基于流域属性驱动的Budyko参数化改进年径流估算方法

《Journal of Hydrology X》：Improving annual streamflow estimates using Budyko parameterization driven by catchment attributes

　　

Budyko框架被广泛用于推断长期水—能分配关系。其原始均匀参数限制了估算精度，而局部率定公式难以应用于无资料流域(ungauged basins)。本研究开发了基于机器学习(ML)的参数化方案，将Budyko参数与流域属性(catchment attributes)相关联，实现对有资料和无资料流域年蒸散发(evapotranspiration, ET)及径流(streamflow, Q)的估算。研究人员利用671个CAMELS流域，采用Shuffled Complex Evolution(SCE)算法对六种Budyko型方程进行站点参数率定，随后通过ML模型将率定参数与流域属性建立映射关系。所得属性驱动的参数化方案较SCE率定结果及率定后的SAC-SMA(Soil Moisture Accounting—Snow Model, 萨克拉门托土壤含水量核算—融雪模型)模型均改善了蒸发指数(evaporative index, ET/P)估算。在测试流域应用于年径流预测时，该方法平均Kling-Gupta Efficiency(KGE)达0.67，优于率定SAC-SMA(0.48)及站点特定Budyko预测(0.61)。结果表明该方法是数据匮乏地区(year water-budget estimation in data-limited regions)年水平衡估算的可扩展途径。

论文解读：基于流域属性驱动的Budyko参数化改进年径流估算方法

Tamiru等发表于Journal of Hydrology X的研究针对传统Budyko框架参数均一化导致年蒸散发(evapotranspiration, ET)与径流(streamflow, Q)估算偏差大、站点率定参数无法推广至无资料流域(ungauged basins)的问题，提出用机器学习(machine learning, ML)将Budyko方程待估参数与气候—地形—土壤—植被—地质等流域静态/准静态属性(catchment attributes)建立回归关系，使Budyko理论可脱离站点ET观测直接推求无资料流域年尺度水均衡分量。研究人员以美国CONUS地区671个CAMELS(Catchment Attributes and Meteorology for Large-sample Studies)流域为样本，先用SCE-UA(Shuffled Complex Evolution—University of Arizona)全局优化获得Fu(1981)、Choudhury(1999)、Zhang等(2001)、Turc(1954)、Wang and Tang(2014a,b)及Abeshu and Li(2021)六种Budyko派生式的站点最优参数，再以XGBoost(eXtreme Gradient Boosting)分别建立各方程参数→14项流域属性(均值日降水P、均值日潜在蒸散发potential ET, PET、降水季节性Ps、强/弱降水日频率FHP/LHP、森林覆盖率forest fraction FF、叶面积指数差LAI_Diff、绿被差GVF_Diff、土壤深度soil depth SD、体积土壤孔隙度volumetric soil porosity Spo、水体占比water fraction Wf、平均高程mean elevation EL、平均坡度mean slope SL、地质孔隙度geological porosity Gpo)的预测模型，据此给出ML推导参数并估算ET_ML= f(PET/P, ω_ML/n_ML/α_ML/ε_ML/λ_ML/?_ML)×P，年径流按Q_Budyko= P ? ET_Budyko计算，并用KGE(Kling-Gupta Efficiency)与NSE(Nash–Sutcliffe Efficiency)对比SAC-SMA模型输出及SCE率定Budyko结果。研究发现ML参数化使测试集蒸发指数更贴近SFET(Surface Flux Equilibrium Theory derived ET)参考曲线，年径流预测平均KGE = 0.67，高于SAC-SMA(0.48)与SCE-Budyko(0.61)，且该框架可直接迁移至仅有气候与属性数据的无资料区，为区域水资源规划提供具物理意义的年水平衡估算工具。

主要关键技术方法

研究人员选用CAMELS数据集中671个美国流域1984–2014年日尺度降水(P)、潜在蒸散发(PET)、SAC-SMA模拟ET及观测径流(Q)记录；从57项属性中筛选14项非径流衍生气候—下垫面变量作为输入。首先以SCE-UA算法最小化KGE(EI_obs? EI_Budyko)逐流域率定六种Budyko方程独有形状参数(ω, n, α, ε, λ, ?)，得到SCE参数集；再分别训练六个XGBoost回归器，以SCE参数为因变量、流域属性为自变量学习映射关系，并在预留15%测试流域用学习后模型预测ML参数，进而代入Budyko式算ET与Q，对照USGS(United States Geological Survey)实测年径流以KGE与NSE评估。

3. Results and discussion

3.1. Differences in Budyko parameters from the canonical method and the ML-based parameterization

对比SCE率定参数与ML预测参数的联合分布发现，Fu式ω由3.34升至3.95，Zhang等(2001)式β由1.53升至1.88，Turc(1954)式α由3.03升至3.86且离散度收窄；Choudhury(1999)n由2.94降至1.83，Wang and Tang(2014)ε由2.77降至2.59，Abeshu and Li(2021)λ由0.66降至0.37。ML使极端率定值被正则化，参数分布更平滑并体现植被盖度、土壤储水能力、地质渗透性等下垫面对干旱—蒸散分配的约束，表明属性驱动参数较单点率定具更好物理一致性。

3.2. Assessment of evaporative index in Budyko space

以SFET产品构建的Budyko基准曲线为参照，ML参数化所得EI = ET/P相较SCE率定及SAC-SMA模拟结果均更贴近该基准，各测试流域偏离中位数最小；按优势植被分组中，草地(grassland, GL)与落叶阔叶林(deciduous broadleaf forest, DBF)改善幅度最显著，证实引入流域属性提升了多年平均蒸发指数空间代表性。

3.3. Annual streamflow prediction in ungauged catchments

将测试流域视作无资料替代，ML-Budyko预测2000–2014年均Q与USGS观测对比显示典型站点USGS 05584500(KGE/NSE = 0.80/0.76)、USGS 03069500(KGE/NSE = 0.78/0.79)，优于SAC-SMA(分别为0.54、0.69)与SCE-Budyko(分别为0.49、0.63)。全测试集六式平均KGE_ML= 0.67 > KGE_SCE= 0.61 > KGE_SAC-SMA= 0.48，且流量历时曲线(flow duration curve, FDC)对高、低水段捕捉能力亦较强，证明属性驱动Budyko参数化在无资料情景下具稳健迁移性与年径流预测优势。

结论(Conclusions)翻译

本研究通过将Budyko参数直接与流域属性关联，建立了基于机器学习的Budyko方程参数化方案，该框架可在有资料和无资料流域基于Budyko理论估算蒸发指数与径流。研究人员证明ML-Budyko参数化给出的蒸发指数估算精度高于率定SAC-SMA水文模型或通过SCE率定获得的站点特定Budyko参数。应用于测试(作为无资料替代)流域时，该方法年径流估算平均KGE达0.67，优于依赖站点P、PET与ET数据率定的SAC-SMA(0.48)及SCE-Budyko参数化(0.61)。通过在Budyko框架中嵌入流域属性，方法捕捉了气候强迫、景观特征与水文地质背景等关键控制因子影响，为区域水文预测提供了可扩展且可迁移的途径。该框架既可独立用于无资料流域年径流预测，也可作为数据稀缺条件下率定复杂水文模型的物理一致约束。尽管整体表现良好，仍存在偏差，表明需进一步引入蓄水变化及水文记忆项以改善极端年份与更细时间尺度估算。除预测能力外，本方法具水资源管理与政策应用价值：所得年径流可支撑水量分配、作为跨界流域治理基线并辅助水利工程设计与水库调度。未来研究可将此属性Budyko参数化与过程模型耦合以捕捉更高时空分辨率水文通量，并需进一步评估与完善该框架受人类活动强烈影响流域的适用性。