陸面水文模型是研究流域水問題的重要工具，在水資源管理、水文預報、氣候變化評估及生態環境保護等領域中發揮著關鍵作用。隨著陸面水文模型日益復雜，模型參數數量也相應增加，其不確定性對模型應用效果影響顯著。傳統優化方法用于水文模型參數率定時，通常需要大量運行模型。由于模型復雜度高，參數優化過程往往帶來極大的計算負擔；此外，高維參數難以通過有限的觀測數據加以有效約束，導致優化效果顯著下降。針對上述問題，我校水文水資源學院段青云教授團隊長期致力于相關科學研究，取得了一系列重要成果，為解決參數率定中的計算效率與精度問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優化問題的多目標優化方法

在綜合環境建模和管理中，大量多目標優化問題不僅涉及連續決策變量，還包括整數變量和離散變量，此外這些優化問題往往具有各種約束條件。團隊提出了一種能夠處理具有約束條件的混合變量多目標優化問題的MO-ASMOCH方法。研究結果表明MO-ASMOCH僅需要NSGA-II計算時間的5%-27%，就能夠得到相似的優化效果。后續工作利用MO-ASMOCH開展了基于SWAT模型的非點源污染最佳管理措施多目標優化研究，通過高效優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管理的綜合效益。 

圖1 基于MO-ASMOCH的四湖流域非點源污染最佳管理措施多目標優化

（2）提出了針對分布式陸面水文模型的多目標優化方法

針對在大尺度區域分布式陸面水文模型率定的高耗時問題，提出了一種創新的空間網格采樣策略，并結合傳統的參數采樣，從而能更有效地建立替代模型來近似目標函數的響應曲面，在此基礎上創建了MO-ASMOGS方法。研究利用MO-ASMOGS方法對Noah-MP陸面模式模擬的潛熱通量（LH）和總初級生產力（GPP）進行多目標參數優化。研究結果表明，利用MO-ASMOGS方法可以顯著改善大部分區域GPP和LH的模擬結果，且只需在10%或更少的網格上運行模型，就可以達到基于全部網格的優化效果，從而大大提高了計算效率。

圖2 采用默認參數、MO-ASMO基于全部網格優化的參數、MO-ASMOGS在不同網格采樣水平下優化的參數所模擬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學習方法

針對傳統的參數率定方法難以有效利用大量模擬和觀測信息，從而導致率定后的模擬表現在空間上差異較大等問題。研究團隊提出了一種基于生成式人工智能的分布式參數學習方法，該方法通過將原始物理模型變得可微分，以生成對抗網絡為框架，從而能夠有效利用大量觀測數據以及模擬數據中的信息。研究結果表明，該方法能夠顯著降低分布式陸面水文模型使用默認參數時的模擬誤差，能夠有效減少大尺度區域幾乎全部格點上的模擬誤差。此外，相比于傳統參數率定范式，所提出的方法能夠顯著提高模型模擬結果的空間表現。 

圖3 基于生成對抗網絡的參數學習方法示意圖

研究工作得到了國家自然科學基金（42101046、51979004）、國家重點研發計劃（2021YFC3201102）、水利部重大科技項目（SKS‐2022001）等資助，研究成果發表在《Water Resources Research》《Water Research》《Journal of Hydrology》等水文領域國際著名期刊上。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.