从多源数据不确定性到基于区间的鲁棒率定：一种用于数据稀缺高山流域水文建模的可迁移方案

《Journal of Hydrology: Regional Studies》：From multi-source data uncertainty to interval-based robust calibration: A transferable solution for hydrological modeling in data-scarce alpine basins

　　

研究区域：欧洲阿尔卑斯山具有陡峭高程梯度、受积雪影响的水文过程以及水热通量空间变异性强的特点。高山观测稀疏，而多源数据可获性增强又带来产品间不确定性。研究选取意大利阿迪杰河盆地（Adige River Basin）评估此类条件下的率定问题。 研究焦点：研究人员开发了基于区间的鲁棒率定（interval-based robust calibration, IROC），将多种蒸散量（evapotranspiration, ET）产品作为观测边界而非选择单一参照。IROC 结合区间一致性（interval consistency），控制平均偏离与上尾超出，以及区间可信性（interval plausibility），识别在子流域、率定期与验证期均受支持的参数集。研究采用 SWAT 模型，使用 MOD16、GLEAM、ERA5-Land 与 PML 四类 ET 产品，并将 IROC 与四种单参照率定进行比较。时间验证使用四产品 ET 包络，径流性能则基于特伦托（Trento）站观测流量独立评价。 区域新水文认识：IROC 识别出共识参数集，使月尺度 ET 在多产品边界内跨子流域和不确定性水平保持一致。单参照率定偏向不同参数组合并产生不同径流响应，说明参数推断与预测具有参照依赖性。IROC 虽未最小化所有径流指标，但在多产品 ET 一致性、时间鲁棒性、中心径流精度与集合紧致性之间取得平衡。总体而言，IROC 降低对不可验证单一参照的依赖，为数据稀缺或无资料流域整合多源不确定数据集提供可迁移率定策略。

论文解读：《Journal of Hydrology: Regional Studies》发表的研究成果针对数据稀缺或无资料山地流域水文建模中的多源遥感与再分析产品不确定性问题，提出并验证了一种新的率定框架。研究背景方面，传统水文建模依赖稀疏站网观测进行率定与验证，在阿尔卑斯等高山区，高海拔观测不足导致参数不确定性增大；同时，遥感（remote sensing, RS）和再分析产品虽扩展了空间覆盖，但不同产品在幅度、季节动态和地形响应上存在产品间不一致（inter-product inconsistency）。若以单一 ET 产品为参照，模型参数可能向该产品特有偏差补偿，从而降低径流与其他过程模拟的可信度。既有区间方法如可接受界限（Limits of Acceptability, LoA）多采用硬接受或拒绝规则，对区间宽度敏感，也难以表征异方差、时空变化的观测不确定性。因此，研究人员开展本研究，目标是把多产品差异本身作为信息，而非噪声或待消除误差，发展更具鲁棒性的率定途径。

主要关键技术方法方面，研究人员以意大利阿迪杰河盆地为对象，使用 Copernicus 全球数字高程模型（Digital Elevation Model, DEM）、GLCC 土地覆盖、FAO 土壤图、CHIRPS 降水、ERA5-Land 气温，以及 MOD16、GLEAM、ERA5-Land、PML 四类全球 ET 产品；采用 SWAT 模型划分 23 个子流域、793 个水文响应单元（Hydrologic Response Unit, HRU）和 5 条高程带，以拉丁超立方抽样（Latin Hypercube Sampling, LHS）生成 10000 组参数，设置 2001—2005 年预热、2006—2010 年率定、2011—2015 年验证，并以 4—10 月 ET 主导期进行评价。

研究结果如下。

1. 1.
   Introduction：研究人员指出，数据稀缺流域面临观测不足、参数不确定和预测信心下降问题；多源 ET 产品可补充驱动与验证信息，但产品间幅度与动态不一致会导致单参照率定产生参照依赖型误差。已有方法未能充分处理异方差和时空变化的产品不确定性，因此需要尊重模型等值性（equifinality）的软边界框架。
2. 2.
   Data description：研究人员说明 DEM、土地覆盖、土壤、气候输入、流量站与四类 ET 产品来源；MOD16 基于 MODIS 与 Penman-Monteith，GLEAM 为卫星驱动半经验且强调土壤水分限制，PML 结合通量塔与卫星数据，ERA5-Land 为再分析陆面模型产出。四类产品共同构成物理一致性、观测约束与时空细节各异的 ET 边界集。
3. 3.
   Study area：阿迪杰河盆地上游至 Trento 面积 9790 km2，高程 172—3874 m，森林与草甸为主，冰川占约 8.9%，积雪融水主导春夏季径流。研究人员据此说明，该区高程梯度、土地覆盖与土壤纹理共同造成 ET 控制因子随海拔和季节变化，是检验多产品 ET 不确定性的典型阿尔卑斯流域。
4. 4.
   Multi-product ET patterns in the study area：研究人员通过对子流域月尺度 ET 最大值与最小值范围进行 k-means 聚类，将子流域分为低、中、高三类不确定性组。结果显示，4—10 月 ET 产品间范围总体下降，秋季不确定性较低；中等不确定性组在 4—5 月接近高不确定组，6 月后迅速下降并接近低不确定组。
5. 5.
   The SWAT model：研究人员采用 SWAT 的 Hargreaves 潜在蒸散方法，并用水文响应单元和高程带校正降水与温度的空间梯度。SWAT 通过土壤—植物—大气约束将潜在 ET 转为实际 ET，适合雪主导高山流域过程表达。
6. 6.
   Model setup：研究人员以四产品逐子流域月 ET 的 min–max 构成时变边界，构建四种单参照基线；单参照基线用子流域平均绝对误差（Mean Absolute Error, MAE）的 90th 百分位排序，取率定与验证期共同前 1% 行为集作为基线解。IROC 则与上述基线并行评价。
7. 7.
   Interval-Based robust calibration framework：研究人员提出 IROC 由区间一致性与区间可信性组成。区间一致性包括区间罚分（Interval Penalty, IPT）和区间鲁棒超出（Interval Robust Overshoot, IRO）；区间可信性采用区间似然（Interval Likelihood, ILH）。IPT 度量越界平均偏离，IRO 控制罕见上尾超出，ILH 给出连续一致度而不是通过或淘汰。研究人员要求参数集在至少 80% 子流域满足 IPT 与 IRO，再取 ILH 前 1% 集合，两者交集即为 IROC 共识参数集（consensus parameter sets）。

讨论与结论部分总结：研究人员讨论认为，单参照率定会把模型参数引向特定产品的系统偏差，使不同 ET 产品得到不同“最优”参数和不同径流响应，削弱结果在未知流域的外推信心。IROC 不追求单一目标最小误差，而是用多产品边界容纳观测不确定性，在 ET 一致性、时间稳定性、径流中心精度和参数集合紧致性之间权衡。该方法降低对不可验证单参照的依赖，更贴合模型等值性思想，可迁移至数据稀缺或无资料流域。

研究结论可译为：IROC 利用多源 ET 产品形成异方差区间边界，以软一致性和跨子流域、跨时期共识选择替代硬界限筛选；其识别的共识参数集能在多产品 ET 边界内保持月尺度一致性，并在独立径流评价中维持可接受的中心精度。相比单参照率定，IROC 减少参照依赖型参数偏移，保留更紧致的参数集合，为高山及数据稀缺流域整合多源不确定观测提供可迁移的水文率定方案。