《Water Resources Research》：The Application of a Snowpack Runoff Decision Support System for Rain-on-Snow Events
编辑推荐：
准确预报雨雪混合（ROS）事件对水管理和洪水减灾至关重要。研究人员针对上卡森河流域，改进并评估了积雪径流决策支持系统（SR-DSS）。该系统利用每小时SNOTEL数据，通过阈值判定积雪液态水输入潜力。研究表明，SR-DSS可实时捕捉液态水输入起始点，增强对操作模型（SNOW-17）性能的评估，为预报员和水管理者在ROS事件中提供关键决策支持，提升洪水预报准确性与水资源管理系统的韧性。
在美国西部乃至全球的山地地区，当雨水降落到尚未融化的积雪上时，会引发一种特殊的天气水文现象——雨雪混合（Rain-on-Snow, ROS）事件。这不仅是美丽的自然景象，更可能成为洪水灾害的“幕后推手”。尤其是在美国内华达山脉这样的地区，ROS事件导致了近几十年来最具破坏性的洪水，例如1997年的洪水造成了超过4.5亿美元的经济损失。然而，准确预报ROS事件带来的水文影响，长期以来一直是水文学家和洪水预报员面临的一大难题。一方面，天气预报本身存在不确定性，特别是在雨雪相态转换的高度区域；另一方面，现有的水文模型难以实时、准确地捕捉积雪层在降雨过程中的真实响应。水管理者常常感觉自己是在“盲目飞行”，不确定积雪层将如何“消化”雨水，更无法预知径流响应在流域内如何变化。这种信息的缺失，增加了洪水风险管理的决策难度。为了解决这一观测“盲点”，并为洪水预报、水资源管理和公共安全决策提供近实时的雪情态势感知，研究人员将目光投向了美国自然资源保护局遍布西部的900多个自动化积雪监测站（SNOTEL）网络。这些站点不仅收集每日数据，还传输着每小时的变化信息，这为洞察积雪的瞬时响应提供了可能。本研究正是基于此，旨在改进并应用一套积雪径流决策支持系统（Snowpack Runoff Decision Support System, SR-DSS），以期在ROS事件中点亮“指路明灯”。
为了开展这项研究，研究人员主要运用了以下几项关键技术方法：首先，利用并质量控制了美国自然资源保护局SNOTEL网络的每小时观测数据（包括气温、降水、积雪水当量、雪密度和土壤含水量）。其次，基于上卡森河流域内及附近多个SNOTEL站点（如Blue Lakes和Spratt Creek）的历史数据（2006-2022水年），通过识别土壤湿度持续上升的事件，确定了与ROS相关的液态水输入（Liquid Water Input, LWI）事件。接着，采用统计方法（如分位数分析）从这些事件中提取并校准了用于判定LWI潜力的关键阈值，包括6小时最大气温、6小时累计降水量和事前雪密度。然后，将这套阈值应用于SR-DSS框架，生成一个分级的LWI潜力等级（1-5级）。最后，将SR-DSS的输出与美国国家天气局河流预报中心使用的业务化水文模型框架（由SNOW-17积雪模型和SAC-SMA径流模型耦合而成）的历史模拟结果进行对比分析，以评估SR-DSS的效用并识别业务模型的潜在偏差。研究还特别关注了上卡森河流域这一特定研究区，并选取了代表高海拔和低海拔的两个SNOTEL站点进行详细案例研究。
研究结果
SR-DSS性能评估：对SR-DSS的准确性评估显示，其预测的LWI潜力等级越高，随后6小时内实际发生LWI的准确率也越高。尽管等级1的准确率相对较低，但系统在预测“无LWI潜力”时表现极为出色，能准确识别99.5%的非事件。这表明SR-DSS在排除无关紧要情况方面非常可靠，而其核心价值在于有效警示决策者关注日益增加的ROS风险。
样本外测试案例评估：2022年12月29日–2023年1月1日事件：以一个未用于阈值率定的真实ROS事件为例，SR-DSS成功捕捉了高海拔（Blue Lakes）和低海拔（Spratt Creek）站点不同的积雪响应。在高海拔站点，系统指示了低到中等的LWI潜力，并观测到LWI发生期间积雪水当量保持稳定或略有增加，表明雨水被积雪储存。在低海拔站点，系统很快指示出高到极高的LWI潜力，并观测到积雪水当量持续下降，表明融雪加剧了径流。这个案例展示了SR-DSS仅凭气象和积雪数据（无需土壤湿度或径流数据）独立评估不同海拔雪层对ROS事件响应差异的能力。
SR-DSS与SNOW-17性能比较：通过对比SR-DSS和业务模型SNOW-17在多个ROS事件中的表现，发现了SNOW-17的一些系统性偏差。例如，在2022-2023年事件中，SNOW-17在两个海拔区域都持续预测LWI的时间远超实际观测到的LWI结束时间，导致了模拟径流峰值延迟。SR-DSS则能更及时地反映LWI潜力的结束。更重要的是，SR-DSS提供的实时积雪密度和土壤湿度数据，可以作为验证工具，帮助预报员判断模型预测是否与实际观测相符。
洪水评估：2017年1月7–10日洪水事件中SR-DSS与SNOW-17性能比较：在另一个导致严重洪水的ROS事件中，对比分析进一步印证了SR-DSS的效用。在高海拔区域，SNOW-17完全错过了ROS LWI的初始阶段，可能由于其设置的雨雪转换温度阈值（2.5°C）高于实际发生LWI时的气温（低于1°C）。SR-DSS则指示了低潜力，并与实际LWI的发生时间接近。在两个区域，SNOW-17再次表现出在观测LWI结束后仍持续预测LWI的趋势。SR-DSS结合实时土壤湿度观测，能够为预报员提供验证，支持其对模型进行即时调整。
SR-DSS与SNOW-17性能概述：对多个案例研究的综合表明，SR-DSS阈值能在6小时间隔内有效指示ROS LWI的开始。虽然其预测结束时间的准确性稍逊，但作为一个态势感知工具，其设计目的并非提供精确值，而是快速警示用户关注有利条件。SR-DSS的突出优势在于，它将气温、降水和雪密度等多个变量整合为一个易于解读的指标，并允许用户快速查看各站点的每小时数据（如土壤湿度和积雪水当量）以验证实际水文响应。
将SR-DSS见解转化为业务改进：研究基于分析，明确了SR-DSS可以直接改进业务洪水预报的三个关键领域：1. 雨雪温度阈值调整：观测显示LWI常在1°C以下的气温中发生，低于SNOW-17通常使用的阈值。2. 时间修正：SR-DSS可验证LWI的开始和结束时间，帮助预报员手动更新模型状态或调整给决策者的预报指导。3. 事前积雪状况考量：不同海拔（对应不同雪密度）的积雪在相同事件中主导过程不同，这表明在SNOW-17中采用基于海拔的雪密度参数化可能会改善模型性能。
研究结论与意义
本研究表明，扩展的积雪径流决策支持系统（SR-DSS）框架能够有效利用SNOTEL网络的实时小时数据，为雨雪混合（ROS）事件提供宝贵的态势感知。该系统通过整合当前天气（气温、降水）和事前积雪条件（密度）的阈值，生成一个定量的液态水输入（LWI）潜力等级，成功捕捉了不同海拔积雪对ROS事件的差异化响应。与业务水文模型SNOW-17的对比揭示，SR-DSS不仅能独立指示LWI的起始，还能作为有效的验证工具，识别出SNOW-17模型在ROS事件中存在的系统性偏差，例如雨雪相态转换温度阈值设定过高、以及模拟LWI持续时间过长等问题。
这项研究的意义在于，它最大限度地利用了现有业务观测网络的投资，揭示了每日数据点之间的“盲区”，提供了一种快速评估山区流域对气象事件实时响应的方法。更为重要的是，它将观测信息与业务模型性能评估直接联系起来，为美国国家天气局及其河流预报中心提升水文预报能力、履行保护生命财产、支持商业的使命提供了可操作的决策支持工具。SR-DSS作为一个独立的工具，能够以简洁集成的形式呈现积雪状态，而其与模型结合的潜力，则能直接指导预报员调整模型参数、修正预报时序，最终提高洪水预报的准确性和时效性。这项工作推进了SR-DSS的发展，以满足基于影响的决策支持中尚未被满足的需求，同时也增进了对ROS径流过程这一水文悬而未决问题的理解，为未来在更多雪气候区扩展应用、评估其他模型以及进一步优化工具以服务资源和灾害管理目标奠定了基础。
