通过高分辨率预处理方法改进GEOGLOWS河流预报系统以校正径流偏差 Juseth E. Chancay, Jorge Luis Sánchez-Lozano, Bryan G. Valencia, Mario Germán Trujillo-Vela, E. James Nelson, Riley C. Hales 以及 Angélica L. Gutiérrez

《Hydrology》：Enhancing GEOGLOWS River Forecast System with a High-Resolution Pre-Processing Approach for Runoff Bias Correction Juseth E. Chancay, Jorge Luis Sánchez-Lozano, Bryan G. Valencia, Mario Germán Trujillo-Vela, E. James Nelson, Riley C. Hales and Angélica L. Gutiérrez

　　摘要：准确的流量信息对于早期洪水和高旱预警至关重要。然而，全球水文预测系统受到气象强迫、模型结构和路径选择的残余误差的影响，这些误差会传播到模拟的流量中。在GEOGLOWS河流预测系统（RFS）中，ERA5径流偏差会被引入流量模拟中。最有效的操作偏差校正方法MFDC-QM需要局部流量观测数据，在没有测量站的流域中无法一致应用。本研究评估了一种预路径校正的、网格级别的径流偏差校正框架，该方法通过结合流量持续时间曲线（FDC）映射和稀疏累积分布函数（CDF）匹配来调整ERA5径流，使用GSCD作为空间分布的参考流量数据。该研究使用了16,517个测量站、Kling–Gupta效率（KGE）和配对显著性检验，比较了基线GEOGLOWS RFS、预路径校正和MFDC-QM在1980至2025年间的性能。全球范围内，KGE的中位数从0.16略有增加到0.22，而MFDC-QM的中位数为0.48。结果表明存在明显的区域依赖性：预路径校正在南美洲和非洲显示出统计学上的显著优势（p < 0.05），因为这些地区的ERA5径流残余偏差较大；但在欧洲和北美洲效果有限，因为那里密集的水文气象网络对基础再分析数据有更强的观测约束。这些模式表明，在残余强迫偏差较大且观测约束有限的地区，预路径校正最具价值，可以补充没有测量站、数据有限的区域的基于观测的后处理。

1. 引言
准确的流量预测及其时空动态理解对于预测极端水文事件（如洪水和干旱）至关重要，特别是在水文气象测量网络有限的低收入和中等收入地区[1,2,3]。近年来，这些灾害对社会经济的冲击日益增加[4]，这一点尤为突出。例如，2019年洪水和干旱影响了6020万人，并造成了369亿美元的经济损失[5]。到2024年，受影响的人数增加到7830万人，经济损失达到461亿美元[6]。最近的研究显示，89%的洪水和水旱灾害受害者生活在低收入和中等收入国家[7]。例如，2022年巴基斯坦的洪水影响了超过3300万人[8]，而2024年巴西里奥格兰德州（Rio Grande do Sul）的洪水影响了230万人，并导致大约60万人流离失所[9]。在撒哈拉以南非洲，干旱仍然是长期粮食不安全的主要驱动因素，尤其是在牧区[10]。基于水文建模的早期预警系统（EWS）已成为减少洪水和干旱影响的实用工具[11,12,13]。计算能力的进步使得现在可以支持更高分辨率的大范围模拟[14,15]。地球观测技术也影响了基于水文建模的EWS，提供了近乎实时的反馈，提高了我们在全球范围内监测和预测水文气象过程的能力[16]。欧洲中期天气预报中心（ECMWF）通过使用先进的数据同化技术将基于卫星的观测数据融合到其模型中来展示这种方法[17]。通过提供全球一致的大气强迫，并借助卫星数据同化，ECMWF开发的综合预报系统（IFS）等建模系统促进了全球尺度水文建模框架的出现，如全球洪水警报系统（GloFAS）[18]和GEOGLOWS河流预测系统（RFS）[19]。这反映了水文学在与气象强迫的整合以及更好地理解地表过程方面的进步[20]。通过将数值天气预报与陆地水文成分相结合，这些集成系统增强了我们预测水文极端事件的能力，而基于集合的概率方法则为表示气象强迫和模型结构的不确定性提供了实用的方法[21,22]。尽管取得了这些进展，但将全球尺度的水文预测转化为地方层面的可操作信息仍然具有挑战性[20,23]。由于这些水文建模系统在全球范围内运行，基于流量的校准是不可行的，并且很少能提供在对比Water-Hydro气候条件下仍然稳健的参数化[24,25]。因此，气象强迫、模型结构和路径选择的残余误差会传播到流量模拟中[26]，导致流量幅度的偏差以及峰值流量的系统性高估和基流量的低估[27,28]。在操作层面，这些偏差会直接影响决策，改变用于洪水预警和干旱监测的临界值的时间、幅度和频率。因此，减少偏差可以提高早期预警的可靠性，减少误报，并支持及时的风险管理决策[29]。在这方面，缩小全球与地方之间的差距需要明确减少偏差并提高操作地方层面的可靠性的方法。偏差校正方法已成为一种广泛使用的策略，以提高全球模型预测的可靠性，并使其更适合决策支持[29]。大多数现有方法作为后处理步骤实施，使用可用观测数据调整模拟流量，通常通过分布匹配或频率匹配技术（如流量持续时间曲线（FDC）映射，即将模拟值替换为具有相同超越概率的观测一致对应值[30,31]。Sánchez Lozano等人[32]通过引入月度流量持续时间曲线分位数映射（MFDC-QM）扩展了这个概念。这种考虑季节性的方法在具有历史流量观测记录的位置纠正了GEOGloWS河流预测系统中的系统性偏差。然而，这种对局部流量记录的依赖限制了MFDC-QM作为独立全球操作解决方案的使用，因为许多河流段仍然没有测量站或缺乏足够长和可靠的历史观测数据。Hales等人[33]进一步发展了基于FDC的方法，开发了SABER，这是一种基于机器学习的方法，通过k均值聚类和网络连通性感知决策树找到流域之间的相似性关系，将基于FDC的校正因子从有测量站的流域转移到没有测量站的流域，从而将偏差校正扩展到具有流量观测记录的站点之外。然而，SABER在全球操作使用方面仍面临实际限制：（i）其校正能力取决于观测流量记录的可用性和质量，而这并不能在任何地方得到保证；（ii）其转移步骤的不确定性取决于“捐赠”流域的选择，这受到相似性标准和可用属性的影响，而在实践中真正可比的流域往往很少[34,35,36]。除了流量偏差校正方法外，Lin等人[37]还探索了一种预路径方法，在路径选择之前应用稀疏累积分布函数（CDF）匹配来校正径流，证明了其在改善大尺度水文流量重建方面的有效性。这种方法与MFDC-QM和SABER不同，其校正目标和操作假设也不同：它不是调整经过路径选择的流量，而是修改通过河流网络传播的网格化流量强迫。然而，Lin等人[37]提出的框架是在离线重建模型中开发和评估的，并未设计用于评估操作河流预测系统的性能。因此，其在像GEOGLOWS RFS这样的系统中的附加值尚未探索，这些系统对可扩展性、空间一致性和面向预测的实现有核心要求。

2. 数据和方法
2.1. 数据
为了实施所提出的预路径径流偏差校正并量化结果的模拟性能，我们使用了以下三个数据集。
2.1.1. 地面观测流量数据
来自全球超过16,000个水文站的日流量观测数据（图1），这些数据属于国家水文气象机构，并从开放获取的水文数据库中编译而来，例如全球流量数据中心（GRDC）。选择了1980年至2025年期间至少有12个月数据的站点，这是Sánchez Lozano[32]为偏差校正确定的标准。
2.1.2. 网格化流量数据
网格化流量强迫数据来自Copernicus气候数据存储产品“1940年至今的单层ERA5小时数据”，这是ECMWF的第五代全球再分析[38]。它提供基于0.25°网格的流量数据，通过将模型物理与全球观测和基于卫星的信息结合通过数据同化生成[17]。该数据集的操作更新延迟约为5天，能够进行一致的长期分析和近乎实时的应用。在本研究中，使用了从1979年开始的ERA5流量数据，并将其聚合成日分辨率，与GEOGLOWS RFS版本1的操作配置一致，该版本提供从1979年1月1日开始的每日回顾性模拟[33]。
2.1.3. 全球流量特性数据集
全球流量特性数据集（GSCD）由Beck等人[39]开发，是一个基于深度学习的全球地图库，描述了流量特性，这些数据来自GRDC、USGS/GAUGES II和澳大利亚网络的数千个流域的观测数据。流量持续时间曲线的分位数是从这些系列中得出的，然后通过使用基于卫星数据的天气和地理变量训练的神经网络集合进行空间化[39]。该产品以0.05°的网格在全球范围内提供，用作表征没有测量站的河流流域的参考。在本研究中，我们使用了GSCD对每日流量的第1、5、10、20、50、80、90、95和99百分位数的网格化估计值，以流量当量（mm/day）表示。
2.2. GEOGLOWS河流预测系统
GEOGLOWS河流预测系统（RFS）是一个操作性的、可全球扩展的流量预测框架，提供回顾性和预测性模拟。它由全球水可持续性地球观测小组（GEOGLOWS）与ECMWF、NASA、NOAA和杨百翰大学（BYU）合作开发。GEOGLOWS RFS提供了可访问的水文数据，以支持数据稀缺地区的气候适应、灾害风险减少和水资源管理[19,40]。目前，GEOGLOWS RFS使用两种排水网络配置和模型结构。版本1采用基于HydroSHEDS的排水网络，包含大约一百万个河流段[41]，划分为13个计算流域组。版本2使用更高分辨率的TDX-Hydro网络，包含约七个百万个河流段[42]，划分为125个计算流域组。在这两个版本中，GEOGLOWS RFS通过（i）将网格化流量与排水网络和流域划分结合起来计算水体体积（即有效单元面积乘以流量深度），以及（ii）使用Muskingum方法对这些体积进行路径选择来生成流量模拟（图2）。图2. GEOGLOWS河流预测系统的过程和建模结构。修改自Hales等人[33]。在版本1中，Muskingum路径选择在并行计算流量路径选择（RAPID）中实现，Muskingum参数（K, X）是根据恒定平均波速0.8 m/s假设从河段尺度形态特征得出的[29,43]。相比之下，在版本2中，使用river-route Python包进行Muskingum路径选择，参数（K, X）是根据上游排水面积的自然对数的回归关系估计的[19]。在本研究中，我们专注于GEOGLOWS RFS版本1。尽管GEOGLOWS RFS版本2提供了更高分辨率的河流网络和更新的路径选择参数，但先前的研究表明，当使用相同的网格化流量输入时，基于向量的河流路径选择模型（如RAPID）在不同流域分辨率下生成的流量模拟大致相同[44]。因为这里提出的流量偏差校正方法完全在路径选择之前对网格化水文强迫进行操作，所以其公式本质上不受河流网络分辨率的影响[44]。因此，尽管GEOGLOWS RFS不同版本之间的差异可能源于更新的数字高程模型和路径参数化，但所提出的预路径运行偏差校正框架预计在方法上可以转移到GEOGLOWS RFS版本2以及其他由网格化径流数据驱动的水文模型上。此外，使用GEOGLOWS RFS版本2的分辨率运行完整的回顾性模拟和偏差校正工作流程超出了我们现有的计算和存储资源。GEOGLOWS RFS版本1提供了从1979年1月1日开始的每日回顾性模拟，所有河流流量初始化为0 m3/s。因此，早期的模拟值不能准确反映真实的初始条件，特别是在较大的河流中，1979年实际上起到了模型热身期的作用，正如Sánchez Lozano等人[32]和Rojas-Lesmes等人[45]所提到的。在这方面，因此本研究中的性能评估是在从1980年1月1日开始的模拟上进行的。

2.3. 径流偏差校正方法
如前几节所述，ERA5数据集的每日网格化径流模拟为GEOGLOWS RFS提供了水文驱动。为了解决路径计算前的径流数据中的系统偏差，我们 implement 了一种偏差校正方案，该方案结合了：(i) Sánchez Lozano等人[32]提出的月流量持续时间曲线分位数映射（MFDC-QM），以及(ii) Lin等人[37]提出的稀疏累积分布函数（CDF）匹配方法。对于参考系列，我们使用了由Beck等人[39]开发的全球径流特征数据集（GSCD）得出的流量持续时间曲线（FDC），以径流当量（mm/day）表示。由于GSCD仅提供一组离散的分位数（第1、5、10、20、50、80、90、95和99百分位），我们在每个网格单元上拟合了一个参数分布，以得出连续的参考FDC。我们评估了对数正态、Weibull和伽马分布，并通过最小化观察值和模型分位数之间的平方差之和来估计它们的参数。然后选择每个网格单元的最终分布作为平方误差之和最低的候选分布。相比之下，模拟的FDC是从ERA5得出的网格化每日径流数据的经验分布中获得的。尽管这三种参数分布（对数正态、Weibull和伽马）提供了一种从离散的GSCD百分位数得出连续参考FDC的实用方法，但本研究没有评估基于样条或经验分位数插值的非参数替代方法。因此，所得到的校正结果应解释为基于所选分布拟合策略的条件。

请注意，ERA5径流数据和GSCD在不同的网格分辨率（分别为0.25°和0.05°）上提供。为了保持GSCD的更精细分辨率，我们使用最近邻映射将ERA5径流数据重采样到0.05°，避免了插值重采样方法可能引入的值修改[46]。

对于每个网格单元，我们使用流量持续时间曲线作为非超越概率和径流之间的映射。设 和 分别表示参考FDC和模拟FDC对应的径流值，作为 的函数。然后按照公式（1）定义非超越概率下的校正系数。为了避免校正系数的数值不稳定，我们实施了操作上的保护措施：当 或 等于零时，校正系数自动设置为零。

(1)
对于每个时间步长，在网格化径流时间序列中，我们计算了与经验模拟FDC上的模拟径流 相关联的非超越概率 。通过应用相应的校正因子，则获得了校正后的径流 (2)。

通过这种方式，每个模拟的径流值都被替换为一个具有相同非超越概率的参考一致对应值。然而，无论是经验FDC还是模拟FDC，在尾部分布（即低于第1百分位或高于第99百分位）方面都最不可靠，因为在这些区域计算分位数时考虑的事件较少。结果，统计不确定性增加，分位数到分位数的传递函数及其相关的校正因子变得对异常值非常敏感。这可能会放大噪声，导致极端情况下出现不稳定、不连续或不切实际的较大校正[47]。在这方面，我们将 进行了限制：如果 低于第1百分位，则使用第1百分位的校正系数；如果 超过第99百分位，则使用第99百分位的校正系数。这种单调的、保留等级的映射在纠正系统偏差的同时，保持了径流事件的时间顺序[37]。在图3中，我们展示了所提出的径流偏差校正工作流程的图形摘要。

在GEOGLOWS河流预报系统中，星号标记了ERA5和GSCD地图中相同的参考网格单元。红色和蓝色线条分别代表经验ERA5和拟合的GSCD流量持续时间曲线。为了评估所提出的偏差校正方法在网格尺度上如何修改径流数据，我们使用公式（3）中的偏差百分比（PBIAS）比较了原始ERA5径流和校正后的径流：
(3)
其中 和 分别表示网格单元索引， 是模拟径流（即原始ERA5径流）， 是第 天的参考径流（即校正后的径流）。索引 遍历时间序列中的所有天数（1979年至2025年）， 是总天数。这个指标允许我们量化系统误差的幅度和空间模式：正的PBIAS值表示高估，负值表示低估。

为了操作解释，我们使用 |PBIAS| ≥ 50% 作为诊断阈值，以识别存在显著剩余径流偏差的区域。这个阈值是基于一项补充的阈值敏感性分析选择的，该分析比较了25%、50%、75%和100%的替代|PBIAS|阈值对预路径校正后站点级ΔKGE响应的影响（图S1）。分析表明，|PBIAS| ≥ 50% 提供了一个平衡的标准，能够清晰地分离性能差异，同时保持足够的站点覆盖范围以进行全局解释。

2.4. 模型性能评估框架
我们评估了所提出的预路径径流偏差校正对GEOGLOWS RFS性能的影响。为此，我们使用了GEOGLOWS RFS版本1配置与RAPID进行了两次回顾性模拟（从1979年到2025年）：(i) 用原始ERA5径流强迫的基线运行，以及 (ii) 使用所提出方法用校正后的ERA5径流强迫的运行。为了比较目的，我们还应用了Sánchez Lozano等人[32]提出的后处理径流偏差校正方法：月流量持续时间曲线分位数映射（MFDC-QM）。这种设置产生了三种模型配置：(i) 基线GEOGLOWS RFS模拟，(ii) 由校正后的径流驱动的GEOGLOWS RFS模拟，以及 (iii) 使用MFDC-QM获得的校正后的GEOGLOWS RFS模拟。这三种配置使用Kling–Gupta效率（KGE）来评估与观测径流相比的性能。我们选择KGE是因为它将模型误差的三个关键方面（偏差、变异性和相关性）结合到一个性能指标中，并已成为水文模型评估的标准标准[48,49]。使用KGE及其组成部分是为了为大规模全球站点网络中的长期连续径流模拟提供一个一致的诊断框架。

相关性成分（ ）评估模拟和观测水文图之间的时间对应关系，从而捕捉两个信号随时间的共变程度。偏差比率（ ）和变异性比率（ ）分别诊断平均流量幅度和流量变异性的误差。这些成分共同允许对整体技能的变化进行机械性解释，这是评估预路径径流校正主要修改时间、幅度还是相关性相关误差的核心[32]。我们按照公式（4）–（7）[50]计算KGE。
(4)
(5)
(6)
(7)
其中 是模拟（s）和观测（o）数据之间的皮尔逊相关系数； 是偏差比率； 是变异性比率； 是平均流量， 是标准差， 是模拟（s）和观测（o）数据之间的协方差。KGE的范围是从 ?∞ 到 1。KGE值为1表示观测和模拟数据之间的完美匹配，而接近0的值表示模型性能较差。KGE值小于?0.41表明平均流量基准比模型更具预测性[51]。

为了研究模型性能的空间模式，根据地理位置将测量站点分为六个区域类别：北美洲（A）、南美洲（B）、欧洲（C）、非洲（D）、亚洲（E）和大洋洲（F）。这种区域分层使我们能够评估不同水文气候背景下性能的变化情况。

2.5. 模型性能的显著性检验
为了评估所提出的预路径径流偏差校正是否对模型性能产生了统计学上的显著变化，我们应用Wilcoxon符号秩检验来检验站点级的KGE值[52,53]。对于每个测量站点，我们计算了校正后径流和基线GEOGLOWS RFS模拟之间的KGE差异，并使用Wilcoxon符号秩检验来评估这些配对差异的中位数是否显著偏离零（p值小于0.05）。这项非参数检验在本研究中特别适用，因为KGE是一个有界的、通常偏斜的效率指标，而参数检验（例如t检验）所需的正态性假设不太可能成立[24,49]。实际上，正的且统计学上显著的中位KGE差异表明校正后的配置优于基线，而负的且显著的中位差异表明模型性能下降。

2.6. 季节性分析框架
为了评估三种模型配置（基线、预路径径流校正和后处理MFDC-QM）的季节性性能，我们进行了特定站点的多个月度径流模式分析。对于每个测量站点，我们首先计算了每个日历月份的观测多个月平均流量（即所有1月、2月等的统计平均值），然后将12个月从最高到最低的多个月平均流量排序。采用这种方法是因为固定的水文年划分（例如1月–3月、4月–6月、7月–9月、10月–12月）并不能一致地分离全球河流多种类型中的高流量（湿润）和低流量（干燥）条件。根据站点级的排名，我们定义了三个大小相同的季节组：(i) 湿润组，包括四个多个月平均流量最高的月份；(ii) 干燥组，包括四个最低值的月份；以及 (iii) 过渡组，包括四个中间的过渡月份。对于每个季节组，我们使用Kling–Gupta效率（KGE）及其组成部分（包括相关性（ ）、偏差比率（ ）和变异性比率（ ）来量化性能。

2.7. 操作解释
为了操作解释，我们定义了一个适合进行预路径径流校正的区域，当同时满足三个决策支持标准时：(i) 相对于基线的区域KGE中位数变化至少为0.05（中位数ΔKGE ≥ 0.05），(ii) 根据Wilcoxon符号秩检验，成对的站点级KGE差异具有统计显著性（p < 0.05），以及 (iii) 表现非常差的站点比例（KGE < ?0.41）相对于基线减少了至少5个百分点。不符合这些标准的区域不被认为适合统一应用校正，除非局部验证表明 otherwise。

3. 结果
3.1. 原始径流数据和校正后径流数据之间的网格尺度差异
原始径流数据和校正后径流数据之间的网格尺度PBIAS在图4中显示。负值表示原始ERA5径流低估了校正后的径流，而正值表示高估。使用 |PBIAS| < 50% 作为操作一致性阈值，全球46%的陆地表面落在这个区间内，形成了包括加拿大大部分地区、美国东部和中部、欧洲西部和中部、欧亚北部以及亚马逊和拉普拉塔低地部分地区在内的广阔连续区域。强烈的负偏差（PBIAS < ?50%）占40%的土地面积，集中在干旱亚热带地区和大陆内部，尤其是北非、阿拉伯半岛和中亚。相比之下，强烈的正偏差（PBIAS > 50%）覆盖了14%的土地面积，主要分布在湿润的热带和山区，特别是安第斯山脉和喜马拉雅山脉地区，以及赤道非洲（包括刚果地区和东非高地）和澳大利亚北部。

3.2.模型性能评估
三种模型配置下的站点性能空间分布以KGE表示，如图5所示。在基准GEOGLOWS RFS模拟中（图5a），在16,517个测量站点中，30%的站点性能非常差（KGE < ?0.41），14%的站点性能较差（?0.41 ≤ KGE < 0）。这些低性能站点主要集中在非洲、南美洲（安第斯山脉和巴西东海岸）和北美中部。性能令人满意的站点（0 ≤ KGE < 0.50）占46%，而性能良好的站点（KGE ≥ 0.50）占10%。这些表现较好的站点主要位于西欧和北欧中部，以及北美的东部和西部。总体而言，基准GEOGLOWS RFS模拟的全球中位数KGE为0.16，四分位距范围为?0.43到0.40。
图5. 模型性能。
(a) 基准GEOGLOWS RFS模拟，(b) 由偏差校正的径流驱动的GEOGLOWS RFS模拟，以及(c) 使用MFDC-QM获得的偏差校正的GEOGLOWS RFS模拟。
由提出的偏差校正径流驱动的GEOGLOWS RFS模拟（图5b）使得全球性能有所提升。中位数KGE增加到0.22（IQR：?0.36到0.46），性能非常差（KGE < ?0.41）和较差（?0.41 ≤ KGE < 0）的站点比例保持不变，分别为29%和14%。性能令人满意的站点（0 ≤ KGE < 0.50）占比达到44%，而性能良好的站点（KGE ≥ 0.50）的比例增加到13%，尤其在南美洲和北美洲西部有明显改善。
使用MFDC-QM的偏差校正GEOGLOWS RFS模拟（图5c）将中位数性能从0.16提高到0.48（IQR：0.26到0.65），与由提出的偏差校正径流驱动的GEOGLOWS RFS模拟相比，中位数KGE提高了约2.5倍。性能非常差（KGE < ?0.41）的站点比例降至9%，较差（?0.41 ≤ KGE < 0）的站点比例降至10%，而47%的站点性能令人满意（0 ≤ KGE < 0.50）。值得注意的是，有44%的站点达到了良好的性能（KGE ≥ 0.50），表明在MFDC-QM配置下性能水平有显著提高。

3.3 模型性能的累积分布函数（CDF）和显著性检验
图6展示了三种GEOGLOWS RFS模拟的站点KGE的累积分布函数（CDF）。在全球范围内，基准和径流偏差校正的CDF相互重叠，Wilcoxon符号秩检验表明KGE没有统计学上的显著变化（p > 0.05）。如果MFDC-QM没有提供额外的性能改进，其CDF也会与其他曲线重叠，并且超过KGE = ?0.41基准的站点比例相当。然而，MFDC-QM的CDF显著地向更高的KGE值偏移，显示出超过?0.41基准的站点比例更大，表明相对于基准和径流偏差校正的GEOGLOWS RFS配置，性能有所改善。
图6. 三种GEOGLOWS RFS模拟的模型性能累积分布函数（CDF），分别显示在全球范围内和六个大陆区域：(A) 北美洲和中美洲，(B) 南美洲，(C) 欧洲，(D) 非洲，(E) 亚洲，(F) 大洋洲。
从区域上看，径流偏差校正的影响是异质的。在北美洲（区域A）和欧洲（区域C），偏差校正的GEOGLOWS RFS模拟相对于基准模型的性能略有下降，特别是对于初始性能就很低的站点（KGE < 0），其CDF向更负的值偏移。Wilcoxon符号秩检验表明这些变化在两个区域都是统计学上显著的（p < 0.05），意味着KGE < 0的站点性能有所小幅但持续下降。相比之下，在南美洲（区域B），径流偏差校正显著提高了KGE性能（p < 0.005）。具体来说，使用偏差校正径流后，KGE < ?0.41的站点比例从基准模拟的约44%下降到23%，并且CDF在整个分布范围内向更高的KGE值方向持续偏移。
在非洲（区域D），偏差校正模拟的CDF系统地位于基准曲线的右侧，表明KGE范围内的性能有所改善。Wilcoxon符号秩检验确认这种改善是统计学上显著的（p < 0.05），与区域中位数KGE的显著提升一致。在亚洲（区域E）和大洋洲（区域F），偏差校正的效果是混合的：KGE < 0的站点通常表现出轻微的下降，而KGE > 0的站点表现出适度的改善。总体而言，这些变化较小，Wilcoxon检验没有检测到两个区域的中位数KGE有统计学上的显著变化（p > 0.05）。
为了进一步检查基于站点数量的性能等级变化，我们进行了基线模拟与每种偏差校正策略之间的KGE类别转换分析（图S2和S3）。该分析追踪每个站点是否转移到了更高的KGE等级、保持在同一等级或降低了等级。从区域上看，前路由校正下最大的类别改进发生在南美洲（区域B），43.9%的站点性能得到改善，只有6.6%的站点性能下降。相比之下，欧洲（区域C）显示出更多的站点性能下降（19.8%）而不是改善（15.8%），这与图5和图6中观察到的有限响应一致。

3.4 季节性分析
图7和图8总结了使用KGE组件（相关系数r、偏差比β和变异系数γ）的三种模型配置在所有站点上的季节性性能。前路由径流偏差校正模型显示出季节性响应：与基准模型相比，它在雨季产生了边际改进，表现为中位数KGE从0.11增加到0.18。然而，在旱季，性能下降，平均KGE从?0.10变为?0.15（图8）。在所有季节组中，MFDC-QM始终表现最佳，产生了最高的KGE分布，从而为在有流量记录的情况下设定了可实现的改进上限。
图7. 三种建模配置的KGE组件、偏差比（β）和变异系数（γ）的空间分布。(a1–a3) 基准GEOGLOWS RFS模拟，(b1–b3) 由偏差校正径流驱动的GEOGLOWS RFS模拟，以及(c1–c3) 使用MFDC-QM获得的偏差校正GEOGLOWS RFS模拟。
图8. 使用KGE及其组件（KGE, β, γ）的所有站点的基准、前路由径流偏差校正和MFDC-QM模型配置的季节性性能。每个箱线图中的红线表示中位数。相关系数（r）在基准和前路由径流偏差校正模拟之间在旱季（约0.41）、过渡期（约0.45）和雨季（约0.47）组中保持相似，而MFDC-QM显示出略高的中心趋势，平均增加了约0.05（图8）。偏差比（β）在前路由径流偏差校正下显示出一致的不利响应。在旱季、过渡期和雨季组中，平均值β增加并进一步偏离1，表明相对于基准模型，偏差系统性地放大。相比之下，MFDC-QM在所有季节中保持接近1的值，四分位距范围更紧。偏差比（γ）在前路由径流偏差校正下更为一致地改善，所有季节组的分布更接近1。
图9通过按区域分层站点来扩展季节性评估，揭示了KGE及其组件在各个大陆上的显著差异。在北美洲和欧洲，前路由径流偏差校正并没有在旱季、过渡期和雨季组中一致地提高KGE。相反，偏差比（β）和变异系数（γ）系统地偏离1，它们的四分位距范围相对于基准模型扩大，表明站点间残差的分布更加分散。
图9. 使用KGE及其组件的基准（蓝色）、前路由径流偏差校正（橙色）和MFDC-QM（绿色）模型配置的季节性性能区域分析。每个箱线图中的红线表示中位数。
在南美洲，响应明显不同且始终为正。在各个季节（旱季、雨季和过渡期），前路由校正后的站点中位数KGE向上移动，季节性值通常从基准配置的约?0.7变为校正后的?0.05到0.15。最大的改进发生在雨季。这种改进伴随着所有KGE组件的连贯变化：β和γ都更接近1，它们的分布变得更加紧凑，而平均相关性（r）略有增加（约+0.05）。
非洲的表现与南美洲相似，KGE有明显的增加，并且组件层面也有一致的改进，特别是γ向1移动，β的分布范围减小，特别是在雨季期间效果最为显著。在亚洲和大洋洲，变化更加多样化且总体较弱，KGE在各个季节中的变化较小且不一致，r的变化有限，β和γ没有系统性的改进。在所有地区和季节组中，MFDC-QM仍然是表现最佳的配置，产生了最高的KGE分布和最紧凑的组件比率。

4. 讨论
4.1 前路由径流偏差校正的有效性
在全球范围内，由提出的前路由偏差校正驱动的GEOGLOWS RFS模拟与基准GEOGLOWS RFS模拟相比仅产生了边际改进。Wilcoxon符号秩检验的结果表明，站点级Kling–Gupta效率（KGE）的变化没有统计学上的显著差异（p > 0.05，图6）。相比之下，在区域范围内，径流偏差校正对模拟流量的影响是异质的。这种模式表明，提出的校正效果主要取决于ERA5径流改进的可用范围，这取决于每个水文气候域内观测数据对再分析的约束程度。
在南美洲和非洲，性能改进最为明显。这些地区的实地观测覆盖较为稀少，这限制了ERA5数据的再分析，并导致径流强迫的系统偏差更加明显。此外，热带大气过程和强烈地形的挑战进一步复杂化了径流估计[54,55,56]。在地形梯度强烈的地区，如安第斯山脉、刚果盆地和东非高地，偏差校正有效减少了原始ERA5数据中的径流高估（PBIAS > 50%的地区；图4），从而在路由后改善了流量模拟，尤其是在雨季，这种改善比旱季更明显且更强烈（图9）。
相比之下，在仪器先进的地区，如欧洲和北美，ERA5受益于密集的水文气象网络的同化，包括地面站点、天气雷达和卫星观测[17,57,58]。因此，这些地区的径流已经根据水文气候条件进行了调整，通过提出的偏差校正进一步改进的空间有限。在这些仪器先进的地区，对于模型技能良好的站点（KGE > 0），提出的偏差校正几乎没有变化，而主要在基线性能较差的站点（KGE < 0）中观察到性能下降（图6）。这一结果表明，在强迫已经相对较高的情况下，基于GSCD的额外校正可能会将参考数据集中的残余不确定性转移到路由后的模拟中（图8和图9）。此外，在这些地区的大多数区域，原始径流和校正后的径流之间的差异在操作一致性阈值内（|PBIAS| < 50%；图4），进一步解释了对整体模型性能的影响有限。
在亚洲和大洋洲，模型性能没有统计学上的显著变化。在亚洲，这一结果受到评估数据集限制的强烈影响，而不是校正方法本身。尽管亚洲涵盖了广泛的水文气候制度[59]，但评估依赖于相对较少的流量测量站点，其中大多数集中在日本。这种空间上不具代表性的站点分布限制了区域尺度推断的稳健性，并可能掩盖了整个大陆上的局部性能改进或下降。在大洋洲也观察到了类似的情况。虽然在几个岛地区存在流量站点，但大多数评估站点集中在澳大利亚和新西兰。在这些地区，ERA5再分析得益于广泛的数据同化，从而产生的径流具有相对较小的残余偏差[60]。因此，所提出的径流偏差校正方法对径流分布性能的改变有限，与其他仪器测量良好的地区（如欧洲和北美）观察到的模式一致。4.2. 季节性性能分解：变化驱动的改进与偏差权衡季节性和分量分析（图9）表明，预路径校正径流偏差的影响主要体现在KGE变化性分量上。在所有季节组（干旱、过渡和湿润）中，径流偏差校正模拟的可变性比率（γ）相对于基线模型模拟系统地向1靠近，特别是在南美洲和非洲，这表明校正后径流变化性的再现更加合适。相比之下，相关性分量（r）仅显示出边际和空间不一致的变化，这与Lin等人[37]的研究结果一致，他们之前讨论过网格尺度强迫调整不会实质性地改变模拟和观测到的水位流量序列或相位一致性。偏差比率（β）表现出最不均匀的响应：在数据稀缺的地区（如南美洲和非洲），β通常更接近1，表明预路径校正显著减少了平均流量偏差；而在仪器测量良好的地区（例如北美洲和欧洲），β在校正后往往偏离1，这与GSCD参考值中的残余分布不确定性传播到径流分配分量中一致（见图8和图9）。这些分量级别的权衡为净KGE变化的区域依赖性提供了机制解释：在数据稀缺地区，基线变化误差占主导地位时，γ的改进往往超过了β的偏差，导致正的KGE响应；而在强迫条件已经得到很好限制的地区，γ的有限增加与β的偏差相结合，导致中性或略微负面的结果。季节性分层进一步强化了这一解释，在湿润和过渡期间，变异性对整体技能的控制更强，而在干旱月份，低流量条件增加了平均偏差误差对KGE的影响。4.3. 将提出的径流偏差校正方法与MFDC-QM进行基准测试：局部性能改进与全球可转移性结果证实，Sanchez Lozano等人[32]开发的偏差校正方法在有局部观测数据的情况下仍然是最有效的方法，相对于参考模拟和带有校正偏差的径流的强迫模拟，模型性能得到了改善（全球平均KGE = 0.19对比KGE = 0.49）。这与它的方法论 formula 一致：MFDC-QM通过使用观测信号直接在站点级别校正模拟的径流分布及其季节性[29]，因此隐含地考虑了强迫、径流生成和路径校正的综合效应[32]。此外，由于其作用于最终的操作变量（径流），而不仅仅是强迫因素，因此具有更大的改进潜力。然而，MFDC-QM的强度也限制了其应用范围。MFDC-QM本质上是局部的且依赖数据的，因为它只能应用于具有足够长、高质量历史序列的流域。相比之下，本研究中提出的偏差校正方法通过在路径校正之前在网格尺度上校正径流来优先考虑空间可转移性，使其适用于有测量站的流域和无测量站的流域。在实际操作中，这种方法作为水文强迫的一级校正特别相关，特别是在水文测量站密度较低的地区，因为基于观测流量的方法无法系统地实施。另一个方法论考虑是用于定义校正的信息与用于评估的数据之间的独立性。在MFDC-QM中，校正是根据相同的观测序列来定义的，这些序列也用于评估性能。尽管这在操作后处理方案中很常见，但如果不实施明确的时间分离策略（例如，样本外验证），可能会导致过高的性能估计。在本研究中，校正依赖于一个独立的全球产品（即GSCD），并且性能是使用为本研究编译的一系列站点进行评估的，包括GRDC数据集以及截至2025年的额外站点和扩展时期。总体而言，这为用于校正的数据和用于评估的数据引入了额外的独立性。4.4. GSCD作为先验水文信息的作用和局限性全球径流特征数据集（GSCD）在提出的径流偏差校正方法中起着核心作用，它通过使用流量持续时间曲线提供空间分布的径流量参考信息。重要的是要强调，GSCD并不代表直接的径流观测值，而是根据可用的径流记录、基于卫星的信息和建模假设综合得出水文特征[39]。因此，它提供的信息本质上是分布性的而非时间性的，非常适合基于FDC的校正方法，这些方法旨在调整径流量同时保持事件排名[37]。尽管存在这些局限性，结果表明GSCD包含足够的水文信号来改善数据稀缺地区的径流强迫[39]。这一发现突显了将异构水文信息源整合到全球偏差校正框架中的潜力。同时，校正的有效性受到GSCD准确性和代表性的限制，将未来全球径流校正的改进与水文数据可用性和覆盖范围的进步联系起来。更长的径流记录、扩展的监测网络、基于卫星的流量观测（例如SWOT）以及用于空间泛化的机器学习技术都是增强未来GSCD版本以及预路径校正策略有效性的有希望的方向。另一个局限性是，本研究没有正式分析径流校正对替代FDC拟合策略、重采样方法或GSCD百分位数的不确定性的敏感性。因此，校正效果取决于每个网格单元选择的参数分布、ERA5径流到GSCD网格的最近邻重采样以及用作参考信息的GSCD衍生百分位数估计。未来的工作应通过测试非参数样条或经验分位数拟合、替代的空间重映射方法（如双线性和保守性重采样）以及对关键GSCD百分位数的扰动或集合实验来明确量化这种不确定性。这样的分析将允许更直接地量化ΔKGE的稳健性和湿润/干旱季节性响应。处理分布尾部是所提出框架的另一个局限性。由于GSCD提供了一组有限的百分位数，因此校正不会超出第1和第99百分位的界限。相反，校正因子被限制在这些极限内，以避免尾部行为的不稳定性。虽然这种选择提高了数值稳健性，但也意味着当前研究没有明确量化校正对最极端洪水或干旱条件的影响。因此，未来的工作应报告按地区和季节划分的封顶频率，并评估对尾部敏感的诊断指标，包括Q95/Q5偏差、超过阈值的事件率以及基于事件的洪水和干旱检测指标。4.5. 对GEOGLOWS和全球预报系统的操作意义从操作角度来看，提出的预路径径流偏差校正为全球预报系统（如GEOGLOWS河流预报系统）提供了显著的优势。直接将这种调整应用于网格化的径流强迫，可以在无需局部流量观测的情况下在整个河流网络中一致部署。这种方法支持可扩展性，简化了维护，并确保了大范围应用中的空间一致性输出。本研究中定义的决策支持标准表明，不建议统一全球部署。相反，操作实现应遵循区域意识配置。南美洲和非洲满足了提出的标准，结合了统计上显著的性能改进（中位ΔKGE ≥ 0.05，p < 0.05）以及KGE < ?0.41的站点比例的减少。这些地区也与ERA5径流表现出较大残余偏差的区域重叠，使其成为操作预路径校正的最强候选者。相比之下，北美洲和欧洲不符合提出的标准，因为校正对模型性能的影响有限或略微负面。在这些仪器测量良好的地区，保持基线ERA5强迫是明智的，除非局部验证显示了校正的附加价值。需要注意的是，预路径校正并未解决与河流几何形状、路径参数化或流量调节相关的不确定性。此外，它并不能替代在观测数据可用时通过站点校正可以实现的改进。在操作框架内，它的最适当角色是补充性的：在无测量站和数据有限的地区增强基线性能，同时与基于流量的后处理方法（如MFDC-QM）在仪器测量良好的流域中共存。本研究的发现集中在回顾性模拟上，而不是实时预测验证，实施的版本是GEOGLOWS RFS 1，尽管其方法论旨在跨模型分辨率转移。最后，校正的有效性与GSCD的质量密切相关，而GSCD仍然是一个不断发展的数据集。5. 结论本研究评估了用于GEOGLOWS RFS版本1中的全球水文建模的网格尺度预路径径流偏差校正框架。该方法结合了流量持续时间曲线映射和稀疏累积分布函数匹配，在河流路径校正之前使用GSCD衍生的径流分布来调整ERA5径流。其主要方法论贡献是证明了全球可用的分布式水文信息可以用于在路径校正之前校正径流强迫，为无测量站和数据有限的流域提供了可扩展的替代方案。在1980年至2025年的16,517个测量站中，校正使全球中位KGE从0.16增加到0.22，而MFDC-QM在有流量观测数据的情况下为0.48。然而，响应具有强烈的区域性：在南美洲和非洲，统计上显著的改进发生的地方，那里的ERA5径流偏差较大且观测限制较少；而在北美洲和欧洲，改进有限或略微负面，表明统一全球校正并不合适。季节性和分量分析表明，预路径校正的主要好处是改善了径流变化性的表示。变化性比率γ更接近1，特别是在湿润和过渡季节，而相关性分量r仅发生了边际变化，偏差比率β表现出混合行为。这些结果表明，预路径径流校正在基线错误主要由径流量和变化性偏差主导的地方最为有效；而在径流错误源于路径、河流几何形状、调节或无法通过径流强迫单独校正的局部过程的地方效果较差。这也解释了为什么在有测量站的站点上MFDC-QM仍然具有优势，因为基于站点的后处理可以校正最终的路径校正流量，并可以隐含地补偿多种误差来源。总体而言，结果支持在全球水文预报系统中根据地区特定情况使用偏差校正策略。根据本研究中定义的操作决策支持标准——中位ΔKGE ≥ 0.05，Wilcoxon p < 0.05，以及KGE < ?0.41的站点比例至少减少5个百分点——南美洲和非洲是目前最适合进行预路径校正的地区，而在有可靠流量记录的情况下应优先采用基于观测的后处理。主要限制是使用了GEOGLOWS RFS版本1而不是版本2，依赖于回顾性而不是实时预测验证，以及依赖于GSCD的质量和代表性。尽管该方法预计可以在方法论上转移到GEOGLOWS RFS版本2和其他网格化径流驱动的路径校正框架，但其在与更高分辨率河流网络和更新路径参数化结合时的性能需要明确评估。未来的工作还应测试校正对替代FDC拟合方法、空间重采样方法、GSCD百分位数不确定性的敏感性。补充材料以下支持信息可在以下链接下载：https://www.mdpi.com/article/10.3390/hydrology13050128/s1。图S1：PBIAS阈值敏感性分析，比较了ΔKGEpre分布和对于|PBIAS|阈值25%、50%、75%和100%的改进站点比例。图S2：基线→预路径校正和基线→MFDC-QM的KGE类别转换矩阵。图S3：基线→预路径校正和基线→MFDC-QM的KGE类别转换的区域分布，表示为分类为改进、无变化或退化的站点百分比。表S1：PBIAS阈值敏感性分析总结，包括站点计数、中位ΔKGEpre、改进站点比例以及每个阈值的Mann–Whitney U测试结果。表S2–S6：相对于基线的两种偏差校正配置的全球和区域KGE类别转换总结。