一种结合GRACE卫星数据和气候数据的混合方法，用于估算西伯利亚流域的雪水当量

《Journal of Hydrology》：Hybrid approach for estimating snow water equivalent in Siberian basins using GRACE and climate data

　　侯赛因·A·莫哈塞布|双毅
中国科学院地球科学与行星科学学院地球系统数值模拟与应用国家重点实验室，北京101408，中国

**摘要**
雪水当量（SWE）是全球水和能量循环的关键组成部分，尤其是在高纬度地区。在西伯利亚，叶尼塞河、鄂毕河、勒拿河、阿穆尔河和科雷马河等主要河流流域在调节流入北冰洋的淡水流量方面发挥着至关重要的作用，影响着区域水文和更广泛的气候系统。然而，由于地面观测数据稀少、水文模型的局限性以及遥感数据的不确定性，这些地区的SWE估算变得复杂。本研究介绍了一种新颖的混合建模框架——混合重力-降水SWE模型（HGPSM），利用GRACE卫星重力测量数据和气象输入来估算绝对SWE。该模型的开发分为五个步骤：（1）从GRACE总水储量数据中分离出SWE信号；（2）考虑季节性变化的GRACE测量噪声；（3）使用温度驱动过程模拟融雪；（4）量化过程不确定性；（5）应用卡尔曼滤波器最优合并模型和观测数据。通过对382个实地站点的验证表明，HGPSM的性能优于传统的水文模型，其纳什-萨特克利夫效率得分更高（勒拿河达到0.82），并且所有流域的相关系数均大于0.75。均方根误差值显著降低，范围从9.3毫米（阿穆尔河）到31.9毫米（鄂毕河）。与VIC等模型不同，HGPSM的中位误差保持在±10毫米以内。2003年至2019年的时间序列数据显示，该模型在追踪季节性SWE动态方面表现出色，特别是在春季融雪期间。这些结果突显了HGPSM在数据稀少的寒冷地区进行准确的大规模SWE监测的潜力。

**引言**
雪水当量（SWE）是寒冷地区水文循环的关键组成部分，在决定季节性水资源可用性和河流流量动态方面起着重要作用（Klehmet等人，2013年；Qian等人，2020年；Troy，2010年）。包括叶尼塞河、鄂毕河、勒拿河、阿穆尔河和科雷马河在内的广阔西伯利亚流域是北冰洋淡水预算的最大贡献者之一，影响着全球海洋环流和气候反馈机制（Moskovchenko等人，2024年；Shiklomanov等人，2021年；Yi等人，2023年）。这些地区的季节性融雪决定了径流的时间和量，对生态系统、基础设施和下游社区有直接影响（Yang等人，2002年）。此外，积雪条件的变化会影响地表反照率和永久冻土的稳定性，通过加速碳释放的反馈机制加剧变暖趋势（Lawrence和Slater，2010年；Schuur等人，2015年）。因此，准确的SWE估算不仅对水文建模至关重要，也对气候变化监测和水资源规划具有重要意义。尽管如此，由于实地观测有限、气候条件恶劣以及复杂的雪动态，估算西伯利亚地区的SWE仍然具有挑战性。基于地面的方法（如雪枕和人工调查）可以提供准确的点测量数据，但劳动强度大且空间分布稀疏（Jonas等人，2009年；Sturm等人，2010年）。这些限制在西伯利亚偏远且物流困难的地区尤为明显，那里的观测网络极少且往往不一致（Shiklomanov等人，2013年）。

**遥感技术**
被动微波传感器（如AMSR-E和SSM/I）可以通过检测积雪的微波辐射来监测区域到大陆尺度的SWE（Biancamaria等人，2008年；Yue等人，2024年）。然而，这些传感器的分辨率较低，在深雪中容易发生信号饱和，并且在森林或湿雪条件下性能受限（Hoppinen等人，2024年；Tsang等人，2021年）。光学传感器（如MODIS）可以提供更高分辨率的积雪覆盖图，但无法直接估算SWE，且会受到云层覆盖的影响（Hall等人，2002年；Painter等人，2016年）。水文模型（如VIC、GLDAS和WGHM）使用气象输入来模拟SWE，但在数据稀缺和异质环境中难以准确表示雪动态（D?ll等人，2003年；Essery等人，2009年；Koster等人，2000年）。这些模型依赖于可能不适用于西伯利亚极端季节变化的参数化设置，并需要大量使用稀少地面数据进行校准，从而限制了它们的独立可靠性（Rutter等人，2009年；Shrestha等人，2015年）。

**重力恢复与气候实验（GRACE）**
重力恢复与气候实验（GRACE）任务通过提供每月的陆地水储量（TWS）异常值测量，为大规模水文研究带来了革命性的方法（Tapley等人，2004年；Wahr等人，1998年）。GRACE已被成功用于监测流域尺度的雪量变化（Forman等人，2011年；Jiao等人，2025年；Niu等人，2007年；Wang等人，2021年），使其特别适用于西伯利亚等偏远地区。然而，GRACE数据代表的是总水储量异常值而非绝对SWE，必须将其与其他水储量成分（如土壤湿度、地下水和地表水）区分开来（Frappart等人，2011年；Scanlon等人，2018年）。此外，其较低的分辨率（约300公里）和信号泄漏效应给区域尺度的积雪监测带来了挑战（Longuevergne等人，2013年）。为了解决这些限制，最近的研究探索了数据同化方法。例如，Niu等人（2007年）的开创性工作展示了通过简单的水平衡减法从GRACE数据中推导SWE异常值的潜力，而更近期的混合技术（如Wang等人，2021年）将GRACE与被动微波观测相结合以减少偏差。此外，SnowPEx+等对比研究将高复杂度的能量平衡模型（如Crocus）和先进的再分析产品（如ERA5-Land）确定为SWE估算的强大基准（Mudryk等人，2025年）。然而，仍存在重要的方法学差距。与仅关注相对异常值的Niu等人（2007年）或容易受到深雪中微波信号饱和影响的Wang等人（2021年）和GlobSnow不同，本研究提出的框架完全依赖于卫星重力的绝对质量约束。此外，虽然ERA5-Land和Crocus等产品模拟了复杂的物理过程，但它们对气象强迫（例如降水不足）的误差非常敏感，尤其是在数据稀缺的地区。为了弥合这些差距，我们引入了混合重力-降水SWE模型（HGPSM）。HGPSM的真正方法学创新在于其特定的五阶段设计：它通过动态自适应的误差协方差结构（Qk/Rk）将基于过程的融雪物理与GRACE观测数据融合，从而唯一地重建了绝对SWE（而非异常值SWE）。这种严格的设计确保了统计稳定性，并纠正了系统性的气象偏差，无需密集的实地校准或易受饱和影响的电磁遥感技术。

**混合重力-降水SWE模型（HGPSM）**
HGPSM的真正方法学进步在于其特定的五阶段设计：它通过融合基于过程的融雪物理与GRACE观测数据，独特地重建了绝对SWE，而不仅仅是异常值SWE。这种严谨的创新诊断设计确保了统计稳定性，并纠正了系统性的气象偏差，无需密集的实地校准或易受饱和影响的电磁遥感技术。虽然GRACE在流域尺度上提供了有价值的质量变化信息，但其较低的空间分辨率和无法区分不同水储量成分的限制使其难以直接用于SWE估算。相反，基于气象的雪模型可以模拟物理过程，但受到参数不确定性和偏远地区验证数据有限的困扰。为了克服孤立观测网络的深刻限制，更广泛的水文建模社区越来越多地转向先进的数据融合和混合计算架构。最近的突破表明，将多源数据与复杂的算法结构（如优化后的机器学习模型用于非平稳流量预测（Samadi-Koucheksaraee和Chu，2024年；Shirvani-Hosseini等人，2022年）、用于复杂水库系统的稳健梯度演化算法（Jia等人，2026年；Samadi-Koucheksaraee等人，2019年；Samadi-Koucheksaraee等人，2022年）以及设计用于处理极端不确定性的新型物理启发式优化器（Chen等人，2025年）相结合，可以通过提取隐藏的时空特征显著提高预测准确性。虽然本研究提出的方法没有使用神经网络或元启发式优化，但其架构设计直接借鉴了这些进步的核心原则：混合化、特征融合和对非平稳性的鲁棒性。具体而言，所提出的混合重力-降水SWE模型（HGPSM）采用了这些先进优化器的基本理念：动态加权互补但不完美的数据流（即粗略的GRACE质量观测与高分辨率的ERA5-Land物理），以最小化系统不确定性并解决数据稀缺、极端环境中的非线性问题。通过将这些数据融合原则嵌入到配备回顾性平滑器的严格卡尔曼滤波器框架中，HGPSM旨在以最小的方差重建绝对SWE。

**研究目标**
本研究旨在通过提出一种基于卡尔曼滤波器的新型同化框架来解决这一差距，该框架将GRACE观测数据与温度和降水数据相结合，以估算西伯利亚主要流域的绝对SWE。我们的方法利用了GRACE的空间覆盖范围，同时结合了雪融动态和气象变异性的物理约束。该方法包括五个阶段：1）GRACE模型构建：通过从GRACE总水储量中减去模拟的土壤湿度、地下水和地表水来分离SWE异常值；2）测量噪声估算：使用余弦函数模拟季节性GRACE不确定性，以捕捉时间误差变化；3）雪过程建模：开发基于温度的融雪模型，区分降雪和降雨，并纳入融雪阈值；4）过程噪声量化：使用气候变异性指标考虑季节性积雪积累和融雪过程的不确定性；5）卡尔曼滤波器整合：通过数据同化动态结合GRACE异常值与模拟的SWE，根据输入可靠性调整权重。我们的方法通过融合GRACE的质量敏感性和气象模型的物理特异性等互补优势，改进了传统的SWE模型。结果通过多个独立数据集进行了验证，包括实地测量、水文模型和遥感产品，以评估空间和季节一致性。本研究提供了两个关键贡献：（1）一种可扩展的、以观测为驱动的方法，用于数据稀缺地区的绝对SWE估算；（2）对西伯利亚流域季节性SWE趋势和雪-气候相互作用的新见解。这些进展有助于全球雪监测和北极水文研究的持续发展，对气候变化适应和水资源规划具有重要意义。

**论文结构**
本文的其余部分结构如下：第2节介绍研究区域和所用数据集；第3节详细说明SWE估算方法，包括GRACE预处理、雪过程建模和卡尔曼滤波器整合；第4节展示结果；第5节讨论结果；第6节总结主要发现。

**研究区域**
本研究重点关注五个主要的西伯利亚河流流域：叶尼塞河、鄂毕河、勒拿河、阿穆尔河和科雷马河，这些流域共同覆盖了西伯利亚东部的大片区域（图1）。这些流域在水文和气候上具有重要意义，为北冰洋提供了大量的淡水输入，影响着区域和全球气候系统（Carmack等人，2016年；Haine等人，2015年）。位于西伯利亚西部和中部的叶尼塞河和鄂毕河流域拥有多样的地貌特征……

**概念框架**
本研究开发了一种新颖的混合重力-降水雪水当量（HGPSM）模型，通过将GRACE衍生的陆地水储量异常值（TWSA）与气候变量（特别是降水量、温度和积雪覆盖）相结合，来估算西伯利亚河流流域的SWE。该方法学框架如图2所示，采用五阶段卡尔曼滤波器结构，以确保鲁棒性和物理一致性。

**时间动态**
西伯利亚五大河流流域的雪水当量（SWE）的时间演变揭示了明显的季节性模式和区域差异，这对于理解北极水文至关重要。图6展示了我们的混合重力-降水SWE模型（HGPSM）（通过卡尔曼滤波器方法表示）与2003年至2019年的GRACE卫星观测数据和实地测量结果之间的全面时间序列比较。

**结论**
本研究提出了一种新颖的混合重力-降水SWE模型（HGPSM），通过卡尔曼滤波器框架将GRACE卫星观测数据与基于过程的雪建模相结合，以估算五大西伯利亚河流流域的雪水当量（SWE）。关键发现表明，该混合方法在多个验证指标上显著优于传统的水文模型（CLSM、Noah、VIC、WGHM）和遥感产品（GlobSnow）。HGPSM在多个方面均表现出色……

**作者贡献声明**
侯赛因·A·莫哈塞布：撰写——审稿与编辑、原始草稿撰写、可视化、验证、软件开发、资源收集、方法论设计、调查、数据分析、数据整理、概念化。双一：可视化、监督、资源管理、项目执行、方法论、资金获取、概念化。

**资金支持**
本研究得到了中国国家自然科学基金（项目编号：E421040401、E3ER0402A2）、中国科学院大学科研启动基金（项目编号：110400M003）以及中央高校基本科研业务费（项目编号：E2ET0411X2）的资助。

**利益冲突声明**
作者声明他们没有已知的财务利益冲突或个人关系，这些因素可能会影响本文所报告的研究结果。

**致谢**
作者感谢为本研究提供数据的各机构和单位。我们特别感谢GRACE处理中心（JPL、GFZ和GSFC）团队提供的GRACE卫星重力数据，以及MODIS团队提供的雪盖产品。同时，我们也使用了WGHM、GLDAS和GlobSnow模型的输出结果，还有ECMWF提供的降水和温度数据。这些资源对于本研究采用的多源数据整合方法至关重要。