融雪径流是寒冷干旱地区水资源的主要来源，水文模型为这些地区的水资源管理提供了有用的工具。在缺乏水文气象监测数据的干旱地区，对大尺度数据进行降尺度是获取水文模型输入数据的重要方法。在本研究中，我们使用融雪径流模型（SRM）模拟策勒河流域的融雪径流，并将大尺度降水和温度数据降尺度，用作SRM的输入。不同的降尺度方法会生成不同的降水和温度数据，造成融雪径流建模中的降尺度不确定性。为了评估降尺度不确定性，选择了四种常用的降尺度方法，并使用贝叶斯叠加（Bayesian Stacking）获得综合的预测结果来减少降尺度不确定度。此外，我们进行了马尔可夫链蒙特卡罗模拟，以校准模型参数并生成四种基于不同降尺度方法的SRM的预测结果。四个指标用于评估四个SRM和贝叶斯叠加在每日和每月径流预测中的性能。结果表明，四种降尺度方法在径流预测中的性能不同，并且在所有评价指标上，没有一种降尺度法在径流预测方面优于其他方法。模型参数和降尺度方法分别占径流预测不确定性的45.62%和54.38%。因此，降尺度可能会导致融雪径流建模中不可忽视的不确定性。贝叶斯叠加（Bayesian Stacking）在日径流和月径流预测中取得了良好可靠的性能，有效降低了融雪径流建模的不确定性。
 

融雪径流模拟,不确定性,降尺度,贝叶斯叠加