随着陆面模式的日益复杂化，参数校准面临严峻挑战。传统优化算法在计算成本和空间泛化能力方面存在局限，而基于深度学习的优化框架——可微分参数学习（dPL）在降低计算成本的同时，提高了空间泛化能力。然而，dPL 生成的参数在增强陆面模拟方面的有效性尚需进一步验证。为此，本文提出了一种基于深度学习的自适应参数学习（APL）框架，以优化 Common Land Model（CoLM） 的关键参数，并用于模拟东北地区高分辨率土壤湿度。我们首先构建了一个长短期记忆网络作为替代模型，以捕捉CoLM 关键参数、气象强迫数据与土壤湿度模拟之间的关系。基于dPL框架的初步参数优化在一定程度上提升了土壤湿度模拟的准确性，但同时暴露出替代模型与基于过程的陆面模式（CoLM）之间的性能差异。针对这一问题，APL框架在dPL的基础上进一步优化，通过扩展训练数据集并进行迭代训练，不断提升替代模型对CoLM物理过程的近似能力，从而获得更稳健的参数估计。为了全面评估APL框架的有效性，本文采用偏差、均方根误差、相关系数和Kling-Gupta效率四个指标进行模拟性能对比。结果表明，APL在所有指标上均优于dPL，同时这两种深度学习优化框架均能够提供稳健的参数估计。本研究强调了深度学习驱动的参数优化框架在陆面模式中的潜力。APL框架不仅提升了计算效率，还增强了模型的空间一致性，并提高了对气象强迫和参考数据不确定性的适应能力，从而有效克服了传统参数校准方法的不足。

CoLM陆面模式,深度学习,参数优化,土壤湿度