SWAT模型参数敏感性分析：PAWN与Sobol'方法比较

1. 研究背景与核心问题

水文模型作为水资源管理和环境评估的重要工具，其参数化程度直接影响模拟结果的可靠性。SWAT（Soil and Water Assessment Tool）作为典型的分布式水文模型，其参数空间具有显著的高维特性。根据文献记载，SWAT模型中仅与水量相关的敏感参数就达26个，若考虑水质模块则参数数量可能突破50个。这种高参数化特性带来两个关键挑战：

1. 参数冗余问题：大量参数之间存在复杂的非线性交互作用，例如径流曲线数（CN2）与土壤饱和导水率（SOL_K）对地表径流的协同影响；
2. 计算效率瓶颈：传统参数率定方法（如SCE-UA算法）在如此高维空间中搜索最优解时，需要消耗大量计算资源。

全局敏感性分析（GSA）通过量化参数对输出不确定性的贡献，成为解决上述问题的有效手段。在众多GSA方法中，基于方差的Sobol'方法和基于分布的PAWN方法各具特色：

• Sobol'方法通过方差分解量化参数主效应和交互效应，但计算成本随参数维度呈指数增长；
• PAWN方法通过比较累积分布函数的差异评估敏感性，对样本量的需求相对较低。

本研究聚焦于这两种方法在SWAT模型中的应用比较，旨在回答三个核心问题：

1. 在高维参数空间中，哪种方法能更高效地识别关键参数？
2. 对于非正态分布的模型输出（如极端水文事件），哪种方法更具鲁棒性？
3. 从计算成本角度，哪种方法更适合资源受限的研究场景？

2. 方法原理深度解析

2.1 PAWN方法的数学基础与实现

PAWN方法的核心在于利用Kolmogorov-Smirnov（KS）统计量比较条件分布与无条件分布的差异。其敏感性指数定义为：

$$
T_i = \sup_y |F_Y(y) - F_{Y|X_i}(y)|
$$

其中$F_Y(y)$为无条件输出分布，$F_{Y|X_i}(y)$为固定参数$X_i$后的条件分布。实际操作中通过以下步骤实现：

1. 采样设计：

   • 无条件样本：采用拉丁超立方采样（LHS）在参数空间生成$N_u$个样本
   • 条件样本：对每个参数$X_i$，在其取值范围内选择$n$个固定值，每个固定值下生成$N_c$个样本

2. 分布估计：

   matlab复制[f,~] = ksdensit