针对滨海湿地水文过程复杂、数据稀疏及生态响应非线性等难题，课题组构建了一套集“原位高频监测—物理约束预测—生态群落演替”于一体的湿地水—盐—植被耦合模拟模型，系统解析了黄河三角洲盐沼湿地对水文情势变化的响应机制。
图1 技术路线图
1. 站点尺度：基于物联网（IoT）与可解释机器学习的土壤水盐反演预测
依托IoT原位监测网络高频连续获取土壤体积含水量、盐分及地下水埋深数据。遵循土壤水盐运移规律，构建水—盐两阶段级联机器学习模型（GBDT-RF），实现土壤含水量（）与盐分（
）的高精度预测。结合SHAP值与敏感性分析，定量识别出地下水埋深对土壤水盐的正负向驱动机制及非线性响应阈值（如埋深-0.5 m的饱和阈值与-0.8 m的积盐阈值）。
图2 水—盐两阶段级联机器学习模型（GBDT-RF）预测效果
图3 模型敏感性分析结果
图4 模型对参数的可解释性
2. 区域尺度：物理模型与数据驱动混合的时空外推
为解决稀疏站点向区域尺度外推时的物理一致性问题，将地下水数值模型（MODFLOW 2005，100 m网格）与机器学习相耦合。以1998–2021年长序列模拟的区域地下水位作为物理约束特征输入数据驱动模型，精准刻画了典型水文年（枯水、平水、丰水年）土壤水盐的时空分异。研究证实黄河径流是区域地下水位及水盐格局的主控因子，近河带（<1 km）较内陆带（4–5 km）具有显著的水分补给与排盐优势。
图5 典型水文年（枯水、平水、丰水年）土壤水盐的时空分异
3. 生态响应：水盐驱动下的空间显式植被群落动力学模拟
将区域水盐模拟输出与空间显式元胞自动机（CA）模型耦合，引入物种特异性的生境阈值与种间竞争规则，重构了2013–2021年黄河三角洲四种优势植物（芦苇、柽柳、盐地碱蓬、互花米草）的空间分布与生物量动态。模拟表明，2018年后随淡水输入增加，群落发生显著重组；各物种表现出差异化的空间进退与生物量消长策略。研究发现，植物生物量对环境胁迫的响应均先于空间分布格局的变化，可作为湿地退化的早期预警指标；适度生态补水可有效提升本土物种竞争力并抑制互花米草扩张。
图6 黄河三角洲2013–2021年优势植物生物量动态变化情况
Song J, Yi Y. Spatiotemporal dynamics of salt marsh vegetation communities in response to soil moisture and salinity fluctuations: A coupled modeling approach[J]. Earth’s Future, 2026, 14(5): e2025EF006967.
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.