武汉大学程磊团队WRR最新研究成果：基于Budyko约束机器学习的全球径流划分研究-

准确地将径流（Q）划分为其主要组成部分——基流（Qb）和快速流（Qq）——对于水资源管理和洪水及干旱应急管理至关重要。将基于物理过程的模型与机器学习（ML）相结合的方法已在全球径流估算中显示出潜力，然而，这种“混合”方法尚未用于基流估算。本文提出了一种结合基于物理的Budyko框架与机器学习的基流估算方法，通过引入基流系数（BFC）曲线作为物理约束。原始Budyko曲线和新开发的BFC曲线的参数基于13个气候和地理特征，采用提升回归树（BRT）模型进行估算。BRT模型在全球1,461个流域进行训练和验证，随后应用于全球陆地表面，空间分辨率为0.25°。模型在验证阶段表现优异，径流和基流的R²值分别为0.96和0.91。结果表明，全球陆地降水中平均有35.3%（819 mm/年）被划分为径流（292 mm/年），其中基流占19.6%（162 mm/年），快速流占15.7%（130 mm/年）。在分析的13个气候和地理特征中，植被属性是Budyko参数α的主要控制因素，而土壤属性则主要控制BFC曲线中的Qb,p参数，尽管这些主导因素在全球流域中存在显著的空间变异性。总体而言，本研究提出的框架为全球径流划分提供了数据集和方法，同时揭示了流域特征如何控制这一水文过程。

全球平均径流组成:长期年均降水中有 35.3 % 转化为径流（292 mm yr⁻¹），其中 基流占 19.6 %（162 mm yr⁻¹），快速流占 15.7 %（130 mm yr⁻¹）。基流与快速流对河川径流的贡献几乎同等重要。

Budyko-机器学习混合框架有效:将 Budyko 曲线与新建的基流系数（BFC）曲线作为物理约束，嵌入提升回归树（BRT）机器学习后，显著提高了估算精度与物理一致性。径流验证 R² = 0.96，RMSE = 51 mm yr⁻¹基流验证 R² = 0.91，RMSE = 49 mm yr⁻¹均优于无物理约束的“纯机器学习”模型。

主导驱动因素具有明显区域差异:Budyko 参数 α：42 % 的流域以植被属性（LAI、NDVI、根系深度）为主控因子；山区则以高程/地形为主。BFC 参数 Qb,p：52 % 的流域以土壤孔隙度为主控因子；人类活动指数在人口密集区影响显著。

全球基流数据集与现有产品差异大:本研究基流（162 mm yr⁻¹）处于两套主流数据集之间：GSCD（244 mm yr⁻¹）可能高估,ERA5-Land（88 mm yr⁻¹）明显低估。空间相关系数表明，本研究在空间变率上与 GSCD 更接近，在量级上与 ERA5-Land 更一致，凸显全球基流估算仍存在较大不确定性。

特殊区域需区别对待：连续多年冻土区，降水低估+数字滤波失效，被整体剔除；敏感性分析显示对全球 BFI 影响 < 0.04。资料稀缺区（高纬度、北非、中亚）：模型凭借训练区可迁移性仍能提供合理估计，但需谨慎解释。

Cheng, S., Hulsman, P., Koppa, A., Beck, H. E., Xia, J., Xu, J., Cheng, L., & Miralles, D. G. (2025). Global runoff partitioning based on Budyko‐constrained machine learning. Water Resources Research, 61, e2025WR039863. https://doi.org/10.1029/2025WR039863