唐国强课题组在大尺度水文模拟方面取得新进展

　　传统的水文模型参数优化通常依赖于单流域逐一率定，再通过经验相似性进行参数区域化，以实现跨流域和大尺度的水文模拟。然而这种方法体系复杂、不确定性高，且难以适应大区域、多流域的复杂水文和气候条件。近年来，基于深度学习的水文建模方法（如长短期记忆网络LSTM 和可微分参数学习 dPL）实现了在大样本流域上训练统一模型，显著提高了模型精度和区域化能力。然而，这类方法难以直接应用于传统的、物理过程复杂的水文和陆面模型。

　　针对这一问题，本研究提出了一种大样本模拟器(Large-Sample Emulator, LSE) 方法。通过机器学习构建水文/陆面模型的代理模型，并引入大量流域地理和气候属性作为特征，LSE不仅显著提升了率定流域的径流模拟精度，还实现了对未观测流域的合理参数推演，大幅增强了模型的区域化能力。

　　基于CTSM (Community Terrestrial Systems Model) 的验证表明，LSE在各流域的径流预测精度均优于传统的单点模拟器 (SSE) ，在区域化预测中也显著提升了相对于默认参数的模拟效果。进一步基于 NSGA-II 算法的扩展研究表明，LSE在多目标优化任务中同样表现出良好的适应性。研究还将LSE应用于基于过程的水文模型 SUMMA 和概率性水文模型 HBV，在两者中均取得了比CTSM更突出的率定改进效果，且相较于SSE方法提升幅度更为显著。

　　图3 LSE 优化参数的 KGE′ 改进效果： (a) LSE_all率定参数与默认参数的差值；(b) LSE_CV空间预测与默认参数的差值；(c) 代表率定参数精度提升与预测参数精度提升之间的相关性；(d) 各方法 KGE′ 箱线图对比。