The low spatial density of streamflow gauging stations limits the accuracy of spatial streamflow estimates in many parts of the world. Strategies to improve runoff estimates in the absence of dense measurements have tended to focus on estimating parameters of runoff models in ungauged regions, through so-called parameter regionalization methods. However, parameter regionalization can be affected by overdependence on calibration at gauged sites, model parameter equifinality, and ensuing estimation errors. As a result, spatial model runoff estimates typically exhibit spatially correlated biases. This analysis attempts to enhance the use of observations in spatial runoff estimation. Specifically, we assessed the potential to reduce systematic errors by spatially interpolating residuals (i.e., errors) between prior grid-based streamflow estimates for Australia at 0.05° × 0.05° grid from the Australian Bureau of Meteorology's calibrated, operational Australian Water Resources Assessment Landscape model (AWRA-L) and streamflow gauging records from 780 unimpeded, relatively small catchments. We analyzed spatial autocorrelation in residuals and tested an efficient two-step correction approach involving a uniform correction and subsequent kriging of residuals. The approach removed an average of 41% of systematic bias in the model estimates and also improved other model performance measures. Further reduction in errors at shorter timescales may be achievable through a temporally hierarchical correction scheme.

中文翻译：

---

异常克里金法有助于消除空间模型径流估计中的偏差

在世界许多地方，流量测量站的低空间密度限制了空间流量估计的准确性。在缺乏密集测量的情况下改进径流估计的策略往往侧重于通过所谓的参数区域化方法估计未测量区域径流模型的参数。然而，参数区域化可能会受到过度依赖于测量地点的校准、模型参数等值性以及随之而来的估计误差的影响。因此，空间模型径流估计通常表现出空间相关偏差。该分析试图加强观测在空间径流估计中的使用。具体来说，我们评估了通过空间内插残差来减少系统误差的潜力（即，澳大利亚气象局校准的、可操作的澳大利亚水资源评估景观模型 (AWRA-L) 在 0.05° × 0.05° 网格上对澳大利亚先前基于网格的流量估计与来自 780 个畅通无阻、相对较小的集水区的流量测量记录之间的误差）。我们分析了残差中的空间自相关，并测试了一种有效的两步校正方法，包括均匀校正和随后的残差克里金法。该方法平均消除了模型估计中 41% 的系统偏差，还改进了其他模型性能指标。通过时间分层校正方案，可以在更短的时间范围内进一步减少错误。澳大利亚水资源评估景观模型 (AWRA-L) 和来自 780 个畅通无阻、相对较小的集水区的流量测量记录。我们分析了残差中的空间自相关，并测试了一种有效的两步校正方法，包括均匀校正和随后的残差克里金法。该方法平均消除了模型估计中 41% 的系统偏差，还改进了其他模型性能指标。通过时间分层校正方案，可以在更短的时间范围内进一步减少错误。澳大利亚水资源评估景观模型 (AWRA-L) 和来自 780 个畅通无阻、相对较小的集水区的流量测量记录。我们分析了残差中的空间自相关，并测试了一种有效的两步校正方法，包括均匀校正和随后的残差克里金法。该方法平均消除了模型估计中 41% 的系统偏差，还改进了其他模型性能指标。通过时间分层校正方案，可以在更短的时间范围内进一步减少错误。我们分析了残差中的空间自相关，并测试了一种有效的两步校正方法，包括均匀校正和随后的残差克里金法。该方法平均消除了模型估计中 41% 的系统偏差，还改进了其他模型性能指标。通过时间分层校正方案，可以在更短的时间范围内进一步减少错误。我们分析了残差中的空间自相关，并测试了一种有效的两步校正方法，包括均匀校正和随后的残差克里金法。该方法平均消除了模型估计中 41% 的系统偏差，还改进了其他模型性能指标。通过时间分层校正方案，可以在更短的时间范围内进一步减少错误。