将基于大语言模型的智能体与考虑不确定性的优化方法相结合，用于灌溉区的水-能-碳协同管理

《Water Research》：Integrating LLM-based agents with uncertainty-aware optimization for water-energy-carbon nexus management in irrigation districts

　　摘要：高效利用灌溉用水对于保障粮食安全、提升经济效益以及保护生态环境至关重要，但在水-能源-碳耦合体系中面临着诸多不确定性。传统优化模型往往存在复杂性高、可解释性差且与实际管理流程衔接不畅等问题。本研究构建了一种基于大语言模型智能体的水-能源-碳耦合灌溉管理优化框架，该框架包含三个依次工作的智能体：任务分析智能体负责将自然语言指令转化为标准化的模型配置；算法执行智能体运行基于场景的多目标模糊可信度约束规划模型（整合了NSGA-III和AHP-TOPSIS方法）；结果分析智能体则用于解读优化结果、比较不同方案、识别权衡因素，并生成结构化的决策报告。该框架采用混合大语言模型架构，其中任务解析部分使用DeepSeek-V4-Flash，决策分析部分使用Qwen3.6-Plus。在四种不同类型的指令测试中，该框架无需人工干预即可100%完成任务，展现了出色的自动化解析、执行和报告能力。在赵口黄河引水灌溉区二期项目中，该框架量化了关键的管理权衡因素：在75%的水文频率条件下，若将可信度水平从0.5提升至1.0，将会导致水资源短缺量增加9.43×106立方米，污染物排放量增加0.18×103吨，碳排放量增加0.05×106吨，同时净经济收益减少2.56×106元人民币。通过提升模型的可访问性和可解释性，该框架为在水文条件及参数不确定的情况下进行灌溉用水管理提供了交互式的决策支持途径。

引言：合理分配灌溉水资源对于保障粮食安全、提升农业经济绩效以及保护生态环境具有重要意义（Chen等人，2026年）。历史上，灌溉管理主要侧重于供水保障，致力于满足灌溉用水需求并与现有供水能力相匹配。然而，在气候变化、农业节水措施、生态保护要求以及中国“双碳”政策等多重因素的共同影响下，这种传统的管理模式正逐渐发生变革（Wang等人，2025年）。这些新形势为与农业生产、生态用水需求及碳排放相关的用水决策带来了更多额外的目标和约束条件（Yue等人，2025年）。在大型灌溉区，由于需要满足更广阔的服务范围、不同的用水主体以及多样化的作物用水需求，这种复杂性尤为突出（Qian等人，2024年）。因此，如何实现高效、低碳的用水分配，同时维持农业生产力并符合生态保护要求，已成为综合灌溉区管理领域面临的关键挑战。目前，线性规划（Gong等人，2020年）、动态规划（Liu等人，2019年）、多目标规划（Tan等人，2025年）、进化算法及其改进版本（Zhao等人，2024年）等方法被广泛用于解决灌溉用水分配问题。尽管这些方法在解决供需矛盾、优化作物种植结构以及提升单个运营环节的经济效益方面表现良好，但它们往往无法涵盖从取水、供水到用水及排水的整个运营过程（Jiang等人，2019年；Reinders，2022年）。实际上，这些环节彼此紧密关联，共同决定了灌溉区的整体运营效果（Dong等人，2026年）。此外，水资源供应的波动、用水需求的变动以及管理目标的调整进一步增加了可持续用水分配的难度，因为传统模型在适应性和实用性方面存在局限（Li等人，2017年；Yang等人，2024年）。在日常管理中，管理者必须应对各种不断变化的实际情况，包括总供水量的变化、更严格的地下水开采限制、输水设施的维修需求、生态补水目标的调整、更严格的碳排放控制要求以及种植结构的变更（Salomons等人，2025年；Yang等人，2025年）。这些动态因素要求能够快速更新约束条件，并及时生成不同的用水分配方案（Cohen和Herman，2021年）。然而，现有的优化模型通常作为离线的、依赖专家经验的工具来使用，其场景调整依赖于手动的数据预处理、参数调整、脚本编辑、约束条件重新配置以及反复执行等操作（Parvaze等人，2023年）。这就导致了先进的优化技术与其在灌溉区管理中的实际应用之间存在一定的差距（Liu等人，2025年）。有效的决策支持不仅需要最优解，还需要具备理解不断变化的管理需求、启动相应的模型组件、调整约束条件、比较不同方案以及以易于理解的形式呈现结果的能力（Neiroukh等人，2025年；Wang等人，2025年）。因此，迫切需要一种更具适应性、以用户为中心的优化框架，以弥补这一差距，从而便于在灌溉区管理中进行多目标决策制定（Huang等人，2025年）。大语言模型及其基于智能体的扩展形式为解决上述问题提供了一种极具前景的策略（Sun等人，2025年）。现有研究表明，基于大语言模型的智能体能够有效协调各项任务，并为复杂且依赖模型的领域提供决策支持（Ghareeb等人，2026年；Aygün等人，2026年）。这些应用表明，基于大语言模型的智能体不仅可以作为自然语言界面，还可以通过子任务分解、工具调用、多步骤推理以及反馈生成等功能，充当连接非结构化用户输入与复杂模型流程的任务协调者（Xi等人，2025年；Luo等人，2025年）。在实际的灌溉用水分配工作中，这样的智能体能够理解管理者的意图，适应不断变化的实际情况，协助进行数据检索、约束条件重新配置、参数更新、模型执行、方案比较以及结果解读等工作（Arslan和Munawar，2026年；Li等人，2026年）。这些功能降低了复杂优化模型的技术门槛，提升了其在灌溉区管理中的适用性和交互性。不过，将基于大语言模型的智能体融入实际的灌溉区管理过程中仍面临四个关键难题。首先，通用型大语言模型的推理能力与灌溉建模所涉及的专门语义之间存在差距，后者包括水文频率相关术语、模糊可信度参数、用水分配约束条件以及多尺度空间结构等内容。其次，将含义模糊、依赖上下文的管理指令转化为正式的优化约束条件，需要强大的语义辨析能力以及针对该领域的专业验证机制。第三，由于输出结果的不确定性以及提示词对结果的影响，要确保大语言模型生成的配置在关乎水资源安全管理的场景中的可靠性和可审计性仍是一项挑战。第四，灌溉水-能源-碳耦合体系要求模型具备灵活的重组能力，以应对多种不确定性因素（如水文条件的变化、碳政策的发展以及不同的用水需求），而目前的框架尚未展现出这种能力。为弥补这些不足，本研究构建了一个包含四个相互关联部分的有序框架：第一，一个经过领域适配的任务解析接口，可将自然语言指令转化为标准化的JSON配置文件；第二，一种模块化的智能体架构，将任务分析、算法执行以及结果解读功能分离为三个独立的智能体；第三，一个标准化的模型调度层，通过API接口提供基于场景的多目标模糊可信度约束规划模型（SMOFCP-WECN）的优化功能，该模型整合了非支配排序遗传算法III、层次分析法以及理想解相似度排序法；第四，一个决策报告模块，能够将数值化结果转化为针对具体场景的管理报告，并给出可行的建议。该框架将水-能源-碳优化置于多目标协调且涵盖水资源获取、供水、用水及排水全流程的体系之中，同时兼顾了水资源供应的可靠性、经济收益以及生态保护要求，从而实现了从自然语言需求解读到决策建议的全流程协调。总体而言，这一框架将传统依赖专家经验的工作流程转变为一种交互式、易于使用的决策支持系统，使灌溉优化从局限于特定场景的研究工具转变为实用的管理工具。

方法论：图1展示了一种基于大语言模型的智能体决策支持框架，用于处理水-能源-碳系统中的不确定性问题。该框架包括水-能源-碳耦合系统、不确定性关系识别模块、优化模型以及智能协同优化执行模块，能够实现从基于自然语言的任务定义、模型参数调整到优化计算、结果解读以及决策建议的全流程智能化处理。

研究区域：赵口黄河引水灌溉区二期项目位于中国河南省东部平原的黄河南岸，地理坐标范围为北纬33°40′至34°54′，东经113°58′至115°48′。如图3所示，该灌溉区西侧以赵口主渠和郭河为边界，向东延伸至惠济河主干流、淇县东部边界以及泰康边界。

场景识别与模型调度结果：本研究选用DeepSeek-V4-Flash、DeepSeek-V4-Pro和Qwen3.6-Plus三种模型，用以测试不同大语言模型的适应性，评估指标包括参数提取成功率、任务分析时间、结果识别准确率以及决策报告的完整性。详细的任务描述、其他测试结果以及完整的评分规则分别见补充信息中的表S1、图S1-S2以及补充说明1。在任务解析测试中，这些模型需要完成相应的识别任务。

结论：从水-能源-碳耦合的角度来看，水源分配对赵口黄河引水灌溉区二期的能源消耗和二氧化碳排放具有显著影响。地下水抽取需要耗费大量能量进行抽水，而黄河水引入则需通过泵站和运河系统进行输送。因此，多目标用水分配需要在保障水资源安全、实现经济利益与推动低碳发展之间找到平衡点。研究结果表明，减少对地下水的依赖并拓展其他水源……

作者贡献：余磊负责该研究的构思与设计；余磊、李志凯、黄凯、卢泽祥共同开发了研究方法，负责数据的收集与处理、结果分析以及初稿撰写；余磊和张成龙负责筹集研究资金；李福林、范玉瑞、姜亚楠、张成龙和傅光涛参与了手稿的审阅与修改工作。所有作者均阅读并通过了最终版手稿。

关于 manuscript 准备过程中生成式人工智能及人工智能辅助技术的声明：在准备本论文时，作者使用了GPT-5.5和DeepSeek-V4-Flash来提升文本的语言表达清晰度和连贯性。在使用这些工具或服务之后，作者对内容进行了必要的审阅和修改，并对最终发表文章的内容负全部责任。本论文中没有使用生成式人工智能技术生成任何图表。

CRediT作者贡献说明：余磊：写作——审阅与修改，写作——初稿撰写，可视化，验证，监督，项目管理，方法论，研究，资金获取，形式分析，数据整理，概念构建。李志凯：写作——初稿撰写，验证，软件应用，研究，形式分析，数据整理。黄凯：写作——初稿撰写，软件应用，方法论，形式分析，数据整理。李福林：写作——审阅与修改，监督。卢泽祥：验证。

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了中国国家重点研发计划（2024YFE0213100）、国家自然科学基金（52579024、52279050）以及农业水资源高效利用国家重点实验室开放研究基金（SKLAWR-2024-12）的支持。作者感谢匿名审稿人提出的宝贵意见，这些意见极大地提升了本文的质量。

余磊|李志凯|黄凯|李福林|卢泽祥|范玉瑞|姜亚楠|张成龙|傅光涛
中国农业大学农业水资源高效利用国家重点实验室，北京100083，中国