Page 18 - 2025年第56卷第9期

加，调度决策的维度增长，涉及的变量和不确定性因素也更加复杂。传统基于经验的调度方法难以在
动 态 变 化 情 况 下 高 效 量 化 分 析 复 杂 的 防 洪 风 险 及 其 在 水 库 系 统 内 的 传 递 与 转 移 ， 决 策 调 整 难 度
更大 ［35］ 。
AI 技术，尤其是强化学习为代表的决策控制类的方法，为复杂的水库调度问题提供了新的解决方
案。强化学习通过评估行为对环境状态的影响来逐步优化策略，并在不同情景中不断积累经验。与传
统优化方法不同，强化学习不依赖于一次性找到最优解，而是通过深度神经网络拟合系统状态与决策
动作之间的关系，通过持续学习和策略调整，使得网络逐步逼近理想的决策过程 ［36］ 。近年来，强化学
习在需要复杂决策的多个领域中取得了显著进展 ［37］ 。例如，在无人驾驶领域，无人车通过整合高精度
地图、实时传感器数据和强化学习智能体执行的多情景模拟，能够持续评估并调整决策，以应对复杂
多变的道路环境和突发情况，从而在高度不确定的环境中优化决策的可行性和安全性。
在水库调度中，类似地，通过结合多源观测数据，AI 系统能够实现对水文变化的实时感知和快速
响应。利用水动力模型等手段的精准监测与预演，水库管理者可以实时掌握流域上下游的水文动态，
更准确地模拟洪水对不同区域的影响，并生成针对性的调度方案。然后，如图 2 所示，AI 系统可以利
用多情景模拟训练，生成大量不同的调度方案，并通过自动调用模型工具不断预演可能的效果来优化
调度策略。在这种“模拟—反馈”的多轮学习机制下，AI 系统能够提供更具科学性和灵活性的调度建
议，尤其在应对突发洪水等极端条件时，帮助管理者做出更加迅速、合理的调度决策。
然而，相较于其他复杂系统，水库调度仍存在一些独特的难点。首先，水库调度属于典型的“事
前决策”，需要基于未来降雨的预测信息制定调度策略，但气象预报的不确定性往往导致调度决策面
临较大风险。在现有的调度流程中，通常需要提前预留库容，但未来水雨情的预测并不总是可靠，使
得管理者常常难以在时效性和安全性之间取得平衡。其次，水库调度还涉及主观偏好问题，即管理者
在选择调度方案时常常受到个人经验和判断的影响，因此在水库调度中应更加强调人机协同。通过 AI
的持续预演学习和智能推荐，水库管理者可以获得更科学的调度建议，同时 AI 也可以从交互过程中学
习到管理者的决策偏好，从而逐步优化其推荐方案。
目前，AI 在水库调度决策方面已取得一定进展。例如，AI 可以根据水位、来水量和电价等因素进
行最优调度 ［38-40］ ，并通过模拟系统积累调度经验，以在实际决策中提供高效优化的方案。然而，现有
研究往往对调度边界条件进行简化，多采用确定性预测值，忽视了实时水雨情的动态变化及降雨不确
定性等因素的影响。此外，由于缺乏高质量底板数据，对上下游受影响区域的信息掌握也常常不够充
分。这种处理方式可能导致寻优方案偏离实际优化轨迹，尤其是在应对极端洪水或突发性水文事件
时，难以有效保障上下游区域的安全。此时，过分追求最优解可能并不符合实际需求。

3 人工智能驱动水文预报与水库调度研究的实施路径

AI 在水文预报与水库调度研究中的实施路径，主要围绕“算据、算法、算力”三个核心要素展
开，三者共同构成了 AI 驱动水文及水资源研究的完整框架。算据是基础，为 AI 模型提供高质量的数
据支撑，包括大数据与小数据的整合与优化；算法是核心，通过 AI 与领域知识的深度融合，实现对水
文规律的精准挖掘与水系统决策优化；算力是保障，为数据处理与模型运行提供高效的计算资源，并
通过平台化与软件化推动研究成果的落地应用。三者协同作用，形成从数据获取、模型构建到实际应
用的完整链条，为水文预报与水库调度研究提供了系统化的实施路径。以下分别从算据、算法、算力
三个方面，详细阐述其具体内容。
3.1 算据——大数据与小数据双基础 在 AI 驱动的水文预报与水库调度研究中，数据是智能分析的
核心基础。当前的水文数据资源既展现出遥感等现代观测技术积累的大数据特点，同时也面临区域地
面观测不足、密集感知能力受限的小数据问题。大数据为广域覆盖和长期观测提供了前所未有的信
息，但其质量和精度可能受到传感器性能、数据处理方法等因素的影响，从而带来噪声和干扰，影响

— 1122 —