综述:将降雨序列和自相关调整作为水文气候预估偏差校正的一个组成部分

《Environmental Modelling & Software》:Including rainfall sequencing and autocorrelation adjustment as a component of bias correction for hydroclimate projections

【字体: 大 中 小 】 时间:2026年07月25日 来源:Environmental Modelling & Software 5.2

编辑推荐:

  降雨数据的偏差校正通常是水文气候预估所必需的,因为全球和/或区域气候模型(GCMs/RCMs)对降水过程重要特征的估计存在偏差。大多数偏差校正方法忽略降雨序列,仅校正日分布,这可能导致在将校正后的降雨输入水文模型时,径流特征出现偏差。研究人员开发了一种偏差校正

  
降雨数据的偏差校正通常是水文气候预估所必需的,因为全球和/或区域气候模型(GCMs/RCMs)对降水过程重要特征的估计存在偏差。大多数偏差校正方法忽略降雨序列,仅校正日分布,这可能导致在将校正后的降雨输入水文模型时,径流特征出现偏差。研究人员开发了一种偏差校正方法(RhoQM),其中使用来自自回归移动平均(ARMA)模型估计的自相关函数来校正降雨序列。研究人员纠正了来自澳大利亚东南部区域气候模型集合的历史和未来降雨,并将结果与标准分位数-分位数映射(QQM)进行了比较。正确指定自相关函数复杂度可以减少降雨和径流指标中的残余交叉验证偏差。来自不同模型复杂度的指标的未来变化信号差异很小,这表明该方法对于水文气候预估是稳健的。
2. 方法与数据
2.1. 方法描述
RhoQM偏差校正方法包含经验分位数映射过程,通过拟合自协方差矩阵的Cholesky分解进行自相关校正,然后重新映射分位数。该方法在原理上与Bürger等人(2011)和Cannon(2016)描述的多变量偏差校正类似,但应用于自相关而非多变量相关。研究人员开发了一个更简单的模型,以从贝叶斯框架中单独测试自相关成分模型,因为Robertson等人(2023)的方法在拟合高阶自回归移动平均(ARMA)模型成分时计算成本过高。源代码作为R包开发,可在https://github.com/NickPotter-CSIRO/rhoqm获取。

2.1.1. 定义零降雨和非零降雨的经验分布
输入数据首先按月份分层,每个月份的数据单独拟合模型。然后,通过将零降雨天数除以总数据序列长度,计算观测数据和模型数据的零降雨概率。随后在非零降雨量上计算经验分布。插值点的数量是模型的一个参数,默认值为100(即百分位数)。非零降雨量根据正态分布绘点位置(Cunnane, 1978)进行量化,从而得到观测和模型非零降雨的经验累积分布函数。标准分位数-分位数映射(QQM)程序是将模型时间序列偏差校正为具体公式。RhoQM在组合两个分布函数之间插入额外步骤,通过改变概率分位数的自相关结构来校正降雨序列。在正态概率空间中,应用去相关/再相关矩阵于正态分位数,分位数映射过程在去相关后的模型与去相关后的观测正态概率分位数之间进行。

2.1.2. 估计自相关矩阵
相关矩阵由ARMA模型指定。给定相关正态分位数的时间序列和指定的ARMA模型阶数,使用R函数stats::arima和stats::ARMAacf确定自相关矩阵。具体而言,使用最大似然法拟合ARMA模型以估计系数,然后转换为自相关函数,进而得到方差-协方差矩阵。为了使用该模型对时间序列进行去相关或再相关,计算Cholesky分解,得到去相关矩阵和再相关矩阵,依次应用于模型经验分布函数和逆probit变换产生的均匀变量。

2.1.3. 外推模型
当面对新的时间序列(如未来)时,如果日降雨量超过拟合时使用的最大降雨量,则需要估计关联的分位数。研究人员使用广义帕累托分布(GPD)拟合高于给定降雨分位数的降雨量,通过L矩估计GPD参数,并强制形状参数确保分布域覆盖所有超过阈值的降雨量。阈值参数被视为超参数。由于100%绘点位置截断阈值过高,导致数据点过少,研究人员使用基于再分析数据的方法拟合和估计外推模型。此外,引入阈值参数确保偏差校正后的降雨量不超过观测到的最大降雨量乘以一个因子。这两个参数和被视为超参数,在估计分位数图和自相关矩阵之前,在再分析数据上进行拟合。

2.2. 与无自相关调整的QQM比较
使用R包qmap(Gudmundsson等人,2012)进行评估和比较。qmap的分位数(经验)版本使用非零降雨的百分位数定义分段线性降雨密度函数。对于超出这些密度的大降雨量,使用Boé等人(2007)的方法进行外推。无自相关校正时,RhoQM本质上与qmap等价,主要区别在于外推处理。

2.3. 数据
偏差校正方法在CORDEX-CMIP6降尺度气候预估集合上进行了测试。参考降雨数据使用SILO(Jeffrey等人,2001)0.05°×0.05°网格化降雨数据。径流建模还需要潜在蒸散发数据,同样来自SILO,以及用于模型校准的观测径流数据。

2.3.1. 动力降尺度气候预估
研究人员在Grose等人(2023)描述的多模型CORDEX-CMIP6降尺度集合上评估了方法。该数据集是CMIP6全球气候模型(GCMs)的子集,根据对澳大利亚气候过程的可靠性、整个CMIP6集合的代表性以及相互独立性进行选择。这些GCMs随后由四个不同的建模组降尺度:BARPA-R、CSIRO、NARCliM2.0和UQ-DESC。所有数据集可通过澳大利亚国家计算基础设施(NCI)获取。表中提供了每个降尺度产品中使用的GCMs详情。

2.3.2. 观测日降雨和潜在蒸散发
偏差校正需要参考降雨数据,研究人员使用昆士兰政府提供的SILO降雨数据集,该数据集是澳大利亚大陆的网格化日数据,由澳大利亚气象局测量值插值得到。潜在蒸散发计算为集水区平均的Morton湿面积蒸发。集水区数据取网格化数据的面积加权平均值。

2.3.3. 集水区径流和水文建模
选择了维多利亚州的九个集水区进行分析。径流观测数据来自气象局水数据在线系统。所有测站至少有1975年至2016年的数据。降雨-径流建模使用GR4J水文模型(Perrin等人,2003),该模型是一个简约且广泛使用的模型,适用于澳大利亚条件。模型使用SWIFT2软件校准到1977-1986年,使用Nash-Sutcliffe效率目标函数,校准NSE范围0.61-0.89,验证NSE范围0.59-0.89。

2.4. 评估指标
为了评估降雨的再现,计算了多个指标,包括年均降雨量()、年日降雨量第95和第99百分位数(和)、年均n日降雨累积最大值(、和)、年日降雨量滞后1自相关()、干日到干日转移概率()和湿日到湿日转移概率()。对于径流,评估了类似指标:年均径流()、日径流第95和第99百分位数(和)、年均n日径流累积最大值(、和)。

3. 结果
3.1. 外推模型的拟合与测试
外推模型有两个参数,通过最小化基于降雨再分析数据计算的交叉验证指标来拟合。对于阈值因子和极值模型阈值的不同取值,绘制了、以及多日累积指标和。参数化对年均降雨量影响很小,指标对阈值参数相对不敏感,当阈值因子大于1.0时无偏。3日和5日累积指标在与之间表现出函数关系。研究人员设定外推参数为和,用于后续偏差校正。与qmap相比,RhoQM外推程序在所有指标上减少了偏差,但湿日转移概率除外。

3.2. 原始区域气候模型(RCM)集合的偏差
原始RCM降雨数据的偏差显示,各指标的平均绝对相对偏差通常小于20%。干日转移概率预测较好,剩余偏差约4%,大部分在±10%左右。偏差方向主要由RCM决定,BoM和NARCliM的RCM模型大多高估降雨指标,其他RCM则低估。

3.3. 自回归移动平均模型(ARMA)(0,0) RhoQM偏差校正后的残余偏差
ARMA(0,0) RhoQM本质上是标准分位数-分位数映射(QQM),仅在设计决策上有所不同。校正后,残余偏差相比原始偏差显著减小。年均降雨量(MAR)和指标残余偏差降至1-2%,、和转移概率指标残余偏差约2-4%,累积指标残余偏差约2-4%。自相关系数仍然较高,但预期通过ARMA(0,0)模型无法减少。干日转移概率大多校正为零残余偏差,但湿日转移概率仍保留一些残余偏差,这与Potter等人(2020)一致。

3.4. 不同模型阶数下RhoQM偏差校正后的残余偏差
不同模型阶数对偏差校正后残余指标的影响显示,当对RCM数据应用无相关校正而对观测应用相关校正时,所有降雨指标均被高估。当对观测无相关校正而对RCM数据应用相关校正时,降雨指标趋势被低估。年均降雨量大多正确,但观测拟合ARMA(0,0)时例外。对于大多数指标,对观测和模型数据都应用相关校正的组合最佳,但不同指标的最优模型阶数不同。整合所有指标(除自相关系数外),观测数据的最优RhoQM模型阶数为ARMA(0,2),模型数据为ARMA(0,1)。径流指标同样没有唯一最优模型阶数,但选择降雨的最优模型对大多数径流指标具有低残余偏差。

3.5. 直接拟合相关模型
使用标准方法(如最大似然)直接拟合模型阶数,观测数据几乎总是最佳拟合为ARMA(1,0),模型数据最佳拟合为ARMA(1,0)或ARMA(0,1)。这与部分结果一致,表明简单模型(如ARMA(1,0)或ARMA(0,1))具有最低残余偏差。研究人员推荐如果无法进一步分析,则应用ARMA(1,0)-(1,0)模型配置。

3.6. 不同模型阶数对变化信号的影响
通过将拟合的偏差校正模型应用于未来RCM数据,并与偏差校正后的历史RCM数据比较,提取降雨和径流指标的变化信号。不同模型阶数之间的变化信号没有显著差异,但左列(观测无校正)除外,其变化信号通常更高。与原始变化信号相比,大多数其他模型配置导致变化信号略低,但差异很小。因此,RhoQM偏差校正程序不会显著改变降雨指标变化信号,除了那些校正模型数据但不校正观测数据的模型。

4. 讨论
标准分位数-分位数映射(QQM)偏差校正方法的一个主要缺点是对未来变化信号的影响。虽然校正后的未来降雨在日分布上更接近,但降雨指标变化信号可能被显著改变。本文使用的偏差校正方法倾向于使降雨指标比原始RCM集合的变化信号略干。相关成分模型的阶数选择对降雨指标变化信号影响很小。尽管外推模型超参数的估计减少了不确定性和偏差,但交叉验证中降雨指标的高估问题仍然存在,尤其是对于未来径流预估。由于径流对降雨变化或偏差的敏感性,降雨中的小误差会导致径流中相对较大的误差。RhoQM产生持续的小幅高估的原因尚不明确,但推测通过QQM方法外推本质上不稳定,因为可用于拟合极值模型的数据点数量少,且在不同交叉验证折之间变异性大。层级贝叶斯模型可以通过部分池化降雨分布模型参数来帮助解决这一问题。本文最初研究了Robertson等人(2023)层级模型的最优自相关成分模型阶数,但计算时间过于受限。相比之下,RhoQM等非贝叶斯模型运行时间通常更快,但代价是预测不确定性更大,尤其是在降雨分布尾部。本文考虑的RhoQM模型不包括同时偏差校正多个站点或雨量计的能力。对于区域径流建模,径流产生通常由大型降雨事件引起,单站点偏差校正可能导致低估大范围、空间连贯的径流事件概率。未来工作可以纳入多站点校正。

5. 结论
研究人员开发了RhoQM,将基于百分位数的经验分位数映射程序与基于拟合的自回归移动平均(ARMA)模型的自相关调整相结合。参数化极值模型组件用于外推超出观测分位数的情况,减少了所有交叉验证降雨指标的偏差,但年均降雨量和湿日转移概率除外。RhoQM拟合到九个集水区的动力降尺度气候变化预估,包含可变阶数日降雨相关成分。对于几乎所有指标,RhoQM相比标准分位数-分位数映射(QQM)减少了残余偏差。最优模型阶数取决于具体指标,但选择适度模型复杂度(如对观测时间序列拟合ARMA(0,1)或ARMA(0,2),对模型时间序列拟合ARMA(0,1))可获得良好整体性能。另一种方法是直接使用模型选择方法拟合最佳模型,对于本数据集,观测和模型数据均得到ARMA(1,0)模型。对于大多数指标,偏差校正后的变化信号对拟合的模型阶数稳健,这为RhoQM用于未来水文预估提供了信心。RhoQM的源代码以R包形式提供。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号