Page 22 - 2025年第56卷第9期

式。例如，利用代理模型来加速微分方程的求解，可大幅减少洪水河道演进、淹没分析和污染物运移
等复杂模拟的计算时间，快速支持防洪减灾和污染防治的决策 ［73］ 。通过大幅压缩计算时间，这类模型
还能够用于实时调度决策和不确定性分析，为传统模型的计算瓶颈提供了解决方案 ［74］ 。
另一方面，在一个系统中部分环节数据条件不佳，部分过程无法用已有方程准确描述时，可微分
建模（Differentiable Modeling，DM）能将 AI 和过程模型耦合起来，发挥两者各自优势 ［75］ 。DM 通过将传
统的物理模型嵌入可微分编程框架中，允许神经网络替代或优化其中的子过程 ［76］ 。这类模型在利用大
数据学习规律的同时，结合了物理机制方程形成一定约束，使得模型在更合理的可行域内求解。由于
系统过程被分解为若干子过程，从描述子过程的神经网络中提取解释性信息后，能有效提升人们对该
过程的认知，并可望凝练出简洁的方程和理论 ［77］ 。
3.3 算力——从平台工具到软件产品 在 AI 驱动的水文水资源研究中，要充分发挥算据和算法的作
用，离不开算力支持。但对于水利领域研究及应用而言，更重要的并非算力本身的发展，而是如何有效
利用快速发展的算力资源，推动科研发展及其工程应用落地。如图 4 所示，算力资源的应用可以分为三
个层次：一是基础计算设施，即 IaaS（基础设施即服务），二是基于第一层的 PaaS（平台即服务），即数据
模型平台，三是基于平台开发的 SaaS（软件即服务），即面向一线水文工作者，通过软件服务将智能算法
和模型应用转化为可操作的工具。其中，IaaS 层主要提供底层的计算资源，如云端存储、计算集群等，
这类资源通常由企业和政府等共同构建，水文水资源领域学者不需要直接参与 IaaS 的构建，而是依赖这
些基础设施来获取所需的计算能力。在此基础上，水文水资源领域的算力建设更聚焦于后两层。

图 4 算力应用 IaaS、PaaS、SaaS 三者间的联系

水文水资源领域 PaaS 层的建立，主要是通过集成多源数据和多类水文水资源模型的平台化建设，
将复杂的数据处理和建模工作标准化，推动科研中算力使用的简单化。目前已有一些通用的 PaaS 案例
可供借鉴，例如 JupyterHub 计算笔记本环境已被广泛用于科研教学等任务 ［78］ ；在数据方面，NOAA 数
据中心等开放平台为气象和水文等领域研究提供了大量数据支撑 ［79］ ；Google Earth Engine 作为一款成
熟的 GIS 分析平台，也整合了海量数据和基础算法，便于用户快速开展空间分析 ［80］ 。然而，水文水资
源领域仍缺乏成熟的领域专用 PaaS 平台。
水文水资源 PaaS 平台的建设可重点围绕数据和模型两个方面。首先是数据平台建设，面对不同类
型的数据特点，应灵活构建数据分类的管理架构。例如，遥感地学数据体量大且存在时延，因此可采
用成熟的分布式存储系统以确保数据的高效存取和长期可用性；而地面实时观测数据量相对小但要求
响应迅速，可采用时间序列数据库，以加快数据处理速度，实时支持预报预警和调度。其次是模型平

— 1126 —