水文模型稳健率定方法：面向未观测极端洪水事件的模拟

《Water Resources Research》：Robust Calibration of Hydrological Models for Simulating Unseen Flood Extremes

　　

概念性降雨-径流模型的率定在预测流域对极端降雨事件的响应方面面临重大挑战，尤其在历史数据有限且事件强度超出已记录极值的情况下更为显著。在非平稳环境中，极端降雨与洪水的频率和强度持续增加，进一步放大了这一挑战。传统参数估计方法往往无法充分捕捉极端事件的行为特征。为解决这一问题，研究人员提出了一种自适应马尔可夫链蒙特卡洛（Adaptive Markov Chain Monte Carlo, MCMC）算法，该算法引入了模型稳健似然函数（model robustness-likelihood function），在水文参数采样领域属于创新性方法。研究采用两阶段采样策略：第一阶段利用自动化方案识别参数集的后验分布；第二阶段基于假设（设计）暴雨事件定义的似然函数，从该后验分布中采样稳健参数集。研究人员以澳大利亚维多利亚州某流域为例，采用GR4H模型验证了该方法。结果表明，通过该流程筛选出的稳健参数集在模拟中表现出更小的变异性，能够为历史数据中未观测到的极端事件提供更可靠的预测。该方法提升了模拟前所未见事件水文响应的置信度。虽然研究中利用概率设计暴雨定义稳健参数空间，但该原理可推广至其他替代数据源，包括站点类比、未来气候情景或古气候重建，适用于广泛的水文应用领域。

该研究针对非平稳气候背景下极端洪水频率与强度上升、传统水文模型率定难以可靠外推至未观测极值的核心问题展开。现有方法受限于历史数据覆盖不足与“异因同效”（equifinality）导致的参数不确定性，无法确保模型在超越历史记录的极端情景下的稳定性。为此，研究人员开发了一种融合稳健性度量（robustness metric）的两阶段贝叶斯采样框架，旨在从行为参数集中筛选出对未来极端事件响应一致的子集，以提升模拟的可信度。论文发表于水文学领域权威期刊《Water Resources Research》。

关键技术方法方面，研究选用澳大利亚三个不同气候区的流域作为案例，采用GR4H小时尺度概念性降雨-径流模型。率定过程第一阶段应用差分进化自适应Metropolis（Differential Evolution Adaptive Metropolis, DREAM）算法进行MCMC采样，结合广义似然不确定性估计（Generalized Likelihood Uncertainty Estimation, GLUE）框架，以纳什效率系数（Nash-Sutcliffe Efficiency, NSE）筛选行为参数集。第二阶段创新性地构建了稳健似然函数，利用澳大利亚官方设计暴雨（IFD/IDF）数据，结合多种前期土壤湿度条件与雨型，对每个行为参数集进行大量极端事件模拟，依据峰值流量的分布一致性筛选稳健参数集。

研究结果部分，首先在参数优化环节，通过高密度MCMC采样获得了覆盖先验范围的行为参数集，证实了即使在高NSE阈值下仍存在显著的参数异因同效现象，单一目标函数无法消除模拟结果的巨大离散性。其次，在稳健后验分布分析中，引入稳健性筛选后，极端事件峰值流量的模拟范围被大幅压缩，而模型在历史洪水事件上的模拟性能未受损失。这表明该方法能有效剔除在历史条件下表现良好但在极端情景下产生不合理响应的不稳定参数，显著降低了预测的不确定性。

讨论部分指出，该研究提出的稳健率定范式解决了非平稳环境下缺乏未来表现反馈机制的难题。通过将稳健性定义为参数集在未见极端强迫下响应的一致性，研究将气候模式中常用的集合一致性思想成功迁移至水文参数估计领域。结论强调，该方法不依赖单一最优参数，而是生成一个低变异性的稳健参数集合，为基础设施设计（如百年一遇或可能最大洪水）提供了更可靠的洪水风险估计。此外，该框架具有模型无关性，除设计暴雨外，还可兼容古气候数据或未来气候预估，为应对气候变化下的水文极值模拟提供了通用且灵活的工具。