技术札记：用机器学习元模型开展全局敏感性分析

该文为发表在 Hydrology and Earth System Sciences 的技术札记（Technical note），主题是用机器学习元模型（metamodelling）支撑地球与环境系统模型的全局敏感性分析。材料仅提供标题、期刊与参考文献列表，未给出具体实验设置、案例流域、样本量或结果数值。 从参考文献可见，方法脉络涉及随机森林、XGBoost、LSTM 等机器学习工具，以及 Sobol' 指数、Shapley 效应、SALib、sensobol 等敏感性分析与实现库，并引用 VIC 模型及其代理模型、CAMELS 类大样本率定与代理建模工作。作者另在 Zenodo 发布了配套数据与代码（DOI 10.5281/ZENODO.19222162）。 对水文建模实践而言，其潜在价值在于以元模型降低全局敏感性分析所需的模型运行次数，用于参数筛选与率定前的因子识别；但具体精度、加速比与适用条件需以正文结果为准，当前材料不足以判断。