陸面水文模型是研究流域水問(wèn)題的重要工具，在水資源管理、水文預(yù)報(bào)、氣候變化評(píng)估及生態(tài)環(huán)境保護(hù)等領(lǐng)域中發(fā)揮著關(guān)鍵作用。隨著陸面水文模型日益復(fù)雜，模型參數(shù)數(shù)量也相應(yīng)增加，其不確定性對(duì)模型應(yīng)用效果影響顯著。傳統(tǒng)優(yōu)化方法用于水文模型參數(shù)率定時(shí)，通常需要大量運(yùn)行模型。由于模型復(fù)雜度高，參數(shù)優(yōu)化過(guò)程往往帶來(lái)極大的計(jì)算負(fù)擔(dān)；此外，高維參數(shù)難以通過(guò)有限的觀測(cè)數(shù)據(jù)加以有效約束，導(dǎo)致優(yōu)化效果顯著下降。針對(duì)上述問(wèn)題，我校水文水資源學(xué)院段青云教授團(tuán)隊(duì)長(zhǎng)期致力于相關(guān)科學(xué)研究，取得了一系列重要成果，為解決參數(shù)率定中的計(jì)算效率與精度問(wèn)題提供了新思路和方法。

（1）提出了能夠處理具有混合決策變量?jī)?yōu)化問(wèn)題的多目標(biāo)優(yōu)化方法

在綜合環(huán)境建模和管理中，大量多目標(biāo)優(yōu)化問(wèn)題不僅涉及連續(xù)決策變量，還包括整數(shù)變量和離散變量，此外這些優(yōu)化問(wèn)題往往具有各種約束條件。團(tuán)隊(duì)提出了一種能夠處理具有約束條件的混合變量多目標(biāo)優(yōu)化問(wèn)題的MO-ASMOCH方法。研究結(jié)果表明MO-ASMOCH僅需要NSGA-II計(jì)算時(shí)間的5%-27%，就能夠得到相似的優(yōu)化效果。后續(xù)工作利用MO-ASMOCH開(kāi)展了基于SWAT模型的非點(diǎn)源污染最佳管理措施多目標(biāo)優(yōu)化研究，通過(guò)高效優(yōu)化不同管理策略的組合，能夠有效減少污染物排放并提升水質(zhì)管理的綜合效益。 

圖1 基于MO-ASMOCH的四湖流域非點(diǎn)源污染最佳管理措施多目標(biāo)優(yōu)化

（2）提出了針對(duì)分布式陸面水文模型的多目標(biāo)優(yōu)化方法

針對(duì)在大尺度區(qū)域分布式陸面水文模型率定的高耗時(shí)問(wèn)題，提出了一種創(chuàng)新的空間網(wǎng)格采樣策略，并結(jié)合傳統(tǒng)的參數(shù)采樣，從而能更有效地建立替代模型來(lái)近似目標(biāo)函數(shù)的響應(yīng)曲面，在此基礎(chǔ)上創(chuàng)建了MO-ASMOGS方法。研究利用MO-ASMOGS方法對(duì)Noah-MP陸面模式模擬的潛熱通量（LH）和總初級(jí)生產(chǎn)力（GPP）進(jìn)行多目標(biāo)參數(shù)優(yōu)化。研究結(jié)果表明，利用MO-ASMOGS方法可以顯著改善大部分區(qū)域GPP和LH的模擬結(jié)果，且只需在10%或更少的網(wǎng)格上運(yùn)行模型，就可以達(dá)到基于全部網(wǎng)格的優(yōu)化效果，從而大大提高了計(jì)算效率。

圖2 采用默認(rèn)參數(shù)、MO-ASMO基于全部網(wǎng)格優(yōu)化的參數(shù)、MO-ASMOGS在不同網(wǎng)格采樣水平下優(yōu)化的參數(shù)所模擬GPP的RMSE值的空間分布

（3）提出了基于人工智能的分布式陸面水文模型參數(shù)學(xué)習(xí)方法

針對(duì)傳統(tǒng)的參數(shù)率定方法難以有效利用大量模擬和觀測(cè)信息，從而導(dǎo)致率定后的模擬表現(xiàn)在空間上差異較大等問(wèn)題。研究團(tuán)隊(duì)提出了一種基于生成式人工智能的分布式參數(shù)學(xué)習(xí)方法，該方法通過(guò)將原始物理模型變得可微分，以生成對(duì)抗網(wǎng)絡(luò)為框架，從而能夠有效利用大量觀測(cè)數(shù)據(jù)以及模擬數(shù)據(jù)中的信息。研究結(jié)果表明，該方法能夠顯著降低分布式陸面水文模型使用默認(rèn)參數(shù)時(shí)的模擬誤差，能夠有效減少大尺度區(qū)域幾乎全部格點(diǎn)上的模擬誤差。此外，相比于傳統(tǒng)參數(shù)率定范式，所提出的方法能夠顯著提高模型模擬結(jié)果的空間表現(xiàn)。 

圖3 基于生成對(duì)抗網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)方法示意圖

研究工作得到了國(guó)家自然科學(xué)基金（42101046、51979004）、國(guó)家重點(diǎn)研發(fā)計(jì)劃（2021YFC3201102）、水利部重大科技項(xiàng)目（SKS‐2022001）等資助，研究成果發(fā)表在《Water Resources Research》《Water Research》《Journal of Hydrology》等水文領(lǐng)域國(guó)際著名期刊上。段青云教授為系列論文的通訊作者，碩士研究生龍奧運(yùn)為系列論文中第1篇論文的第一作者，孫若辰副教授為系列論文中其他4篇論文的第一作者。

論文信息：

[1] Long, A., Sun, R., Mao, X., Duan, Q., & Wu, M. (2025). Surrogate modelling-based multi-objective optimization for best management practices of nonpoint source pollution. Water Research, 269, 122788.

[2] Sun, R., Pan, B., & Duan, Q. (2024). Learning distributed parameters of land surface hydrologic models using a Generative Adversarial Network. Water Resources Research, 60(7), e2024WR037380.

[3] Sun, R., Pan, B., & Duan, Q. (2023). A surrogate modeling method for distributed land surface hydrological models based on deep learning. Journal of Hydrology, 624, 129944.

[4] Sun, R., Duan, Q., & Mao, X. (2022). A multi-objective adaptive surrogate modelling-based optimization algorithm for constrained hybrid problems. Environmental Modelling & Software, 148, 105272.

[5] Sun, R., Duan, Q., & Huo, X. (2021). Multi-Objective Adaptive Surrogate Modeling‐Based Optimization for Distributed Environmental Models Based on Grid Sampling. Water Resources Research, 57(11), e2020WR028740.