水文模型输入强迫变异性对全局敏感性分析的影响：基于PESHMELBA模型的土壤湿度敏感性研究

本研究针对传统全局敏感性分析(GSA)忽略输入强迫(如降雨)自然变异性的局限，提出将Sobol'指数视为依赖强迫变异的随机变量，采用多项式混沌展开(PCE)降阶方法，在分布式水文模型PESHMELBA中分析土壤湿度敏感性。结果表明参数排序随强迫条件变化，提出基于聚合敏感性指数(ASI)的统一排序方法，增强了GSA在自然变异条件下的鲁棒性，为水文模型参数优化提供新思路。

　　

水文模型是水资源管理和洪水预测的核心工具，但其可靠性常受制于参数不确定性和自然强迫变异性的双重影响。传统全局敏感性分析(GSA)通常将降雨等外部强迫视为固定输入，忽视了这些强迫固有的随机性，导致分析结果可能仅适用于特定气象条件。这种局限性在气候变化加剧水文极端事件的背景下尤为突出——当模型被用于预测从未观测到的气象场景时，基于单一强迫的敏感性结论可能失效。

法国国家农业食品与环境研究院(INRAE)的Katarina Radi?i?团队在《Environmental Modelling》发表研究，创新性地将Sobol'敏感性指数重构为依赖降雨事件的随机变量，通过多项式混沌展开(PCE)降阶技术和PESHMELBA物理分布式水文模型，系统分析了6个土壤水动力参数对土壤湿度剖面的影响。研究发现：不同降雨事件下参数排序存在显著差异，例如饱和导水率(K_s
)在强降雨时主导敏感性，而Van Genuchten参数(α)在弱降雨时更关键；通过提出的聚合敏感性指数(ASI)整合多事件数据，最终确定残余含水量(θ_r
)为跨情景最稳定敏感参数。这项研究首次实现了"强迫条件-参数敏感性"耦合关系的量化，为水文模型在非平稳气候条件下的应用提供了方法论突破。

关键技术包括：1) 基于PCE的元模型构建，将计算成本降低90%的同时保持Q²

0.9的预测精度；2) 轨迹型Sobol'指数(Trajectory-based Sobol' indices)随机化处理，将21场实测降雨事件作为概率空间Ω的样本；3) ASI指数算法，通过积分参数敏感性在强迫域内的贡献度实现跨情景排序。

案例研究
PESHMELBA模型被应用于模拟法国Auradé实验流域的土壤水分运移，重点关注6个土壤水动力参数：饱和导水率(K_s
)、饱和含水量(θ_s
)、残余含水量(θ_r
)、Van Genuchten参数(α,n)和孔隙连通性参数(l)。外部强迫采用21场实测降雨事件，涵盖从5mm/d的弱降雨到40mm/d的极端事件。

结果分析
在40mm/d强降雨场景下，K_s
的一阶Sobol'指数达0.62±0.08，主导土壤水分动态；而在5mm/d弱降雨时，α参数的交互作用指数S_T
升至0.51±0.06。PCE元模型验证显示所有场景的Q²
系数均>0.85。ASI整合分析揭示θ_r
的跨情景稳定性(ASI=0.41)，因其同时影响干旱期的水分保持和湿润期的排水过程。

讨论与结论
该研究证实水文模型参数敏感性具有"气象场景依赖性"，传统单强迫GSA可能低估参数交互作用的复杂性。通过将Sobol'指数随机化和ASI整合，首次实现：1) 量化自然变异性对参数敏感性的调制强度；2) 识别对全气候谱系稳健的关键参数。这种方法可推广至其他环境模型，特别是面临非平稳强迫的生态系统模型。未来研究可扩展至积雪融雪、蒸散发等多强迫耦合场景，并探索深度学习加速ASI计算的可行性。

这项由Claire Lauvernet和Arthur Vidard指导的工作，为"气候韧性"水文模型开发提供了新范式——不是追求绝对参数最优解，而是识别在气候不确定性下保持稳健性的关键控制因子。这种思维转变对应对日益增多的极端水文事件具有重要实践价值。