模型参数智能率定产品系统

混合产流模型在没有实测流量的新流域上缺少初始参数，人工率定依赖经验，也难以判断二十多个参数里哪些真正影响洪水过程。本项目用历史流域的下垫面和已有参数训练模型，给新流域一组可用初值，再筛出重要参数，在合乎物理规则的合法范围内搜索，使模拟流量更接近观测。

流程分四步。第一步整理 DEM、流域与河道、土壤、植被和雨量，生成训练表并处理缺测。第二步用流域特征训练 MLP，一次预测模型所需的所有水文参数，作为无资料地区的初始率定结果。第三步用 Kendall 相关和随机森林重要度给参数打分，只把得分高的参数送入搜索。第四步在参数范围内调用模拟退火、粒子群和贝叶斯优化，每轮运行对应的水文模型程序包，按流量误差保留当前更好的参数组合。遗传算法受基础参数限制，代码中尚未实现。日常对新流域只走「整理数据 → MLP 初值 → 参数搜索」；历史流域重新训练不是默认开放接口，有更新要求时才单独执行。

我负责初始参数模型、重要参数筛选和参数搜索这三段算法，并把它们收成 FastAPI 接口，搜索阶段通过调用已有业务模型，避免重写产汇流。MLP 解决的是冷启动，优化算法解决的是在初值附近继续压低流量误差；重要度用于缩小搜索维度，而不是替代业务模型本身。在参数搜索部分开发了模拟退火、粒子群、贝叶斯优化算法、神经进化算法和Adam算法，分别进行优化，最终对比筛选稳定算法，服务部署在 CPU环境。