近年来，加拿大草原地区气候波动加剧，极湿年份之后往往紧接极干年份。在这种背景下，草原流域的水文过程更难把握，洪水防备与水质管理面临更高不确定性。

草原大部分地区位于草原洼地区（Prairie Pothole Region）。该区域分布着数百万个浅湿地与洼地，使得水流并非简单沿坡面汇入溪流，而是先在洼地中被储存；只有当足够多的湿地被填满后，水才会从一个湿地溢流到另一个，最终与下游水道连通。

研究人员指出，在这种能够迅速从“吸收水分”转变为“向下游连通”的地貌中，湿地湿润程度的细微差异，可能决定春季径流是可控还是引发破坏性洪水。然而在许多流域，缺乏必要的本地测量数据，难以判断湿地网络仍处于蓄水阶段，还是已接近连通并向下游释放水量的临界点。

在加拿大草原地区，从南阿尔伯塔经萨斯喀彻温到曼尼托巴，流量监测相对稀少，许多流域没有水位计。水位计通常用于测量河流和溪流的水位与流速，而对湿地水位的直接观测更为有限。红河流域、阿西尼博因流域以及草原省份的农村市政在水情变化时因此常缺乏预警，影响洪水防备、农业用水管理，以及对草原地貌中水的储存与流动规律的理解，并进一步关联到水质管理。

研究团队表示，他们反复观察到，在降雨或融雪量相近的情况下，仅因湿地中既有蓄水量不同，最终形成的流量可能出现显著差异。传统上，许多人将流量预测主要归因于降雨与融雪输入：暴雨或融雪量大，河流水位上升。但在草原洼地地貌中，这一直觉常常失效，因为大量雨水与融雪会在春季初期优先填充湿地，而非直接形成径流；待湿地充满后，水路才“开启”，水开始进入河道。

难点在于，湿地网络的蓄水程度难以通过标准气象数据直接观测。由于系统具有阈值特性——湿地蓄水量的小幅变化可能引发径流的大幅变化——草原洼地区被认为是流量预测最具挑战的区域之一。以往方法要么需要对每个湿地进行细致模拟，依赖往往缺乏的地图与信息；要么单纯依靠人工智能（AI）从数据中学习，但关键因素“湿地蓄水量”在常规输入数据中并不可见，导致效果受限。

针对上述问题，研究团队在一项新研究中提出，将“填充—溢流—连通”（fill-spill-connect）这一物理过程直接嵌入AI框架，而不是让AI仅凭数据自行学习该行为。该物理过程描述水如何填满湿地、湿地满溢后水如何外溢并逐步连通至下游河流。

研究人员称，该过程依赖若干关键参数，包括洼地网络在发生溢流前的可蓄水量，以及随着地貌湿润程度提高、连通区域扩展的速度。模型利用AI学习这些参数如何随土壤、气候与地形在区域内变化，并尝试提炼可迁移到无流量记录流域的区域性规律，而非将每个流域视为完全独立的问题。

研究团队在覆盖草原洼地区的98个流域对该方法进行测试。在模拟无测量流域的情境下，嵌入物理过程的模型在流量预测上较不包含这些物理机制的AI模型表现更可靠。研究人员还表示，该模型能够刻画湿地蓄水动态，即洼地网络蓄水量的年际波动；将模型得到的蓄水信号与基于卫星的湿地淹没图对比，年际起伏吻合良好。

研究人员认为，若能在缺乏监测的流域估算流量行为与湿地蓄水，将带来多方面应用空间：一是支持洪水防备，帮助识别流域何时接近湿地开始连通并向下游释放水量的临界点；二是更系统地描述草原不同流域之间的差异，例如哪些地区更倾向长期蓄水、哪些更易连通、哪些流量年际波动更大；三是在机制理解与数据驱动工具之间建立衔接，使水文学过程知识在关键地区提升AI模型的可靠性。

研究人员表示，对于缺少水位计的草原社区与土地管理者而言，更准确地判断水何时被储存、何时连通并形成下泄，将有助于提升应对能力。

本文内容转载自The Conversation，采用知识共享许可协议。