陆面水文模型是研究陆地水循环过程变化的重要工具，然而这些模型通常包含大量不确定且异质性高的分布式参数，其取值对模型性能有着至关重要的影响。传统的参数率定方法需要依赖预设的目标函数，从而将大量模拟和观测信息压缩为单一目标函数值，从而导致率定后的模拟表现在空间上差异较大等问题，限制了模型在实际应用中的精度和可靠性。

针对这一问题，我院孙若辰副教授所在团队提出了基于人工智能技术的解决方法，并在水文领域权威期刊Water Resources Research及Journal of Hydrology上发表了题为《Learning Distributed Parameters of Land Surface Hydrologic Models Using a Generative Adversarial Network》和《A Surrogate Modeling Method for Distributed Land Surface Hydrological Models based on Deep Learning》的论文。论文通讯作者为我院段青云教授，合作者为中科院大气物理研究所潘宝祥副研究员。

研究团队创新提出了一种基于生成对抗网络（GAN）的分布式参数学习方法（GAN-PO）。该方法利用一个判别网络来分辨模拟和观测结果，并利用生成网络产生空间连续的参数场，通过反复训练生成器和判别器，最终最小化模拟结果与观测数据之间的差异。通过引入基于深度卷积自回归神经网络的替代模型，使原始物理模型变得可微分，研究团队成功地将GAN-PO应用于淮河流域VIC对于蒸散发的模拟中。研究结果表明，GAN-PO方法显著降低了VIC使用默认参数模拟ET时的误差，几乎在整个研究区域内均实现了误差的减少。此外，相比于传统方法，该方法能够提高模型模拟结果的空间表现。本研究为水文模型的参数估计提供了新的视角，可为变化环境下的陆地水循环研究提供重要的工具。

论文信息：

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

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.

图1. GAN-PO方法示意图

图2. 基于深度卷积自回归神经网络的替代模型示意图