法的开发、率定和评估至关重要。
**研究背景与问题**
全球气候变暖正在深刻改变降水格局，降水相态（雨/雪）的转变是其中关键却常被忽视的维度。降水以雨或雪形式降落，对径流路径、融雪过程、水资源供给及洪水风险具有截然不同的水文效应。然而，准确判别降水相态面临重大挑战：传统方法主要基于近地表气温的单阈值或少量气象变量的经验参数化方案，本质上是实际大气物理过程的简化近似，依赖特定假设和经验参数，在跨区域、跨气候条件应用时适用性和精度受限，且难以捕捉多变量间高度复杂的非线性相互作用。中国跨越湿润季风区、内陆干旱区和高寒青藏高原等高度异质的气候地貌区域，单一方法能否在全国范围内保持稳健性能尚不明确；同时，现有比较研究多局限于少数常规算法，缺乏常规方法与机器学习方法之间多层面、多区域的系统比较。基于此，本研究旨在系统评估12种常规降水相态划分方法与6种机器学习模型在中国不同气候区的性能、适用边界及对关键气象因子的敏感性，并揭示驱动机器学习模型预测降雪概率的关键环境因子。
**研究方法**
本研究以中国全部陆地为研究区，划分为西北荒漠区（NWD）、内蒙古草原区（IMG）、青藏高原区（QTP）、东北湿润半湿润区（NE）、华北暖温带湿润半湿润区（NCP）、华南亚热带湿润区（SCS）和华南热带湿润区（SCT）七个气候区。气象数据来源于中国气象局国家气象信息中心发布的《中国地面气候资料日值数据集（V3.0）》，包含降水、平均气温、相对湿度、气压和台站海拔。研究时段限定为1951—1979年，因该时期原始降水记录采用统一编码格式同时保存降水量和相态信息。经数据完整性、有效降水日数和记录长度筛选，从2169个台站中保留1024个。研究采用12种常规方法（Ta法、Dai法、Jennings单变量法、Sigmoid法、露点法、湿球温度法、Ding法、Trh法、KS98法、Jennings双变量法、Jennings三变量法、Yamazaki法）和6种机器学习模型（RF、XGBoost、LightGBM、CatBoost、ExtraTrees、HGB）。预测因子经方差膨胀因子（VIF）分析剔除共线性变量后，保留月份、经度、纬度、海拔、相对湿度和湿球温度6个预测因子。针对雨雪类别严重不平衡（约11.5:1），采用分阶段不平衡处理策略，超参数通过贝叶斯搜索结合5折分层交叉验证优化，优化目标设定F1_snow=0.92为业务性能目标。采用双向交叉时段实验评估时间稳健性。评估指标包括总体精度（OA）、低估误差（UE）、高估误差（OE）、精确率、召回率、F1分数和Heidke技能评分（HSS）。
**研究结果**
**常规方法精度评估**：12种常规方法的全国F1_snow范围为0.837—0.891，OA为0.970—0.982，方法间差异在降雪识别上比总体精度更为明显。Ding14表现最优（F1_snow=0.891），其次为Jenn_Bi、Jenn_Tri、KS98和Tw_1；Td_0和Ta_0最低。F1_snow呈现明显南—北递增梯度，东北、华北北部和西北部分地区较高，而长江中下游以南、四川盆地边缘、江南—华南北部和云贵地区等主要相态转换带显著较低。F1_macro空间格局更为平滑，方法间差异较小。区域上，寒冷北方地区（NWD、IMG、NE）各方法F1_snow普遍超过0.90，方法选择敏感性弱；QTP、SCS和SCT方法间差异显著增大，SCT的F1_snow降至0.194—0.283。常规方法在寒冷北方一致性较高，但在高海拔和温暖南方地区差异显著，热带SCT和SCS的降雪识别是主要不确定性来源。
**常规方法跨环境梯度性能**：温度梯度上，所有方法在?10—0°C和5—10°C相对稳定，但在0—5°C转换区间性能显著恶化，F1_snow降至0.027—0.548（均值约0.421）。湿度梯度上，湿润条件（RH=0.4—1.0）下F1_snow为0.790—0.879，干燥条件（RH=0—0.4）下变幅更大（0.291—0.867）。海拔梯度上，2500 m以下F1_snow为0.818—0.876，2500—4000 m降至0.703—0.767，4000 m以上恢复至0.812—0.966，2500—4000 m为常规方法的主要海拔相关性能低谷。
**机器学习方法精度评估**：6种机器学习模型的全国F1_snow为0.921—0.929，OA为0.987—0.989，均优于常规方法。CatBoost、XGBoost、HGB和LightGBM表现最优（F1_snow=0.929）。空间上，机器学习模型高绩效区主要集中于东北、华北和西北部分地区，低值聚集于南方和西南主要雨雪转换带。纬度剖面显示22°N—32°N低纬转换带模型间差异最大，35°N以北曲线快速上升并收敛。区域上，寒冷北方各模型一致性高，QTP和SCS降雪识别性能显著退化，SCT所有模型F1_snow中位数为0但F1_macro仍高达1.00。
**机器学习方法跨环境梯度性能**：温度梯度上，机器学习模型全温度范围OA升至0.930—0.938，?10—0°C区间F1_snow为0.966—0.970，0—5°C转换区F1_snow为0.587—0.619（LightGBM最优0.619），显著优于常规方法均值0.421；5—10°C仍保持一定降雪识别能力（F1_snow=0.138—0.171）。精度—召回权衡上，机器学习模型维持稳健召回率（0.652—0.666）的同时将精确率提升至0.757—0.804，主要归因于有效抑制雪误分类。湿度梯度上，湿润条件F1_snow为0.912—0.921，干燥条件为0.832—0.890，湿润—干燥性能差异显著小于常规方法。海拔梯度上，0—2500 m的F1_snow为0.919—0.928，2500—4000 m保持0.940—0.952（较常规方法均值0.750提高约26.3%），有效消除了常规方法的中海拔性能低谷；精确率与召回率协同提升（均值召回0.924—0.943，精确0.934—0.945），避免了常规方法常见的"高召回—低精确"或"高精确—低召回"失衡。
**讨论与结论**
讨论部分比较了机器学习与传统方法在复杂环境条件下的表现。机器学习模型相比最优常规方法将平均F1_snow从0.890提升至0.929（+4.38%），精确率从0.841升至0.925（+9.99%），而召回率基本不变，表明改进主要源于系统性抑制雪误分类。样本平均指标（OA、F1_macro）相对增益有限（均低于2.5%），而雪专属指标（F1_snow、HSS、Precision_snow）改进更大（均超过4%），反映了降水观测中类别不平衡的影响。沿温度梯度，机器学习在0—5°C转换区将平均F1_snow从0.496提升至0.611（+23.19%）；沿海拔梯度，中海拔2500—4000 m区间F1_snow从0.766升至0.951（+24.15%）；沿湿度梯度改进相对有限。稳健性方面，机器学习模型跨海拔分箱性能标准差降低约83%，精确率与召回率近乎完美平衡（Δ=0.003），在关键区间的最差性能系统性优于常规方法。SHAP分析识别湿球温度为机器学习模型的主导预测因子（CatBoost中占全局SHAP重要性38.9%），其次为纬度（22.2%）、相对湿度（12.5%）等，表明模型不依赖单一跨区域适用的雨雪转换温度，而是以湿球温度提供主要热力约束，纬度、湿度、地形和季节背景进一步修正相态分类。研究进一步提出南方雨雪转换带高不确定性的机制假说：近地表温度频繁在0°C阈值附近波动，冷暖气团交汇、复杂地形和垂直热力结构共同驱动雨、雪、雨夹雪和冻雨间的频繁转换。台站稀疏化敏感性分析表明，F1_snow和F1_macro偏差多在±2%以内，南方转换带增强的不确定性并非台站密度的纯粹假象。跨数据集迁移验证表明，机器学习模型在未重新训练的GSOD数据上仍保持F1_snow约0.90，但相对常规方法的优势减弱，提示个体方法相对性能存在一定数据集依赖性。研究结论部分指出：(1) 方法间差异在降雪识别上远比总体精度明显，常规方法F1_snow为0.837—0.891而OA仅0.970—0.982，机器学习F1_snow为0.921—0.929而OA为0.987—0.989，仅凭OA可能掩盖降雪识别能力的实质差异；(2) 降水相态划分的主要不确定性关联于中国南方和中部温暖、湿润及地形复杂转换区的降雪识别，两类方法均呈现明显南—北F1_snow梯度，最大方法间差异集中于约22°—32°N主要雨雪转换带；(3) 降水相态划分受温度、湿度和海拔强烈控制，机器学习模型在复杂热力和地形条件下表现出更强稳健性，在0—5°C转换区、干燥条件（RH<0.4）和2500—4000 m海拔三种关键环境中F1_snow分别为0.587—0.619、0.832—0.890和0.940—0.952，而常规方法均值仅为0.421、0.753和0.750；(4) 台站覆盖不均对主要结果影响有限，机器学习模型跨时段和跨数据集迁移性良好，但其相对常规方法的优势在GSOD上减弱，提示个体方法相对性能存在一定数据集依赖性。
