《Journal of Hydrology: Regional Studies》：Incorporating empirical orthogonal function analysis into lumped hydrological models with grid data
编辑推荐：
针对高山地区气象站点稀疏导致集总式水文模型降水输入代表性不足的问题，研究人员提出了一种基于经验正交函数(EOF)分析的框架，将中国气象强迫数据集(CMFD)的格点降水数据聚合为空间加权序列，并驱动HBV水文模型。该研究在长江源头的沱沱河流域(TRB)进行应用，结果表明EOF加权降水能更好地反映流域尺度的降水集中特征，并显著提升了模型对5月至10月季节性洪峰（特别是发生时间和量级）的模拟效果，为高海拔水源区水文模拟提供了有效框架。
在全球变暖的背景下，高山地区的水文过程发生了显著变化。降水、融雪和径流的时空分布被深刻改变，这使得水文模拟的准确性变得尤为重要。然而，在高山山脉，气象观测站点的稀疏性限制了集总式水文模型的应用。由于高海拔地区自然环境恶劣、经济条件有限，地面监测网络的密度远低于低海拔地区。这种不平衡导致了地面降水观测分布不均，从而影响了模型估算径流的准确性。为了克服这一限制，遥感数据和再分析数据集成为驱动集总式水文模型的重要数据源。但这些数据产品在像青藏高原这样地形复杂的地区仍存在不确定性，例如稀疏的观测站网和插值误差会影响验证精度，且卫星反演在寒冷地表和地形降雨区域容易出现系统性误差。这些未解决的问题凸显了需要加强多源遥感数据的融合、改进包含冰冻圈模块的模型结构，以及减少对参数调优依赖的偏差校正框架。
为了应对这些挑战，一项发表在《Journal of Hydrology: Regional Studies》上的研究引入了一种新方法。该研究聚焦于长江源头区的沱沱河流域(TRB)，旨在解决一个核心问题：如何在高山无资料或少资料流域，更有效地利用具有空间连续性的格点降水数据（如再分析资料）来改进集总式水文模型的模拟性能，特别是对季节性洪峰等关键水文过程的刻画。研究人员创新性地提出了一个基于经验正交函数(Empirical Orthogonal Function, EOF)分析的框架。EOF分析（也称为主成分分析Principal Component Analysis, PCA）是一种能够将时空数据集分解为正交模式的统计技术，可以捕捉变异的主要空间格局。研究团队利用这一方法，对中国气象强迫数据集(China Meteorological Forcing Dataset, CMFD)的格点降水数据进行处理，将其聚合为一个能够反映流域主导降水空间结构的“空间加权降水序列”，并将此序列作为驱动数据，输入到经典的集总式水文模型HBV中，以模拟流域径流。
为了开展这项研究，作者们主要运用了以下几个关键技术方法：首先是经验正交函数(EOF)分析，用于提取CMFD降水数据在沱沱河流域的主导时空变异模式，并基于此计算空间加权降水(Weighted Precipitation, WP)。其次是HBV水文模型的构建与评估，模型采用集总式结构，使用日降水、气温和蒸发数据驱动，参数在2009-2015年率定，在2016-2018年验证。研究设置了三种平行的模拟情景，分别使用站点实测降水(Station)、CMFD在站点格点的降水(CMFD)和EOF加权降水(WP)作为输入，在保持其他条件和模型参数一致的情况下，比较其径流模拟效果。评估指标包括纳什效率系数(Nash–Sutcliffe efficiency, NSE)、决定系数(R2)、Kling–Gupta效率(KGE)以及5-7月的融雪季相关系数(r5–7)。此外，研究还通过相关-回归分析，将EOF得到的主成分(Principal Component, PC)时间序列与海表温度(Sea Surface Temperature, SST)及大气环流场相联系，以探究大尺度气候因子对流域降水的影响。
研究结果主要分为几个部分。首先是基于EOF分析的降水时空变异性。分析表明，第一模态(EOF1)主导了流域降水变异，解释了总方差的78.01%。其空间格局显示，在流域南侧冰川区存在一个显著的高正值中心，表明强烈的降水对比，这可能与地形（特别是高程）控制有关。总体上，EOF1呈现出清晰的南北偶极子型空间分布。对应的时间序列(PC1)揭示了在2000年左右存在一个明显的突变，之后的降水变率显著高于之前。EOF1所代表的降水变率与阿拉伯海-印度洋及热带太平洋的海表温度异常有显著相关性，同时与低层（850 hPa）大气环流的低涡系统以及高层（200 hPa）的环流配置有关，表明沱沱河流域降水受到局地环流和北印度洋条件的共同影响。
其次是不同降水输入的比较。EOF加权降水(WP)、CMFD格点降水(CMFD)和站点观测降水(Station)的对比显示，三者的年内分布格局基本一致，降水都集中在6月至9月。WP的月降水量中位数在多数月份高于站点观测值，且在4-5月显示出更大的离散度，表明其在季风前过渡期对空间异质性或极端低频事件更为敏感。
最后是基于不同降水输入的HBV模型性能比较。模拟评估表明，无论是率定期还是验证期，使用EOF加权降水(WP)驱动的模拟效果整体最优，站点降水(Station)次之，CMFD格点降水(CMFD)最弱。具体表现在，WP在所有评估指标（NSE, R2, KGE, r5–7）上均取得了最高值。尤其是在验证期，WP的KGE值明显高于其他两者，说明WP在减少偏差和匹配变率方面更具优势。从模拟的径流过程线来看，三种输入都能合理再现径流的年内起涨和消退时间，但WP驱动的模拟在洪峰期（5-10月）与观测峰值吻合得更好，能更准确地捕捉高流量事件的发生时间和量级。月度相对误差(Er)分析也显示，在5-10月的洪水季节，WP的误差在绝大多数月份都是最小且最稳定的。
研究结论与讨论部分强调，本研究通过结合CMFD降水数据和EOF分析，构建了空间加权平均降水序列，成功用于驱动HBV模型，有效缓解了高山流域因站点稀疏导致的“点-面”不匹配问题。EOF分析揭示沱沱河流域降水变率主要由第一模态主导，该模态捕捉了降水的主要空间组织特征（包括明显的高降水区），并显示出2000年后向更湿条件的转变。环流遥相关分析进一步表明，该流域降水同时受到局地环流和北印度洋条件的共同塑造。当作为HBV模型输入时，EOF加权降水(WP)在率定和验证期均能持续改进径流模拟效果，其益处主要体现在洪水季节（5-10月），能更好地再现洪峰条件。
该方法的核心贡献在于方法论层面：本研究中的EOF并非用作标准的降尺度或偏差校正工具，而是作为一种“协方差感知”的空间概括方法，它能保留主导的、有组织的降水空间格局，从而为水文模拟提供更可靠的输入。这与基于简单面积加权平均（如泰森多边形和反距离加权）的常见集总式模型输入不同，后者隐含地将空间变异性视为噪声，可能掩盖对产流有不成比例影响的有组织格局（如与高程或风暴路径相关的对比）。它也不同于分位数映射(QM)或累积分布函数(CDF)匹配等偏差校正方法，后者主要调整边际降水统计量，但不明确保留流域尺度的空间协方差。同样，像贝叶斯模型平均(BMA)这样的集合合并方法侧重于集成多种数据产品以减少平均误差和不确定性，而EOF方法则提供了一种可解释的低维空间组织结构表达，以及从降水场到集总驱动序列的一致映射。因此，EOF可被视为QM/CDF/BMA的补充。如果存在强烈的分布偏差，可以先进行偏差校正或合并，然后使用基于EOF的概括方法来生成模式一致的集总降水输入用于水文模拟。
值得注意的是，主导的降水空间结构（即EOF空间载荷型）可能随着年代际气候变迁而发生演变。基于历史基线估算的EOF模态在环流和水分输送发生长期变化的未来时期可能无法保持完全稳定。因此，如果将固定的（历史）EOF载荷应用于未来时期，而降水空间协方差结构发生显著变化，则可能会引入偏差。建议该方法的未来应用（例如与CMIP6气候模式输出结合时），应从偏差校正/降尺度后的GCM降水场计算EOF。可以为历史期推导一个基线EOF基，并使用空间型相关性和主导模态的子空间相似性来评估其对各未来时期的适用性。当相似性超过预定阈值时，保留基线推导的空间权重，否则，应重新计算相应未来时间窗口的EOF和权重。总之，该方法的目标不是“冻结”历史模式，而是在稀疏观测下减少采样误差的同时，保持物理意义上合理、数据一致的流域面降水代表性，并明确考虑降水空间结构的潜在非平稳性。
未来工作可以通过整合高分辨率降水产品（如GPM IMERG和ERA5-Land）以及雷达临近预报（如可获得）进行多源验证，以更好地描述和约束极端降水事件，这可能有助于改进湿季洪峰模拟。这项研究为在高海拔水源区进行更可靠的水文模拟和气候变化影响评估提供了新的思路和实用框架。
