【ZiDongHua 之“自动化工程派”标注关键词：HydroAIM 大模型 水文 建模 水利HydroAIM 大模型 水文 建模 水利   】
　　
　　

 

水利系赵建世团队研发HydroAIM实现大模型水文自主建模

 

　　
　　近日，清华大学水利系赵建世团队联合清华大学计算机系、国能大渡河大数据服务有限公司和智谱AI，在《Journal of Hydrology》发表题为《Grounding large language models in hydrologic modelling》的研究论文。研究提出面向水文时间序列预测的大语言模型智能体建模方法HydroAIM，让通用大语言模型能够可靠参与专业水文建模。
　　
　　清华大学水利水电工程系博士生李英嘉为论文第一作者，赵建世教授为通讯作者。相关研究获得国家自然科学基金项目和深圳市科技计划项目资助。
　　
　　HydroAIM 智能体构建方法
　　
　　HydroAIM将专家任务工作流、基于MCP的多智能体架构、标准化算法工作流（SAW）库和闭环执行工具箱整合为统一框架。在收到领域专家设定的水文建模目标、水文数据范围后，智能体能够自主完成任务分析、数据处理、模型构建和结果输出。
 
　　
　　图1：HydroAIM总体架构与工作流程
　　
　　科学问题一
　　
　　大模型能否自主完成完整水文建模
　　
　　研究选取GPT-5.5、Claude-Sonnet-4.5、Gemini-2.5-Pro、DeepSeek-v3.2和Qwen-Plus，设置单变量与多变量输入、指定模型建模与自主选择建模，单一建模与批量建模等任务。结果表明，HydroAIM在125次实验中取得92.8%的总体执行成功率。说明在专家约束、专业算法资产和确定性执行环境支撑下，大模型智能体的端到端执行能力能够跨不同大模型保持稳定，自主组织并完成完整的水文建模流程。
　　
　　图2：HydroAIM在5种大语言模型驱动下的任务执行成功率
　　
　　科学问题二
　　
　　哪些机制决定复杂任务可靠执行
　　
　　消融实验显示，长程任务规划是限制大语言模型执行水文定量任务的核心瓶颈，专家任务工作流是维持全局规划和阶段衔接的关键约束。多智能体分工、SAW算法约束和执行反馈能够进一步保证复杂任务稳定推进。
 
　　
　　图3：完整HydroAIM与4类消融变体方法的任务成功率对比
　　
　　科学问题三
　　
　　自主建模结果能否达到专业基准
　　
　　在局部建模实验中，HydroAIM连续5次建模NSE为0.58—0.59，接近SAC-SMA/Snow-17物理模型基准。表明在统一的气象驱动、率定测试期和流域范围下，智能体能够稳定搭建接近物理模型基准的建模流程，达到可用的水文模拟水平。
　　
　　在全局建模任务中，研究进一步引入Skills机制，将数据合并、多尺度归一化和分布式评价等封装为可按需调用的技能。智能体根据提示自主整合流域的气象驱动与静态属性，完成全局训练和逐流域评价。模型的NSE为 0.73，达到公开大样本LSTM研究的基准水平，并显着优于物理模型基准，说明HydroAIM具备水文有效性和规模扩展能力，能够从单流域的局部建模扩展到大样本全局建模。
 
　　
　　图4：HydroAIM建模与物理基准模型的NSE累积分布对比
　　
　　研究也明确了HydroAIM的适用边界：自主执行不代表完全脱离行业专家，专家仍需设定任务目标、数据范围，并判断建模结果的水文合理性；当前方法主要验证数据驱动建模流程的自主执行，物理建模和流域特定建模仍有待进一步研究分析。
　　
　　本研究更广泛的学术价值在于，示范了“专家经验外化为工作流与算法库、大模型负责推理编排”的多智能体协同建模路径，为人工智能驱动科学研究（AI for Science）在各专业科学领域的定量任务落地提供了可复制、可扩展的架构参照。
　　
　　论文信息
　　
　　论文题目
　　
　　Grounding large language models in hydrologic modelling
　　
　　期刊信息
　　
　　Journal of Hydrology, 679 (2026), 136358；2026年9月6日在线发表
　　
　　作者
　　
　　Yingjia Li（李英嘉）、Shiruo Hu（胡诗若）、Feng Zhang（张峰）、Xinpeng Yu（余昕鹏）、Wei Luo（罗玮）、Dingxiao Liu（刘丁枭）、Bin Xu（许斌）、Jianshi Zhao（赵建世）
　　
　　论文链接
　　
　　https://doi.org/10.1016/j.jhydrol.2026.136358（点击阅读全文）