研究面向黄河三角洲浅层土壤盐度预测。河流径流、地下水与潮汐共同造成显著的水盐时空异质性，而完全分布式溶质运移模型通常具有较高的数据和计算需求。研究将经校准的地下水流模型与机器学习耦合。过程模型输出地下水位等具有物理约束的特征，机器学习模型据此预测土壤水分和盐度。验证覆盖2002、2003、2018和2021四个水文条件差异显著的年份。
研究结果表明，随机森林模型对浅层土壤盐度的预测效果最佳（R² = 0.875，RMSE = 2.585 g/kg），且在丰、枯水年条件下均表现出较好的稳定性。与最干旱的2002年相比，最湿润的2021年地下水位上升约2 m，高含水量区域扩大约30%，浅层土壤平均盐度降低约40%；距河道不足1 km的区域较距河道4–5 km的内陆区域含水量高25%–28%，盐度低15–20 g/kg，揭示了径流和河道距离对河口土壤水盐格局的显著影响。
物理过程地下水模型与机器学习模型的混合预测框架。地下水模型输出的地下水位作为机器学习的重要预测特征
Song J, Yi Y. Enhancing predictability of estuarine soil water-salt dynamics using a hybrid physical-machine learning model framework[J]. Engineering Applications of Computational Fluid Mechanics, 2026, 20(1): 2675819.