陆面水文模型是研究流域水问题的重要工具，在水资源管理、水文预报、气候变化评估及生态环境保护等领域中发挥着关键作用。随着陆面水文模型日益复杂，模型参数数量也相应增加，其不确定性对模型应用效果影响显著。传统优化方法用于水文模型参数率定时，通常需要大量运行模型。由于模型复杂度高，参数优化过程往往带来极大的计算负担；此外，高维参数难以通过有限的观测数据加以有效约束，导致优化效果显著下降。针对上述问题，足球彩票水文水资源学院段青云教授团队长期致力于相关科学研究，取得了一系列重要成果，为解决参数率定中的计算效率与精度问题提供了新思路和方法。
（1）提出了能够处理具有混合决策变量优化问题的多目标优化方法
在综合环境建模和管理中，大量多目标优化问题不仅涉及连续决策变量，还包括整数变量和离散变量，此外这些优化问题往往具有各种约束条件。团队提出了一种能够处理具有约束条件的混合变量多目标优化问题的MO-ASMOCH方法。研究结果表明MO-ASMOCH仅需要NSGA-II计算时间的5%-27%，就能够得到相似的优化效果。后续工作利用MO-ASMOCH开展了基于SWAT模型的非点源污染最佳管理措施多目标优化研究，通过高效优化不同管理策略的组合，能够有效减少污染物排放并提升水质管理的综合效益。
图1 基于MO-ASMOCH的四湖流域非点源污染最佳管理措施多目标优化
（2）提出了针对分布式陆面水文模型的多目标优化方法
针对在大尺度区域分布式陆面水文模型率定的高耗时问题，提出了一种创新的空间网格采样策略，并结合传统的参数采样，从而能更有效地建立替代模型来近似目标函数的响应曲面，在此基础上创建了MO-ASMOGS方法。研究利用MO-ASMOGS方法对Noah-MP陆面模式模拟的潜热通量（LH）和总初级生产力（GPP）进行多目标参数优化。研究结果表明，利用MO-ASMOGS方法可以显著改善大部分区域GPP和LH的模拟结果，且只需在10%或更少的网格上运行模型，就可以达到基于全部网格的优化效果，从而大大提高了计算效率。
图2 采用默认参数、MO-ASMO基于全部网格优化的参数、MO-ASMOGS在不同网格采样水平下优化的参数所模拟GPP的RMSE值的空间分布
（3）提出了基于人工智能的分布式陆面水文模型参数学习方法
针对传统的参数率定方法难以有效利用大量模拟和观测信息，从而导致率定后的模拟表现在空间上差异较大等问题。研究团队提出了一种基于生成式人工智能的分布式参数学习方法，该方法通过将原始物理模型变得可微分，以生成对抗网络为框架，从而能够有效利用大量观测数据以及模拟数据中的信息。研究结果表明，该方法能够显著降低分布式陆面水文模型使用默认参数时的模拟误差，能够有效减少大尺度区域几乎全部格点上的模拟误差。此外，相比于传统参数率定范式，所提出的方法能够显著提高模型模拟结果的空间表现。
图3 基于生成对抗网络的参数学习方法示意图
研究工作得到了国家自然科学基金（42101046、51979004）、国家重点研发计划（2021YFC3201102）、水利部重大科技项目（SKS‐2022001）等资助，研究成果发表在《Water Resources Research》《Water Research》《Journal of Hydrology》等水文领域国际著名期刊上。段青云教授为系列论文的通讯作者，硕士研究生龙奥运为系列论文中第1篇论文的第一作者，孙若辰副教授为系列论文中其他4篇论文的第一作者。
论文信息：
[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.
