包气带是地球表面以下，潜水面以上的地质介质，是地下水与大气水、地表水联系的必经通道，也是圈层间相互作用最为敏感、对人类生存的生态环境影响最为巨大的地带。对包气带进行水分和水质的模拟及预测具有重要意义。包气带水分及溶质运移模型需要准确的描述包气带的水力参数。室内实验测量水力参数需要花费大量的人力和物力，当研究对象为深层包气带时，获取用于室内实验测量水力参数的非扰动土样会非常困难。因此，通过间接的手段，如建立土壤粒径成分与土壤水力参数关系的土壤传递函数或者通过反演方法来预测土壤水力参数逐渐得到了广泛应用。Rosetta利用2134个土壤样品，将人工神经网络（Artificial Neural Network）与Bootstrap抽样方法相结合，根据每个土壤样品输入参数由少到多，建立了精度逐渐提高的用于预测土壤水力参数的模型，目前已被广泛用于HYDRUS等软件中，但原Rosetta低估了土壤水力参数在压力水头较大时的含水量值。本论文在重新拟合Rosetta原始含水量-压力水头数据，获得带有权重的土壤水力参数的基础上，通过调整权重，训练带有权重的人工神经网络模型，获得了精度更高，即均方根误差（RMSE）和反应系统误差的平均误差（ME）更小的模型，结果显示带权重的Rosetta H2-H5四个模型中RMSE由0.076至0.044降低到0.072至0.038；ME由0.022至0.013降低到0.0024至0.0061，系统误差得到显著降低。改进的Rosetta模型，改善了原Rosetta模型低估土壤水力参数在压力水头较大时的含水量值的问题。针对难以获得包气带水分运移数值模拟中所有网格结点上的初始含水量的问题，本论文建立了中子仪测数与土壤粒径成分等因子之间的多元线性回归方程，从而利用已知的含水量与中子仪测数的关系式，计算在自然状态下包气带土壤稳定排水结束时的含水量，取得了良好的效果。反演方法（inverse method）是根据观测得到的状态信息，如水位或含水量等，反求模型系统的参数，如饱和渗透系数等信息。传统的反演方法通常将模拟区域划分为多个子区域，每个子区域看作均质区域并给定一个等效的水力参数，通过目标函数值的最小化来优化每个子区域上的等效水力参数。为了进一步优化目标函数，常常需要增加子区域，进而增加模拟区域的非均质性，因而反演的参数和运算时间也相应增加。本论文提出一种新的保留多孔介质非均质性的反演方法，将通用的土壤传递函数，如Rosetta，应用于土壤质地的地质统计模型中，通过与数值反演方法相结合，将模拟区分为若干非均质的子区域，每个子区域进行线性和非线性变换，如使用logistic函数变换，模拟区域在整个空间网格上的水力参数都是不同的，因此这种方法可以在保留多孔介质的非均质性，以及水力参数之间连续性的同时，减少反演模型优化的参数，使目标函数进一步优化。以美国亚利桑那州Maricopa场地为例，在地质统计学分析的基础上，利用残余变异函数分析场地土壤质地数据，建立了包气带非均质、空间三维结构、非稳定数值模型。通过矩分析、基于似然函数的模型评价准则如AIC、AICc和BIC等方法得出：新的反演模型要优于子区域为均质的传统反演方法，与采用相同个数的均质子区域相比，均方误差减少了35%，模拟含水量和观测含水量的R2达到了0.92，证明在数值模拟中保留多孔介质非均质性的优越性。