## 中文标题 基于近实时卫星降水产品的墨西哥Tulijá河流域径流模拟

《Hydrology》：Streamflow Modeling of the Tulijá River Basin, Mexico, Using Near-Real-Time Satellite Precipitation Products

　　

遥感数据在水文应用中的使用日益增多，尤其是在地面观测有限的地区。卫星降水产品（Satellite Precipitation Products, SPPs）提供了广泛的时空覆盖，但可能包含影响其水文模拟性能的偏差。本研究评估了四种近实时SPPs在墨西哥Tulijá河流域（Tulijá River Basin, TRB）日径流模拟中的表现，包括基于人工神经网络遥感信息降水估计-云分类系统（Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks, PERSIANN-Cloud Classification System, CCS）、PERSIANN动态红外降雨率近实时产品（PERSIANN-Dynamic Infrared Rain Rate near real-time, PDIR-Now），以及全球降水测量集成多卫星检索（Integrated Multi-satellitE Retrievals for Global Precipitation Measurement, GPM）（IMERG）的早期运行产品（Early Run）和晚期运行产品（Late Run）。首先将SPPs与气象站降水数据进行比较，随后采用线性缩放（Linear Scaling, LS）方法进行偏差校正。CEQUEAU水文模型使用三类降水数据集模拟径流：气象站数据、原始SPPs和偏差校正后的SPPs。对于使用观测降水的模拟，模型在1991–2014年进行校准，在1968–1990年进行验证；对于基于SPP的模拟，校准和验证期分别为2003–2011年和2012–2014年。模型性能采用纳什–苏特克利夫效率系数（Nash–Sutcliffe efficiency, NSE）、百分比偏差（percent bias, PBIAS）和决定系数（coefficient of determination, R²）进行评估。结果表明，CEQUEAU的性能随降水数据集的不同而变化。使用观测降水的模拟在校准和验证期间NSE值均接近0.70，而原始SPPs的NSE值低于0.18，甚至出现负值。经偏差校正后，IMERG-Early和IMERG-Late在两个时期均获得约0.55的NSE值。这些发现强调了在复杂地形的热带地区分析近实时SPPs水文应用性能的重要性。

## 论文解读

### 一、研究背景与研究意义

降水是水文建模和水文气象应用中最关键的输入变量，可靠的降水数据对于洪水与干旱预报至关重要。然而，在全球范围内，包括发展中国家和发达国家，雨量计和天气雷达等地基降水观测仪器的空间分布往往不足，严重制约了水资源管理、洪水早期预警系统的效能，并造成显著的社会经济影响。近几十年来，气象卫星的发展使多种卫星降水产品（Satellite Precipitation Products, SPPs）成为替代性降水信息来源，这些产品具有近全球覆盖和多种时间分辨率。然而，近实时SPPs因处理时间有限、未融合地面校正信息，普遍存在系统性偏差。墨西哥东南部的Tulijá河流域（Tulijá River Basin, TRB）地处热带，受飓风、热带风暴和强降雨事件频繁影响，地形复杂、海拔落差大（4–2476 m）、降水时空变率极高，SPPs在该类区域的水文性能尚不明确。研究人员在《Hydrology》期刊发表的研究中，以TRB为对象，评估了四种近实时SPPs——IMERG-Early、IMERG-Late、PERSIANN-CCS和PDIR-Now——在日径流模拟中的表现，并检验线性缩放（Linear Scaling, LS）偏差校正方法的改进效果，以期为复杂热带环境下的洪水监测、水资源管理和早期预警提供科学依据。

### 二、关键研究方法

研究人员基于35个气象站（隶属墨西哥国家水务委员会CONAGUA）1968–2014年的日降水和气温观测，以及Salto de Agua水文站同期日径流数据，提取各SPP在站点位置的降水估计值。首先在月尺度和流域尺度上利用散点图、皮尔逊相关系数（Pearson correlation coefficient, PCC）、平均绝对误差（Mean Absolute Error, MAE）、纳什–苏特克利夫效率系数（Nash–Sutcliffe efficiency, NSE）和百分比偏差（Percent Bias, PB）评估原始SPP的性能；随后采用线性缩放（LS）法计算各月校正系数，生成偏差校正后的SPP序列；最后将实测降水、原始SPP和校正SPP分别输入分布式水文模型CEQUEAU进行日径流模拟。CEQUEAU将流域划分为4 km×4 km网格，SPP估计值按其像元所在位置赋予与气象站相同的输入点。实测降水驱动模型的校准期为1991–2014年，验证期为1968–1990年；SPP驱动模型的校准期为2003–2011年，验证期为2012–2014年。模型性能采用NSE、百分比偏差（Percent Bias, PBIAS）和决定系数（coefficient of determination, R²）三项指标评价。

### 三、主要研究结果

**4.1 SPP与实测降水的图形化评估：** 月尺度流域面积加权散点图显示，IMERG-Late的R²最高（0.59），PDIR-Now为0.56，IMERG-Early为0.55，PERSIANN-CCS最低（0.51）。IMERG产品总体趋于低估降水，PDIR-Now趋于高估，PERSIANN-CCS变异性较大。各SPP均能再现TRB的降雨季节性，但旱季普遍低估，雨季偏差方向和量级各异，IMERG产品在多数月份表现更稳定。

**4.2 基于描述性统计的SPP性能评估：** 逐月统计表明，IMERG-Early和IMERG-Late的PCC中位数约0.70，MAE最小，NSE值接近0.50；IMERG-Late的PB最接近零，综合表现最优。PERSIANN-CCS相关性最低且NSE为负，PDIR-Now的NSE极低、PB高达60%的显著高估，两者在TRB的降水估计能力明显不足。

**4.3 偏差校正：** 采用LS法计算的月校正系数在4–9月为0.72–1.42，10–3月为0.98–92.45，其中PERSIANN-CCS在旱季校正系数最大。校正后各SPP的月平均降水均接近观测值（210.6 mm/月）；累计分布函数（Cumulative Distribution Function, CDF）图显示，校正后各SPP的分布与观测降水分布显著趋近，系统性偏差得到有效降低。

**4.4.1 基于实测降水的CEQUEAU径流模拟：** 校准期（1991–2014）NSE为0.66，R²为0.70，PBIAS为17.15%；验证期（1968–1990）NSE为0.69，R²为0.71，PBIAS为12.54%。模型能较好再现TRB径流季节动态和雨季洪峰，但对部分最大流量事件存在轻度低估，整体性能良好稳定。

**4.4.2 基于原始SPPs的径流模拟：** 四种原始SPP驱动CEQUEAU的径流模拟性能均很差，NSE值全部低于0.18，IMERG产品在验证期出现负NSE。IMERG产品普遍低估径流，PDIR-Now明显高估雨季多个洪峰事件，PERSIANN-CCS行为波动较大。结果证明未校正的近实时SPP不足以再现TRB的水文响应。

**4.4.3 基于LS校正SPPs的径流模拟：** 偏差校正后，IMERG-Early和IMERG-Late在校准期NSE分别达0.53和0.55，验证期保持0.53–0.