《Environmental Modelling & Software》：AI-assisted multi-objective calibration tool for the wflow_sbm hydrological model: Applications in the Nile Basin
编辑推荐：
摘要翻译：
基于Python的Optienv框架实现了wflow_sbm水文模型的多目标校准。在尼罗河源头案例研究中，该框架产生了可解释的Pareto水文过程线解集。可解释人工智能（Explainable AI, XAI）揭示了土地利用类型对水文响应的特定控制
摘要翻译：
基于Python的Optienv框架实现了wflow_sbm水文模型的多目标校准。在尼罗河源头案例研究中，该框架产生了可解释的Pareto水文过程线解集。可解释人工智能（Explainable AI, XAI）揭示了土地利用类型对水文响应的特定控制作用。
论文解读文章：
水文模型校准是获取可信模拟的关键环节，因为模型参数往往无法直接测量，而单一性能指标难以充分表征流域复杂行为。多目标校准（multi-objective calibration）通过同时考虑多个互补准则，为参数估计和校准权衡提供了更丰富的信息。然而，现有模型无关的校准框架如PEST、UCODE、DAKOTA、OSTRICH、SPOTPY等，仍存在模型特异性强、单目标导向、耦合繁琐、可扩展性有限以及缺乏稳健权衡分析等问题。尤其对于计算代价高、参数空间高维的分布式模型wflow_sbm，此前尚无专用的自动化校准工具。因此，研究人员开发了Optienv（OPTImization Environment），一个开源的、基于Python的、模拟器无关的多目标校准框架，并将其应用于尼罗河流域四个水文气候各异的子流域——Gilgel Abay、Lake Tana、Blue Nile和Tekeze-Atbara，以验证其性能、可扩展性和参数敏感性分析能力。
研究人员将Optienv与wflow_sbm模型集成，采用非支配排序遗传算法II（NSGA-II）进行多目标优化，目标函数包括修正的Kling-Gupta效率（KGE′）、对数变换的纳什-苏特克利夫效率（logNSE）和偏差分数（bias score）。七个关键参数（饱和含水量θ_s、土壤入渗能力InfiltCapSoil、土壤厚度SoilThickness、垂向饱和导水率KsatVer、水平饱和导水率比KsatHorFrac、根深RootingDepth、河道曼宁糙率N_River）按土地覆盖类别分区校准。结果表明，Optienv能够识别物理可解释的Pareto前沿，不同流域呈现不同的权衡结构；计算成本与流域面积和分辨率正相关；选定折中解能够再现主导季节性水文过程，但洪峰量级存在偏差；模拟的空间水均衡场分布合理。XGBoost-TreeSHAP敏感性分析揭示，饱和含水量（θ_s）是多数流域的首要控制因素，但其相对重要性的空间分布因流域而异。此项研究首次为wflow_sbm提供了可复用的自动化校准工具，也展示了面向复杂水文模型的AI辅助多目标校准的一般路径。
关键技术方法方面，研究人员利用HydroMT-Wflow工作流构建wflow_sbm模型实例，输入数据包括CHIRPS降水、ERA5潜在蒸散发、GlobCover土地覆盖、MODIS MCD15A3H叶面积指数、SoilGrids 2021土壤属性、MERIT Hydro地形以及HydroLAKES湖泊数据。观测流量来自全球径流数据中心（GRDC）、埃塞俄比亚水资源与能源部（MoWE）、苏丹农业与灌溉部（MAI）以及尼罗河流域倡议（NBI）再分析数据集。校准采用NSGA-II算法，种群规模32，最大10000代，每个模型评估在独立工作目录中并行执行（8个CPU核心）。通过超体积指标监测Pareto前沿收敛性。参数敏感性分析采用XGBoost回归代理模型，并计算SHAP值以量化每个决策变量对目标函数的贡献。Optienv通过CSV文件定义决策变量和目标，以JSON配置文件控制搜索过程，实现了模拟器与优化器之间的轻量耦合。
研究结果部分：
优化行为（Optimization behaviour）：通过绘制四个流域所有迭代的性能散点图，研究人员发现Pareto前沿形态表现出流域特异性。Blue Nile流域中KGE′与logNSE高度协同，但bias score较低；Gilgel Abay和Tana流域在保持较高bias score的同时，KGE′与logNSE之间存在权衡；Tekeze-Atbara流域则主要表现为logNSE与bias score之间的张力。超体积演化显示所有流域在搜索初期信息增益最快，但Tana和Blue Nile尚未完全收敛，Gilgel Abay对初始化位置较敏感，Tekeze-Atbara最早进入平台期。
跨流域计算与校准行为（Cross-basin computational and calibration behaviour）：计算成本随流域面积和分辨率显著变化。Gilgel Abay单次模拟平均约30–34分钟，Tana因采用1km分辨率而最为昂贵（单次模拟2–24小时），Blue Nile和Tekeze-Atbara在3km分辨率下分别约6–11小时和4–7小时。总运行时间主要受wflow_sbm模型本身控制，优化过程开销很小，表明该工作流在不同地貌条件下均能稳健扩展。
选定解的性能（Performance of selected solutions）：研究人员选取距离理想点（1,1,1）最近的折中解进行详细评估。模拟与观测流量对比显示，所有流域的季节性湿润-干燥循环和峰现时间重现良好，但洪峰量级存在系统偏差。Gilgel Abay表现最佳（KGE′=0.83，logNSE=0.84，bias_score=0.99），Tekeze-Atbara最弱（KGE′=0.63，logNSE=0.40，bias_score=0.77）。
空间水文行为（Spatial hydrological behaviour）：选定解的长期平均空间分布图显示，饱和水深度和地下水流能够勾勒出持续的湿度存储带，河道流量沿排水网络有序组织，地表径流突出快速响应区域，空间结构与水文过程概念一致，表明Pareto最优解不仅再现了出口断面行为，也维持了流域内部水均衡的物理合理性。
决策变量相对重要性（Relative importance of decision variables）：XGBoost代理模型在验证和测试集上的R2多在0.72–0.99之间，多数超过0.88，表明其适用于SHAP解释。SHAP结果显示，θ_s是最常见的最重要变量，但不同流域的空间集中度不同：Gilgel Abay和Tana中混合农作物-植被镶嵌地的θ_s主导；Blue Nile的影响分布更广，涉及多个植被-农作物镶嵌类；Tekeze-Atbara中θ_s和根深在草地-森林/灌木镶嵌中主导。这表明校准敏感性始终与土地利用特定存储容量相关，但控制因素的集中度和广度因流域而异。
讨论部分指出，多目标权衡具有流域特异性，Pareto前沿的宽度和质量是判断模型可校准性和转移能力的重要指标。物理上，θ_s在wflow_sbm的SBM垂直概念中发挥一阶控制作用，调节土壤水存储能力并控制快速径流与慢速地下存储之间的分配。不同目标函数对参数重要性的排序并不一致，效率指标更多与θ_s相关，而bias_score更常突出根深和土壤厚度等变量。现有局限包括单节点执行限制了大规模搜索，未来需要扩展多节点、引入GRACE/GLEAM/SMAP等非流量观测目标，并集成更高级搜索算法与嵌入式敏感性分析。
研究结论部分可翻译为：本研究介绍了Optienv，一个AI辅助的多目标校准框架，为外部环境模拟器与优化算法之间提供了可重用且可扩展的接口。在四个尼罗河子流域的wflow_sbm应用中，Optienv识别出水文可解释的Pareto解集，再现了主导季节水文过程，并维持了物理一致的空间水均衡。敏感性分析显示，校准主要受土地利用特异性的存储控制（尤其是饱和含水量θ_s）支配。因此，Optienv不仅是wflow_sbm的实用校准工具，也是面向基于模拟器的模型更广泛AI辅助多目标校准的可迁移框架。未来工作方向包括扩展并行处理能力、集成更先进的搜索算法，并将敏感性分析直接嵌入框架，以推动Optienv发展为更完整的一体化校准环境。
