面向基于集合的参考蒸散量预报的多方法偏差校正框架

《Journal of Hydrology: Regional Studies》：A multi-method bias correction framework for ensemble-based reference evapotranspiration forecasting

　　

准确参考蒸散量（ETo）预报对灌溉管理至关重要，但原始集合预报存在系统性偏差，且会通过ETo模型非线性传播。研究人员系统评估了三种统计后处理方法——卡尔曼滤波（KF）、贝叶斯模型平均（BMA）和LightGBM（LGBM）。校正后的气象变量被用于驱动三种具有不同物理机制的ETo模型：FAO56 Penman-Monteith（PM）、Hargreaves-Samani（HS）和Priestley-Taylor（PT）。研究采用结合确定性、概率性和敏感性分析的多层级评估框架，以分解偏差校正与模型结构的影响。研究区域为中国南方典型湿润亚热带季风气候区广东省。结果表明，原始集合预报在各气象变量上均存在系统性偏差，且校正方法的有效性存在差异。基于PM的预报与基于PM的参考ETo吻合度最高，LGBM–PM组合在50%的站点（多为沿海站点）精度最优；KF–HS组合在许多内陆站点仍具竞争力。敏感性分析显示，偏差校正重塑了ETo模型的误差敏感性：当温度和湿度误差被抑制后，辐射成为PM模型的主导误差源。研究提出了空间差异化策略，该框架为亚热带季风气候区提供了改进的决定性与概率性ETo预报。

研究背景方面，参考蒸散量（ETo）是水文循环的关键组分，也是精准灌溉调度与区域水资源配置的重要驱动参数。在全球气候变化背景下，极端天气事件频发，准确ETo估算已成为科学水资源调配与干旱缓解的基石。传统研究多基于历史观测的回顾性分析，而现代农业水管理已逐步转向主动、前置的决策模式。数值天气预报（NWP）技术的快速发展为ETo预报提供了关键预见期，使管理者能提前数天至数周优化灌溉计划。集合天气预报（EWF）因相比单一确定性预报具有显著优势而备受关注，其通过多个成员描述大气不确定性，可提供多维概率信息，不仅提升了预报稳健性，还能捕捉中长周期ETo波动的不确定性范围，为风险规避型灌溉管理提供科学依据。然而，直接应用原始集合预报进行ETo预测面临显著挑战：集合预报普遍存在系统性偏差与校准不足，且成员离散度不足导致可靠性低；NWP的网格特性与农业应用的站点需求间存在空间尺度不匹配；更重要的是，ETo计算是复杂的多变量非线性耦合过程，气象驱动因子的微小偏差会通过物理方程引发级联效应，导致误差非线性放大。FAO56-PM模型虽被视为ETo估算的标准方法，但对输入数据的高敏感性使其预报易产生误差累积；HS与PT模型虽输入变量需求少，但业务应用前需以PM标准为基准评估精度。现有统计后处理技术中，KF因计算简便被广泛使用，但难以处理气象变量间复杂非线性系统偏差；BMA在量化不确定性方面取得突破；以LightGBM为代表的机器学习算法凭借高维特征挖掘与非线性映射能力为偏差校正提供了新途径。然而，现有研究多直接对原始气象输出计算得到的ETo预报进行输出级校正，而非在ETo计算前校正气象变量，这既无法揭示单一气象驱动偏差在不同ETo模型物理方程中的传播机制，也限制了校正后气象数据集的跨模型复用。广东省作为典型亚热带季风气候区，地形复杂、气象条件多变，是验证预报校正算法的理想区域。

关键技术方法方面，研究人员使用广东省36个站点2006–2020年日值气象观测数据，以及2016–2020年欧洲中期天气预报中心（ECMWF）的50成员集合预报数据。数据集按时间划分为三部分：2006–2015年观测用于HS与PT模型的局地经验系数校准；2016–2019年观测与预报用于KF、LGBM、BMA偏差校正模型的训练与验证；2020年数据作为独立测试集评估ETo预报性能。空间上采用反距离加权法将网格预报插值至站点，时间上将6小时间隔预报聚合为日值。偏差校正方法包括：KF通过递归更新偏差估计校正各集合成员；LGBM以集合统计特征、时空特征、历史观测为输入，独立训练各变量各预见期的回归模型；BMA通过为各集合成员分配权重生成目标变量的概率密度函数。ETo预报采用PM、HS、PT三种模型。评估框架涵盖确定性分析（偏差、平均绝对误差、泰勒图、Diebold–Mariano检验）、概率可靠性分析（可靠性图）及敏感性分析（±10%扰动计算归一化敏感性指数）。

研究结果部分，首先为气象预报的评估与偏差校正。原始集合预报在所有气象变量上均存在显著系统性偏差：t_min与t_max呈持续负偏差，15天平均分别为?0.97°C与?1.57°C；u₂呈持续正偏差，15天平均0.77 m/s；e_a呈负偏差，15天平均?0.26 kPa；r_n呈正偏差且随预见期增大，15天平均0.52 MJ/m²/day。空间上，t_min负偏差在西北山区更显著，u₂在沿海高估且陆海梯度陡峭，e_a全省普遍低估，r_n全省系统性高估。三种校正方法中，KF在短预见期偏差压缩能力最强，但对非线性误差追踪能力有限；LGBM在短预见期表现接近KF，中长预见期优势凸显，尤其对r_n校正效果最优；BMA偏差削减效果有限。

其次为ETo模型中预报不确定性的传播。泰勒图显示，所有预见期与校正方法下，PM基预报与PM参考ETo吻合度最高。1天预见期时，原始PM模型相关系数R为0.75，KF与LGBM校正后升至0.76–0.78；KF会过度放大预报变率，LGBM变率放大更温和，BMA变率最接近理想值但相关性最低。8天预见期时，LGBM-PM的R值（0.38）略高于KF-PM（0.31）；15天预见期时，LGBM表现最稳健，KF的R值接近零甚至为负。概率可靠性方面，原始PM预报普遍存在过度自信，KF与LGBM显著改善可靠性，KF在中高概率区间校准最优；HS原始预报呈低概率区间欠自信、高概率区间过度自信，校正后均有改善；PT原始预报过度自信，KF校正后最接近对角线。

最后为敏感性分析。偏差校正重塑了ETo模型的误差敏感性结构：原始预报中温度与湿度是主要误差源，经校正抑制后，辐射成为PM模型的主导误差源。不同校正方法对各变量的敏感性影响存在差异，反映了偏差校正对物理模型误差传播路径的调控作用。

讨论与结论部分，研究表明，变量级偏差校正策略在保留ETo物理一致性的同时，有效阻断了气象偏差向ETo的非线性传播。LGBM–PM组合在沿海站点精度最优，KF–HS组合在内陆站点具竞争力，据此提出的空间差异化策略可提升亚热带季风气候区ETo预报的确定性与概率性表现。该框架为农业精准灌溉管理提供了可靠的ETo预报产品，也为集合预报后处理在陆面过程变量中的应用提供了方法论参考。研究发表于《Journal of Hydrology: Regional Studies》。