摘要
气候变化的不确定性给水资源供应规划带来了挑战，因为长期使用的基础设施必须在不断变化的环境中确保可靠的供应。适应性规划通过仅根据需要逐步扩展基础设施来应对这一挑战，从而减少不必要的投资。直接政策搜索（DPS）是一种强化学习方法，已被广泛用于确定基于系统状况何时以及如何扩展基础设施的适应规则。然而，标准的DPS假设气候不确定性是静态的，忽略了随着新信息出现而更新不确定性的可能性，这可能导致随着气候变迁出现过度投资或投资不足的情况。我们提出了贝叶斯信念DPS（Bayesian-Belief DPS）这一新颖框架，它将贝叶斯学习集成到DPS中，以考虑在适应性规划中对抗气候不确定性的因素。我们通过扩展DPS的状态空间来包含一个信念状态来实现这一点，该状态表示不断演变的气候不确定性。随着新观测数据的出现，信念状态会利用高斯过程回归进行更新。例如，对世纪末气候的不确定性在早期最大，但随着时间的推移会逐渐减少。我们将贝叶斯信念DPS应用于肯尼亚蒙巴萨的一个案例研究，其中决策规则优化了100年范围内的基础设施发展。我们比较了在不同气候和基础设施情景下的政策表现，以评估学习如何改善规划效果。结果表明，贝叶斯信念DPS特别是在非线性气候条件下（即过去的趋势不能线性预测未来变化）以及对于长期投资（错误的未来气候假设可能导致高额遗憾）的情况下，提高了规划的稳健性和成本效益。通过内生建模气候信念，贝叶斯信念DPS为在深度不确定性下的适应性规划提供了一个可扩展且具有普遍适用性的框架。
利益冲突
作者声明与本研究无关的任何利益冲突。
可用性声明
本研究中使用的代码和支持数据已公开存档在Zenodo上（张等人，2026）。所有GCM数据均来自CMIP5档案（泰勒等人，2012）。本研究中使用的具体CMIP5 GCM在支持信息中的表S1中列出。
