近年来敏感性分析方法在识别水文模型重要的不确定性因素以及改进模型校准和预测方面引起了极大关注。然而,基于过程的大尺度水文模型的高计算成本使得将定量和全面的全局敏感性分析方法应用于此类复杂模型成为了一种挑战。为了弥补以前的研究的不足,该研究通过将拉丁超立方体抽样方法代替传统的蒙特卡洛随机抽样方法以及定义一组新的分组的参数敏感系数,改进了层级敏感性分析方法。该研究将改进的层级敏感性分析方法运用于三维大尺度的基于过程的水文模型(PAWS)中,并对一个约9,000 km~2的亚马逊流域中三种重要的不确定性因素进行了分析。本研究以蒸散发(ET)和地下水与河流的交换量(Qg)为输出结果,用这两个输出结果的敏感系数来阐明不同不确定性的重要性。本研究表明:(1)参数(尤其是包气带参数)是所有不确定因素中最重要的;(2)气候情景对ET的影响也是不可忽略的;(3)在河流网格单元中,含水层的厚度具有不可忽略的影响。这些结果助于人们理解水文模型中的不确定性因素,并且揭示了在对基于过程的大尺度水文模型进行敏感性分析时考虑多种不确定性因素的必要性,证明了改进的层级敏感性分析方法的可行性。本文为基于过程的大尺度水文模型实施全面的全局敏感性分析方法提供了一个先进的案例。