Page 118 - 2022年第53卷第4期

何驱动响应、反馈调节，使生态调度的适应性管理有的放矢。
另一方面，随着科技的发展，先进的测量技术和数值仿真技术可为我们获取海量的水库运行数
据、环境数据和生物数据，而新一代数据挖掘方法和人工智能算法的涌现，则为研究变化环境与鱼
类生态响应、水库生态调度的优化决策等问题提供了一种数据驱动的研究手段。1990 年代末，日本
启动地球模拟器项目，通过超级计算机建设和系列数值计算模型研发，模拟和预测地球系统的大气
环流、海洋环流、气候变化和地壳变动等模式 ［56］ 。我国 2018 年开始建设地球模拟器大科学装置，用
于开展地球系统各圈层大尺度数值模拟工作，2021 年 6 月，长江模拟器示范基地成立，建设目标侧
重于流域尺度生态水文过程、河湖水动力过程和人类活动过程模拟，与地球模拟器相互衔接 ［57］ ，可
模拟预测不同情境下的流域生态环境演变趋势，为未来中长期尺度生态调度策略规划与决策提供科
学依据。21 世纪初，Szkely 等 ［58］ 提出了一种以数据样本的欧几里德距离来衡量变量间相关程度的新方
法—距离相关法（distance correlation，dCor），该方法可以很好探挖掘出变量间非线性和非单调的复杂
关系，且适用于样本容量适中（30～100 个）的情形。Reshef 等 ［59］ 在 Science 杂志提出了一种基于信息论
的最大互信息系数法（maximal information coefficient，MIC），该方法不仅可以准确度量数据变量间的
线性和非线性关系，而且可以识别出周期型、抛物线型、多个函数叠加型等复杂函数关系，甚至可
以挖掘出变量间的非函数关系。人工智能作为 21 世纪的尖端技术之一，在近 30 年来得到快速发展，
并在许多学科领域都得到了广泛应用。在众多人工智能算法中，人工神经网络（Artificial Neural Net⁃
［60］ ［61］
work，ANN，图 6（a）） 、决策树（Decision Tree，DT，图 6（b）） 、支持向量机（Support Vector Ma⁃
［62］
chine and Regression，SVM and SVR，图 6（c）） 在水库调度模拟中的应用最为广泛。近年来，一类新
的人工神经网络算法—深度学习算法，在 2016 年 AlphaGo 围棋人机大战中被广泛关注，并掀起应用
热潮。以循环神经网络（RNN）为代表的深度学习算法，具有强大的时序问题处理能力、深度特征提
取能力，已开始应用于天气预报 ［63-64］ 、水文预报 ［65］ 等领域，并表现出显著优势。Zhang 等 ［65］ 将 RNN 及
其衍生算法长短期记忆网络（LSTM，图 6（d））探索应用于水库调度规则提取与模拟，发现这些深度学
习算法相比传统神经网络算法和 SVR 算法，具有更高的模拟精度（可以较好捕捉到汛期非汛期水库下
泄流量的峰谷值，图 6（e）），更高效的计算效率，且适用于不断更新学习不同需求场景下生态调度方
案所隐含的调度规则。可见，利用这些新工具可为传统学科注入新鲜力量，对于阐释和破解传统学
科难题是一种有益尝试，在探索解析水文过程、河道环境和鱼类行为之间复杂驱动响应关系，以及
生态调度优化方案的自学习、自适应、快速决策支持方面，具有较强的潜力和广阔的前景。

8 结语

鱼类行为和生态调度之间的响应与互馈关系是一个动态、复杂和不确定性的难题，适应性管理
是解决这一问题的有效思路。然而，我国水库的生态调度和适应性管理工作还主要停留在理论探讨
和初步尝试阶段，在机理机制方面还缺乏实质性工作。为此，本文通过国内外研究成果的系统调研
和梳理总结，综述了鱼类产卵的水文驱动条件、鱼类产卵场的水动力特性与行为响应、鱼卵运动特
性与孵化响应、刺激鱼类繁殖的水库生态调度等方面的研究进展，详细剖析了研究过程中所遇到的
适应性管理闭环的顶层设计、人工调度环境下的鱼类行为响应机理研究、刺激鱼类行为响应的水文
过程反馈调节机制构建，以及生态调度实践初期面临的小样本问题等方面难点。在此基础上，笔者
根据多年研究经验与认识，提出了从“驱动力—状态—响应”这一逻辑链条出发，开展“水文过程—河
道环境—鱼类行为”之间复杂响应与互馈关系的研究设想，并对未来多学科交叉融通和新一代计算机
信息技术在本领域的应用前景进行展望。

参 考 文 献：

［ 1 ］ 林俊强，彭期冬 . 河流栖息地保护与修复［M］. 北京：中国水利水电出版社，2019 .
— 492 —