Page 64 - 2022年第53卷第4期

输入，其准确性对模型径流和蒸散发的模拟至关重要。为减小误差，在分析前使用 CMFD 降水与模
型降水数据的比值校正模型模拟的径流、蒸散发数据。
3.2.2 径流 在基于实测降水进行校正后，Noah、CLSM、VIC、ERA-Interim 模型模拟径流（图 3）与
还原计算后的天然径流的 r 分别由 0.92、0.92、0.94 和 0.77 提高至 0.94、0.93、0.95 和 0.86；RMSE 则
由 31.64、17.12、29.50 和 32.97 mm/月减小至 27.31、15.58、27.93 和 23.13 mm/月，说明校正后的模型
模拟精度得到有效提高。校正后的 Noah、CLSM、VIC、ERA-Interim模型模拟的珠江流域多年平均天然径
流量分别为 656.36、464.92、963.60 和 486.73 mm/a，相较于实测结果（678.84 mm/a），Noah、CLSM、
ERA-Interim 模型在不同程度上低估了天然径流量，VIC 模型则呈现高估，其中 Noah 模型对于均值的
模拟精度最高，相对误差为 3%。各模型模拟的月径流在年内分布特征上均呈先增大后减小的单峰型
分布，与实测数据（R ）相符。在西江、东江流域，Noah 与 R 最为接近，而 VIC 明显高估了 R 。在
nat
nat
nat
径流最大的 6 月，ERA-Interim 在北江、东江流域存在明显低估。
3.2.3 蒸散发 图 4 为 2003—2009 年模型模拟蒸散发与鼎湖山（DHF）站点实测数据的比较，其中，横
轴和纵轴黑线为标准差，纵轴蓝色虚线为 r，绿色虚线圆弧为 RMSE。可以看出，4 种模型均与实测数
据显著相关，r 均达到 0.6 以上。其中，VIC 模型总体精度最高，r 为 0.78，RMSE 为 15.24 mm/月，标准
差与实测数据相近，为 20.99 mm/月；Noah 模型精度次之，r为 0.77，RMSE 为 17.74 mm/月，标准差为
27.17 mm/月；ERA-Interim与 CLSM误差略大，r分别为 0.69和 0.63，RMSE分别为 34.17和 28.04 mm/月，
标准差均处于 30 至 50 mm/月之间。较高的相关性与相近的标准差表明，4 个陆面水文模型均能较好
地捕捉到蒸散发的季节变化特征。

图 4 四种陆面水文模型在鼎湖山站的蒸散发模拟精度
3.3 模型优选与概率集成 图 5 为 4 种单一模型与 11 种不同模型集成的径流模拟精度及不确定性。

横坐标中的下标“N”“C”“V”“I”分别表示 Noah、CLSM、VIC、ERA-Interim 等 4 种模型，例如，BMA NC
表示利用 BMA 方法集成 Noah 与 CLSM 模型，以此类推。从图 5（a）可以看出，单一模型的性能无法得
到保障，Noah 模型在东江流域、VIC 模型在西江流域均出现 NSE 为负值的情况，而 BMA 方法可集成
不同模型的优势，避免单一模型中的不确定性所带来的误差，由此提高模拟精度。例如，在西江流
域，单一模型 NSE 最大为 0.71（CLSM），集成 Noah、CLSM、ERA-Interim 模型后 NSE 达到 0.80（BMA NCI ），
提高 13%；在东江流域，单一模型 NSE 最大仅为 0.44（CLSM），集成 CLSM 与 VIC、ERA-Interim 模型
后 NSE 达到 0.72（BMA CVI ），显著提高 64%。
所有集成结果均具有较高的覆盖率（图 5（c）），达到 85%以上，但平均相对带宽（RB）的结果表明，
不同模型集成产生的不确定性范围存在较大差异（图 5（b）），因此，选择集成模型时需要权衡模拟精度
与不确定性范围。在西江流域，平均模拟精度最高的模型集成为 BMA （NSE=0.80）与 BMA （NSE=
NCI CVI
0.78），但 BMA 的平均相对带宽为 6.23，远大于 BMA （RB=1.95），故在西江流域选择 BMA 更为合
NCI CVI CVI
适。其中，CLSM、VIC、ERA-Interim 模型的权重分别为 0.25、0.48 和 0.27。在北江流域与东江流域，
— 438 —