松花江流域是我国重要的农业生产基地，受农业灌溉、融雪径流及复杂地形的综合影响，流域水盐运移过程具有显著的时空异质性。在气候变化背景下，降水与温度格局的持续改变将进一步重塑流域水文循环，加剧盐分迁移风险，对区域水质安全与农业可持续发展构成潜在威胁。然而，现有单一模型方法在大尺度流域水盐动态模拟中存在明显局限，难以同时兼顾物理过程机制与复杂非线性响应的精准刻画。为此，本研究面向松花江流域构建了物理过程模型与机器学习相耦合的水盐运移模拟框架，系统整合水文驱动机制与数据驱动预测能力，并引入可解释性分析方法对关键驱动因子的时空贡献规律进行定量解析。结合多情景气候预测数据，对未来不同气候情景下的流域水盐运移风险开展系统评价。结果表明，耦合模型在多个监测站点均实现了较高的预测精度，泛化能力显著优于对比基准模型。驱动因子分析揭示了水文过程变量对河道盐分动态的差异化贡献及其空间分布规律。未来情景模拟识别了气候变化背景下流域水盐运移的高风险区域与演变趋势。本研究为大尺度流域水盐过程的精细化模拟提供了方法参考，研究结论可为气候变化背景下的流域水资源管理与盐渍化风险预警提供科学依据。

 

松花江流域，水盐运移，SWAT模型，人工智能，气候变化