AI智能体驱动水文建模：从自然语言到洪水模拟

点击蓝字

关注我们

论文信息

期刊：GEOPHYSICAL RESEARCH LETTERS

研究概述

水文建模是洪水预警与水资源调控的关键手段，但其繁琐的数据预处理、参数设置与运行流程通常需数周至数月的专业训练，严重制约了其在教学、应急响应和公众场景中的普及。本研究提出一种面向水文建模的AI智能体自主性六级体系（L0~L5），并构建了Level-4原型系统。该系统基于大语言模型（LLM），可将自然语言指令（如“分析2025年7月得州克尔县洪水”）自动解析为数据调取、模型配置、仿真执行、结果诊断与报告生成全流程，同时保留人工审核节点。在2025年7月得州中部突发性洪涝实测案例中，该智能体成功复现主要洪水动态，将传统人工流程压缩至数分钟。基于观测降水的模拟与实测流量高度一致（NSE=0.86，CC=0.93）；而基于HRRR确定性预报的驱动因风暴中心偏移约30 km，未能准确捕捉洪峰响应。研究证实AI智能体辅助水文建模在特定场景中可行，但其鲁棒性与泛化能力仍需在更多流域、事件类型、概率性气象输入及专家复核下系统验证。

主要图文

图1水文建模人工智能智能体的分级体系（L0~L5），按智能体自主性和用户参与度划分。左侧列为智能体角色；中间列为对应的用户角色；右侧列展示各等级下典型的水文建模任务，从无智能体/人工分析到完全自主执行。中央楔形区域表示随等级升高，用户参与度（红色）递减，智能体自主性（黄色）递增。

图2Level‑4水文建模智能体系统架构。（a）端到端流水线：自然语言查询被转化为数据检索与预处理、模型执行、可视化/分析和报告生成，用户在关键检查点进行审批。（b）多智能体协同编排，包含上下文解析、数据获取、出口与参数配置、运行控制与诊断、报告生成和反馈等模块，各组件间具有可审计的数据流和控制流。

图32025年7月4日得克萨斯州中部闪洪事件。（a, b）研究区域：流域位置、河流、测站、Camp Mystic及数字高程模型（DEM）。（c）CREST‑iMAP模拟的Camp Mystic附近洪水淹没可视化（叠加于Google Earth）。（d）流域集成降水体积时间序列（左）及USGS 08165500站模拟流量（右，流域出口）。（e）06:00、08:00、10:00、12:00 UTC快照：上排为MRMS降水，下排为模拟的河道流量强度。

图4降水输入与模拟流量对比。（a）研究流域内事件总MRMS QPE（基于观测）和HRRR QPF（模式预报）对比，标注县界、流域边界、河网、Camp Mystic及USGS测站08165300和08165500。（b）两个测站处CREST模拟结果，区分观测驱动（蓝线，“QPE模拟”）和预报驱动（红线，“QPF模拟”）；柱状图为对应降水序列，圆点为USGS观测值。

研究结论

本研究首次为水文建模领域建立清晰的AI智能体自主性等级（L0~L5），明确各层级中智能体与人类的职责边界。L0为纯人工操作，L1执行预设步骤，L2在人工审核下组装流程，L3推荐数据与参数，L4作为任务委托者——依据简短事件描述自动识别流域、获取气象强迫、运行模型、输出可视化与报告，但需人工批准关键结果；L5为全闭环自主（无人干预）。该框架为后续智能体设计与评估提供统一标准。

所开发的Level-4智能体成功实现自然语言到端到端水文建模的转化，大幅降低技术门槛。在克尔县案例中，用户仅需输入一句口语化指令，系统即可自动调用MRMS降水、USGS流量、HydroSHEDS地形等公开数据，完成流域划分、出口站选取、参数初始化（基于CONUS校准库与物理区域化方法）、CREST模型运行、统计分析、洪峰指标计算，并生成含水文曲线、淹没图与文字说明的结构化报告，全过程仅需数分钟，无需任何编程或模型配置经验。

在观测驱动下，模拟精度优异；但在预报驱动下暴露了确定性QPF的空间误差问题。基于MRMS QPE的模拟在USGS 08165300和08165500站点的NSE分别为0.86和0.74，相关系数达0.93和0.98，精准再现了陡涨陡落过程。然而，HRRR确定性预报因风暴中心南移约30 km，模拟流量未出现显著洪峰，凸显单一确定性预报在局地暴雨中的严重缺陷。作者强调，未来应引入集合概率预报（如HRRRE）以量化空间不确定性，并指出当前系统仅为科研演示，尚未达到业务化预警水平。

智能体工作流具备良好复现性，但分析深度与可信度仍待提升。20次重复实验中，首次端到端成功率90%（失败多因临时数据中断或出口站误选）。尽管报告能客观描述水文响应，但有时在证据不足时做出笼统归因（如将峰值误差归咎于“降水表征与模型优化”），暴露出当前系统在深层机理推理与因果分析上的短板。因此，系统定位为“科学协作者”而非“自主决策者”，专家始终是最终判断与解释的权威。

该架构具备模型无关性与扩展潜力，为未来接入多类水文模型与概率预报奠定基础。虽当前验证聚焦CREST模型与降雨-径流过程，但框架支持动态集成其他模型（如二维水动力模块），并预留自然语言反馈机制，允许用户修正配置或报告内容。作者指出，本研究属方法论验证，其普适性需在更多气候区、流域尺度与数据匮乏条件下系统检验；从L4迈向L5必须以更高可靠性与可审计性为前提，绝不可牺牲安全责任。

论文引用

Yan, S., Chen, M., Li, Z., Wen, Y., Zhu, S., Zhang, M., Liu, D., Cao, J., Chen, X., Deng, C., Yang, T., & Hong, Y. (2026). AI agent for hydrologic modeling: Definition, development, and application. Geophysical Research Letters, 53, e2025GL119814. https://doi.org/10.1029/2025GL119814

Hydrometeorological frontiers

扫码关注，获取更多精彩内容！

说明：素材