趙銅鐵鋼 張弛 田雨 李昱 陳澤鑫 陳曉宏

摘要：全球氣象模型及新興人工智能模型為流域水文預(yù)報提供了日、次季節(jié)、季節(jié)等不同時間尺度的海量氣象預(yù)報數(shù)據(jù)。與此同時，基于氣象預(yù)報開展水文預(yù)報，涉及到數(shù)據(jù)獲取、模型構(gòu)建、評估檢驗等技術(shù)問題。本文以全球氣象預(yù)報相關(guān)的研究計劃為切入點，調(diào)研現(xiàn)有的1 d至2周小時尺度中短期天氣預(yù)報、1～60 d次季節(jié)尺度氣象預(yù)報、1～12個月季節(jié)尺度氣象預(yù)報以及新興的人工智能氣象預(yù)報;梳理氣象預(yù)報驅(qū)動下流域水文預(yù)報模型方法，闡述氣象預(yù)報訂正、水文模型設(shè)置和預(yù)報評估檢驗等技術(shù)環(huán)節(jié)?；谌驓庀箢A(yù)報生成實時和回顧性流域水文預(yù)報，定量檢驗不同預(yù)見期下預(yù)報精度以評估相關(guān)模型方法的預(yù)報性能，為水利工程預(yù)報-調(diào)度實踐應(yīng)用打下堅實的基礎(chǔ)。

關(guān)鍵詞：全球氣象模型;氣象預(yù)報;流域水文模型;水文預(yù)報;實時預(yù)報;回顧性預(yù)報;預(yù)報檢驗

中圖分類號：TV11??文獻(xiàn)標(biāo)志碼：A??文章編號：1001-6791（2024）01-0156-11

在全球氣候變化的背景下，流域水文要素呈現(xiàn)非一致性的特征，給水利工程調(diào)度運行帶來巨大挑戰(zhàn)［1-3］。傳統(tǒng)的工程水文設(shè)計，如設(shè)計洪水計算、干旱重現(xiàn)期評估等，主要基于一致性假設(shè)，認(rèn)為“過去的水文序列代表未來的水文情景”;然而，非一致性意味著“過去不再代表未來”［4-5］。全球范圍內(nèi)，徑流統(tǒng)計分布受氣候變化和人類活動影響而整體發(fā)生變化，并且極大值、極小值與均值常呈現(xiàn)出相似的變化趨勢［6］?；春印㈤L江、珠江等江河由于水量相對充沛，徑流量受人類活動影響相對較小，整體變化不大;黃河、海河、遼河、松花江等江河徑流量則呈現(xiàn)不同程度變化，海河流域尤為顯著［7］。

開發(fā)水文預(yù)報進(jìn)行適應(yīng)性管理，是應(yīng)對氣候變化下水文非一致性的有效途徑［1，4］。以最長預(yù)見期分類，水文預(yù)報整體上可以分為3 d以內(nèi)的短期預(yù)報、3～14 d的中期預(yù)報、15 d至1 a的長期預(yù)報，乃至1 a以上的超長期預(yù)報［8-9］。其中，短期降水預(yù)報應(yīng)用于短期洪水預(yù)報，進(jìn)而支撐水庫防洪調(diào)度;防洪預(yù)報-調(diào)度是提升洪水資源化效率和提高防洪減災(zāi)效益的有效途徑之一［10-12］。與此同時，中長期預(yù)報應(yīng)用于制定周、月、季節(jié)等時間尺度的水庫防洪、供水、發(fā)電、灌溉等調(diào)度計劃［13-14］。由于中長期預(yù)報信息包含相當(dāng)?shù)牟淮_定性，預(yù)報調(diào)度通常制定相對保守的決策以應(yīng)對風(fēng)險，即風(fēng)險對沖決策［15-16］。

氣象條件是流域水文過程的重要驅(qū)動要素，氣象預(yù)報預(yù)見期和精度直接影響著不同預(yù)見期下的水文預(yù)報精度［17-19］。近年來，全球氣象模型（Global Climate Model，GCM）穩(wěn)步發(fā)展，人工智能氣象預(yù)報模型方興未艾，為流域水文預(yù)報提供了日、次季節(jié)、季節(jié)等不同時間尺度的海量氣象預(yù)報數(shù)據(jù)［20-22］。與此同時，氣象預(yù)報驅(qū)動下的流域水文預(yù)報，包含著初始狀態(tài)設(shè)置、預(yù)報檢驗評估和預(yù)報統(tǒng)計訂正等關(guān)鍵技術(shù)環(huán)節(jié)［23-24］。相應(yīng)的，水文預(yù)報既受到氣象預(yù)報的直接影響，又與水文模型結(jié)構(gòu)、參數(shù)以及流域初始狀態(tài)等要素緊密相關(guān)［25-27］。立足于全球氣象預(yù)報領(lǐng)域國內(nèi)外相關(guān)綜述［20，25，28-30］，本文致力于梳理全球氣象預(yù)報驅(qū)動流域水文預(yù)報的模型方法研究進(jìn)展并進(jìn)行展望，期望為預(yù)報、預(yù)警、預(yù)演、預(yù)案“四預(yù)”工作提供有益的借鑒和參考。

1 全球氣象預(yù)報

1.1 全球氣象模型的發(fā)展

全球氣象模型通過定義旋轉(zhuǎn)球體的Navier-Stokes偏微分方程組來刻畫全球水量與能量平衡相關(guān)物理過程，進(jìn)而耦合陸地、海洋、大氣、海冰等模塊從物理機(jī)制上來預(yù)報未來氣象狀況［20］。全球氣象模型的緣起可以追溯到1904年，挪威氣象學(xué)家Vilhelm Bjerknes發(fā)表著名論文《從力學(xué)和物理學(xué)的角度考慮天氣預(yù)報問題》，提出采用數(shù)學(xué)物理方程處理大氣數(shù)據(jù)信息和開展數(shù)值預(yù)報的構(gòu)想;時隔近50 a后，美國氣象學(xué)家Jule Charney于1950年首次實現(xiàn)對于實際天氣過程的數(shù)值預(yù)報，開啟了天氣預(yù)報向客觀化、數(shù)字化和自動化轉(zhuǎn)型的時代［31］。近年來，得益于偏微分方程數(shù)值求解、大規(guī)模并行計算、衛(wèi)星遙感與地面觀測同化等先進(jìn)技術(shù)的發(fā)展，全球氣象模型取得了長足的進(jìn)步，全球和區(qū)域尺度氣象預(yù)報日益成為世界各大超級計算中心核心業(yè)務(wù)工作［28-30］。與此同時，歐洲中期天氣預(yù)報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）、美國國家環(huán)境預(yù)測中心（National Centers for Environmental Prediction，NCEP）等重要氣象機(jī)構(gòu)面向不同時間尺度的氣象預(yù)報推進(jìn)了一系列國際合作研究計劃，如表1所示。

從偏微分方程組求解的角度，全球氣象預(yù)報主要受到初始狀態(tài)和邊界條件影響［32，20］。對于表1所示3種類型的氣象預(yù)報，中短期天氣預(yù)報主要受初始狀態(tài)影響，也即模型初始時刻狀態(tài)直接影響未來中短期預(yù)報結(jié)果［28，33］；次季節(jié)尺度氣象預(yù)報，既會受到初始狀態(tài)的影響，又會受到邊界條件的制約，因而更加復(fù)雜［30，34-35］；進(jìn)一步的，季節(jié)到年際氣象預(yù)報主要受邊界條件制約，也即海洋、海冰、陸地等下墊面條件對于大氣的強(qiáng)迫作用［29］。

1.2 中短期天氣預(yù)報

面向未來1—14 d的小時尺度中短期天氣預(yù)報，世界氣象組織（World Meteorological Organization，WMO）在全球觀測系統(tǒng)研究與可預(yù)報性試驗（The Observing system Research and Predictability EXperiment，THORPEX）科學(xué)計劃中設(shè)置了TIGGE［28，36］。TIGGE名稱中的“大集合”指的是通過一定的數(shù)據(jù)協(xié)議整合發(fā)布源自全球13個氣象中心的天氣預(yù)報數(shù)據(jù)，包括歐洲中期天氣預(yù)報中心、中國氣象局（China Meteorological Administration，CMA）、英國氣象局（United Kingdom Met Office，UKMO）等;“交互式”指的是根據(jù)用戶需求來更新模型設(shè)置以改進(jìn)預(yù)報結(jié)果，包括集合成員數(shù)量、網(wǎng)格空間分辨率、區(qū)域尺度預(yù)報等［36］。

相比單一機(jī)構(gòu)預(yù)報結(jié)果，TIGGE綜合多個機(jī)構(gòu)預(yù)報結(jié)果，能夠從整體上顯著地提升對于未來數(shù)天小雨、中雨到暴雨、大暴雨等不同天氣事件的預(yù)報精度［36-37］。與此同時，隨著預(yù)見期增加，集合預(yù)報可能會高估未來小雨、中雨等降水事件，同時會低估暴雨、大暴雨等降水事件;對此，需要引入統(tǒng)計訂正方法以改進(jìn)預(yù)報結(jié)果［38-40］。值得指出的是，中短期天氣過程呈現(xiàn)混沌特性：天氣預(yù)報對于初值較為敏感;相應(yīng)的，預(yù)報誤差隨著預(yù)見期延長而迅速增加［28，41］。受限于混沌特性，中短期天氣理論上的可預(yù)報性局限在2周以內(nèi)［32］。

1.3 次季節(jié)氣象預(yù)報

面向未來1～60 d的次季節(jié)氣象預(yù)報，世界氣象組織在全球氣候服務(wù)框架（Global Framework for Climate Services，GFCS）的基礎(chǔ)上提出S2S，旨在為水資源管理、農(nóng)業(yè)與食品、能源與健康、災(zāi)害風(fēng)險管理等行業(yè)提供氣象預(yù)報基礎(chǔ)數(shù)據(jù)［30］。考慮到初始值的混沌效應(yīng)［32］，次季節(jié)預(yù)報把用于天氣預(yù)報的大氣模式與海洋、陸地、海冰等模式耦合起來，通過考慮大氣-海洋-陸地-海冰等相互作用以延長預(yù)見期［30］。參照TIGGE的運行模式，S2S統(tǒng)籌發(fā)布?xì)W洲中期天氣預(yù)報中心、美國國家環(huán)境預(yù)測中心和中國氣象局等機(jī)構(gòu)開發(fā)的10余套全球預(yù)報數(shù)據(jù)［34，36，42］。

相比于TIGGE僅僅發(fā)布實時預(yù)報［28，36］，S2S在業(yè)務(wù)運行過程中不僅采用耦合模式進(jìn)行未來1～60 d的實時氣象預(yù)報，還面向歷史同期進(jìn)行回顧性的氣象預(yù)報［30］。例如，歐洲中期天氣預(yù)報中心的回顧性預(yù)報為過去20 a;即2023年10月1日（起報時間）對2023年10月1日至11月30日（預(yù)見期60 d）進(jìn)行實時氣象預(yù)報，同時還會生成2003—2022年（過去20 a）10月1日至11月30日（歷史同期）的回顧性預(yù)報。回顧性預(yù)報不僅可以檢驗同一模型對于歷史事件的預(yù)報效果，還可以定量評估不同預(yù)見期下系統(tǒng)與隨機(jī)誤差，有助于訂正實時預(yù)報以提高預(yù)報精度［35，40-41］。

1.4 季節(jié)氣象預(yù)報

面向未來1～12個月的季節(jié)尺度氣象預(yù)報，美國國家科學(xué)基金會（National Science Foundation，NSF）聯(lián)合美國海洋與大氣管理局（National Oceanic and Atmospheric Administration，NOAA）、美國國家宇航局（National Aeronautics and Space Administration，NASA）等多個部門聯(lián)合設(shè)立NMME［29］。NMME名稱中的“北美”指的是該計劃主要面向美國和加拿大的10余個季節(jié)氣象預(yù)報模型。例如，美國國家環(huán)境預(yù)測中心的氣象預(yù)報系統(tǒng)第一代（Climate Forecast System version 1，CFSv1）和第二代（CFSv2）季節(jié)預(yù)報，都通過NMME發(fā)布預(yù)報數(shù)據(jù)［43］;美國地球流體動力實驗室（Geophysical Fluid Dynamics Laboratory，GFDL）第二代氣象模型（Climate Model version 2，CM2）曾經(jīng)同時運行4個版本CM2p1、CM2p1-aer04、CM2p5-FLOR-A06和CM2p5-FLOR-B01，并且新開發(fā)了無縫預(yù)測和地球系統(tǒng)研究系統(tǒng)（Seamless System for Prediction and EArth System Research，SPEAR），這5套季節(jié)預(yù)報也都通過NMME發(fā)布數(shù)據(jù)［44-45］。

不同氣象中心開發(fā)的不同版本預(yù)報模型，通常給出不同時間步長和不同空間分辨率的預(yù)報數(shù)據(jù)，數(shù)據(jù)之間的差異性限制了相關(guān)研究的推進(jìn)。針對這個問題，北美多模型集合預(yù)報研究計劃先進(jìn)行時間-空間重采樣，即把時間步長統(tǒng)一為1個月、把空間分辨率統(tǒng)一為1°，而后才公開發(fā)布預(yù)報數(shù)據(jù)［29］。這一舉措極大地促進(jìn)了多模型季節(jié)氣象集合預(yù)報研究，包括精度檢驗、評估對比和推廣應(yīng)用等方面［45-47］。

1.5 新興的人工智能氣象預(yù)報

全球氣象模型及各種遙感監(jiān)測技術(shù)生成海量的地球系統(tǒng)數(shù)據(jù)集，推動人工智能（AI）預(yù)報模型迅速發(fā)展［48，21-22］。其中的標(biāo)志性成果，當(dāng)屬華為云盤古氣象大模型（Pangu-Weather）被開發(fā)和應(yīng)用于全球氣象預(yù)報［22］。從輸入與輸出2個方面，盤古氣象大模型類似于全球氣象模型：一方面，模型輸入數(shù)據(jù)為0.25°×0.25°的網(wǎng)格化全球氣象場數(shù)據(jù)，具體而言，包括13個氣壓層的位勢高度、比濕、溫度、經(jīng)向風(fēng)速和緯向風(fēng)速，以及海平面氣壓、地面2 m溫度、10 m經(jīng)向風(fēng)速、10 m緯向風(fēng)速，共69個變量;另一方面，模型輸出數(shù)據(jù)對應(yīng)于輸入的69個變量，同樣為0.25°×0.25°的網(wǎng)格化全球數(shù)據(jù)。得益于“相同的輸入與輸出數(shù)據(jù)”這種模型設(shè)置，華為云提供時間步長分別為1、3、6、24 h的4個盤古氣象預(yù)訓(xùn)練大模型，以迭代運算的方式生成未來的全球氣象預(yù)報［22］。具體而言，對于18 h后的全球氣象預(yù)報，只需要把6 h步長盤古氣象大模型迭代運行3次：第1次運行采用觀測的全球氣象場作為輸入;第2、3次運行均采用上一次的全球氣象預(yù)報作為輸入。

依托華為云計算平臺，盤古氣象大模型采用歐洲中期天氣預(yù)報中心的第五代全球再分析數(shù)據(jù)集（ERA5）作為驅(qū)動，以1979—2017年的數(shù)據(jù)用作訓(xùn)練，2018年的數(shù)據(jù)用作測試，2019年的數(shù)據(jù)用作驗證。面向位勢高度、溫度、經(jīng)向風(fēng)速、緯向風(fēng)速等多個氣象變量進(jìn)行預(yù)報檢驗，盤古氣象大模型相比歐洲中期天氣預(yù)報中心的集成天氣預(yù)報系統(tǒng)（Integrated Forecasting System，IFS）呈現(xiàn)出更高的預(yù)報精度［22］。

2 氣象預(yù)報驅(qū)動水文預(yù)報

2.1 氣象預(yù)報數(shù)據(jù)獲取與訂正

氣象預(yù)報數(shù)據(jù)是流域水文預(yù)報的重要基礎(chǔ)［3，17，19］。在20世紀(jì)七八十年代，氣象模型尚不發(fā)達(dá)，氣象預(yù)報能力極為有限;當(dāng)時，美國國家天氣局（National Weather Service，NWS）提出以歷史同期氣象條件作為流域水文模型的驅(qū)動要素來構(gòu)建河流預(yù)報系統(tǒng)（River Forecast System，RFS），即主要基于流域干濕狀態(tài)的時限延長徑流預(yù)報（Extended Streamflow Forecasting，ESP）;以實際需求為導(dǎo)向，該預(yù)報系統(tǒng)提供最大徑流、最小徑流、累積徑流量、河流水位等一系列水文預(yù)報數(shù)據(jù)，得到了相當(dāng)廣泛的工程應(yīng)用［49］。從概念上，ESP方法基于“一致性”假設(shè)，也即假設(shè)未來降水具有與歷史同期降水相同的統(tǒng)計性質(zhì);這種情況下，徑流預(yù)報精度主要取決于流域干濕狀態(tài)，也即土壤水、地下水、積雪等蓄水單元的存蓄狀態(tài)［50］。

伴隨著天氣預(yù)報技術(shù)和氣象預(yù)報模型的發(fā)展，確定性預(yù)報被應(yīng)用于驅(qū)動水文模型，生成單一情景的確定性水文預(yù)報;進(jìn)一步的，氣象集合預(yù)報也被應(yīng)用于驅(qū)動水文模型，得到包含諸多情景的水文集合預(yù)報［17，25］。相比于歷史同期氣象條件，確定性氣象預(yù)報和氣象集合預(yù)報能夠更為有效地反映實時氣象情況;采用氣象預(yù)報作為驅(qū)動可以生成更高精度的水文預(yù)報，不同預(yù)見期下預(yù)報精度的提升，既歸功于流域干濕狀態(tài)，又得益于高精度的氣象預(yù)報精度［23，51］。如表2所示，TIGGE、NMME、S2S等氣象預(yù)報國際合作研究計劃，以及最新開發(fā)的Pangu-Weather等，提供了小時、日、月等不同時間步長和周、月、季節(jié)等不同預(yù)見期的全球氣象預(yù)報。不同流域的水文預(yù)報通常會采用小時、日、月等不同時間尺度的水文模型;實際預(yù)報業(yè)務(wù)中，需要根據(jù)不同時間步長的水文模型建模靈活地獲取對應(yīng)的氣象預(yù)報數(shù)據(jù)［52-53］。

值得指出的是，受系統(tǒng)與隨機(jī)誤差影響，全球氣象模型原始預(yù)報的精度往往并不理想;如果采用原始?xì)庀箢A(yù)報驅(qū)動水文模型，水文預(yù)報不確定性既會受到原始?xì)庀箢A(yù)報誤差的制約，又會受到流域水文模型的影響［23，37，52］。對此，需要對氣象預(yù)報進(jìn)行統(tǒng)計訂正以控制水文預(yù)報的誤差來源［38，40，54］。比較簡單的訂正方法有同倍比縮放法和同差值加減法，即把所有原始預(yù)報的均值與所有觀測的均值做對比，從而獲得倍比因子和加減差值來訂正原始預(yù)報，這2種方法可以快速消除系統(tǒng)誤差［39，54］;稍微復(fù)雜一些的有分位數(shù)映射方法，即分別擬合原始預(yù)報與觀測的邊緣分布，根據(jù)邊緣分布獲得預(yù)報與觀測的累積分布，由累積分布的統(tǒng)計分位數(shù)來確定原始預(yù)報與觀測的映射關(guān)系從而訂正原始預(yù)報，該方法既能消除系統(tǒng)誤差，又能一定程度上處理隨機(jī)誤差［38，53］;更為復(fù)雜的有Copula和貝葉斯聯(lián)合概率等模型方法，這些模型不僅考慮預(yù)報和觀測的邊緣分布，而且考慮預(yù)報與觀測之間關(guān)聯(lián)關(guān)系的強(qiáng)弱，依據(jù)二者的關(guān)聯(lián)關(guān)系估算觀測值對應(yīng)于預(yù)報值的條件分布，由此訂正原始降水預(yù)報［23，40，54］。

2.2 流域水文預(yù)報模型設(shè)置

對接氣象預(yù)報相關(guān)國際研究計劃，國際水文集合預(yù)報研究計劃（Hydrological Ensemble Prediction Experiment，HEPEX）從2004年延續(xù)至今，旨在開發(fā)水文學(xué)模型方法把氣象預(yù)報轉(zhuǎn)化為水文預(yù)報，更好地服務(wù)于水利工程調(diào)度管理［55］。面向預(yù)報模型方法開發(fā)，HEPEX提出六大研究主題（https：∥hepex.org.au/about-hepex/），分別是：① 氣象預(yù)報數(shù)據(jù)降尺度用作水文模型輸入;② 基于水文模型的集合預(yù)報方法;③ 水文學(xué)及水力學(xué)預(yù)報模型的數(shù)據(jù)同化;④ 預(yù)報數(shù)據(jù)后處理與多模型預(yù)報集成;⑤ 預(yù)報檢驗及價值評估;⑥ 面向決策的預(yù)報需求識別、可視化及案例應(yīng)用。TIGGE、S2S和NMME等國際合作計劃以公開數(shù)據(jù)庫的形式提供全球氣象預(yù)報，極大地降低了水文工作面臨的氣象數(shù)據(jù)門檻（表2），為流域水文預(yù)報提供基礎(chǔ)數(shù)據(jù)。相關(guān)科研團(tuán)隊下載氣象預(yù)報作為集總和分布式水文模型的驅(qū)動條件，面向具體流域開展短期與中長期水文集合預(yù)報研究，取得了良好的效果［23，37，52］。與此同時，歐洲中期天氣預(yù)報中心等氣象機(jī)構(gòu)建立起區(qū)域尺度乃至全球尺度水文模型，采用自己的氣象預(yù)報驅(qū)動水文模型從而生成區(qū)域及全球水文預(yù)報［56］。例如，歐洲中期天氣預(yù)報中心構(gòu)建全球洪水預(yù)報系統(tǒng)（Global Flood Awareness System，GloFAS），采用集成天氣預(yù)報系統(tǒng)IFS氣象預(yù)報作為驅(qū)動生成未來1～30 d的日尺度全球徑流預(yù)報，實時預(yù)報從2019年11月至今，回顧性預(yù)報為1999年1月至2018年12月。

以氣象預(yù)報作為驅(qū)動要素進(jìn)行水文預(yù)報，流域水文模型參數(shù)率定和土壤水、地下水、積雪等蓄水單元初始狀態(tài)取值等技術(shù)環(huán)節(jié)相當(dāng)關(guān)鍵［19，50，57］。一方面，可以借助于流域水文模擬，即對于每一次實時預(yù)報都依據(jù)前期觀測的降水與徑流進(jìn)行模型參數(shù)率定和模擬計算，基于前期的降水—徑流過程連續(xù)模擬來設(shè)定各個蓄水單元的初始狀態(tài)［52，56-57］。另一方面，如果參數(shù)已經(jīng)率定完成，則可以采用數(shù)據(jù)同化來更新模型狀態(tài)，即引入土壤水、地下水、積雪等蓄水單元相關(guān)的站點觀測及衛(wèi)星遙感等信息，隨著實時預(yù)報進(jìn)行不斷引入觀測和遙感信息以調(diào)整蓄水單元取值從而改進(jìn)徑流預(yù)報［50］。對于水文模擬的思路，優(yōu)點在于簡單易行和對于數(shù)據(jù)要求較低，可以根據(jù)實時預(yù)報需要相對快速地率定模型參數(shù)和設(shè)置初始狀態(tài);局限性是前期降水—徑流關(guān)系可能存在過擬合，并且前期模擬誤差會影響后期徑流預(yù)報，對此需要開發(fā)定量化的誤差統(tǒng)計模型［52］。對于數(shù)據(jù)同化的思路，優(yōu)點是綜合地面觀測和衛(wèi)星遙感等多源信息;局限性在于卡爾曼濾波、粒子濾波等同化算法相對復(fù)雜，需要大量的長序列數(shù)據(jù)以支撐模型訓(xùn)練和結(jié)果校驗等步驟［17，50］。

2.3 流域水文預(yù)報評估檢驗

以觀測作為基準(zhǔn)進(jìn)行流域水文預(yù)報評估檢驗，既是預(yù)報模型性能評價的主要依據(jù)，又是預(yù)報數(shù)據(jù)工程應(yīng)用的重要支撐［24，46，49］。流域水文預(yù)報具有偏度、可靠度、精度等不同的屬性，分別對應(yīng)不同的指標(biāo)［58］。例如，偏度屬性面向集合預(yù)報整體均值與觀測整體均值大小差異，可以用相對偏差（Relative Bias，RB）指標(biāo)來評估;可靠度屬性面向集合預(yù)報區(qū)間是否能夠有效概括觀測值變化范圍，可以用概率積分轉(zhuǎn)換（Probability Integral Transform，PIT）指標(biāo)來評估;精度屬性面向集合預(yù)報與對應(yīng)觀測之間的差異值，可以用連續(xù)分級概率評分（Continuous Ranked Probability Score，CRPS）指標(biāo)來評估［28，37，58］。考慮到統(tǒng)計指標(biāo)計算通常需要20～30個樣本，預(yù)報檢驗既需要實時預(yù)報，還有賴于長序列的歷史同期回顧性預(yù)報［20，44-45］。

不確定性是預(yù)報信息的固有屬性，集合預(yù)報采用多組情景來定量地描述預(yù)報不確定性及其統(tǒng)計分布，近年來在水文氣象領(lǐng)域得到了廣泛關(guān)注和長足發(fā)展［17，23，25］。從水利工程調(diào)度管理的角度，集合預(yù)報所包含的系統(tǒng)與隨機(jī)誤差，直接影響相關(guān)決策的最優(yōu)性［10-12］。受水文模型結(jié)構(gòu)、參數(shù)等要素影響，流域水文預(yù)報誤差通常呈現(xiàn)有偏、非正態(tài)分布的特征，并且相鄰時段之間的誤差相互關(guān)聯(lián)［52，59］。相比于單一時段的氣象預(yù)報訂正，水文集合預(yù)報受制于誤差自相關(guān)性的影響，其統(tǒng)計訂正需要同時考慮多個時段，訂正問題所涉及的統(tǒng)計變量個數(shù)大為增加。對此，一種經(jīng)典思路是誤差時間序列分析，首先對比預(yù)報與觀測數(shù)據(jù)得到預(yù)報誤差，接著構(gòu)建自回歸等模型以擬合相鄰時段之間誤差關(guān)聯(lián)關(guān)系，然后根據(jù)預(yù)見期從近到遠(yuǎn)對誤差進(jìn)行累積分析［52，60］。與此同時，一種新的思路在于依托多元統(tǒng)計算法直接構(gòu)建多時段預(yù)報與觀測之間的高維聯(lián)合分布，根據(jù)聯(lián)合分布生成給定預(yù)報值時觀測值的條件分布，直接從條件分布抽樣而得到訂正預(yù)報［53］。以上2種訂正水文預(yù)報的思路都有賴于實時預(yù)報與對應(yīng)的回顧性預(yù)報［50，56］。

3 討? 論

作為世界頂級的氣象模型研發(fā)機(jī)構(gòu)，歐洲中期天氣預(yù)報中心團(tuán)隊曾經(jīng)于2015年在Nature撰文“The quiet revolution of numerical weather prediction”，梳理20世紀(jì)50年代以來氣象模型穩(wěn)步發(fā)展的歷程［20］;近期，該團(tuán)隊在Nature Reviews Earth & Environment撰文“Deep learning and a changing economy in weather and climate prediction”，指出以深度學(xué)習(xí)為代表的人工智能模型將會為氣象預(yù)報帶來變革性的影響［61］。對于水文預(yù)報，既可以采用全球氣象模型預(yù)報數(shù)據(jù)作為驅(qū)動［28-30］，又可以嘗試采用盤古氣象大模型等人工智能模型生成的全球氣象預(yù)報數(shù)據(jù)作為驅(qū)動［21-22］。與此同時，人工智能模型不僅可以提供輸入數(shù)據(jù)，更是被廣泛用于構(gòu)建流域降水—徑流模型［62-64］。流域水文預(yù)報通常采用模塊化的建模思路，即把整個模塊分解為氣象輸入、流域產(chǎn)流、流域匯流等模塊［17，56］。人工智能模型可以有力支撐相關(guān)水文預(yù)報模型的模塊開發(fā)，并且與已有的水文模塊組合成為預(yù)報系統(tǒng)，促進(jìn)不同預(yù)見期下水文預(yù)報精度提升［63-65］。

為了充分檢驗預(yù)報模型系統(tǒng)的性能，既需要生成實時水文預(yù)報，還需要生成回顧性預(yù)報［29-30，45］?；仡櫺灶A(yù)報的概念源自于大氣科學(xué)領(lǐng)域：回顧性指的是開發(fā)氣象模型進(jìn)行實時天氣或氣象預(yù)報的過程中，也用該模型對于歷史同期的過往天氣或氣象進(jìn)行預(yù)報。實時預(yù)報基于當(dāng)前氣象初始場;與之對應(yīng)，回顧性預(yù)報必須把歷史上當(dāng)時的（而不是事后的）氣象場作為初始場;由此，實時預(yù)報與回顧性預(yù)報是基于相同的模型設(shè)置而生成的，二者相結(jié)合可以充分地評估預(yù)報模型的性能［20］。例如，華為云盤古氣象大模型與歐洲中期天氣預(yù)報中心模型性能比較，正是得益于針對歷史事件，尤其是臺風(fēng)極端事件，回顧性預(yù)報對比分析［22］。豐富的實時與回顧性全球氣象預(yù)報數(shù)據(jù)集，為生成實時和回顧性流域水文預(yù)報提供了有利條件?；跉庀箢A(yù)報生成實時與回顧性水文預(yù)報，面向歷史洪水、干旱等代表性事件展開深入分析，定量檢驗不同預(yù)見期下的預(yù)報精度，評估相關(guān)模型方法預(yù)報性能，可以為水利工程預(yù)報-調(diào)度實踐應(yīng)用打下堅實的基礎(chǔ)。

4 結(jié)論與展望

得益于全球氣象預(yù)報模型的穩(wěn)步發(fā)展和人工智能模型的飛速進(jìn)步，各種時間步長、預(yù)見期和空間分辨率的全球氣象預(yù)報數(shù)據(jù)層出不窮，它們有助于解決傳統(tǒng)水文預(yù)報所面臨的氣象預(yù)報數(shù)據(jù)短板問題，為流域水文預(yù)報模型方法的研究提供肥沃的土壤。相比水文預(yù)報關(guān)注于具體的流域和預(yù)見期下的預(yù)報精度，全球氣象預(yù)報更多的是關(guān)注區(qū)域乃至全球尺度的整體預(yù)報效果。伴隨著陸地-大氣-海洋-海冰模式、衛(wèi)星觀測、數(shù)據(jù)同化、人工智能等先進(jìn)技術(shù)的進(jìn)步，全球氣象預(yù)報將會得到進(jìn)一步的發(fā)展和提升。為了更好地將全球氣象預(yù)報服務(wù)于流域水文預(yù)報，需要立足于目標(biāo)流域開展3個方面的工作：

（1） 全球氣象預(yù)報適用性評估。長序列水文年鑒、水文站點觀測、場次加密監(jiān)測等水文業(yè)務(wù)工作積累了寶貴的流域歷史水文氣象數(shù)據(jù)集，以歷史數(shù)據(jù)集作為基準(zhǔn)，可以評定不同全球氣象預(yù)報數(shù)據(jù)的精度，遴選出適宜的全球氣象預(yù)報數(shù)據(jù)。進(jìn)一步的，還可以依據(jù)歷史數(shù)據(jù)集訂正原始?xì)庀箢A(yù)報，有效地消除系統(tǒng)誤差、量化隨機(jī)誤差，為水文預(yù)報提供高精度的氣象預(yù)報驅(qū)動數(shù)據(jù)。

（2） 流域氣象預(yù)報數(shù)據(jù)提取。在適用性評估基礎(chǔ)上，依據(jù)流域水文模型的需要提取氣象預(yù)報驅(qū)動數(shù)據(jù)。具體而言，對于集總式水文模型，需要從柵格化的氣象預(yù)報數(shù)據(jù)提取面平均氣象預(yù)報;對于分布式水文模型，需要根據(jù)水文模型的空間分辨率對氣象預(yù)報數(shù)據(jù)進(jìn)行柵格重采樣。進(jìn)一步的，依據(jù)水文模型的小時、日、月等不同計算步長，還需要調(diào)整氣象預(yù)報時間步長以適應(yīng)計算需要。

（3） 流域水文氣象預(yù)報檢驗。以回顧性氣象預(yù)報驅(qū)動水文模型，得到回顧性水文預(yù)報，針對歷史洪水、典型干旱等目標(biāo)事件進(jìn)行預(yù)報精度評估。整體上，水文預(yù)報精度主要受到氣象預(yù)報和水文模型2個方面的影響，通過檢驗歸因，可以為水文預(yù)報的改進(jìn)指明方向。進(jìn)一步的，回顧性與實時預(yù)報還可以與調(diào)度模型相結(jié)合，支撐洪水、干旱等目標(biāo)事件復(fù)盤、推演模擬和預(yù)演、預(yù)案分析。

參考文獻(xiàn)：

［1］王浩，王旭，雷曉輝，等.梯級水庫群聯(lián)合調(diào)度關(guān)鍵技術(shù)發(fā)展歷程與展望［J］.水利學(xué)報，2019，50（1）：25-37.（WANG H，WANG X，LEI X H，et al.The development and prospect of key techniques in the cascade reservoir operation［J］.Journal of Hydraulic Engineering，2019，50（1）：25-37.（in Chinese））

［2］胡春宏，鄭春苗，王光謙，等.“西南河流源區(qū)徑流變化和適應(yīng)性利用”重大研究計劃進(jìn)展綜述［J］.水科學(xué)進(jìn)展，2022，33（3）：337-359.（HU C H，ZHENG C M，WANG G Q，et al.Reviews of the major research plan “runoff change and its adaptive management in the source region of major rivers in Southwestern China”［J］.Advances in Water Science，2022，33（3）：337-359.（in Chinese））

［3］張建云，舒章康，王鴻杰，等.鄭州“7·20”暴雨洪澇幾個水文問題的討論［J］.地理學(xué)報，2023，78（7）：1618-1626.（ZHANG J Y，SHU Z K，WANG H J，et al.A discussion on several hydrological issues of “7·20” rainstorm and flood in Zhengzhou［J］.Acta Geographica Sinica，2023，78（7）：1618-1626.（in Chinese））

［4］MILLY P C D，BETANCOURT J，F(xiàn)ALKENMARK M，et al.Stationarity is dead：whither water management？［J］.Science，2008，319（5863）：573-574.

［5］郭生練，劉章君，熊立華.設(shè)計洪水計算方法研究進(jìn)展與評價［J］.水利學(xué)報，2016，47（3）：302-314.（GUO S L，LIU Z J，XIONG L H.Advances and assessment on design flood estimation methods［J］.Journal of Hydraulic Engineering，2016，47（3）：302-314.（in Chinese））

［6］GUDMUNDSSON L，BOULANGE J，DO H X，et al.Globally observed trends in mean and extreme river flow attributed to climate change［J］.Science，2021，371（6534）：1159-1162.

［7］王國慶，張建云，管曉祥，等.中國主要江河徑流變化成因定量分析［J］.水科學(xué)進(jìn)展，2020，31（3）：313-323.（WANG G Q，ZHANG J Y，GUAN X X，et al.Quantifying attribution of runoff change for major rivers in China［J］.Advances in Water Science，2020，31（3）：313-323.（in Chinese））

［8］王富強(qiáng)，霍風(fēng)霖.中長期水文預(yù)報方法研究綜述［J］.人民黃河，2010，32（3）：25-28.（WANG F Q，HUO F L.Summary of research on medium and long-term hydrological forecasting methods［J］.Yellow River，2010，32（3）：25-28.（in Chinese））

［9］孫周亮，劉艷麗，張建云，等.中長期徑流預(yù)報研究進(jìn)展與展望［J］.水資源保護(hù)，2023，39（2）：136-144，223.（SUN Z L，LIU Y L，ZHANG J Y，et al.Research progress and prospect of mid-long term runoff prediction［J］.Water Resources Protection，2023，39（2）：136-144，223.（in Chinese））

［10］LU Q W，ZHONG P G，XU B，et al.Multi-objective risk analysis for flood control operation of a complex reservoir system under multiple time-space correlated uncertainties［J］.Journal of Hydrology，2022，606：127419.

［11］DING W，ZHANG C，LIN J，et al.Flood risk quantification，transmission，and propagation analysis for flood water utilization of parallel reservoirs［J］.Journal of Hydrology，2023，618：129202.

［12］張曉菁，劉攀，周麗婷，等.考慮水文模型參數(shù)時變的水庫水位多預(yù)見期實時預(yù)報：以水布埡水庫為例［J］.水利學(xué)報，2023，54（4）：426-438，450.（ZHANG X J，LIU P，ZHOU L T，et al.Real-time forecasting of reservoir water levels over multiple lead times considering time-varying hydrological model parameters and its application in the Shuibuya Reservoir［J］.Journal of Hydraulic Engineering，2023，54（4）：426-438，450.（in Chinese））

［13］TURNER S W D，BENNETT J C，ROBERTSON D E，et al.Complex relationship between seasonal streamflow forecast skill and value in reservoir operations［J］.Hydrology and Earth System Sciences，2017，21（9）：4841-4859.

［14］ANGHILERI D，VOISIN N，CASTELLETTI A，et al.Value of long-term streamflow forecasts to reservoir operations for water supply in snow-dominated river catchments［J］.Water Resources Research，2016，52（6）：4209-4225.

［15］CHANG J X，GUO A J，WANG Y M，et al.Reservoir operations to mitigate drought effects with a hedging policy triggered by the drought prevention limiting water level［J］.Water Resources Research，2019，55（2）：904-922.

［16］LUO C X，XU B，DING W，et al.Characteristics of reservoirs to mitigate drought effects with a hedging rule triggered by drought limited water level［J］.Journal of Hydrology，2023，617：129106.

［17］CLOKE H L，PAPPENBERGER F.Ensemble flood forecasting：a review［J］.Journal of Hydrology，2009，375（3/4）：613-626.

［18］BRUNNER M，SLATER L，TALLAKSEN L，et al.Challenges in modeling and predicting floods and droughts：a review［J］.WIREs Water，2021，8（3）：e1520.

［19］雍斌，張建云，王國慶.黃河源區(qū)水文預(yù)報的關(guān)鍵科學(xué)問題［J］.水科學(xué)進(jìn)展，2023，34（2）：159-171.（YONG B，ZHANG J Y，WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River［J］.Advances in Water Science，2023，34（2）：159-171.（in Chinese））

［20］BAUER P，THORPE A，BRUNET G.The quiet revolution of numerical weather prediction［J］.Nature，2015，525（7567）：47-55.

［21］RAVURI S，LENC K，WILLSON M，et al.Skilful precipitation nowcasting using deep generative models of radar［J］.Nature，2021，597（7878）：672-677.

［22］BI K F，XIE L X，ZHANG H H，et al.Accurate medium-range global weather forecasting with 3D neural networks［J］.Nature，2023，619（7970）：533-538.

［23］金君良，舒章康，陳敏，等.基于數(shù)值天氣預(yù)報產(chǎn)品的氣象水文耦合徑流預(yù)報［J］.水科學(xué)進(jìn)展，2019，30（3）：316-325.（JIN J L，SHU Z K，CHEN M，et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products［J］.Advances in Water Science，2019，30（3）：316-325.（in Chinese））

［24］EMERTON R，ZSOTER E，ARNAL L，et al.Developing a global operational seasonal hydro-meteorological forecasting system：GloFAS-Seasonal v1.0［J］.Geoscientific Model Development，2018，11（8）：3327-3346.

［25］YUAN X，WOOD E F，MA Z.A review on climate-model-based seasonal hydrologic forecasting：physical understanding and system development［J］.WIREs Water，2015，2（5）：523-536.

［26］管曉祥，金君良，劉悅，等.基于數(shù)值天氣預(yù)報模式的流域中期徑流預(yù)報［J］.水利水電技術(shù)，2018，49（11）：46-53.（GUAN X X，JIN J L，LIU Y，et al.Numerical weather forecast mode-based medium-term runoff prediction of watershed［J］.Water Resources and Hydropower Engineering，2018，49（11）：46-53.（in Chinese））

［27］HIRPA F A，SALAMON P，BECK H E，et al.Calibration of the Global Flood Awareness System （GloFAS） using daily streamflow data［J］.Journal of Hydrology，2018，566：595-606.

［28］PARK Y Y，BUIZZA R，LEUTBECHER M.TIGGE：preliminary results on comparing and combining ensembles［J］.Quarterly Journal of the Royal Meteorological Society，2008，134（637）：2029-2050.

［29］KIRTMAN B P，MIN D，INFANTI J M，et al.The North American multimodel ensemble：phase-1 seasonal-to-interannual prediction;phase-2 toward developing intraseasonal prediction［J］.Bulletin of the American Meteorological Society，2014，95（4）：585-601.

［30］VITART F，ARDILOUZE C，BONET A，et al.The subseasonal to seasonal （S2S） prediction project database［J］.Bulletin of the American Meteorological Society，2017，98：163-173.

［31］許小峰.“精準(zhǔn)”預(yù)報的追求與誤區(qū)［J］.氣象科技進(jìn)展，2022，12（4）：2-6.（XU X F.Pursuit and misunderstanding of “accurate” forecast［J］.Advances in Meteorological Science and Technology，2022，12（4）：2-6.（in Chinese））

［32］丁一匯.季節(jié)氣候預(yù)測的進(jìn)展和前景［J］.氣象科技進(jìn)展，2011，1（3）：14-27.（DING Y H.Progress and prospects of seasonal climate prediction［J］.Advances in Meteorological Science and Technology，2011，1（3）：14-27.（in Chinese））

［33］唐偉，于丹，肖芳，等.美國統(tǒng)一預(yù)報系統(tǒng)研發(fā)進(jìn)展和展望［J］.氣象科技進(jìn)展，2023，13（4）：114-120.（TANG W，YU D，XIAO F，et al.Progress and prospect in developing the unified forecast system in USA［J］.Advances in Meteorological Science and Technology，2023，13（4）：114-120.（in Chinese））

［34］徐邦琪，臧鈺歆，朱志偉，等.時空投影模型（STPM）的次季節(jié)至季節(jié)（S2S）預(yù)測應(yīng)用進(jìn)展［J］.大氣科學(xué)學(xué)報，2020，43（1）：212-224.（XU B Q，ZANG Y X，ZHU Z W，et al.Subseasonal-to-seasonal （S2S） prediction using the spatial-temporal projection model （STPM）［J］.Transactions of Atmospheric Sciences，2020，43（1）：212-224.（in Chinese））

［35］郭渠，黃安寧，付志鵬，等.北京氣候中心次季節(jié)-季節(jié)預(yù)測系統(tǒng)對西南地區(qū)夏季降水次季節(jié)預(yù)報技巧評估及誤差訂正［J］.高原氣象，2021，40（3）：644-655.（GUO Q，HUANG A N，F(xiàn)U Z P，et al.Evaluation and bias correction on the subseasonal forecast of summer precipitation over southwestern China forecasted by the Beijing climate center sub-seasonal to seasonal predication system［J］.Plateau Meteorology，2021，40（3）：644-655.（in Chinese））

［36］SWINBANK R，KYOUDA M，BUCHANAN P，et al.The TIGGE project and its Achievements［J］.Bulletin of the American Meteorological Society，2016，97（1）：49-67.

［37］趙琳娜，劉瑩，黨皓飛，等.集合數(shù)值預(yù)報在洪水預(yù)報中的應(yīng)用進(jìn)展［J］.應(yīng)用氣象學(xué)報，2014，25（6）：641-653.（ZHAO L N，LIU Y，DANG H F，et al.The progress on application of ensemble prediction to flood forecasting［J］.Journal of Applied Meteorological Science，2014，25（6）：641-653.（in Chinese））

［38］ZHAO T，BENNETT J C，WANG Q J，et al.How suitable is quantile mapping for postprocessing GCM precipitation forecasts？［J］.Journal of Climate，2017，30（9）：3185-3196.

［39］蘇翔，袁慧玲，朱躍建.四種定量降水預(yù)報客觀訂正方法對比研究［J］.氣象學(xué)報，2021，79（1）：132-149.（SU X，YUAN H L，ZHU Y J.A comparative study of four objective quantitative precipitation forecast calibration methods［J］.Acta Meteorologica Sinica，2021，79（1）：132-149.（in Chinese））

［40］HUANG Z Q，ZHAO T，XU W X，et al.A seven-parameter Bernoulli-Gamma-Gaussian model to calibrate subseasonal to seasonal precipitation forecasts［J］.Journal of Hydrology，2022，610：127896.

［41］HUANG L，LUO Y L.Evaluation of quantitative precipitation forecasts by TIGGE ensembles for South China during the presummer rainy season［J］.Journal of Geophysical Research：Atmospheres，2017，122（16）：8494-8516.

［42］李恒，朱堅.BCC_S2S預(yù)報長江上中游流域夏季降水精度評估［J］.工程科學(xué)與技術(shù)，2022，54（6）：21-31.（LI H，ZHU J.Accuracy evaluation of BCC_S2S summer precipitation forecast in the upper and middle reaches of the Yangtze River［J］.Advanced Engineering Sciences，2022，54（6）：21-31.（in Chinese））

［43］SAHA S，MOORTHI S，WU X R，et al.The NCEP climate forecast system version 2［J］.Journal of Climate，2014，27（6）：2185-2208.

［44］DELWORTH T L，COOKE W F，ADCROFT A，et al.SPEAR：the next generation GFDL modeling system for seasonal to multidecadal prediction and projection［J］.Journal of Advances in Modeling Earth Systems，2020，12（3）：e2019MS001895.

［45］BECKER E J，KIRTMAN B P，L′HEUREUX M，et al.A decade of the North American multimodel ensemble （NMME）：research，application，and future directions［J］.Bulletin of the American Meteorological Society，2022，103（3）：E973-E995.

［46］SLATER L J，VILLARINI G，BRADLEY A A.Evaluation of the skill of North-American Multi-Model Ensemble （NMME） Global Climate Models in predicting average and extreme precipitation and temperature over the continental USA［J］.Climate Dynamics，2019，53（12）：7381-7396.

［47］黃澤青，劉洋，楊振華，等.北美多模型集合預(yù)報實驗（NMME）全球降水預(yù)報對長江上游流域夏季降水適用性研究［J］.水文，2020，40（6）：16-23.（HUANG Z Q，LIU Y，YANG Z H，et al.Global precipitation forecasts of summer precipitation in the Upper Yangtze River basin：an investigation based on the North Americamulti-model ensemble（NMME） experiment［J］.Journal of China Hydrology，2020，40（6）：16-23.（in Chinese））

［48］SHEN C P.A transdisciplinary review of deep learning research and its relevance for water resources scientists［J］.Water Resources Research，2018，54（11）：8558-8593.

［49］DAY G N.Extended streamflow forecasting using NWSRFS［J］.Journal of Water Resources Planning and Management，1985，111（2）：157-170.

［50］TROIN M，ARSENAULT R，WOOD A W，et al.Generating ensemble streamflow forecasts：a review of methods and approaches over the past 40 years［J］.Water Resources Research，2021，57（7）：e2020WR028392.

［51］侯東儒，張雪麗，鄔強(qiáng)，等.一種基于徑流系數(shù)的山洪預(yù)報模型構(gòu)建及應(yīng)用［J］.水電能源科學(xué)，2022，40（5）：83-86.（HOU D R，ZHANG X L，WU Q，et al.A flood forecast model for small watersheds in mountainous area based on runoff coefficient［J］.Water Resources and Power，2022，40（5）：83-86.（in Chinese））

［52］BENNETT J C，ROBERTSON D E，WANG Q J，et al.Propagating reliable estimates of hydrological forecast uncertainty to many lead times［J］.Journal of Hydrology，2021，603：126798.

［53］MATTHEWS G，BARNARD C，CLOKE H，et al.Evaluating the impact of post-processing medium-range ensemble streamflow forecasts from the European Flood Awareness System［J］.Hydrology and Earth System Sciences，2022，26（11）：2939-2968.

［54］LI W，DUAN Q，MIAO C，et al.A review on statistical postprocessing methods for hydrometeorological ensemble forecasting［J］.WIREs Water，2017，4（6）：e1246.

［55］SCHAAKE J C，HAMILL T M，BUIZZA R，et al.HEPEX：the hydrological ensemble prediction experiment［J］.Bulletin of the American Meteorological Society，2007，88（10）：1541-1548.

［56］HARRIGAN S，ZSOTER E，CLOKE H，et al.Daily ensemble river discharge reforecasts and real-time forecasts from the operational Global Flood Awareness System［J］.Hydrology and Earth System Sciences，2023，27（1）：1-19.

［57］茍嬌嬌，繆馳遠(yuǎn)，徐宗學(xué)，等.大尺度水文模型參數(shù)不確定性分析的挑戰(zhàn)與綜合研究框架［J］.水科學(xué)進(jìn)展，2022，33（2）：327-335.（GOU J J，MIAO C Y，XU Z X，et al.Parameter uncertainty analysis for large-scale hydrological model：challenges and comprehensive study framework［J］.Advances in Water Science，2022，33（2）：327-335.（in Chinese））

［58］HUANG Z，ZHAO T.Predictive performance of ensemble hydroclimatic forecasts：verification metrics，diagnostic plots and forecast attributes［J］.WIREs Water，2022，9（2）.

［59］ZHAO T，WANG Q J，BENNETT J C，et al.Quantifying predictive uncertainty of streamflow forecasts based on a Bayesian joint probability model［J］.Journal of Hydrology，2015，528：329-340.

［60］MCINERNEY D，THYER M，KAVETSKI D，et al.Multi-temporal hydrological residual error modeling for seamless subseasonal streamflow forecasting［J］.Water Resources Research，2020，56（11）：e2019WR026979.

［61］BAUER P，DUEBEN P，CHANTRY M，et al.Deep learning and a changing economy in weather and climate prediction［J］.Nature Reviews Earth & Environment，2023，4（8）：507-509.

［62］鄧超，陳春宇，尹鑫，等.融合數(shù)據(jù)同化與機(jī)器學(xué)習(xí)的流域徑流模擬方法［J］.水科學(xué)進(jìn)展，2023，34（6）：839-849.（DENG C，CHEN C Y，YIN X，et al.Catchment runoff simulation by coupling data assimilation and machine learning methods［J］.Advances in Water Science，2023，34（6）：839-849.（in Chinese））

［63］吳旭樹，王兆禮，陳柯兵，等.基于大氣環(huán)流和海溫場的降水組合預(yù)報模型［J］.水資源保護(hù)，2022，38（6）：81-87.（WU X S，WANG Z L，CHEN K B，et al.A precipitation combined forecasting model based on atmospheric circulation and sea surface temperature［J］.Water Resources Protection，2022，38（6）：81-87.（in Chinese））

［64］劉成帥，孫悅，胡彩虹，等.考慮產(chǎn)流模式空間分布的流域-城市復(fù)合系統(tǒng)洪水預(yù)報模型［J］.水科學(xué)進(jìn)展，2023，34（4）：530-540.（LIU C S，SUN Y，HU C H，et al.Study on flood forecasting model of watershed-urban complex system considering the spatial distribution of runoff generation pattern［J］.Advances in Water Science，2023，34（4）：530-540.（in Chinese））

［65］林康聆，陳華，陳清勇，等.耦合Encoder-Decoder的LSTM徑流預(yù)報模型研究［J］.武漢大學(xué)學(xué)報（工學(xué)版），2022，55（8）：755-761.（LIN K L，CHEN H，CHEN Q Y，et al.Research on LSTM runoff forecast model coupled with Encoder-Decoder［J］.Engineering Journal of Wuhan University，2022，55（8）：755-761.（in Chinese））

Research progresses and prospects of catchment hydrological forecasting driven by global climate forecasts

Abstract：Global climate models and emerging artificial intelligence models generate big climate forecasts data for catchment hydrological forecasting at daily，sub-seasonal and seasonal timescales.The utilization of global climate forecasts to drive catchment hydrological models are confronted with the technical issues of climate forecast data retrieval，hydrological forecasting model set-up and verification of hydro-climatic forecasts.Starting with international collaborative research projects on global climate forecasting，this paper conducts a survey of short-term weather forecasts for the next 1 day to 2 weeks，sub-seasonal climate forecasts for the next 1 to 60 days，seasonal climate forecasts for the next 1 to 12 months and artificial intelligence-based climate forecasts.Furthermore，the processes of catchment hydrological forecasting driven by global climate forecasts are illustrated by detailing the technical aspects on the calibration of climate forecasts，the setting-up of hydrological models and the verification of predictive performance.By generating real-time and retrospective catchment hydrological forecasts from global climate forecasts，the efficacy of forecasting models can be quantitatively examined by verifying forecast skill at different lead times，laying a solid basis for practical forecasts-based operations of hydraulic infrastructure.

Key words：global climate model;climate forecasts;catchment hydrological model;hydrological forecasts;real-time forecasts;retrospective forecasts;forecast verification