□ 本报记者 蔡姝雯
我们课题组与AI结缘始于2007年。当时太湖蓝藻水华大规模暴发，威胁群众饮水安全，快速、精准的蓝藻水华短期预测迫在眉睫。然而，机理模型（基于系统内部机理建立的数学模型）的参数数量多、优选难度大，手动调参耗时往往长达一周或数周。我们将目光投向AI，尝试引入遗传算法，完成机理模型关键参数的智能优化，不仅耗时缩短至几小时，模型精度也大幅提升，实战效果立竿见影。
从此AI成了我们的科研伙伴，并从最初的辅助角色逐步成长为不可或缺的力量。我们强化与AI团队合作，将遗传算法、机器学习等AI方法，应用于多项国家级科研项目研究，在湖泊藻类水华预测、流域水质时空变化解析等关键领域取得重要进展。
AI帮我们实现了以前难以做到的大尺度、长时间序列的水环境研究。比如，基于我国142个重点湖泊的14年数据，构建湖泊藻类水华预测与风险评价模型，重建湖泊藻类水华规模的时空格局。
AI也帮我们开展更为“精细”的水环境研究。比如，构建一套以“天”为时间尺度的水质参数估算模型，深化认识平原河网区水质参数的高频动态变化趋势，发现短期人工引排水对水质的深刻影响。这项研究中，AI不仅提升科研效率，也帮我们挖掘出传统方法无法察觉的机理过程规律。
不过，AI并不能替代现有科研方法。在一些探索性研究中，我们尝试构建AI模型，但它们常常“看起来很准、用起来不稳”——精度在训练期超过90%，但进入全新应用场景后却大幅下滑；部分模型甚至生成违背科学规律的虚假结论。
我们课题组逐步摸索出AI应用规律：不唯模型精度，优先选择逻辑合理、对新样本适应能力强的模型；用传统机理模型为AI划定科研“红线”，避免AI违背“湖泊—流域”系统的基本规律；科研人员全程深度介入模型筛选与约束，杜绝对AI的盲目信任。
我们划定了AI与传统机理模型的适用边界：在大尺度、广覆盖、传统监测难以触及的区域研究，以及需要快速处理多源异构数据场景中，让AI发挥优势；但在蓝藻水华预报、水环境决策等需要严格遵循“物理—生态”过程的业务化应用，以及要求高可靠性的预测工作中，仍然依赖传统机理模型。近年来，我们参与建设的“数字巢湖”“数字滇池”等平台中，核心主体依旧是传统机理模型。
当前，AI在水环境科研领域的应用，面临数据零散、标准不统一、接口不兼容等瓶颈。大量科研精力被迫消耗在数据前期处理环节，而非真正的科学问题攻关。期待国家层面加快搭建标准化水环境数据平台，推动多源数据格式统一与资源共享。
我们的研究根基，永远是实地调研与治理需求。只有牢牢守住科学本质、深刻认清生态系统规律，才能让AI真正发挥价值，助力“湖泊—流域”的精准治理水平，切实保障水安全。