土壤入渗是水文循环、农业灌溉与山区地质灾害防控等领域的核心过程。物理入渗模型（如Richards方程、Green－Ampt模型）虽有明确物理基础，但存在方程强非线性、求解复杂、参数获取困难、对初始和边界条件要求严苛等问题；经验入渗模型（如指数型Horton模型、幂律型Modified　Kostiakov模型）虽计算简便，但其适用场景高度依赖土壤类型与观测时长，缺乏统一选择标准。现有的分数阶入渗模型（如TSD模型）虽引入记忆机制，但使用具有较大的限制性，易出现物理意义不合理的负入渗率，稳定性与通用性不足。

针对上述问题，中国科学院成都山地灾害与环境研究所郭晓军研究员团队创新性引入Caputo　分数阶导数与Mittag－Leffler函数，构建了统一分数阶入渗（ML）模型，具体形式为：f（t）＝f_c＋bEα（−λt^α）。该模型通过核心参数α（0＜α≤1）实现指数与幂律衰减过程的平滑过渡：当α＝1时模型退化为经典Horton指数模型，当0＜α＜1时描述＂指数衰减到幂律衰减＂的过渡入渗形式。模型采用粒子群优化结合拉丁超立方抽样的混合算法进行参数寻优求解。

基于全球土壤入渗数据库（SWIG）筛选的605组数据验证表明：ML分数阶入渗模型在84.46％的案例中拟合结果NSE＞0.95，80.8％的数据点相对误差＜20％；模型覆盖9类典型土壤质地，所有土类拟合效果均达到良好以上（NSE≥0.75）；与四种模型（Horton，Modified　Kostiakov，Philip，TSD）对比，ML模型的RMSE（0.73）和MAE（0.54）均为最低，在提高了入渗拟合精度的同时显著降低了模型选择的不确定性。

该研究获得了国家自然科学基金（42322703）资助，成果发表在国际水文学领域top期刊Journal　of　Hydrology上。郭馨艺为论文第一作者。

链接

模型验证数据筛选流程图

ML入渗模型在605组数据中的拟合结果