SWAT模型参数率定必知：PAWN与Sobol全局敏感性分析方法对比实战

全局敏感性分析入门：SWAT高参数化模型上PAWN与Sobol方法对比实战

做水文模型的人，十有八九都被“参数敏感性分析”这件事折磨过。尤其是跑SWAT（Soil and Water Assessment Tool，水土评估工具）这类高参数化模型时，动不动就是几十上百个参数，每个参数还有不同的率定区间和物理意义，哪个参数对径流影响大、哪个参数可以干脆固定，不摸清楚就等于盲调。全局敏感性分析正是干这个用的，它跟局部敏感性分析完全不是一回事，局部方法是“动一个参数，其他全锁死”，而全局方法会让所有参数在合理区间里同步波动，把参数间的交互效应一并暴露出来。

常见的全局敏感性分析手段里，Sobol（索博尔）方法用方差分解算出一阶和总阶敏感性指数，理论完备、应用最广；PAWN方法则是Pianosi和Rasmussen提出的另一种思路，它不关心方差，而是看“参数固定后，输出分布的变化”，采用Kolmogorov–Smirnov统计量度量，对输出分布多峰、非平滑的情况特别友好。下面这篇内容，我会围绕“在Matlab环境里基于SWAT模型做全局敏感性分析，比较PAWN与Sobol两种办法”这条主线展开，把两种方法的原理、MATLAB计算流程、SWAT参数界的实操要点、坑和心得全都梳理一遍。适合刚碰SWAT但被参数率定搞得头大的研究生，也适合想从“拿不准敏感性”“凭经验挑参数”转向定量化筛选参数的研究人员。

1. 为什么SWAT这类模型必须做全局敏感性分析

1.1 SWAT参数多、结构复杂，局部方法容易骗人

SWAT模型不是只有一个数学表达式，它是模块化结构：产流、汇流、蒸散发、土壤水、地下水、融雪各算各的。即便只是模拟一个几十平方公里的中型流域，SWAT模拟出来可调参数也常超过30个，常见的敏感参数名包括CN2（SCS径流曲线数）、SOL_K（土壤饱和导水率）、SOL_AWC（土壤有效含水量）、ALPHA_BF（基流Alpha系数）、GW_DELAY（地下水滞后时间）、GW_REVAP（地下水再蒸发系数）、ESCO（植物蒸散发补偿因子）、CH_N（主河道曼宁糙率）、CH_K（主河道有效渗透系数）、SMTMP（融雪最低气温）等等，不同流域主导水文过程不一样，敏感参数顺序也会大不相同。

如果一个一个参数轮流去试，每次只动一个变量、其余参数固定，看似能摸到每个参数的“独立效应”，但SWAT不是线性系统。比如CN2和SOL_AWC之间存在明显的补偿作用：某个参数调大、另一个调小，可能得到几乎相同的径流模拟效果。局部法对这种“交互效应”完全失明，你可能会把一组互补参数误判为“都不重要”，或者高估其中一个的重要性。这就是为什么业内共识是：SWAT参数率定前，先做一遍全局敏感性分析。

1.2 全局敏感性分析的“性价比”比想象中高

很多人觉得全局敏感性分析计算成本高，一个SWAT场景跑一遍可能要几十秒，全局分析要跑几百到几千次模型，一听就劝退了。但仔细算一笔账：SWAT参数率定通常依赖遗传算法、贝叶斯优化等自动率定方法，这类方法一次迭代就需要跑几十到上百次模型，如果带着全部几十个参数盲目上优化器，收敛慢且极易陷入局部最优。而敏感性分析只需要你提前跑一遍几百次仿真的批次任务，得到“哪些参数值得率定”的清单，之后率定集中在几个关键参数上，实际花费的总机时反而大幅下降。

再说，SWAT模型本身并不难做批处理。命令行运行SWAT或使用SWAT-CUP、SWAT+ Toolbox的用户，都可以把参数写成批量配置文件，然后循环调用模型可执行文件，把模拟结果（比如逐月径流）写入到一个汇总文本里。MATLAB在这里的价值不是替代SWAT，而是负责“采样参数–生成配置–校准模拟输出–计算敏感性指数–画图”这套闭环流程。Matlab生态成熟，统计工具箱自带很多采样和分布函数，自己写Sobol和PAWN代码也不难，比起为了敏感性分析专门去学R语言的sensitivity包polyester,MATLAB方案的“最小可行闭环”可能更适合很多人。

1.3 目标不是“跑通代码”，而是拿到一张“参数不敏感性清单”

做敏感性分析，最重要的产出不只是那张“谁最敏感”排序表，更关键的是“哪些参数不敏感”。直接拿全部参数去率定，会让优化器白白增加很多自由度——一个对输出没啥影响但有区间的参数，算法在它身上浪费的迭代次数没有上限。把不敏感参数固定在文献推荐值或本地默认值，你省下的是实打实的工作量，也降低了过拟合风险。后面PAWN与Sobol的对比，核心目的也正是帮你确认：两种方法给出的“敏感/不敏感”结论是否一致？排序是否有显著差异？哪种方法更适合你这个具体场景？

2. Sobol与PAWN的核心算法与设计逻辑

2.1 Sobol方法：用方差分解度量参数贡献

Sobol方法理论基础是ANOVA（方差分析）分解：把模型输出Y的方差拆成单个参数和参数组合的贡献：

Var(Y) = Σᵢ Vᵢ + Σᵢ<ⱼ Vᵢⱼ + … + V₁₂…ₖ

其中Vᵢ代表参数Xᵢ单独引起的方差贡献，Vᵢⱼ则是Xᵢ和Xⱼ交互作用带来的贡献。基于此可以定义两个常用指标：

• 一阶敏感性指数Sᵢ = Vᵢ / Var(Y)：只考虑Xᵢ单独作用，它衡量“如果我知道Xᵢ的真实值，能消除输出总方差的比例”；
• 总敏感性指数STᵢ = 1 − V~ᵢ / Var(Y)：这里V~ᵢ是除了Xᵢ之外所有参数贡献的方差，STᵢ = Sᵢ + Σⱼ≠ᵢ Sᵢⱼ + …，它把Xᵢ与其他参数所有交互效应都算进去了。

Sobol的关键优势是解释性强：Sᵢ和STᵢ都是0~1的归一化指标，Sᵢ直接对应单参数效应，STᵢ−Sᵢ差值大说明该参数与其他参数交互明显。它的主要对齐条件是输入参数相互独立，且模型输出方差有限。SWAT的参数在设计上通常是独立采样的，这一点一般能保证。

实际估算Sobol指数时，最常用的是Saltelli采样方案。它生成两个独立的N×k基础矩阵A和B，再由A、B组合产生k个矩阵A_B⁽ⁱ⁾（第i列取自B），然后在每种采样矩阵上跑模型，总样本数N_samples = N×(k+2)。这里N是基础采样数，k是参数个数。比如参数k=15，N=500，就要跑500×(15+2)=8500次。8500次SWAT若每次跑45秒，那就是100多小时，这还不算读写入库的时间。很多人一开始没意识到Sobol的成本是（k+2）倍，等跑完才发现预算超标。这就是后面PAWN方法值得关注的一个重要原因：它在计算上更省样本，对昂贵模型更为友好。

2.2 PAWN方法：从“方差”转向“分布形状变化”

Pianosi和Rasmussen在2016年提出PAWN方法，他们抓住了Sobol的一个潜在缺点：Sobol是用条件方差来计算敏感性，但方差这个统计量只刻画输出分布的二阶矩。如果模型输出是多峰的、重尾的、或者在某段区间剧烈变化，两个不同参数可能让输出分布形状差异很大，但方差却差不多，此时方差指标会低估参数影响。

PAWN的思路换了个赛道：对每个参数Xᵢ，无条件输出分布F_Y(y)，是这家伙在全局波动时Y的整体分布；条件输出分布F_Y|Xᵢ(y)，是把这个参数固定到某个值xᵢ*后，其他参数随机波动时的条件分布。两者形状差异越大，说明Xᵢ越重要。差异用Kolmogorov–Smirnov（KS）统计量衡量：

KS(xᵢ*) = sup_y |F_Y(y) − F_Y|Xᵢ(y)|

含义就是两条累积分布函数在纵向上的最大差距。如果两条线几乎重合，那固定这个参数对输出分布没啥影响，参数不重要；如果拉开明显口子，重要性就高。

因为KS只在某个固定点xᵢ*计算，PAWN通常取这个参数区间内若干个固定点（一般取10~20个分位数），最终得到一个反映总体影响的统计量，一般用平均值（mean）或中位数（median）汇总，也有用最大值的。中位数比平均值更稳健，适合有异常值时使用。这样一来，PAWN不依赖方差等高阶矩假设，对形分布、非线性、非单调甚至不连续的函数都能保持合理表现。

2.3 两种方法的核心差异对比

从方法论上讲，Sobol是“大家闺秀”，理论完善、文献最多、审稿人认可度最高；PAWN是“实用派”，计算资源紧张、或者你对输出分布形状有疑虑时，它往往能给出更诚实的答案。实际项目里，很多人把两者当成验证工具而非对立选项：如果时间预算充足，两种都算，互相印证；如果只能选一个，先PAWN快速筛查，再用Sobol进一步精细化。

3. MATLAB实现SWAT全局敏感性分析的完整流程

3.1 把SWAT参数与输出文件包装成MATLAB可调用结构

要建立MATLAB与SWAT之间的桥梁，第一步是统一参数配置文件。SWAT模型输入文件分散在TxtInOut目录下，常见的参数文件包括.bsn（流域整体参数）、.sol（土壤数据）、.gw（地下水参数）、.rte（河道参数）、.mgt（管理措施参数）、.hru（水文响应单元参数）等。要做敏感性分析，每轮迭代都需要修改若干参数值并保持其他设置不变，建议做法是：复制一遍TxtInOut模板目录，在MATLAB里写一个函数updateSWATParams(parList, parValues, templateDir, runDir)，里面用文本替换的方式把parList里的参数名对应配置行替换为新值。

这里有个易踩的坑：SWAT的很多参数是以“后缀代码”来修饰的，比如参数名加上.SOL_K(1).sol时才表示修改第一层土壤的饱和导水率，否则可能改到别的土层。你在做参数列表时最好带上完整后缀，不然一次看似正常修改实际上没影响到目标参数，后面的敏感性计算全部失真。我自己的习惯是先用一行参数修改命令，跑一次SWAT，再对比输出文件是否按预期变化，做一次“参数注入自检”，再做正式批量。

输出端同样要标准化。SWAT的标准输出文件是rch（河道输出）和sub（子流域输出），里面积攒了大量变量，比如FLOW_OUT（流量）、SED_OUT（泥沙）、ORGN/ORGP（有机氮磷）等。敏感性的目标函数可以选多年平均径流量、年产流总量、月流量NSE拟合度等。对敏感性分析来说，最省事的做法是写一个readChannelOutput(runDir)函数，只提取你要的那个变量序列，拼成向量返回，后面所有模型调用都统一返回这个向量。

以下是MATLAB里组织批量模型调用和收集输出的核心框架，代码思路接近于一种工程模版：

function y = runSWATModel(params, parDef, cfg) % params: 1 x k 归一化参数向量（0~1或某一区间内） % parDef: k x 1 结构体数组，含.parName, .min, .max for i = 1:length(params) val = parDef(i).min + params(i) * (parDef(i).max - parDef(i).min); updateSWATParams(parDef(i).parName, val, cfg.templateDir, cfg.runDir); end % 执行SWAT可执行文件，例如 % system(fullfile(cfg.runDir, 'swat2012.exe')); % 读取河流输出文件中目标变量 y = readChannelOutput(cfg.runDir, cfg.varName, cfg.varColumn); end

上述函数返回的不是标量，而是整个模拟序列，敏感性计算时你可以自行决定用什么聚合方式，比如mean(y)或sum(y)。但要注意，如果你的敏感性分析是针对“月径流过程”的拟合能力而不是单个标量，那么每一步模型调用后还应计算一个目标函数标量，函数签名直接返回该标量即可。你不需要把SWAT模型嵌入MATLAB内部，只需要在系统层面来回调用，这是最通用的做法。

3.2 采样设计：LHS拉丁超立方与Saltelli矩阵构造

全局敏感性分析的第一步永远是采样。Sobol对样本的均匀覆盖要求比较高，如果直接用随机数生成，容易出现聚类和空洞。最简单可靠的方案是做拉丁超立方采样（LHS）。MATLAB本身没有内置LHS函数，但统计和机器学习的工具箱一般包含lhsdesign或lhsnorm，没有工具箱的可以参考下列代码手工实现：

function X = lhs_sample(N, k, lb, ub) % N: 样本数 % k: 参数维数 % lb, ub: 1 x k 下界和上界 X = zeros(N, k); for j = 1:k u = rand(N, 1); r = (randperm(N)' - 1 + u) / N; % 每维分层均匀 X(:, j) = lb(j) + r .* (ub(j) - lb(j)); end % 可扩展：对每列重新排序，使相关性更低 end

LHS从每层的“区间”里随机抽一个点，保证覆盖性。构建Sobol的Saltelli矩阵时，可以直接在[0,1]空间生成两个独立的LHS矩阵A和B，再复制得到A_B矩阵，最后统一映射到参数物理范围内。

Sobol的计算流程关键代码如下（这里展示一阶和总效应指数的简化估计）：

function [S1, ST] = sobol_indices(Ya, Yb, Yab) % Ya: 基于A矩阵的输出向量，长度N % Yb: 基于B矩阵的输出向量，长度N % Yab: k x N 矩阵，第i行对应A_B^(i)矩阵的输出 [N, ~] = size(Yab'); varY = var([Ya; Yb], 1); S1 = zeros(k,1); ST = zeros(k,1); for i = 1:k % 一阶指数 S1(i) = (mean(Yb .* (Yab(i,:) - Ya)) ) / varY; % 一种常用估计 % 总效应指数 ST(i) = 1 - (mean(Ya .* (Yab(i,:) - Yb)) ) / varY; % 另一常见表达式 end end

注意这里的估算公式有很多等效版本，核心思想都是用交叉乘积消除部分噪声，数学推导可以参考文献Saltelli et al. 2010。直接照搬代码时一定要确认Ya、Yb、Yab的维度对应关系，我在实际跑的时候栽过几次跟头，都是因为矩阵方向写反导致指数算出负值。

3.3 在MATLAB里从零实现PAWN指数

PAWN的实现不像Sobol那样依赖多个矩阵之间的交叉乘积，它可以看作一个“条件分布 vs 无条件分布”的过程，流程非常清晰：

1. 在所有参数随机变化下，用N_base个样本运行模型，得到无条件输出样本Y_uncond；
2. 对目标参数Xᵢ，在参数区间内取m个固定值（例如取5%到95%分位数，等间隔共m=10个点）；
3. 固定Xᵢ为某个值xᵢ*(j)后，其余k-1个参数随机取值，再跑N_cond个样本，得到条件输出样本Y_cond_j；
4. 构造Y_uncond和Y_cond_j的经验累积分布函数（ECDF），计算KS统计量；
5. 最终PAWN指数取这m个KS值的平均值（或者中位数）。

这里m的选取有一个权衡：m太小，固定点代表性不足；m太大，计算量线性增加。经验上取10~20个点，且条件分布样本数N_cond可以与N_base相同。PAWN一个友好的特性是它的总模型运行次数大约是N_base + m×N_base，即等于N_base×(m+1)，与参数个数k无关。比如k=15时，N_base=500，m=10，总共5500次，明显低于Sobol的8500次。如果你的模型运行一次需要40秒，这就是6小时的差别。

PAWN的MATLAB核心计算片段可以这样写：

function pawnIndex = pawn_ks_index(yUncond, yCond) % yUncond: 无条件输出样本向量 % yCond: 条件输出样本向量（当某参数固定在某个水平时） edges = linspace(min([yUncond(:); yCond(:)]), max([yUncond(:); yCond(:)]), 100); ecdf_uncond = ksdensity(yUncond, edges, 'Function', 'cdf'); ecdf_cond = ksdensity(yCond, edges, 'Function', 'cdf'); ksStat = max(abs(ecdf_uncond - ecdf_cond)); pawnIndex = ksStat; % 单个固定水平下的KS值 end

循环完m个固定水平后，取mean(ksStatVector)或median(ksStatVector)即可。如果输出量级很大、数值跨越好几个数量级，可以先做对数变换再计算CDF，这一点很多教程没提，但非常实用。

3.4 成本预算与并行计算安排

SWAT模型逐次跑的时间波动很大，小流域几十秒，大流域或者长时段运行可能要几分钟。在动手前，先做成本测算特别重要。你可以先拿一组参数跑3次，记录平均耗时t_single，然后根据方法估算总运行次数：

% 以k个参数，基础样本数N为例 % Sobol: Ns = N*(k+2) % PAWN: Np = N_base*(num_fixed_points+1)

假定k=15，N=500，PAWN取m=10，N_base=500，则Sobol总运行8500次，PAWN总运行5500次。如果你能并行8个worker，下面代码可以用parallel pool跑：

parpool('local', 8); parfor i = 1:N_total % 根据方法生成第i组参数 y(i) = runSWATModel(params_i, parDef, cfg); end

这里注意：每个worker跑SWAT时必须使用不同的runDir，否则多个SWAT进程同时往同一个目录写入临时文件时容易发生文件锁冲突，导致随机报错或输出损坏。我遇到过最诡异的情况是：parfor跑完后，有约2%的样本重复出现identical数字，一查就是多个worker共用了一个临时目录，互相覆盖了输出。正确做法是为每个worker预先创建独立工作目录，例如runDir_worker{w}，循环里根据parfor的索引映射到对应目录。

3.5 结果可视化：聚类热图、CDF包裹图与排序对比

拿到数据后可以同时尝试三种可视化：

• 普通柱状图对比S1和ST：按S1降序排列，并在ST上用不同颜色标注，很方便看交互效应；
• PAWN指数排序图：将最终PAWN均值或中位数与参数一起排序，观察与Sobol排序的差异；
• CDF对比包裹图：把m个条件CDF和无条件CDF画在同一个画布上，可以看到KS值的来源，特别是分布偏移出现在左尾、中间还是右尾，对解释物理过程很有启发。

画图时建议统一为PDF导出再做后期调整，MATLAB的exportgraphics函数对中文字体支持有限，我一般设置图形字体为英文或用set(gca, 'FontName', 'Times New Roman')，避免投稿时乱码。

4. Sobol与PAWN在SWAT案例中的实际表现对比

4.1 排序一致性与差异：为什么会出现不同结论

我们拿一个典型SWAT案例来说：目标变量是多年月均径流流量，候选参数集中在CN2、SOL_K、SOL_AWC、ALPHA_BF、GW_DELAY、GW_REVAP、ESCO、CH_N、CH_K、SMTMP等10个左右。用Sobol和PAWN同时跑完，通常得到的核心结论是：CN2和SOL_AWC在两种方法下都排在前三，ALPHA_BF、GW_DELAY、GW_REVAP对其他参数相对不敏感时，有些中等敏感参数的两个排序会出现明显漂移。

这个漂移背后的原因，值得细想一下：

• 目标函数类型：如果你用年均径流总量做目标函数，Sobol和PAWN差别往往不大；如果改用月NSE（纳什效率系数）这类非线性、带有阈值特征的目标函数，PAWN会更偏好于影响峰值匹配的参数，Sobol则更偏向于影响平均方差的参数。
• 输出分布特征：SWAT模拟径流的分布经常带有一点正偏态，年份间丰枯差异大。Sobol基于方差，容易被极端丰水年拉高方差贡献；PAWN基于CDF整体形状，对中间段分布差异更敏感。
• 交互项误导ST：当参数间交互强时，Sobol的ST比S1高很多，但哪个参数是交互“主导方”并不直观；PAWN不直接分解交互，但它的KS值在参数固定到某些极端值时可能出现异常大，这正是交互效应的信号。

我建议在汇报结果时，同时报告两种排序，并额外绘制一张“Sobol S1 vs PAWN指数”的散点图，看哪些参数落在对角带之外。落在对角带之外的参数，往往是能继续深挖交互效应或模型结构问题的入口。

4.2 参数数量对样本需求的放大效应

参数的个数k对Sobol的计算量影响是线性的，但实际运行后你会发现，真正需要纳入敏感性分析的参数往往远不止10个，如果为了保险，把土壤、地下水、融雪等全部加进去，可能到30个以上。比如k=30、N=400，Sobol需要400×(30+2)=12800次；PAWN固定10个点、N_base=400，则需要4400次，两者正差距越来越大。

在设计实验时，可以先用PAWN做一轮快速筛选，将参数精简到十来个，再用这个精简后的参数集去跑Sobol，把时间和资源花在“重要参数的精细排序”上。这也是当前很多文献中推荐的两阶段策略。省下的机时可以留给率定和不确定性分析，性价比更高。

4.3 从敏感性结果到参数率定：筛选阈值怎么定

算完敏感性之后，最关键的问题是：哪些参数进入率定环节？

对Sobol方法，常用筛法是基于ST或者S1设定一个阈值（例如ST>0.2或S1>0.1），有时还会配合“ST−S1”大小识别交互参数。PAWN则没有一个天然的0~1虚拟阈值，一般看排序拐点，取前几位贡献最高的，或与Sobol结果取交集。我通常的建议是：宁可少取一个、不要多取无谓参数。少取一个敏感参数，会损失部分拟合能力；但多取一个不敏感参数，会让自动率定算法的搜索维度变高，而且这个参数对目标函数的梯度信息几乎为零，优化器在它上面消耗的迭代完全是浪费。实践中参数数从15个缩减到6个之后，同样的遗传算法收敛速度可能提升两倍以上。

5. 实操避坑清单与常见问题排查

5.1 检查样本注入是否真的生效

敏感性分析的前提是参数注入正确。排查方法很简单：在跑几百次前，先随机选3组参数，分别修改并运行，确认输出确实不同。更严格一点，可以对每个参数单独注入一次，对比输出受影响的趋势是否符合经验判断。例如，CN2增大，径流应当显著增加，如果结果差别微小，多半是参数名没匹配对或单位换算出了问题。

5.2 注意参数分布与取值范围选择

敏感性分析的采样空间直接决定结果。如果你把CN2的范围取为35到98，但实际流域的取值区间是55到75，那么你用Sobol得到的敏感性会偏大，因为CN2在大范围波动时效应当然明显。通常建议参数范围参考SWAT-CUP或率定手册推荐的初始范围，不要随意扩大。另外，有些SWAT参数本质上是地质参数，实际值不可能均匀分布，可以考虑用对数均匀采样，例如SOL_K往往跨越多个数量级，用线性均匀采样会挤压低值区样本，导致敏感性低估，此时先log10再映射是更合适的做法。

5.3 输出为单位差异极大时的标准化问题

如果你关注的是月峰值流量，峰值动辄几百m³/s，而基流只有几m³/s，用原始流量做方差分解时，峰值点的贡献会盖过基流过程。常见处理办法是做log1p变换，或者把目标函数从流量改为NSE、RMSE等非直接流量量纲的指标。PAWN的优势在此刻显现：它对单调递增变换（比如取对数）不敏感，因为它比较的是分布形状，而不是方差绝对值。Sobol的方差分解则对变换敏感，需要谨慎处理。

5.4 PD控制：在Windows与Linux上跑SWAT的差别

在Windows上，SWAT可执行文件.exe通常可以通过system('swat2012.exe')调用，但要保证当前路径设置正确。在Linux高性能计算集群上跑，常常是调用swat2012二进制，还要注意工作目录权限、动态库依赖等问题。建议写一个runSWAT函数，内部用cd(runDir)切换到目标目录再调用可执行文件，避免因路径混乱导致找不到输入文件。遇到不报错但输出为空的情况，先手动进runDir执行一次模型，确认可执行文件能正常运行再回来调试批量脚本。

5.5 随机种子与重复实验

Sobol采样矩阵依赖伪随机数，如果每次跑的结果排序因为随机种子而大翻盘，说明样本量不足。建议固定随机种子（rng(42)），至少重复二次独立采样查看结果稳定性。如果二次结果排序差异较大，需要增大N或者N_base。PAWN也有类似问题，条件样本量N_cond不能太小，否则经验CDF不稳定，KS估计噪声偏大。

5.6 常见错误与快速定位表

下面这个表格是我自己长期实践中整理出来的常见异常特征与可能原因，方便照单排查：

6. 两种方法的选择建议与一点个人体会

研究学习层面，我一定会建议你先把Sobol跑通，因为它是大家最常引用的基准，审稿人看到Sobol指数天然觉得“稳”。但在自己的生产环境里，特别是在SWAT这种单次模拟耗时不短、参数周期又长的模型上，我越来越倾向于先用PAWN做初筛。不是说Sobol不好，而是PAWN在计算成本相同的条件下提供了更稳健的排序信号，而且实现代码量更少、调试更容易。Sobol更适合在PAWN筛选后的关键参数集上做精确的重要性分解，尤其是当你想识别“哪些参数有交互效应”时，Sobol的ST−S1信息是PAWN给不了的。

另外，不要只跑一遍敏感性分析就完事。流域不同时段（丰水期、枯水期、融雪期）敏感参数排序可能完全不同；不同目标输出（径流、泥沙、营养盐）的敏感性清单也差异悬殊。每次模型升级、输入数据更新后，都应该重新做一轮敏感性筛查，否则你的率定参数清单可能已经过期了。实际应用中，我看到很多团队把敏感性分析做成了“一劳永逸”的一次性任务，这是最常见的误区。

在做这个对比研究时，我自己最大的收获其实是：敏感性分析结果本身不是一个“标准答案”，而是一个决策工具。它帮你把精力聚焦在真正影响模型行为的少数参数上，同时也帮你识别哪些地方需要更多实测数据来约束模型（参数敏感但数据匮乏，恰恰是模型不确定性最高的地方）。把这一层想清楚之后，再去比较Sobol和PAWN谁更可靠，就更有针对性了。

如果后面你还想在现有成果上扩展，可以试试这几条路：一是把PAWN和Sobol都嵌入不确定性分析框架，用GLUE或DREAM算法去验证率定后的参数分布；二是对不同子流域分别做敏感性分析，看空间异质性；三是结合事件型洪水过程线和基流分析，把“形状敏感”和“总量敏感”的参数分开讨论。这每一个方向都能让你的模型研究更扎实，也更容易产出新的结论。