基于計算機的模擬模型在水文學和環境科學中得到廣泛應用（Beven, 2012; Clark et al., 2015）。與實地或實驗室實驗相比，它們在表示復雜的流域系統和支持工程決策方面具有顯著優勢（Wu et al., 2022b）。更重要的是，它們使研究人員能夠系統地探索在現實中難以或無法復現的水文過程和管理方案（Wang et al., 2016; Clark et al., 2017）。過去幾十年中，計算機科學、遙感和監測技術的進步進一步推動了這些模型的發展，提高了它們進行更準確和全面流域模擬的能力（McDonnell et al., 2007; Kumar, 2011; Fatichi et al., 2016）。
在現有的水文模型中，土壤與水資源評估工具（SWAT）已成為全球應用最廣泛的模型之一（Arnold et al., 1998; Tan et al., 2020）。SWAT是一個分布式模型，能夠整合多種數據源（如氣象觀測、土地利用和土壤信息），并模擬多尺度過程之間的相互作用（Jeffrey G. Arnold et al., 2012）。SWAT還得到了強大的社區支持，包括數據準備、建模技術和后處理方面（Gassman et al., 2007; Douglas-Mankin et al., 2010）。例如，ArcSWAT（Winchell et al., 2013）和QSWAT（Dile et al., 2016）提供了用戶友好的GIS界面，簡化了SWAT項目的構建。大量研究也證明了其在流量預測（Wagena et al., 2020; Asadi et al., 2025）、溶質傳輸分析（Han et al., 2024）和最佳管理實踐（BMP）評估（Li et al., 2019; Long et al., 2025）方面的有效性。然而，SWAT的有效使用仍面臨一些挑戰。
SWAT建模不可避免地需要不確定性分析和校準（Beven and Freer, 2001）。不確定性分析有助于了解模型的穩健性和預測的可靠性（Ajami et al., 2007），而適當的校準對于確保模擬的可靠性至關重要（Duan et al., 1992）。在水資源管理中，SWAT模型也越來越與優化算法結合使用，以支持決策制定。然而，參數的高維性、水文過程的非線性和輸入數據的不確定性使這些任務變得復雜。因此，研究人員經常需要多次進行方法測試，以建立可靠的工作流程（Cecconello et al., 2025）。因此，迫切需要一個提供自動化、可擴展工作流程框架的平臺，并支持所需方法的“即插即用”選擇。
SWAT應用的計算負擔不容忽視（Lin and Zhang, 2021）。不確定性分析和校準通常需要數千次模型運行，而優化算法會進一步加重這一負擔。為了解決這個問題，已經提出了幾種策略。例如，Yalew等人（2013）開發了一種工具，將SWAT模型拆分為子模型并行執行，然后合并輸出；而Zhang等人（2017）提出了名為SWATGP的網格化SWAT并行化方法，以加速水文響應單元（HRU）級別的網格建模。另外，一些研究使用替代模型用更高效的統計或機器學習模型來近似SWAT輸出，從而實現快速評估（Razavi et al., 2012）。例如，Wang等人（2014）和Gong等人（2016）分別將高斯過程（GP）模型納入SCE-UA和NSGA-II的評估過程中，并取得了滿意的結果。盡管替代方法效率較高，但它們通常需要額外的訓練工作，并且與基于過程的模擬相比可能會引入近似誤差。相比之下，高性能計算（HPC）和并行化技術的最新發展為加速SWAT模擬提供了新的機會，這些方法似乎更具通用性和可擴展性（Zhang et al., 2013）。在軟件層面，Ki等人（2015）使用OpenMP并行化重新編譯了SWAT源代碼。許多研究還提出了基于并行或云的模擬框架，將大量SWAT運行分布在多個處理器或集群上（Zhang et al., 2016; Ma et al., 2022; Lin et al., 2024）。然而，盡管這些技術在技術上已經成熟，但仍然分散，很少形成一個統一的、面向最終用戶的平臺。
除了計算挑戰之外，高效地與SWAT項目交互和管理也非常困難（Gassman et al., 2007）。具體來說，一個SWAT項目涉及數千個參數文件（如*.gw、*.sol、*.hru、*.mgt），這些文件分布在HRU和子流域中，使得參數識別和修改非常繁瑣。同樣，SWAT輸出存儲在多個結果文件中，按流域段、子流域或HRU組織，每個文件包含各種變量的時間序列數據（如日、月、年數據）。這種分散性增加了數據提取、分析和后處理的復雜性。因此，需要一個用戶友好的平臺來簡化文件系統的管理。理想情況下，所有參數都可以在不同模式下進行修改，包括全局模式或特定子流域、土地利用、土壤或坡度模式。為了有效的水資源管理，用戶還能夠根據SWAT輸出靈活定義自己的目標函數。
近年來，開發了多種工具來支持SWAT生態系統。SWAT-CUP（Abbaspour, 2015）和SWAT+ Toolbox（Bieger et al., 2017）是最常用的工具，特別是在模型校準和不確定性評估方面。然而，這兩種工具都是閉源的，依賴于Windows系統，難以用新方法擴展，并且不支持用戶定義的目標函數。相比之下，開源替代品如R-SWAT（Nguyen et al., 2022）、pySWATPlus（Saló et al., 2025）和SWATrunR（Schuerz et al., 2022）在方法集成和文件級交互方面提供了更大的靈活性。然而，這些工作流程通常需要與異構的第三方庫結合使用，以實現核心算法任務，導致生態系統碎片化，需要大量的集成工作。在最佳管理實踐（BMP）優化等工程應用中，這種限制尤為明顯，因為這些應用需要靈活的參數管理和對復雜多目標權衡的系統性探索。因此，SWAT社區迫切需要一個集成平臺，將不確定性分析、校準和決策導向的優化結合起來。
在這種情況下，本研究提出了SWAT-UQ，這是一個全面、高性能且用戶友好的平臺，專為SWAT建模和決策導向的優化設計。主要貢獻如下：首先，SWAT-UQ將UQPyL作為其核心算法庫。UQPyL是由作者開發的一個開源Python包，為多種方法（如采樣、不確定性分析和優化）提供一致的接口。這種統一的設計使得算法組合更加靈活，并提高了長期的可維護性。其次，SWAT-UQ為決策導向的應用提供了靈活的問題表述機制，通過UQPyL實現多目標BMP優化。第三，為了減輕大規模模擬的計算負擔，我們開發了一個基于隊列的分布式計算框架，通過任務隊列動態調度作業（如參數注入、模型執行和輸出解析）。最后，為了滿足不同用戶的需求，該平臺提供了兩個版本：SWAT-UQ-DEV和SWAT-UQ-GUI。DEV版本發布在PyPI上，允許高級用戶構建可定制的、可復現的工作流程。同時，GUI版本為非專家用戶提供了直觀的界面，降低了使用門檻。兩個案例研究（包括在馮樹壩盆地的模型校準和淮河流域的最佳管理實踐多目標優化）展示了該平臺增強的框架靈活性、計算效率和用戶體驗。
