Page 16 - 2025年第56卷第9期

从大量多维数据中挖掘规律，为进行复杂系统建模提供了新思路与工具。
本文首先以挖掘流域尺度水文过程规律和为水库防洪调度提供决策支持两个案例为主，探讨如何
理解 AI 驱动的专业领域研究。接着，结合水文预报与水库调度方向的相关研究进展，讨论分析如何通
过推动专业相关的算据、算法和算力三大关键因素的建设，实现领域内新范式的适应与转变。最后，
总结本文内容并展望未来的发展趋势和挑战。

2 人工智能驱动水文预报与水库调度研究的价值判断

人工智能驱动水文水资源研究的价值判断，可从科学发现与工程实践两个角度展开探讨。在科学
发现方面，AI 通过数据密集型范式有望突破流域尺度水文共性规律的认知瓶颈；在工程实践方面，AI
有潜力通过智能决策重构复杂调度问题的求解路径。本文聚焦流域水文建模与水库防洪调度两个典型
场景，通过讨论 AI 方法与传统范式的效能差异，阐述其革新价值。
2.1 水文规律挖掘——流域水文建模为例 水文学研究范围广泛，微观尺度可小至水质点，宏观尺度
可大至全球水循环，但目前精确表达过程规律的水文学物理方法仅适用于微观尺度，无法直接扩展至
宏观流域尺度 ［17］ ，水文学者在探寻流域尺度水文共性规律上陷入了困境，实验范式、理论范式、仿真
范式等不同模式的研究都无法解决这一难题 ［18］ 。而随着观测技术的不断进步，数据的不断积累，数据
密集范式 ［19］ 给水文研究带来了新机遇，由果寻因的大数据逆向思维为探寻宏观流域尺度水文共性规律
方面开辟了新的路径。
如图 1 所示，传统科学分析范式依赖于研
究者对物理机制的深入理解，通常基于有限的
观测数据和经典的物理公式提出假设，进行验
证和判断。这种方法的优势在于，即便在小数
据条件下也能通过经验和物理意义解释系统行
为，但其在处理复杂高维系统时，往往难以全
面刻画内在关系，且依赖于先验知识的模型构
建可能导致对复杂系统的简化过度。与之对比，
AI 驱动的分析范式的典型特点是数据密集。尤
其是 DL 模型，具备整合海量数据的能力，能够
自动从大数据中提取复杂模式，逼近高维变量
间的复杂关系。这种范式为流域尺度水文规律 图 1 传统与 AI 科研范式的比较
的发掘提供了新的视角和方法。
随着大样本水文研究的发展和开放科学精神的进步，越来越多开放科研水文大样本数据集的出
现，也为数据密集型研究范式在流域水文建模中的应用奠定了基础。例如，美国大气研究中心构建的
CAMELS 数据集包含美国大陆 671 个自然流域的日尺度气象和水文数据，序列长度覆盖三十余年 ［20］ 。
此外，其他国家也构建了类似的数据集，形成了国际性的 CAMELS 系列 ［21-22］ 。与 CAMELS 类似的还有
LamaH 系列 ［23］ 、MOPEX 系列 ［24］ 等数据集。
在此基础上，越来越多的研究开始借助 DL 从原数据中自动提取模式，探索挖掘流域尺度共性水
文规律的潜力 ［25-26］ 。以长短期记忆（Long Short-Term Memory，LSTM）网络为代表的时序 DL 模型，在水
文模拟和预测中展现出与传统模型不同的特点。传统水文模型重视每个流域的独特性，倾向于为不同
流域匹配特定的模型和参数。由于传统模型的参数较少、低维变量表达的函数难以覆盖多样流域的复
杂性 ［27］ 。相比之下，DL 模型可以将降雨-径流关系映射到由大量权重参数构成的高维空间中，通过大
样本数据优化模型参数，寻找描述流域水文过程的共性规律。在 CAMELS 数据集 531 个流域上的研究
结果表明，多流域统一建模的区域 LSTM 模型拟合效果显著优于各流域独立训练的模型 ［28］ ，且该模型

— 1120 —