《Environmental Modelling & Software》：The Transformative Role of Artificial Intelligence in Water Resources Engineering: A Comprehensive Review
编辑推荐：
人工智能在水资源工程中的应用综述，涵盖机器学习、深度学习等方法在流量预测、水质评估、洪水干旱管理等领域，强调AI与物理模型的协同及未来研究方向。
Muhammad Rashid|Adan Saeed|Mohiq Khalid|Aniqa Murtaza|Muhammad Waqar Saleem
密苏里大学土木与环境工程系，哥伦比亚，MO 65211，美国
摘要
人工智能（AI）通过解决水文循环中的复杂预测、控制和决策问题，正在重塑水资源工程。本文综述了如何利用核心AI技术（包括监督学习、无监督学习、强化学习、深度学习（ANNs、CNNs、RNNs、Transformers）、模糊逻辑以及混合方案）来进行流量和降雨-径流预测、水质评估、洪水和干旱风险分析、精准灌溉、城市水资源管理（需求、泄漏、处理）、地下水管理、气候影响分析以及水库调度。报告中的成果包括更高的预测准确性、运营效率以及成本节约，这些都支持了更可持续的水资源管理。同时，我们也指出了存在的持续挑战：数据稀疏和噪声问题、解释难度大、部署成本和技能障碍，以及围绕偏见、责任和隐私的伦理问题。展望未来，重点发展方向包括可解释AI、具有弹性的混合物理模型、与物联网（IoT）和遥感的更紧密结合，以及针对数据稀缺性的原则性策略。我们主张采用严格、透明且跨学科的方法来实现AI的益处，同时保障水资源的安全和公平性。
引言
全球水资源正面临前所未有的压力，这些压力由多种因素共同作用导致，包括人口持续增长、气候变化的广泛影响、快速的城市化以及历史上不可持续的消费模式（Tinazzi, 2024）。这些压力表现为水资源短缺加剧、水质恶化、洪水和干旱等极端水文事件频发且强度增加，以及各行业对有限水资源的竞争加剧。传统的水资源管理方法往往是在水资源相对充足和气候相对稳定的时代发展起来的，越来越难以应对这些复杂、相互关联且动态变化的挑战（Khan et al., 2024）。传统方法通常无法处理大量数据及其快速变化的特点，也无法捕捉水系统的非线性特性以及需要实时做出的决策。为了解决这些问题，水文学研究逐渐从基于经验和物理的建模转向了能够直接学习的方法。基于过程的模型和统计模型对于因果关系的理解至关重要，但它们往往需要详细参数化，假设简化严重，且无法预测高度非线性及快速变化系统的行为。因此，迫切需要开发创新、以数据为中心且高效的方法来应对这些挑战，以实现长期的水资源安全，促进可持续发展，并保护环境完整性（Gomes et al., 2025）。因此，水资源工程正处于一个十字路口，采用新技术和新范式不仅是必要的，也是可行的选择。从农业用水优化到预测灾难性洪水，再到确保饮用水安全质量，这些多样化的需求需要多功能且有效的分析工具。正是在这种背景下，人工智能（AI）成为这种方法论发展的合理延续，而不是替代物理和统计模型。AI的潜力在于它能够直接从数据层面发现关系，处理基于复杂性和非线性的交互，并做出及时且适应性强的决策，而这些正是传统模型所难以做到的。在这方面，AI已成为最具前景的技术之一（Yaseen, 2023）。AI从数据中学习、识别复杂模式并支持复杂决策过程的能力，为解决各种与水相关的问题提供了强大的工具集，表明在水资源领域投资AI技术可以带来深远且跨领域的益处（Fu et al., 2023）。这种内在的多功能性表明，AI不仅仅是一种解决特定问题的工具，而是一种能够从根本上改变水资源管理和理解方式的技术。
人工智能是指能够执行通常需要人类智能的任务的计算机系统的理论和开发，例如视觉感知、语音识别、决策制定和语言翻译。与水资源工程特别相关的人工智能子领域包括机器学习（ML）和深度学习（Sarkar & Jha, 2025）。其他相关技术还包括模糊逻辑、进化算法和强化学习。
近年来，由于多种因素的叠加，人工智能在水资源工程中的重要性显著提升。首先，传感器技术、遥感设备和物联网（IoT）的发展使得与水相关的信息量和类型呈指数级增长。AI，尤其是机器学习和深度学习，提供了处理这些大规模复杂数据集的数学能力，并从中提取出传统分析算法无法获取的宝贵信息。其次，AI模型在处理水文和环境系统特有的非线性关系和动态行为模式方面非常有效。传统框架倾向于简化假设，而AI则可以利用观测数据发现这些复杂的交互（Yaseen et al., 2019）。第三，AI能够提供实时或接近实时的预测和决策支持，这对运营水资源管理（如洪水预测、灌溉调度或优化供水网络）至关重要。因此，AI正在对水文学研究和水资源管理的许多方面产生变革性影响，为长期存在的问题提供新的解决方案（Gacu et al., 2025）。
尽管人工智能带来了新的分析机会，但其对水资源工程的实际重要性在于它能够弥补传统基于物理和统计模型的不足。这些传统方法往往基于简化假设，并且在处理非线性行为或不完整数据时表现不佳。相比之下，AI能够利用复杂多样的输入进行学习，这标志着从纯物理或基于过程的建模向数据驱动建模的重大转变。这种对数据驱动方法的日益依赖标志着一个重要的进化，在某些情况下甚至是一种范式转变。虽然基于物理的模型提供了基于物理定律的宝贵因果理解，但它们通常需要大量的参数化、对底层过程的详细了解，并且计算成本较高（Jacobsen, 2024）。相比之下，AI模型基于数据建立关系，因此在过程理解不完整、系统复杂或需要快速预测的情况下非常有用（Adeyeye & Akanbi, 2024）。这并不一定意味着完全取代传统方法；相反，通过结合AI的预测能力和基于物理的方法的解释能力，正在形成一种强大的协同效应（Quarteroni et al., 2025）。这种变化要求水资源专业人员的技能范围发生变化，减少对传统工程原理的依赖，更多地掌握数据科学、编程和AI方法。这也为开发稳健的混合模型以及理解更不透明的AI模型的内部工作机制开辟了新的研究前沿，以确保其可靠性和物理一致性。
本文的主要目的是全面而学术性地概述人工智能在水资源工程领域的多种应用。此外，当前的水文学方法论转变不再依赖于传统的统计和基于物理的方法，而是采用数据驱动和混合框架来克服其局限性。本文分析了关于最新研究的现有知识，确定了AI整合的显著好处和优势，评估了实施过程中遇到的挑战和限制，并展望了未来的研究方向。该综述使用了2015-2025年间的Scopus、Web of Science和IEEE Xplore中的结构化文献搜索，重点关注将AI应用于水文学、水质、洪水、干旱、地下水和水库管理的同行评审研究。
部分摘录
水资源工程中的基础人工智能方法
人工智能在水资源工程中的应用利用了多种方法论工具，每种方法都有其自身的优势和适用范围。选择合适的AI模型是一个关键步骤，因为没有一种算法适用于所有任务（Zhu et al., 2025）。这与机器学习中的“没有免费的午餐”定理相符，该定理指出模型的有效性本质上与具体问题和数据特征相关。
人工智能在水资源工程各领域的应用
人工智能正在水资源工程的广泛领域得到应用，彻底改变了传统方法，并为以前难以解决的问题提供了解决方案（图1）。许多成功的AI应用都遵循“传感器-AI-执行”流程，即使用各种传感器（如物联网设备、遥感卫星、声学传感器）收集大量实时或接近实时的数据。
AI整合的变革性效益和优势
人工智能在水资源工程中的整合带来了许多变革性效益，从根本上改变了水系统的监测、分析、预测和管理方式。这些优势包括提升的预测能力、提高的运营效率、显著的成本节约，以及对实现可持续水资源管理目标的关键支持。
AI部署中的挑战、限制和伦理考量
在本节中，讨论了人工智能带来的发展后，总结了为确保AI在水资源管理中的可靠、透明和公平引入所需解决的重大技术、实践和伦理限制。
新兴趋势和未来研究方向
水资源工程领域的人工智能正处于动态发展中，几个新兴趋势和有前景的未来研究方向有望进一步增强现有AI应用的能力并解决其局限性。
结论
人工智能无疑已成为水资源工程中的一股变革力量，提供了一套强大的工具来应对全球水资源系统日益增加的复杂性和压力。本文综述了当前AI应用的现状，涵盖了从成熟的机器学习算法和复杂的深度学习架构到模糊逻辑、进化算法和创新的混合模型等多种方法。
CRediT作者贡献声明
Mohiq Khalid：撰写——审稿与编辑、初稿撰写、可视化、验证、方法论研究、调查。Adan Saeed：撰写——审稿与编辑、初稿撰写、可视化、概念化。Muhammad Rashid：撰写——审稿与编辑、初稿撰写、验证、软件开发、资源收集。Muhammad Waqar Saleem：撰写——审稿与编辑、验证、监督、正式分析。Aniqa Murtaza：撰写——审稿与编辑、初稿撰写
未引用的参考文献
Hu et al., 2020; SAXENA, ; Thundiyil et al.,; Xu et al., 2024.
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
