Page 20 - 2025年第56卷第9期

雷达测站，但雷达数据直接应用于防洪需求仍面临一定挑战，一方面是许多气象雷达未能完全满足水
利需求，另一方面是后续算法处理流程尚不完善。因
此，如何整合硬件制造与应用端需求，建立满足水利
需求的监测体系是关键。如图 3 所示，监测设备的设计
及使用周期包括“研发、测试、使用及维护”4 个阶
段，在供给侧，生产者在研发与测试阶段需充分考虑
需求侧的使用端对设备性能、操作简便性和维护需求
的具体要求。为此，供需双方应通过广泛的交互机制，
根据实际需求开发专项设备，以实现硬件设计与应用
需求的精准匹配。直接面向终端需求研发可望进一步
图 3 监测设备设计及使用周期
提升监测设备在水利行业的实用性和效能。
（2）某 些 监 测 设 备 成 本 较 高 ， 难 以 支 撑 大 规 模 布
设，而水文水资源研究对象通常尺度大范围广。例如，水质监测方面，现阶段的数据采集成本普遍较
高。低成本传感设备的研发和应用，能为广域监测网络的建立提供重要补充。基于 Arduino 等开源硬
件和 3D 打印技术，可以构建价格低廉的传感设备 ［54］ 。例如，基于开源硬件项目 OpenOBS ［55］ ，Lang⁃
horst 等 ［56］ 在成本仅为传统设备十分之一的条件下，成功在几十公里的河流上布设了十多个水质传感
器，测量了温度、压力和浊度，实现了对河流水质的长期高分辨率监测，且表现出与商用设备相近的
精度。又因其低成本和易于部署的特性，适合在偏远或资金有限的地区使用，能够显著提升观测的覆
盖率和实时性。同时，低成本监测与大型监测设备一致，也应遵循图 3 所示的 4 个阶段，以保障研发
设备能更高效服务于生产实际。另一方面，通过机会感知、众包等近乎零建设成本的手段则能进一步
补充监测。例如，可以利用通讯基站信号衰减监测降水 ［57］ 或从社交媒体提取洪水信息 ［58］ ，以弥补传统
监测手段在特定区域的不足。尽管这些数据的质量不及标准化观测数据，但通过多源数据融合等手
段，有望形成真正的泛在感知。
（3）异常和不规则数据可能会使 AI 学习错误规律，因此数据清洗是确保信息质量的关键步骤。气
象水文等领域已有不少研究关注数据异常处理 ［59］ ，AI 算法也常用于数据清洗 ［60］ ，将两者结合有望提供
更可靠的数据清洗方案。在数据共享方面，对于非敏感数据，可以推动标准化数据集的构建和公开共
享；对于敏感数据，可采用联邦学习等方法在保护隐私的前提下进行模型共享与训练。联邦学习不仅
能保障数据安全，还支持多方联合建模，这一方法在水利行业已有研究应用 ［61］ 。
3.2 算法 —— AI 与领域知识双驱动 在大数据与小数据并存的局面下，AI 驱动的水文水资源研究需
要有效整合 AI 与领域知识。不仅需要进一步推进以数据为中心的研究，充分发挥 AI 算法潜力 ［62］ ；而
且应结合领域知识，将 AI 与现有的水文水资源理论有机融合，既利用已有的理论弥补数据不足，也通
过大数据驱动形成新理论 ［63］ 。通过数据和知识的双驱动，为专业领域研究提供更全面的智能支持。
3.2.1 以数据为中心 算据部分主要讨论了数据的特点、获取和处理方式等，本节从算法的角度探讨
如何充分利用数据资源，发挥 AI 在规律挖掘和决策支持中的潜力。
（1）强调以数据为中心，即突出数据质量在模型表现中的核心作用——优质且具有代表性的数据
往往比更复杂的算法更容易带来显著的成果 ［64］ 。以流域尺度水文规律挖掘为例，广泛的数据覆盖与代
表性对于实现共性规律的学习至关重要。当前的大样本水文数据集在流域数量和空间覆盖上具备较好
基础，但流域间的气候、地形、土地利用等特征差异较大，如何确保数据能够充分代表多样性，仍是
关键挑战。因此扩展流域多样性，探索是否有规模效应是需要开展的工作。此外，水循环不仅仅是降
水和径流之间的关系，而且现有驱动因子多为气象变量，可能难以全面描述复杂水文过程，这会制约
AI 在降雨径流关系上的表达。为此，通过引入更多关联变量，增强变量完备性，不仅能完善对物理过
程的表达，还可望借助多变量的相关性，实现数据多变量对数据少变量的增强，在数据不平衡的条件
下，增强对数据不足变量的预测能力 ［65］ 。

— 1124 —