近期，弹珠台游戏 杨志峰院士团队谭倩教授课题组在水资源领域旗舰期刊Water Resources Research 上发表题为“A Hybrid Bayesian Data Fusion Framework to Enhance Watershed Nitrogen Modeling by Integrating In-Situ Observations with Spatial Inversion Data”的研究论文。谭倩教授为论文通讯作者，弹珠台游戏 硕士研究生周顺平和杨盼教授为论文共同第一作者。

【中文摘要】

基于过程的流域模型需要可靠且具有空间分布特征的数据，以实现总氮（TN）的精确模拟。然而，传统的模型校准往往受限于稀疏的原位监测网络，从而导致显著的估计误差与偏差，在无资料子流域中尤为严重。尽管新兴的空间反演数据能够提供高分辨率的TN观测信息，但其复杂、异质且非平稳的误差结构，给将其严密地整合进基于过程的模型中带来了挑战。为解决这一问题，本研究提出了一种反演-观测混合贝叶斯数据融合（HIOBF）框架。该框架引入了地理驱动的空间外推模型，以表征无监测区域的反演数据误差，从而将高分辨率的空间反演数据与传统的点尺度实测数据进行系统性融合。我们在中国东江流域基于水土评估工具（SWAT）模型对该框架进行了应用与测试。独立验证结果表明，通过协同反演数据的空间覆盖优势与站点实测数据的时间精度，与仅依赖实测站点的传统基准方案相比，HIOBF框架显著降低了参数不确定性，并将纳什效率系数（NSE）平均提升了55%。本研究提供了一套可迁移的方法论，为数据匮乏条件下的水资源管理提供了一种稳健的手段，不仅有效提升了模拟精度，还提供了合理的不确定性评估。

【创新发现点】

1.研究首次为流域尺度总氮（TN）模拟开发了混合反演-观测混合贝叶斯数据融合（HIOBF）框架，系统融合反演数据的空间覆盖优势与实测数据的时间精度，该框架显著降低了SWAT模型的参数不确定性，总氮浓度模拟纳什效率系数（NSE）平均提升高达55%。

2.研究提出基于子流域地理和水文特征的空间外推新机制，针对无水质监测区域空间反演数据误差难以量化的问题，成功实现了反演数据误差结构的可靠量化与贝叶斯似然函数的严密构建。

3.研究证明，融合框架的性能提升源于不同类型信息的优势互补，在原位监测站点越少的极端条件下，引入空间反演数据对模型精度的相对提升贡献越发显著。

【关键图示】

图1.结合空间外推与贝叶斯数据融合的SWAT模型参数校准框架示意图

图2.不同贝叶斯数据融合情景下独立验证站点的总氮（TN）模拟性能比较

图3.不同数据融合情景下所选总氮敏感参数的累积分布函数（CDF）

【原文链接】：//doi.org/10.1029/2025WR041979

供稿：周顺平

初审：陆丽莹

复审：梁赛

终审：马金星