学术研究报告：大语言模型作为水文模型参数率定代理的可行性与局限性
一、 研究作者、机构及发表情况
本研究由北京师范大学的张良柱、唐叶海、唐雄鹏、高朝、张思龙、徐浩霆，南京水利科学研究院的张建云，以及水利部南京水文水资源自动化研究所的关铁生共同合作完成。研究论文题为“Large language models as calibration agents in hydrological modeling: feasibility and limitations”，发表于《Geophysical Research Letters》期刊，在线发表日期为2026年（文章编号：e2025GL120043）。
二、 学术背景与研究目标
本研究属于地球系统科学、水文科学与人工智能交叉领域。水文模型是理解水循环、预测水资源动态的核心工具，而参数率定是确保模型精度的关键前提。传统的参数率定方法，如基于专家经验的试错法，费时费力；而自动优化算法（如进化算法）虽然提高了效率，但往往计算成本高昂，且容易陷入过度拟合，可能忽视参数物理意义的可解释性，并面临“等效性”问题的挑战——即多组不同的参数组合可能产生相似的模拟效果。
近年来，作为人工智能前沿的大语言模型（Large Language Models, LLMs）在知识理解与逻辑推理方面展现出巨大潜力，并开始渗透到水文学的数据分析、事件诊断与决策支持等任务中。然而，LLMs如何有效融入水文模型构建的核心环节——参数率定，仍处于探索初期。传统率定流程主要受目标函数优化驱动，而LLMs具备整合先验知识和实时自适应学习的潜力，可能更战略性地引导参数空间探索，在计算效率与精度间取得平衡，并生成更符合水文物理认知的参数集。
鉴于此，本研究旨在建立一个初步框架，将最先进的LLMs作为“虚拟水文学家”角色，明确地整合到水文模型参数率定工作流中。具体目标包括：（a）评估LLMs作为率定指导代理的实践可行性及其带来的计算效率提升；（b）批判性地评估LLMs如何保持并潜在增强率定参数的物理可解释性。通过实现这些目标，旨在推动水文建模与LLM工具交叉领域的理论理解，并为水文研究与水资源管理实践提供有意义的方法论改进。
三、 研究详细工作流程
本研究设计了一个基准对比框架，系统评估了LLM指导的参数率定与传统优化算法的性能。具体流程包含以下几个关键步骤：
1. 模型与算法选择及基准建立 * 水文模型：选用广泛应用的可变下渗容量（Variable Infiltration Capacity, VIC）模型作为基准水文模型，并耦合了Lohmann汇流模块。 * 基准优化算法：选择两种成熟的自动化化算法作为性能基准：洗牌复合形进化算法（Shuffled Complex Evolution algorithm, SCE-UA）和非支配排序遗传算法III（Non-dominated Sorting Genetic Algorithm III, NSGA-III）。此步骤作为基线，运行VIC模型与这两种算法，获取参考率定结果，为后续LLM方案的对比评价提供坚实基础。 * LLM代理选择：选取了五种具有代表性的先进LLMs作为“水文专家”代理进行评估，包括：GPT-4o-mini、DeepSeek-R1、DeepSeek-V3、Llama-4-Maverick和Llama-70b。
2. LLM整合框架与提示工程设计 * 研究提出了一个创新的闭环框架，将LLMs嵌入水文建模工作流。其核心是让LLM扮演水文领域专家的角色，负责根据模型模拟的反馈，直接提供参数调整建议。 * 提示工程（Prompt Engineering）：为了激活LLMs的专家角色并充分利用其增强的推理能力（如思维链推理），研究者进行了全面的提示设计。详细设计的提示词包括：明确的角色定义（例如，“你是一名水文专家”）、目标阐述（例如，“目标是最大化纳什效率系数NSE”），以及对VIC模型六个可调参数（如binfilt、Ds、Ws等）物理含义的全面描述。这些提示词作为核心约束，指导LLMs的决策过程。 * 迭代反馈循环：在每次VIC模型运行后，LLMs接收当前模拟的性能指标（NSE、RMSE、Pbias）以及用于视觉比较的日径流过程线。LLMs基于这些诊断信息，结合其内置的知识和推理能力，提供一组新的参数建议。这些建议被输入VIC模型进行下一轮模拟，形成“模拟-评估-建议”的闭环迭代。此过程持续进行，直至达到预定的收敛标准（如连续多次迭代NSE变化小于0.0001）或达到最大迭代次数（1000次）。
3. 实验设置与基准对比实施 * 研究区域与模型配置：研究将流域划分为0.25°×0.25°的空间网格（共88个计算格点）。模型模拟采用日时间步长，包含三年（1961-1963）的预热期以确保初始条件稳定。率定期设置为1964-1977年，以代表天然降雨-径流条件。 * 基准算法设置：为保证充分收敛，SCE-UA和NSGA-III的最大迭代次数设置为5000次。SCE-UA的目标函数定义为1-NSE；NSGA-III则为多目标优化，同时考虑NSE、RMSE和Pbias。 * LLM方案设置：所有LLM均通过API服务调用。LLM方案的迭代上限设置为1000次，以利于与两种基准算法（在同等迭代次数内）的性能进行公平比较。同时设置了早期停止准则。
4. 性能评估与分析方法 * 评估指标：采用纳什效率系数（Nash-Sutcliffe Efficiency, NSE）、均方根误差（Root-Mean-Square Error, RMSE）和百分比偏差（Percentage Bias, Pbias）来评估径流模拟性能。 * 性能剖面分析：为了系统、直观地比较不同方案的相对性能，研究引入了多兰-莫尔性能剖面（Dolan-Moré Performance Profile, DMPP）作为标准化评估方法。DMPP通过计算基于性能指标和计算成本的性能比率的累积分布函数，来评估求解器（即不同率定方案）在一系列测试问题上的整体表现。研究中将“问题集”定义为九个不同的性能标准子实例（如NSE > 0.75，RMSE < 0.50 × RSR等）。 * 参数可解释性分析：为了评估LLM指导的率定决策是否与水文先验知识一致，研究者对表现最佳的LLM（DeepSeek-R1）进行了迭代级别的参数调整分析。他们使用了XGBoost回归器结合SHAP（SHapley Additive exPlanations）归因方法，量化了不同参数对预测NSE的贡献度，从而揭示LLM决策的关注点。 * 统计检验：还进行了McNemar-Bowker检验，以评估不同方案间性能差异在95%置信水平上是否具有统计显著性。
四、 主要研究结果
1. 径流模拟性能评估结果 * 收敛速度与稳定性：不同方案表现出显著差异。表现最佳的DeepSeek-R1（DS-R1）方案在不到100次迭代内，NSE就超过了DMPP设定的“非常好”阈值，并在200次迭代内达到0.89以上，随后快速稳定。其RMSE和Pbias也呈现出类似的快速收敛特征。而两种基准算法SCE-UA和NSGA-III在整个迭代过程中表现出明显的波动，在1000次迭代限制内未能匹配DS-R1的快速高效收敛。 * 最优性能对比：在达到的最优指标方面，DS-R1与SCE-UA获得了相同的最优NSE值（0.895），但在RMSE（196.34 m³/s）上显著优于所有其他方案。虽然NSGA-III的帕累托最优解获得了最低的Pbias（-1.82%），但其RMSE最高（459.14 m³/s），且所需迭代成本最大（2273次）。相比之下，DS-R1仅需865次迭代，远少于SCE-UA所需的1269次。 * 其他LLM表现：DeepSeek-V3初期表现出类似DS-R1的快速收敛趋势，但在约500次迭代后遭遇显著扰动并陷入停滞。其他LLM方案（GPT-4o-mini, Llama-4-Maverick, Llama-70b）则始终未能展现出清晰的收敛或有效的参数优化能力。
2. 模型参数收敛性与分布特征 * 参数波动性：两种基准算法（SCE-UA, NSGA-III）在所有六个可调参数上都表现出最大的变异性，参数值广泛波动，反映了在参数空间中进行枚举式采样以寻找最优解的过程。 * 参数集中性：DS-R1、DeepSeek-V3和Llama-70b对于binfilt和Ws这两个对出口径流高度敏感的参数，其值分布相对集中。这种集中分布与它们能够达到“良好”以上模拟性能的结果相一致。 * 失败案例：GPT-4o-mini和Llama-4-Maverick方案未能有效识别出各自的最优参数范围。例如，文献中通常建议binfilt参数范围在0-0.4之间，与提示词指定的范围（0.0-1.0）部分不同，而这两个LLM方案未能像DS-R1那样，通过推理将参数调整到符合文献知识的有效区间内。
3. DMPP性能剖面分析结果 * DMPP结果清晰地显示，DS-R1方案在所有方案中表现突出。它是唯一一个在性能比率τ=1时达到完美成功率1.0的方案，并在整个性能阈值范围内保持领先优势。 * 其他LLM方案的成功率起点较低（约0.66），随后缓慢提升。而SCE-UA和NSGA-III的成功率轨迹上升缓慢且相当，即使在τ=1000时，也仅能实现约70%的目标。 * 在计算成本方面，DS-R1和DeepSeek-V3在所有目标问题上都表现出“零”额外模拟成本（指在达到相同性能阈值时所需的相对计算量极小），其中DS-R1始终占据最优位置。这表明DS-R1能够以最少的推理调用高效识别高质量参数集，提供了最稳健且计算经济性最佳的解决方案。
4. 参数可解释性模式分析结果 * SHAP归因分析表明，DS-R1在决策过程中，明确地将重点放在了binfilt、soil_d2和soil_d3等对预测NSE贡献最大的参数上。这一发现与参数轨迹图显示的结果一致，即敏感参数在校准早期就被锁定。 * 这种关注模式与已有的水文学理解相符（例如，binfilt控制基流划分，是高度敏感参数）。这强有力地支持了以下结论：DS-R1的优异性能和快速收敛，反映了其对敏感参数进行结构化决策的能力，而非依赖于随机参数搜索。这模仿了专家推理过程，加速了收敛。
五、 研究结论与意义
本研究成功开发了一个将LLMs作为水文专家整合到水文模型参数率定的初步框架，并与两种主流优化基准进行了对比评估。主要结论如下： 1. 可行性得到证实：研究证明，某些先进的LLMs（特别是DeepSeek-R1）能够作为有效的“虚拟水文学家”指导参数率定。DS-R1方案能够以显著更少的迭代次数（少于200次即接近稳定，总迭代865次）有效优化VIC模型参数，同时取得了比SCE-UA或NSGA-III略微更优的精度。 2. 效率与成本优势：性能剖面分析验证了基于LLM的方案（尤其是DS-R1）具备高效且计算经济的收敛能力。 3. 可解释性增强：DS-R1所识别出的参数表现出更清晰的物理可解释性，其调整逻辑与人类专家推理一致。SHAP分析表明其决策聚焦于水文学意义上的关键敏感参数。 4. LLMs性能存在差异：研究也揭示了不同LLMs在此项任务上性能的显著差异性，并非所有先进LLM都表现良好，提示了模型选择与提示工程设计的重要性。
本研究代表了LLMs方法在系统性水文建模工作流中的一项新颖应用，并 conclusive地证明了其有效性。这些发现极大地增强了在传统确定性建模领域应用先进LLMs的信心，为未来更深层次的学科交叉与耦合研究提供了富有洞察力的指导。
六、 研究亮点
七、 未来展望与其他有价值内容
研究在讨论部分指出了未来值得探索的方向： * 鲁棒性与可迁移性验证：需要在不同水文气候和地形条件下的多流域进行系统测试，以评估LLM指导率定的可迁移性和鲁棒性。 * 提示策略深化：采用多目标提示（如通过标量化或词典序规则）是探究LLM方案运行机制的更系统方法。 * 模型复杂性拓展：将地下水-地表水相互作用、冰冻圈过程、汇流动力学等更复杂的水文过程显式表征集成到建模框架中，能够更广泛地测试LLM对复杂地球系统背景下水文过程的适应性。 * 探索决策逻辑：LLM基于校准的功能性成功是明显的，而可解释性分析为部分阐明其内部逻辑（即使是像“抛硬币”一样复杂）提供了途径。这暗示了在先进AI与基于过程的模型推理界面存在一个广阔的研究前沿。
此外，论文的所有实验数据和结果均已公开在Zenodo数据平台，确保了研究的可重复性。作者也声明本研究无相关利益冲突。这些做法体现了开放科学的良好实践。