公告：
“认知数字孪生流域”框架与关键技术
Framework and key technologies of “cognitive digital twin basin”
唐海麟，冯钧周思源
（1.水利部水利大数据重点实验室，211100，南京；2.河海大学计算机与软件学院，211100，南京）
摘要：随着“数字中国”战略深入推进，数字孪生流域作为水利治理现代化的重要基础设施已在数据底板、模型平台、知识平台及“四预”（预报、预警、预演、预案）应用等方面取得阶段性进展。然而，现有孪生系统在融合专家经验、实现自主学习与智能决策等高级认知能力方面存在显著不足，难以满足场景动态化、业务自动化、决策智能化需求。为突破此瓶颈，引入了认知智能，提出“认知数字孪生流域”概念及框架：核心是以数据、模型和知识三大平台为基础，构建作为认知内核的“认知智能层”，该层由基于大语言模型的多智能体系统驱动，通过对底层平台进行主动、智能的统筹与编排，提供动态建模、智能模拟、优化决策等高级认知能力，旨在将“2+N”业务中静态、经验驱动的环节升级为自动化、认知驱动的动态工作流；技术体系方面，重点阐述了多智能体协同、数据知识融合驱动模拟、在线参数增量学习、模型状态同化校正及专家偏好持续优化等核心技术路径。通过安徽省屯溪流域应用案例展示了该框架如何高效预报与决策，验证了认知智能在复杂流域管理中的应用价值。分析了当前理论与工程的挑战，展望了数据、模型、知识平台的智能化方向，为我国数字孪生流域向更高阶认知智能演进提供理论支撑与技术参考。
关键词：认知数字孪生流域；多智能体；洪水预报；调度决策；认知智能层；认知大模型；屯溪流域
作者简介：唐海麟，博士，主要从事知识图谱、水利工程智能调度、数字孪生等研究。
通信作者：冯钧，教授，博士生导师，主要从事知识工程、理论指导数据科学与洪水预报、深度学习等研究。E-mail：fengjun@hhu.edu.cn
基金项目：国家重点研发计划项目（2021YFB3900601）；江苏省水利科技项目（2022002、2023044）；水利部重大科技项目（SKS-2022132）。
DOI：10.3969/j.issn.1000-1123.2025.22.006
数字孪生流域作为与物理流域同步仿真运行、虚实交互的新型基础设施，已成为应对我国严峻水安全形势、支撑“数字中国”战略的关键举措。当前我国在数字孪生流域建设方面已取得显著进展，涌现了基于AI的洪水快速预报、防洪“四预”（预报、预警、预演、预案）技术体系及水利大模型等一批重要成果。然而，由于现有数字孪生平台大多以静态映射和规则驱动为主，缺乏自主学习、动态适应与智能演化的能力，且难以将专家隐性知识与经验进行数字化建模与利用，导致系统在运行与决策过程中依赖人工即时判断与手动干预，难以敏捷应对复杂多变的流域管理需求。
面对上述瓶颈，亟须引入能够模拟人类专家进行自主学习、关联推理与前瞻规划的高阶智能范式——认知智能。当前认知智能已在智能制造、智慧城市建设等领域展现出显著成效，验证了其推动复杂系统由被动响应向主动思考与自主优化演进的关键作用。认知数字孪生作为认知智能的深化应用，通过将认知能力融入孪生框架，在全生命周期管理、提升工程资产维护效率等方面已取得成功应用。然而该理念在水利领域的应用尚处于起步阶段，其理论体系与技术路径亟待探索。
本文将认知智能融入数字孪生流域，提出“认知数字孪生流域”框架。该框架以数据、知识、模型三大平台为基础，构建作为认知内核的“认知智能层”，阐述该框架的概念与关键技术体系，并通过屯溪流域的应用案例验证其应用潜力，为我国数字孪生流域向更高阶的认知智能形态演进提供理论参考与技术支撑。
概念与框架
1.认知数字孪生流域的概念
借鉴数字孪生流域的基本定义，认知数字孪生流域可定义为：一种嵌入认知内核、具备自主演进能力的高级流域数字副本，能够通过深度融合多源数据和领域知识，在精准映射流域全要素状态及物理过程的基础上，模拟专家推理模式，从而实现复杂业务流程的自主规划、编排与执行，最终生成可量化、可推演、可解释的流域管理决策，并通过与物理世界的闭环交互实现持续优化与迭代。这种从被动推演到主动优化的演进，为数字孪生流域带来了显著的功能升级：①建模方式的改变，从依赖大量人工经验和预设规则的显式建模，向数据驱动、目标导向的自适应、智能化建模转变；②模拟效率的提升，从“一次率定、开环运行”的静态模拟，向能够持续对齐物理现实的动态、高精度模拟转变；③决策范式的转变，从依赖固化预案、离线推演的“脚本式”决策，向融合实时态势、在线寻优的“生成式”决策转变。
2.认知数字孪生流域的框架
传统的数字孪生流域架构通常包括数据底板、模型平台和知识平台三大核心模块。在上述三大平台基础上，本文提出了以认知智能层为内核的认知数字孪生流域框架。认知智能层能够接收并解析上层“2+N”业务的用户意图与业务需求，并将其转译为对底层平台的调用与编排。其目标是将原本依赖专家经验和静态规则的关键业务环节，重构为可复用、可解释的动态工作流，并最终封装为标准化的认知服务，供上层业务直接调用，从而以“即插即用”的方式为上层业务提供精准的智能化支持。为实现这一目标，认知智能层必须与三大平台进行深度协同，体现在以下三个方面。
认知数字孪生流域框架
（1）与数据底板的交互
数据底板通过标准化的应用程序编程接口（Application Programming Interface，API）为认知智能层提供多源异构数据。认知智能层则依据特定任务需求，主动调用这些接口，并对多模态数据进行深度融合与语义对齐，从而构建能够全面反映流域当前状态的任务导向型快照，即“认知图景”。此外，认知智能层能够基于任务执行情况，逆向生成数据采集与治理策略，指导数据底板进行更具针对性的数据汇聚与处理。
（2）与模型平台的交互
模型平台提供标准化水利模型与算法，认知智能层则负责根据任务目标自动选择、组合与链接异构模型，规划最优计算链路，并实现参数的智能配置。在执行过程中，认知智能层通过比对模型输出与实时数据，对模型进行在线校准与参数优化，实现对模型资产从编排、监控到优化的闭环管理与持续优化。
（3）与知识平台的交互
知识平台为认知智能层提供领域大语言模型（Large Language Model，LLM）、结构化知识库等核心知识资源，认知智能层则通过调用LLM和检索知识库，融合隐性推理与显性知识，完成复杂推理决策任务。同时认知智能层将任务执行过程中经过验证的新知识、新策略反馈到知识平台，最终形成自我迭代、持续演进的知识增强闭环。
认知智能层内部采用多智能体系统（Multi-Agent System，MAS）架构，其结构与协同方式如图所示。该架构在组件层面由两类智能体构成：一是作为决策核心的领航智能体，负责顶层策略生成与全局规划，不直接参与工具操作；二是多个专项智能体，通过与数据、模型、知识等基础平台进行API调用、状态监控等交互，执行具体的工作流程。各智能体的认知内核均由知识平台提供，经过领域适配的大语言模型驱动，并依据能力边界承担特定任务，其核心角色与功能如下：
认知智能层架构
①领航智能体。作为核心协调单元，领航智能体负责战略规划、人机交互及系统演化。它将业务目标分解为可执行的子任务，进行协同调度与监控，聚焦“做什么”与“为何做”的顶层策略。同时，该智能体作为用户接口，负责呈报关键结果及解释决策逻辑，并在必要时请求人类裁定。此外，该智能体还负责系统的演化管理，通过复盘与评估，提炼成功经验与失败教训，从而优化未来的决策过程。
②感知智能体。作为系统与物理世界交互的核心接口，感知智能体负责构建流域的“认知图景”。它通过融合多源异构数据，依据业务需求，锁定关键对象及相关要素，并明确相关要素的风险状态。其输出内容包括清晰的决策目标、明确的任务边界和量化的风险评估，从而为后续的建模和智能体优化提供精准输入和任务触发信号。
③模型智能体。作为系统的核心计算引擎，模型智能体负责水利模型资产的构建、装配、运行与优化等全生命周期管理。它依据领航智能体的任务指令，动态构建满足特定需求的对象拓扑，智能选择、配置模型，并明确数据间的依赖关系，从而形成完整的计算链路。此外，智能体还具备持续自我完善的能力，能够通过在线学习与数据同化机制，在运行过程中不断优化模型的状态与参数。
④知识智能体。作为系统的核心认知中枢，知识智能体负责知识体系的统一管理、动态维护与结构优化。首先，该智能体能够为其他智能体按需提供精准的知识查询、推理与匹配服务。同时，该智能体还根据领航智能体的复盘与评估，对新知识进行自动化抽取、验证与融合，以此实现知识库的动态更新，进而对领域本体进行持续迭代与优化，以提升知识表示的语义精确性与逻辑一致性。
⑤优化智能体。作为系统的核心决策引擎，优化智能体负责动态评估决策场景的复杂性与不确定性，以选择并执行最高效的求解策略。在存在成熟调度模型时，它能够基于对当前态势的理解，智能选择、调用最优的已有模型，或直接匹配、推荐最适用的调度规则；在没有现成方案时，它能够将以自然语言描述的模糊业务目标编译为多目标规划问题的求解代码，或生成适应性学习问题的奖励函数，从而生成一系列科学且量化的候选策略。
从协同编排视角看，该多智能体系统遵循“战略—规划—执行”完整工作流，将高阶业务意图逐层解析并转化为具体计算与决策任务。该流程具体分为三个阶段。首先，在策略生成模块，由领航智能体作为主要的人机交互接口，其职责是分析用户的高阶业务意图，并结合从知识平台获取的实时信息与领域规则，定义出一份包含了总体目标、核心约束与价值准则，概念性且不可执行的战略指令。其次，在方案规划模块，领航智能体通过与各专项智能体的协同，将前一阶段的战略指令分解和规划为一份明确了具体步骤、数据流与模型调用关系，结构化且待执行的工作流方案。最后，在操作执行模块，工作流的执行转由各专项智能体负责，其依据该方案精确执行任务，并与底层平台交互，而领航智能体的职责则变为监控任务的全局执行状态。该层不仅生成最终的决策或计算结果，其执行过程所记录的日志、中间状态等数据也将作为关键反馈，用于动态调整顶层策略和持续更新知识库。
关键技术体系
认知数字孪生流域的关键技术体系紧密围绕面向水利业务的智能体构建、多尺度场景动态建模、水循环过程智能模拟及流域智能决策与优化调度展开，如图所示。
认知数字孪生流域关键技术体系
1.面向水利业务的智能体构建
水利专家在应对快速变化的雨洪情势及多目标冲突时，往往依赖个人知识和经验进行决策，这一过程主观性强且难以形式化、规模化复现。这种局限性源于流域系统的复杂性与人类认知能力的有限性。因此，智能体构建首要目标是将专家的非结构化决策过程转化为可计算、可演进的智能分析体系，包含两个层面。
（1）单个智能体构建
单个智能体要成为可靠的专业能力单元，必须解决通用AI模型领域深度不足的核心问题，实现与水利专业知识的深度融合。这不仅需要使用水利专业语料对模型进行微调，更要将大语言模型的通用推理能力与水利科学的内在规律结合。其技术路径是以水文、水力等物理规律作为不可违背的“硬约束”，将历史洪水案例、调度规程等作为“软约束”，共同限定智能体的推理与行为边界，从而使智能体在解析复杂意图指令时保持策略的灵活性，同时严格遵循水利科学的基本原则。
（2）多个智能体协同
多个智能体协同的根本价值，在于突破传统专家会商在跨领域知识集成与串行决策上的效率瓶颈，实现全局性的即时分析与优化。为此，系统引入了动态代理编排思想，其核心在于能够根据任务情境动态地组织和协调智能体。在方案规划模块，领航智能体依据已制定的顶层战略，立即执行推理时智能体的选择，从可用的专项智能体中挑选并动态组建一个跨领域的临时工作组。面对高度不确定或全新的挑战，系统可以按需生成具备特定能力的新智能体以实现精准响应。这个动态组建的团队最终通过协同，将宏观战略转化为具体的、可执行的工作流，交付给操作执行模块。
2.多尺度场景动态建模
传统数字孪生建模在“建”与“用”的环节普遍存在脱节：系统在建设阶段为追求高保真度，倾向于构建覆盖全要素、结构复杂的静态模型；而在应急应用时，专家又不得不基于个人经验对庞大模型进行临时、手动的拓扑简化和模型适配，以求快速响应。为突破此瓶颈，本文提出了“场景按需动态建模”技术，该技术旨在基于动态演变的流域态势自动识别潜在风险，并将其转化为明确的建模任务，进而通过任务解析以确立边界，调用知识与模型平台实现对象要素筛选、计算流程规划与模型组件的自动化装配，最终快速构建一个服务于特定目标、轻量化的计算场景，实现从“业务需求”到“计算场景”的自动化构建。
（1）要素对象级态势感知
为克服传统预警技术依赖孤立静态阈值、忽略风险时空演化与传导特性的局限性，该技术旨在构建一种融合时序演化与事理逻辑的动态知识图谱。该图谱将实时映射物理实体属性与关系的“对象图谱”和描述事件因果逻辑的“事理图谱”深度融合，实现了对事件主体、触发时间与演化过程的统一表征。基于该图谱，感知智能体用可定义的动态触发条件替代固定阈值规则，通过关系建模将风险要素映射为可推理的动态风险传导链，从而实现前瞻性的风险识别与传导分析。这使其不仅能对风险进行深度归因，更能对其传导路径与潜在影响进行前瞻性预判，最终生成一个“认知图景”，该图景不仅蕴含了动态风险演化逻辑，还以语义方式关联了各类相关要素，为后续模型智能体的工作提供精准、高效的边界约束与任务触发信号。
（2）需求驱动的拓扑构建
针对传统拓扑构建依赖专家手动概化所带来的主观性强、效率低下等问题，模型智能体的首要任务是接收感知智能体生成的“认知图景”，并自动将抽象的风险边界转译为精确的计算拓扑结构。首先，知识智能体基于复杂网络理论对全域水网进行离线预分析，从水力特征（如连通性、防洪贡献度）与网络拓扑属性（如度中心性）等维度，预计算并量化各对象的潜在影响力。随后，模型智能体便依据该影响力评估，智能筛选出核心物理对象并排序，在线裁剪掉无关冗余节点，并驱动知识智能体查询水利对象知识图谱，进一步明确入选对象间的空间拓扑（如上下游）与业务逻辑（如供水保障）关系。最终，这些被选定的对象及其关联关系，共同构成了一个面向特定任务、轻量化且高内聚的计算子图，为后续的模型装配提供最优化的结构基础。
（3）预报方案智能配置
为取代依赖专家经验与试错调整的传统预报方案配置模式，该环节由模型智能体主导，并与知识智能体深度协同完成。其核心是构建由知识智能体统一管理的双重知识体系：一个是用语义标签精确刻画包含各模型物理机理、适用条件与计算代价的“模型知识图谱”，另一个是固化了历史成功预报实例及其对应工情与参数的“场景模式库”。基于该知识体系，模型智能体在配置新方案时执行两阶段智能寻优：首先，通过匹配“场景模式库”，快速检索出高质量的初始模型与参数组合；其次，结合从“模型知识图谱”中获取的模型机理、代价等深度信息，利用机器学习等优化算法对初始方案进行精细化调整，使其最优适配当前事件。
3.水循环过程智能模拟技术
当“场景按需动态建模”构建了最优模型结构后，模拟过程进入由模型智能体主导的操作执行阶段。此阶段的核心技术挑战是破解传统模型“一次率定、开环运行”所导致的模拟精度随时间衰减的难题。为此，水循环过程智能模拟技术旨在通过赋予模型智能体持续自我校正与动态演化的能力，将模拟过程从静态的“一次性计算”升级为动态的“持续性追踪”，确保虚拟模型与物理现实的动态精准对齐。
（1）数据知识融合驱动模拟
该技术旨在解决数据驱动模型难以强制施加显式物理约束，从而导致其泛化能力不足的问题，同时规避传统物理模型因过度理想化假设而带来的适应性与灵活性限制。其核心思路并非在二者中取舍，而是通过构建数据知识融合的混合智能模型，将水文学先验知识作为物理约束，显式融入数据驱动模型的训练与推理全过程。然而，刚性的物理约束有时反而会限制模型对数据噪声的灵活适应性，导致性能下降。为此，该技术引入了基于梯度下降的对抗性训练策略，在训练中动态权衡观测数据损失（保证精度）与物理约束损失（保证物理一致性），从而在保障模拟结果遵循物理规律的同时，具备更高的适应性与鲁棒性。
（2）在线参数反馈增量学习
为应对流域产汇流特性的时变非平稳性，模型智能体被赋予在线参数增量学习能力，以模拟资深预报员的动态调参过程。在该机制下，模型智能体持续监控由感知智能体提供的实时水文气象观测数据流，一旦获取新的高价值数据便自动触发优化流程，在现有模型参数基础上利用小批量数据进行快速迭代调整，无需全局重新率定。这种“边运行、边学习、边优化”的闭环机制使模型能够以极低的计算成本敏锐捕捉流域水文响应的最新动态，从而持续提升模拟精度。
（3）模型状态实时同化校正
为解决模型内部状态因初始条件、结构不确定性等因素与物理现实产生的偏离，系统执行由多智能体协同的状态实时同化校正。其工作流如下：首先，感知智能体负责实时获取并供给地面站点径流、遥感土壤湿度等多源观测数据；随后，模型智能体接收数据，并运行集合卡尔曼滤波等先进同化算法，将观测信息强制融入模型计算过程，驱动模型内部状态追踪物理流域的真实演变。为进一步提升同化策略的智能化水平，模型智能体还可与知识智能体协作，利用强化学习等手段，将知识智能体提供的领域知识（如不同洪水阶段的关键影响因子）作为奖励函数或约束，自主学习并形成更高级的同化策略。
（4）专家偏好持续学习优化
认知数字孪生不仅追求客观精度，更要实现对专家隐性知识与决策偏好的深度融合。为此，系统构建了面向专家偏好的人机协同持续学习机制。在该机制下，领航智能体通过交互界面捕捉专家的经验性操作（如对特定区域参数的直觉修正）或决策偏好（如风险规避倾向）。这些宝贵信息被系统化提炼后，交由知识智能体结构化为“偏好知识”并存入知识库。最后，模型智能体在执行任务时，会运用面向专家偏好的强化学习等方法，将这些偏好知识融入其参数调优乃至决策逻辑中。如此，系统输出的结果不仅技术可靠，更能与专家的实战经验对齐，真正实现专家经验的数字化传承与规模化扩展。
4.流域智能决策与优化调度
流域尺度的决策与调度是水利管理的核心，其本质是在不确定环境下针对多个相互冲突的目标进行权衡与寻优的复杂过程。传统决策模式高度依赖静态预案与定性经验，难以应对瞬息万变的动态情境。为此本节所阐述的关键技术，旨在构建一套智能决策与优化调度体系，其核心是实现从“用户意图”到“可执行代码”的自动转化。该体系能够将以自然语言描述的模糊业务目标，形式化为定义了目标函数与约束条件的数学优化模型，再自动生成可调用底层求解器的计算代码，最终将专家的定性经验决策转变为数据驱动、可量化的科学寻优过程。
（1）业务目标动态智能识别
在决策的方案规划阶段，首要任务便是对业务目标进行动态、智能识别。传统多准则决策模型虽具备严谨的排序能力，但其权重设定依赖静态规则或专家经验，在实时、多变的复杂情境中适应性不足。该技术的核心是将LLM作为认知前端，负责情境的动态理解，而将传统决策模型作为数学后端，负责方案的规范化权衡。在此机制下，领航智能体利用其LLM内核，对感知智能体提供的实时“认知图景”及知识智能体供给的历史偏好等高维、异构信息进行深度解析。其关键任务是将复杂的态势理解与因果逻辑推理，转化为一组可解释、可计算的动态目标权重。该动态赋权过程使传统决策模型的能力得以延伸，从执行静态计算转变为进行动态的情境感知与权衡。最终，系统生成一个具备高度情境自适应性与决策过程透明度的量化多目标优化函数，为下游的优化求解奠定坚实基础。
（2）历史场景匹配辅助决策
为破解应急响应时效性与全局寻优计算开销之间的矛盾，该技术旨在将经验驱动与智能寻优有机结合。该技术的核心是由知识智能体将历史上经过实践检验的成功调度案例，转化为一个可计算、可推理的“时空场景模式库”。在处理新决策任务时，优化智能体首先向知识智能体查询，通过高维特征匹配，从历史场景中快速提炼出蕴含专家智慧的启发式信息（如关键调度参数、约束边界等），以直接初始化或有效约束其优化模型。该机制通过为优化算法提供高质量的起点和合理的边界，极大压缩了算法的搜索空间，从而在保障应急响应速度的同时，提升了决策方案的科学性。
（3）自动化决策方案生成优化
当决策问题在方案规划阶段被明确定义后，便进入操作执行环节。水利优化决策的核心技术挑战在于，如何将专家动态、模糊的决策意图精确转化为高效、形式化的数学模型代码。尽管LLM具备初步的代码生成能力，但一次性的直接翻译往往导致优化模型的代码方案趋于通用或次优，难以捕捉特定水利场景下的复杂动态与隐性约束。为此，该技术的核心突破在于将进化计算（Evolutionary Computation，EC）思想与大语言模型深度融合，为优化智能体构建了一套面向代码的进化机制。首先，创建包含多种候选数学模型或奖励函数代码的“初始种群”。随后，优化智能体在迭代循环中通过借鉴进化算子的提示策略（如交叉、变异），引导LLM生成更优“子代”，并对新方案进行性能评估与选择。每个新生成的代码方案都将经过严格的性能评估，并依据“适者生存”原则进行选择，从而驱动代码种群向更高性能的方向持续进化。这种“视代码为基因”的进化机制，使优化智能体能够在广阔的程序空间内进行高效搜索，最终生成高度定制化且性能卓越的优化方案。
（4）人机协同可视决策演化
在高风险决策场景，任何机器生成的“最优解”都必须由人类专家最终研判。为此，领航智能体需提供一个交互式的决策推演环境，而非单向地推荐方案。专家可对优化智能体生成的候选方案进行调整，而系统的关键技术在于应用逆向强化学习，将专家的每一次“调整”都视为一次隐式偏好展示，并从中反推出其内在的、量化的决策偏好与风险规避倾向。这些信息随后被知识智能体固化，并通过基于人类反馈的强化学习等方法，指导优化智能体进行再训练。这一机制确保了AI的演化始终与专家的实战经验和决策责任体系对齐，最终将人类的隐性智慧数字化表示为智能体可计算、可传承的核心能力。
应用实例：洪水预报与调度决策
本应用实例基于安徽省屯溪流域防洪应急响应，将前文构建的理论框架付诸实践，演示了多智能体系统在策略生成、方案规划、操作执行与闭环学习的全流程。
1.策略生成：应急响应启动与目标确立
应急响应的启动源于策略生成模块。当系统预测屯溪流域上游将发生特大暴雨时，作为核心协调单元的领航智能体接收到这一高阶、模糊的风险信号。其首要任务是将该信号转化为明确的战略意图。为此，领航智能体与知识智能体交互查阅相关的防洪预案和调度规程，并将保障下游重点城市安全确立为最高准则。基于此定义了概念性战略指令，内容包括总体目标（确保屯溪水文站安全度汛）、核心约束（各水库不得超汛限水位运行）以及价值准则（优先保障下游重点城市安全）。这份指令明确了“做什么”和“为何做”，为后续所有行动提供了顶层依据，但其本身并非可直接执行的程序。
2.方案规划：构建自动化任务工作流
战略指令确立后，流程进入方案规划模块。这一阶段，领航智能体通过与各专项智能体协同，将前述宏观战略分解并规划为一份结构化、待执行的工作流方案。
（1）感知规划
领航智能体指示感知智能体规划一份精细化的数据监测方案，明确重点监控上游11座雨量站中的关键站点，并提升对下游关键断面的水位监测频率。
（2）预报规划
领航智能体激活模型智能体，指令其进行预报前的准备工作。模型智能体规划出动态建模的具体步骤：首先进行拓扑剪裁，然后基于风险等级预选出融合物理机理的深度神经网络算子模型，将其作为此次预报的核心计算引擎。
（3）决策预案
同时，领航智能体与优化智能体协同，预设决策触发条件。例如，当模型智能体的预报结果显示洪峰流量将超过保证水位时，触发优化智能体的调度方案生成流程。最终，该模块输出一份详尽且定义了各智能体任务序列、数据依赖关系和触发条件的可执行工作流。
3.操作执行：预报与调度的接力实现
工作流方案制定后，流程进入操作执行模块，各专项智能体依据规划蓝图与底层平台交互，精确执行任务。
（1）洪水智能预报
感知智能体首先执行数据监测规划，调用数据底板，实时汇集覆盖该流域11座雨量站及干流出口水文站的小时级监测数据。其并非简单地堆叠数据，而是立即与知识智能体协同，调用流域知识图谱。基于图谱中预存的水系拓扑与水文事理，感知智能体为这些孤立的数据流建立了实时的语义与因果关联，明确了上游降雨对下游洪峰的关键依赖关系。这一过程最终生成了富含结构化关系的高维度“认知图景”，并将其传递给模型智能体。
模型智能体接收数据后，立即执行预报任务。其调用模型平台，启动预选的神经网络算子模型。在模拟过程中，模型通过注意力机制对多源时空数据进行特征提取，并融合傅里叶神经算子与循环单元的解码器网络进行非线性过程模拟。同时，模型损失函数中不仅包含观测误差，还显式融入了由流体力学方程转化而来的物理约束项，并通过对抗性训练策略动态权衡二者权重，确保预报的物理一致性与高精度。
为验证预报精度，系统以1998年7月屯溪流域一次典型洪水过程为回放验证案例。为全面评估其性能，将本框架与一组具有代表性的基准模型进行了对比，这些模型涵盖了经典时序模型（如长短期记忆网络LSTM），以及不同类型的深度神经算子网络，包括其基础架构（DeepONet）、引入物理约束的版本（PI-DeepONet），以及融合傅里叶神经算子与卷积单元的混合模型（FNOCL）。结果显示，本框架的预报结果在各项关键性能指标上均显著优于上述基准模型（见表），相较于表现次优的FNOCL模型，本框架的均方根误差（RMSE）降低了22.5%，纳什效率系数（NSE）则更接近于1。
本框架与基准模型关键性能指标对比
（2）调度智能决策
预报结果显示洪峰超警，工作流自动触发调度决策任务。优化智能体被激活后，首先请求知识智能体匹配历史相似场景；若未找到适用案例，则启动“意图到代码”的进化机制，自动构建多目标优化模型，并生成一组Pareto最优调度方案集。领航智能体作为人机交互核心，将方案集以多维可视化的形式呈现给决策专家，并根据专家的自然语言指令，调用模型智能体对特定方案进行快速推演与风险评估。专家做出最终决策后，领航智能体将该决策编译为标准化的调度指令并下达执行。
4.闭环学习：系统演化与知识沉淀
洪水事件响应结束后，领航智能体自动启动复盘流程，带领系统进入学习阶段。事件全过程的日志、数据和最终结果被完整记录。知识智能体将此次成功的应对范式存入案例库，并通过持续学习机制，从专家最后的决策调整中提炼其隐性偏好。模型智能体则利用此次事件的实测数据，对其内部的神经网络算子模型进行参数再标定。通过这一闭环，系统的认知与决策能力得到持续迭代和提升。
总结与展望
本文提出“认知数字孪生流域”，其核心价值在于通过构建一个由多智能体系统驱动的“认知智能层”，实现从物理流域的“数字映射”向“智慧决策”的深层次转型。该范式不仅能显著提升对复杂流域系统的动态洞察与风险研判能力，也为“四预”等核心业务的智能化升级，以及行业知识体系的结构化传承与持续演进提供了关键支撑。然而，将这一前沿理念转化为成熟的工程应用仍面临挑战，核心在于如何实现认知大模型与水利物理机理模型的深度耦合，并确保多智能体协同决策的鲁棒性与可解释性。此外，相关技术与业务场景的深度融合及标准体系的建立，亦是推动其规模化发展的必要前提。
展望未来，上层认知能力对传统数字孪生流域的基础平台也提出了根本性的升级要求。首先，数据底板的功能需从提供离散的原始数据升级为可供机器理解与推理的结构化数据资产，这要求数据具备更高的质量、时效性和语义密度，并需提供灵活高效的数据服务接口，以支持智能体进行探索式分析与动态调用。其次，模型平台需提供高度模块化、组件化的标准接口，以支持对异构模型的灵活编排与调用，实现模型的动态选择、链接及参数化执行，并输出可解释的中间过程与结果置信度，以提升决策的透明度。最后，知识平台需具备动态扩展与自我演化能力，能够高效地接收、融合、管理认知智能层在持续学习中产生的新知识、新模式，并与智能体推理模块兼容，以支持复杂知识的有效表达与运用。
Abstract: With the in-depth implementation of the “Digital China” strategy, the digital twin basin has become a critical infrastructure for modern water-resource governance. Significant progress has been made in the data foundation, model platforms, knowledge platforms, and “four pre” functions (forecast, early-warning, rehearsal and plan). However, existing digital twin systems exhibit notable deficiencies in higher-order cognitive capabilities, such as integrating expert knowledge, supporting autonomous learning, and enabling intelligent decision-making. This makes it difficult for them to meet the demands for scenario dynamization, business process automation, and decision-making intelligence. To overcome these challenges, this paper introduces cognitive intelligence and proposes the “cognitive digital twin basin” concept and its framework. Central to this paradigm is the cognitive intelligence layer, constructed upon three fundamental platforms: data, models, and knowledge. This layer is driven by a multi-agent system based on large language models (LLMs), which actively and intelligently coordinates and orchestrates the underlying platforms to deliver advanced cognitive capabilities, including dynamic modeling, intelligent simulation, and optimization-based decision-making. The objective is to transform the static and experience-driven processes within the “2+N” business to an automated and cognition-driven dynamic workflow. In terms of the technical system, the core technical paths are elaborated, including multi-agent collaboration, data and knowledge fusion-driven simulation, online parameter incremental learning, model state assimilation correction, and continuous optimization of expert preferences. Through a case study in the Tunxi River basin of Anhui Province, this paper demonstrates how the framework efficiently conducts flood forecasting and makes decisions, verifying the application value of cognitive intelligence in complex basin management. The paper discusses existing theoretical and engineering challenges and outlines future directions for the intelligent upgrading of data, models, and knowledge platforms. This work provides a theoretical and technical foundation for advancing digital twin basins in China toward higher-order cognitive intelligence.
Keywordscognitive digital twin basin；multi-agent system；flood forecasting；scheduling decision-making；cognitive intelligence layer；cognitive big model；Tunxi River basin
本文引用格式：
唐海麟，冯钧，周思源“认知数字孪生流域”框架与关键技术[J].中水利，2025（22）：37-46.
责编董林玥
校对葛家诺（见习） 王慧
审核杨轶
监制李坤
声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。
