考慮遙相關(guān)因子的月降水?dāng)?shù)據(jù)偏差校正方法

關(guān)鍵詞：月降水；偏差校正；遙相關(guān)因子；多源降水?dāng)?shù)據(jù)集；BiLSTM模型

月降水序列對(duì)于水文模擬、徑流預(yù)報(bào)和水資源評(píng)價(jià)具有重要的應(yīng)用價(jià)值[1-3]，特別是缺資料地區(qū)的水文預(yù)測(cè)中，月降水序列作為最為關(guān)鍵的輸入，其質(zhì)量直接決定了水文模型的精度[4]。當(dāng)前中國(guó)雖然已布設(shè)了大量雨量站網(wǎng)，但由于各站網(wǎng)之間投入使用時(shí)間不一，高一致性的月降水序列仍然較短[5]。近年來(lái)，衛(wèi)星技術(shù)與數(shù)值模擬技術(shù)快速發(fā)展，衛(wèi)星產(chǎn)品與再分析數(shù)據(jù)集的出現(xiàn)可緩解月降水的序列長(zhǎng)度與一致性問(wèn)題。

當(dāng)前各類(lèi)反演產(chǎn)品與再分析產(chǎn)品層出不窮，極大地豐富了降水?dāng)?shù)據(jù)資源。降水反演產(chǎn)品通過(guò)對(duì)遙感數(shù)據(jù)進(jìn)行反演得到，如MSWEP-V2數(shù)據(jù)集[6]、PERSIANN數(shù)據(jù)集[7]和GPM類(lèi)數(shù)據(jù)集[8]。其中，GSMaP作為GPM的重要產(chǎn)品，提供了更高時(shí)空分辨率的降水?dāng)?shù)據(jù)[9]。再分析產(chǎn)品則是深度融合了動(dòng)力學(xué)模型模擬結(jié)果與觀測(cè)數(shù)據(jù)，利用一定規(guī)則所生成的具有空間均勻性和時(shí)間連續(xù)性的降水產(chǎn)品，如歐洲中期天氣預(yù)報(bào)中心（ECMWF）利用預(yù)報(bào)模型和同化系統(tǒng)對(duì)多源觀測(cè)數(shù)據(jù)進(jìn)行再分析而生成的ERA5與ERA5-Land數(shù)據(jù)集[10]。這2類(lèi)產(chǎn)品時(shí)間序列長(zhǎng)、覆蓋范圍廣，可在一定程度上反映區(qū)域降水的變化趨勢(shì)，但其數(shù)值與實(shí)際降水?dāng)?shù)據(jù)之間仍然存在一定偏差，不能直接用于工程計(jì)算與水文模擬[11]。若結(jié)合實(shí)際數(shù)據(jù)對(duì)其進(jìn)行偏差校正，充分發(fā)揮不同降水?dāng)?shù)據(jù)之間的互補(bǔ)性，則可得到一套高精度、長(zhǎng)序列且近乎實(shí)況的月降水系列。

常見(jiàn)的降水校正方法有線(xiàn)性回歸、分布函數(shù)映射和貝葉斯方法等[12]，它們均可在一定程度上校正降水?dāng)?shù)據(jù)，但這類(lèi)方法依賴(lài)于預(yù)設(shè)的數(shù)學(xué)或統(tǒng)計(jì)模型，可能與實(shí)際情況不符[13]，機(jī)器學(xué)習(xí)模型則不需要太多假設(shè)，模型復(fù)雜性和結(jié)構(gòu)可根據(jù)數(shù)據(jù)自適應(yīng)。隨機(jī)森林（RF）、極端梯度提升模型（XGBoost）由于其計(jì)算效率和擬合能力最先被廣泛使用，包括降水?dāng)?shù)據(jù)的偏差校正與降尺度研究[14-15]。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等層數(shù)更多、結(jié)構(gòu)更復(fù)雜的深度學(xué)習(xí)模型也逐漸用于降水的偏差校正，結(jié)果均表明該類(lèi)模型對(duì)非線(xiàn)性時(shí)序數(shù)據(jù)處理具有更好的性能[16]。

然而，以上校正方法一般考慮待校正數(shù)據(jù)集與環(huán)境變量。當(dāng)降水為小時(shí)或者日尺度時(shí)，以上變量足以輔助降水的偏差校正；但當(dāng)降水為月尺度數(shù)據(jù)時(shí)，上述變量則略顯不足。遙相關(guān)因子一定程度上反映了大氣的運(yùn)動(dòng)與狀態(tài)，對(duì)全球及區(qū)域氣候具有重要影響。若引入這些因子輔助降水?dāng)?shù)據(jù)的校正，某種程度上可以考慮降水的形成機(jī)制，從而提高校正精度。沙普利加法解釋模型（SHAP）可以量化每個(gè)特征因子的貢獻(xiàn)程度，常被用來(lái)解釋機(jī)器學(xué)習(xí)模型的預(yù)測(cè)結(jié)果，目前還未有研究利用該方法進(jìn)行融合遙相關(guān)因子的降水?dāng)?shù)據(jù)校正分析。

本研究采用XGBoost-SHAP篩選降水的驅(qū)動(dòng)要素，基于貝葉斯優(yōu)化的雙向LSTM（BO-BiLSTM）構(gòu)建多源降水?dāng)?shù)據(jù)偏差校正模型，對(duì)各類(lèi)數(shù)據(jù)集的月降水進(jìn)行校正，并在漢江上游進(jìn)行應(yīng)用研究。

1研究區(qū)域與數(shù)據(jù)

1.1研究區(qū)域

漢江上游流域面積近9.5萬(wàn)km2，是南水北調(diào)中線(xiàn)工程水源地和國(guó)家一級(jí)水源保護(hù)區(qū)。流域地貌類(lèi)型復(fù)雜，水系發(fā)達(dá)，水資源豐富，降水量充沛，整個(gè)區(qū)域?qū)儆趤啛釒Ъ撅L(fēng)氣候，降水空間與年內(nèi)分布不均，年際變化較大。圖1為該區(qū)域地形和雨量站點(diǎn)概況圖。

1.2數(shù)據(jù)

（1）地面觀測(cè)數(shù)據(jù)。漢江上游降水?dāng)?shù)據(jù)來(lái)自國(guó)家氣象信息中心（http：//data.cma.cn），包括流域內(nèi)15個(gè)氣象站點(diǎn)1971—2020年的逐日降水?dāng)?shù)據(jù)，通過(guò)對(duì)日尺度實(shí)測(cè)降水進(jìn)行累加得到月降水?dāng)?shù)據(jù)，采用泰森多邊形進(jìn)行面積加權(quán)得到逐月面降水量，所選用站點(diǎn)的分布見(jiàn)圖1。

（2）多源降水?dāng)?shù)據(jù)集。本研究擬結(jié)合多個(gè)降水?dāng)?shù)據(jù)集驗(yàn)證所提出方法的性能，主要包括ERA5、ERA5-Land、MSWEP-V2和PERSIANN-CDR數(shù)據(jù)集。其中，ERA5、ERA5-Land數(shù)據(jù)集是ECMWF最新和最先進(jìn)的全球再分析產(chǎn)品，MSWEP-V2數(shù)據(jù)集是美國(guó)普林斯頓大學(xué)所研制的全球首個(gè)高分辨率長(zhǎng)時(shí)間降水?dāng)?shù)據(jù)集[17]，PERSIANN-CDR數(shù)據(jù)集是基于人工神經(jīng)網(wǎng)絡(luò)算法提取的多衛(wèi)星降雨數(shù)據(jù)集[18]。以上數(shù)據(jù)集涵蓋再分析產(chǎn)品與衛(wèi)星反演產(chǎn)品，各數(shù)據(jù)集詳細(xì)信息見(jiàn)表1。以圖1矢量區(qū)為邊界，提取各數(shù)據(jù)集漢江上游月尺度面降水量。

（3）遙相關(guān)因子數(shù)據(jù)集。來(lái)源于國(guó)家氣候中心的百項(xiàng)氣候系統(tǒng)指數(shù)集（http：//cmdp.ncc-cma.net/Monitoring/cn_index_130.php），涵蓋了大氣、海洋、陸地、冰凍圈等各個(gè)子系統(tǒng)的監(jiān)測(cè)指數(shù)，反映了氣候系統(tǒng)內(nèi)部及其相互作用的關(guān)鍵特征。該指數(shù)集中存在部分?jǐn)?shù)據(jù)缺失情況，為減少由此帶來(lái)的誤差，將嚴(yán)重缺測(cè)的指數(shù)刪除，并對(duì)少量缺測(cè)的數(shù)據(jù)選用KNN（K-NearestNeighbors）算法進(jìn)行插值處理[19]。此外，該類(lèi)因子對(duì)降水的影響存在一定的時(shí)間滯后，因此需要對(duì)輸入的遙相關(guān)因子進(jìn)行時(shí)滯處理[20]。時(shí)滯設(shè)置為1～12個(gè)月，共生成遙相關(guān)因子特征1368項(xiàng)，全部特征因子以編號(hào)形式呈現(xiàn)。

2研究方法

2.1降水偏差校正方法

本研究提出一種考慮遙相關(guān)因子的降水?dāng)?shù)據(jù)偏差校正方法（圖2），其主要程序?yàn)椋?/p>

（1）以流域?qū)嶋H降水為基準(zhǔn)，訓(xùn)練XGBoost模型，得到最優(yōu)模型后將其與訓(xùn)練期數(shù)據(jù)輸入SHAP模型，可完成對(duì)遙相關(guān)因子集的貢獻(xiàn)度排序，進(jìn)而確定貢獻(xiàn)最大的前n個(gè)特征因子，分析這些特征因子對(duì)降水的驅(qū)動(dòng)機(jī)制。

（2）將所得的n個(gè)特征因子與待校正降水?dāng)?shù)據(jù)共n+1個(gè)因子輸入BO-BiLSTM模型進(jìn)行訓(xùn)練和測(cè)試，分析降水?dāng)?shù)據(jù)校正結(jié)果。

由于遙相關(guān)因子需進(jìn)行1a的時(shí)滯處理，故遙相關(guān)因子的時(shí)間序列比其他數(shù)據(jù)集多1a，所有多源降水?dāng)?shù)據(jù)集訓(xùn)練期、驗(yàn)證期和測(cè)試期的劃分比例均為6∶2∶2，統(tǒng)計(jì)成果時(shí)，將訓(xùn)練期與驗(yàn)證期合并為新的訓(xùn)練集進(jìn)行分析。

2.2基于XGBoost-SHAP模型的特征篩選

XGBoost模型[21]是大規(guī)模并行決策樹(shù)運(yùn)行工具，利用梯度下降框架來(lái)提升弱學(xué)習(xí)器，以實(shí)現(xiàn)梯度的高效提升，與其他同類(lèi)型的算法相比，XGBoost能在更短的時(shí)間內(nèi)實(shí)現(xiàn)更優(yōu)的分類(lèi)、回歸功能。利用網(wǎng)格搜索法對(duì)XGBoost模型超參數(shù)樹(shù)的數(shù)量（n）、最大樹(shù)深（d）和學(xué)習(xí)率（r）進(jìn)行調(diào)優(yōu)，最終確定n=100，d=4，r=0.3。

本文選用XGBoost模型構(gòu)建漢江上游面降水的特征篩選模型，將已提取的多源降水?dāng)?shù)據(jù)集的面降水與上述1368項(xiàng)遙相關(guān)因子特征一并輸入模型。由于這些因子與多源降水?dāng)?shù)據(jù)存在一定的信息冗余，這些冗余的特征會(huì)使模型精度下降，計(jì)算時(shí)間增長(zhǎng)。因此，需要對(duì)這些因子完成進(jìn)一步篩選。

SHAP模型是一種通過(guò)計(jì)算Shapley值、用于解釋機(jī)器學(xué)習(xí)計(jì)算結(jié)果的加性解釋模型，對(duì)于樹(shù)模型具有更高的效率與更好的解釋性[22]。該模型將所有的特征都視為貢獻(xiàn)者，計(jì)算其貢獻(xiàn)度，貢獻(xiàn)度可能為正值，也可能為負(fù)值，其中正值對(duì)預(yù)測(cè)結(jié)果產(chǎn)生正向驅(qū)動(dòng)作用，負(fù)值產(chǎn)生負(fù)向驅(qū)動(dòng)作用。貢獻(xiàn)度的絕對(duì)值越大，表明該特征對(duì)降水的影響越大。采用SHAP模型計(jì)算各遙相關(guān)因子特征的貢獻(xiàn)度，并選取排序前n的因子特征作為后續(xù)降水?dāng)?shù)據(jù)偏差校正模型的輸入因子。

2.3基于BO-BiLSTM的偏差校正模型

常見(jiàn)的偏差校正方法有累積分布函數(shù)、統(tǒng)計(jì)學(xué)校正和深度學(xué)習(xí)[12，16，23]，其中深度學(xué)習(xí)具有極強(qiáng)的非線(xiàn)性關(guān)系擬合能力，以L(fǎng)STM為代表的模型受到了廣泛的認(rèn)可。為此，選取BiLSTM進(jìn)行降水?dāng)?shù)據(jù)的偏差校正。BiLSTM模型由前向LSTM和后向LSTM組成，相較于傳統(tǒng)LSTM模型，該模型可以更好地獲得時(shí)序數(shù)據(jù)的全局特征，并能夠充分比較前向數(shù)據(jù)和后向數(shù)據(jù)的關(guān)聯(lián)性（圖3）。

將上述篩選的前n個(gè)特征與多源降水?dāng)?shù)據(jù)作為模型輸入，設(shè)置當(dāng)前時(shí)刻實(shí)際降水為模型輸出?？紤]到超參數(shù)對(duì)BiLSTM模型性能有較大影響，采用貝葉斯優(yōu)化（Bayesianoptimization，BO）選取模型的超參數(shù)組合。以降水校正值與實(shí)測(cè)值的均方誤差為貝葉斯優(yōu)化的目標(biāo)函數(shù)，選取重點(diǎn)超參數(shù)（初始學(xué)習(xí)率、BiLSTM神經(jīng)元數(shù)、訓(xùn)練迭代次數(shù)）進(jìn)行優(yōu)化，并引入L2正則項(xiàng)對(duì)整個(gè)模型進(jìn)行控制，防止過(guò)擬合，運(yùn)行平臺(tái)為MATLAB，所有方案均基于雙NVIDIA-4090D48GGPU完成。待優(yōu)化參數(shù)取值范圍如表2所示[24]。

2.4對(duì)比方案與精度評(píng)定

為充分檢驗(yàn)本文所提方法的優(yōu)越性，以當(dāng)前廣泛使用的線(xiàn)性縮放法、參數(shù)轉(zhuǎn)換法、分布映射法[12]為基準(zhǔn)，設(shè)置5個(gè)對(duì)比方案。其中，S1—S3分別為上述3個(gè)方法；S4采用BO-BiLSTM模型，但不考慮遙相關(guān)因子；S5則在S4基礎(chǔ)上增加了篩選出的遙相關(guān)因子。同時(shí)，選取納什效率系數(shù)（ENS）、均方根誤差（ERMS）和Kling-Gupta效率系數(shù)（EKG）作為精度評(píng)價(jià)指標(biāo)[2]。

3結(jié)果及分析

3.1特征因子的選取

以ERA5-Land降水?dāng)?shù)據(jù)為例，采用XGBoost-SHAP模型計(jì)算各因子的貢獻(xiàn)度，按貢獻(xiàn)度從高到低依次增加特征因子并將其與ERA5-Land數(shù)據(jù)組合輸入BO-BiLSTM模型中，觀察不同因子組合下實(shí)測(cè)降水與校正降水的訓(xùn)練期ENS，以此確定最佳遙相關(guān)因子數(shù)n，確定過(guò)程可見(jiàn)圖4。由圖4可知，當(dāng)遙相關(guān)因子數(shù)量為18時(shí)，訓(xùn)練期整體ENS最高，為0.94，若繼續(xù)增加因子，對(duì)于降水?dāng)?shù)據(jù)偏差校正的結(jié)果影響較小，故本研究確定最佳輸入因子數(shù)n=18，此時(shí)BO-BiLSTM模型各參數(shù)分別為rl=0.012，N=6，L2=5.89×10?9，M=34。

整理上述所得前18個(gè)貢獻(xiàn)較大的特征因子，主要含義見(jiàn)表3。圖5給出了這些因子特征的平均SHAP絕對(duì)值及散點(diǎn)密度圖。圖5中從上至下因子特征的重要性逐漸減小，散點(diǎn)顏色映射代表特征因子的值由小到大，每一個(gè)點(diǎn)代表一個(gè)樣本的SHAP值，該值代表了這個(gè)特征對(duì)單個(gè)預(yù)測(cè)的貢獻(xiàn)，而點(diǎn)的集合表示了特征整體對(duì)預(yù)測(cè)結(jié)果影響的方向和大小。所選取的特征因子中大氣環(huán)流因子占總數(shù)的67%，表明大氣環(huán)流因子對(duì)于漢江上游降水的驅(qū)動(dòng)貢獻(xiàn)強(qiáng)于海溫因子和其他因子。

結(jié)合表3與圖5，A23_5和A23_10對(duì)漢江上游降水的貢獻(xiàn)度最高，主要表現(xiàn)為負(fù)向驅(qū)動(dòng)作用，該指數(shù)與大范圍環(huán)流形勢(shì)的調(diào)整有密切聯(lián)系。該指數(shù)異常偏高時(shí)，中國(guó)大部分地區(qū)以氣溫偏低為主，長(zhǎng)江流域及其以北地區(qū)降水偏少[25]。其次為A66_12，主要表現(xiàn)為正向驅(qū)動(dòng)作用，該指數(shù)主要表現(xiàn)青藏高原地區(qū)的位勢(shì)場(chǎng)，通過(guò)調(diào)節(jié)北大西洋、印度洋對(duì)青藏高原地區(qū)的水汽輸送進(jìn)而影響亞洲地區(qū)降水的空間分布與強(qiáng)度[26]。A37_5、A16_1、A29_10和A38_5對(duì)漢江上游降水分別產(chǎn)生正向、正向、雙向和正向驅(qū)動(dòng)作用，該類(lèi)副高指數(shù)均與大范圍環(huán)流的形勢(shì)調(diào)整密不可分[25]。A72_1對(duì)漢江上游降水產(chǎn)生正向驅(qū)動(dòng)作用，該指數(shù)通過(guò)調(diào)節(jié)區(qū)域的位勢(shì)高度和反氣旋性環(huán)流對(duì)氣溫產(chǎn)生作用，進(jìn)而影響中國(guó)的區(qū)域降水情況。A38_5和T6_8對(duì)漢江上游降水產(chǎn)生雙向驅(qū)動(dòng)作用，且驅(qū)動(dòng)方式以分段形式呈現(xiàn)，這與厄爾尼諾事件發(fā)生后引起大氣環(huán)流異常密不可分。

T24_7對(duì)漢江上游降水主要產(chǎn)生負(fù)向驅(qū)動(dòng)作用，該指數(shù)則是通過(guò)影響中國(guó)以江淮地區(qū)為中心的江淮型高溫進(jìn)而作用于降水[27]。A48_1、A56_6和A52_5對(duì)漢江上游降水均表現(xiàn)為負(fù)向驅(qū)動(dòng)，該類(lèi)極渦指數(shù)通過(guò)與南亞高壓進(jìn)行協(xié)同，調(diào)整東亞大氣環(huán)流的配置，進(jìn)而對(duì)長(zhǎng)江流域的降水產(chǎn)生影響[28]。T16_11對(duì)漢江上游降水主要以正向驅(qū)動(dòng)為主，該指數(shù)異常偏高時(shí)，亞洲熱低壓減弱，西太平洋副熱帶高壓加強(qiáng)，位置偏西，進(jìn)一步使得850hPa風(fēng)場(chǎng)上中國(guó)東部地區(qū)為偏北風(fēng)距平，東亞夏季風(fēng)減弱，最終使長(zhǎng)江流域部分地區(qū)降水偏多。T26_9對(duì)漢江流域上游降水主要表現(xiàn)為負(fù)向驅(qū)動(dòng)作用，該指數(shù)與印度季風(fēng)關(guān)系密切，可通過(guò)影響印度季風(fēng)進(jìn)而影響中國(guó)的區(qū)域降水。A85_2對(duì)漢江流域上游降水主要表現(xiàn)為負(fù)向驅(qū)動(dòng)作用，該指數(shù)作用于夏季中國(guó)降水的3條主要雨帶，進(jìn)而影響漢江上游區(qū)域降水。T10_9對(duì)漢江流域上游降水主要表現(xiàn)為正向驅(qū)動(dòng)作用，該指數(shù)異常時(shí)所激發(fā)的中緯度波列使得西路冷空氣隨著西風(fēng)帶槽脊東移，進(jìn)而影響中國(guó)東部降水[29]。

3.2不同降水校正方法分析

結(jié)合篩選后的特征因子，采用S1—S5共5種設(shè)計(jì)方案，分別對(duì)ERA5-Land的再分析降水進(jìn)行偏差校正，校正結(jié)果見(jiàn)圖6（圖中紅色虛線(xiàn)用于劃分訓(xùn)練期與測(cè)試期）?？梢钥闯?，3種傳統(tǒng)的降水校正方法S1、S2和S3訓(xùn)練期的校正結(jié)果正常，但測(cè)試期的校正結(jié)果比實(shí)際明顯偏小，其主要原因?yàn)椋哼@些統(tǒng)計(jì)學(xué)方法預(yù)先假定了降水?dāng)?shù)據(jù)的分布，認(rèn)為數(shù)據(jù)的趨勢(shì)是平穩(wěn)的；S4與上述情況類(lèi)似，訓(xùn)練期擬合良好，但測(cè)試期計(jì)算結(jié)果明顯偏大，表明不考慮遙相關(guān)因子時(shí)，深度學(xué)習(xí)模型捕捉到了降水增加的趨勢(shì)，但存在顯著高估。相比較而言，S5的校正降水與實(shí)際降水曲線(xiàn)擬合良好，散點(diǎn)均勻分布在對(duì)角線(xiàn)附近，表明考慮遙相關(guān)因子可以有效改善深度學(xué)習(xí)模型對(duì)降水的校正效果。

表4進(jìn)一步給出了各方案訓(xùn)練期與測(cè)試期的精度評(píng)價(jià)結(jié)果。當(dāng)不考慮遙相關(guān)因子時(shí)，S2在訓(xùn)練期的效果最好，其次是S4和S1，S3最差。在測(cè)試期，也是S2最優(yōu)，S4和S3次之，S1最差。BO-BiLSTM模型雖然略遜于參數(shù)轉(zhuǎn)換法，但卻可以更靈活地考慮多個(gè)因子。進(jìn)一步考慮遙相關(guān)因子后，S5相對(duì)于S4的各精度指標(biāo)均有了較大程度提升，其測(cè)試期ENS提升了6.8%，ERMS降低了28.8%，EKG提升了15.2%。整體來(lái)看，S5相對(duì)于這4種方法，其測(cè)試期ENS提升了5.6%，ERMS降低了24.6%，EKG提升了11.0%。

3.3其他降水?dāng)?shù)據(jù)集的應(yīng)用

將本研究所提出方法應(yīng)用于其他降水?dāng)?shù)據(jù)集，校正結(jié)果可見(jiàn)表5與圖7。由表5可知，考慮遙相關(guān)因子后，選取的4類(lèi)降水?dāng)?shù)據(jù)集的ENS平均提升了5.4%，ERMS平均降低了24.6%，EKG平均提升了10.5%。由此可知，本研究所提出的方法對(duì)于其他降水?dāng)?shù)據(jù)集具有較好的適用性。進(jìn)一步地，觀察圖7，可以發(fā)現(xiàn)，考慮遙相關(guān)因子后，校正降水與實(shí)際降水在高值與低值處擬合更優(yōu)，如1998年7月與2014年8月的高值降水以及貫穿全時(shí)段的低值降水。特別是MSWEP-V2降水?dāng)?shù)據(jù)集，未考慮遙相關(guān)因子時(shí)，各峰值校正結(jié)果明顯偏大，考慮后得到了顯著改善。以上結(jié)果進(jìn)一步表明，考慮遙相關(guān)因子可有效改善多源降水?dāng)?shù)據(jù)集中極值的校正效果。

4結(jié)論

為有效應(yīng)對(duì)降水?dāng)?shù)據(jù)偏差校正過(guò)程中氣候影響要素考量不足及成因機(jī)制解析不深入的問(wèn)題，本研究以漢江上游為例，基于多源月降水?dāng)?shù)據(jù)與遙相關(guān)因子集，采用XGBoost-SHAP模型進(jìn)行了月降水影響因子的篩選及成因剖析，進(jìn)一步基于BO-BiLSTM構(gòu)建了降水?dāng)?shù)據(jù)偏差校正的深度學(xué)習(xí)模型。主要結(jié)論如下：

（1）大氣環(huán)流類(lèi)指數(shù)對(duì)漢江上游的降水貢獻(xiàn)強(qiáng)于海溫因子與其他因子，其中，北半球副高脊線(xiàn)位置指數(shù)、西藏高原-2指數(shù)和印度副高北界位置指數(shù)等貢獻(xiàn)相對(duì)較高，其影響時(shí)間分別為5個(gè)月、12個(gè)月和5個(gè)月。

（2）與傳統(tǒng)偏差校正技術(shù)相比，BO-BiLSTM的校正精度略低于數(shù)據(jù)轉(zhuǎn)換法，優(yōu)于線(xiàn)性縮放法和分布函數(shù)法，但BO-BiLSTM可以更靈活地考慮遙相關(guān)因子的影響。

（3）在4個(gè)降水?dāng)?shù)據(jù)集中，所述方法具有較強(qiáng)的適用性。與不考慮遙相關(guān)因子相比，其訓(xùn)練期納什效率系數(shù)均在0.9以上，測(cè)試期納什效率系數(shù)平均提升了5.4%，均方誤差平均降低了24.6%，Kling-Gupta效率系數(shù)平均提升了10.5%。

本研究所提方法有效提高了漢江上游多個(gè)數(shù)據(jù)集的降水?dāng)?shù)據(jù)偏差校正精度，可為該地區(qū)月徑流模擬和預(yù)報(bào)及水資源評(píng)價(jià)提供重要的數(shù)據(jù)支撐。今后將繼續(xù)分析該方法在其他區(qū)域的適用性，并進(jìn)一步探索該方法在柵格尺度上的降水或其他水文氣象要素的偏差校正研究，以提供更高精度的水文氣象數(shù)據(jù)產(chǎn)品。