《Environmental Research》：An integrated intelligent model for simulating and optimizing regional water resource sustainability under multiple pressures
编辑推荐：
区域水资源可持续性管理中，集成AI预测与多系统协同优化的综合智能模型（IIM）研究。通过灰色GM(1,1)、逻辑增长与BP神经网络融合预测，耦合社会经济-水资源-环境子系统的动态优化，在河北缺水地区验证了五情景（S0-S4）下的多目标权衡。S3情景实现6.73%年均GDP增长与59.4%节水强度下降的平衡，关键驱动为第三产业占比提升至64.5%和废水处理再利用协同效应。该模型为高压力区水资源管理提供动态决策支持。
李淑蕾|裴秋明
四川科技大学经济学院，中国宜宾644000
摘要
在快速城市化进程中，区域水资源系统面临着多重压力，包括需求增加、资源短缺和污染限制。这需要一种先进的方法论框架，能够将长期动态预测与复杂耦合系统的协调优化相结合。为此，本研究提出了一种“预测驱动优化”的综合智能模型（IIM），并将其应用于中国水资源严重短缺的河北省。该模型将基于GM（1,1）模型的AI驱动预测模块与BP神经网络相结合，形成了一个动态多目标优化系统，涵盖了社会经济、水资源和环境子系统。通过设计五种逐步加严的约束情景（S0–S4），该模型系统地模拟了该地区从2018年到2035年的可持续发展路径。结果表明，情景S3实现了经济增长与环境目标之间的最佳平衡：每年减少5%的地下水开采量和3%的废水排放量。在这种情景下，该地区可以实现年均地区生产总值（GRP）增长6.73%，同时将水强度降低59.4%，化学需氧量（COD）总排放量减少36%，地下水在总供水中的比例降至16.0%。模型指出，产业结构转型（第三产业占比上升至64.5%）以及废水处理和再利用的协同效应是实现系统整体优化的关键机制，而动态财政分配进一步增强了长期效果。此外，研究还揭示了经济目标与环境目标之间的非线性权衡，表明过于严格的约束可能会引发边际效益递减。这项研究表明，结合AI预测与多系统协同优化的智能建模框架可以为水资源管理提供定量和适应性决策支持，从而促进水资源的可持续利用。
引言
全球快速城市化导致人口、产业和经济活动集中在城市地区，显著增加了水资源抽取和污染物排放的压力。这构成了一个复杂的可持续性挑战，其特征是“增长压力、资源限制和环境监管”（Fl?rke等人，2018年；V?r?smarty等人，2010年）。这种多维压力在高度密集发展的地区尤为突出，生态可持续性已成为区域管理的关键问题（Wan等人，2024年）。具体而言，增长压力源于持续的经济和人口增长，导致水资源需求刚性增加（Liu等人，2025年）。资源限制源于水资源在时空上的不均衡分布、气候变化影响的加剧以及长期过度开采（Liu等人，2022年；Mekonnen和Hoekstra，2016年；Wada等人，2016年；Wang等人，2024a）。环境监管则受到日益严格的环境政策和公众生态关切的推动（Wang等人，2024b），这不仅促进了绿色技术创新（Yan等人，2024年），还深刻影响了水资源分配的公平性和治理的包容性（Lv等人，2025年；Ma等人，2020年）。在华北平原等水资源短缺的城市化地区，这些压力相互叠加，加剧了水资源与城市化之间的冲突（Li等人，2022年）。在这种情况下，优化水资源分配对于农业灌溉等关键领域尤为重要（Zhang等人，2025b），并严重威胁到区域水资源安全和可持续发展目标的实现（Jia等人，2019年）。
面对多重压力引发的系统性挑战，传统的规划工具在处理系统性和多目标权衡方面存在明显局限性。在预测方面，关键驱动因素的预测往往依赖于静态假设或简单的线性外推（Perramond，2020年），无法捕捉非线性动态和深层不确定性（Veldkamp等人，2017年）。尽管AI模型在短期预测方面表现良好（Salehi和Akbar Salehi Neyshabouri，2025年），但它们与长期规划模型的深度融合仍不够充分。在优化方面，现有模型通常关注单一子系统或目标（Liu等人，2021年；Sarbu和Popa-Albu，2023年）。即使在跨资源研究（如水-能源-食物关联）方面取得了进展（Cansino-Loeza和Ponce-Ortega，2021年；Wu等人，2024年），但在复杂复合系统内整合动态耦合仍不充分（Borgomeo等人，2014年；Kasprzyk等人，2013年）。从治理角度来看，以技术为导向的管理常常由于跨部门脱节而导致数据碎片化（Wawi和?zerol，2025年），阻碍了跨尺度协调网络的形成（Bitterman等人，2023年），并忽视了机构和权力结构的作用（Pahl-Wostl，2017年）。在建模层面，水文模型本身也因流域特性而存在不确定性（Addor等人，2017年）。尽管已经探索了结合机器学习的稳健优化方法来应对不确定性（Smith等人，2025年；Wang等人，2024a），但将长期动态预测与复杂系统的适应性管理紧密结合的框架仍然很少（Herman等人，2020年）。
为了构建应对系统性挑战的智能决策支持框架，水资源预测和优化方面已经取得了显著进展，但这两个领域仍然相对独立。在预测方面，AI方法显著提高了水文预测的准确性和不确定性量化（Nguyen等人，2026年；Vinoki?等人，2025年），并扩展到了水研究的多个核心领域（Biazar等人，2025年；Shen，2018年）。在优化方面，水资源系统建模已发展到能够处理多目标问题、不确定性和系统相互作用的高级方法（Ma等人，2018年；Maier等人，2014年；Yan等人，2014年），并在各种实际应用中取得了成功（Chen等人，2025年；Zhang等人，2025a）。在综合建模方面，水-经济耦合框架旨在描述系统之间的联系（Borgomeo等人，2014年），并继续整合新兴技术以提升管理能力（Expósito和Díez Cebollero，2025年；Rasoulabadi和Safavi，2025年）。然而，大多数研究仍将预测和优化视为独立步骤；预测通常仅作为静态的外生输入用于优化。这阻碍了关键驱动因素（如人口和经济结构）的动态非线性演变在最优决策中的内生反映，从而限制了在长期不确定性下评估和制定适应性策略的能力。
为了弥合分离的预测和优化之间的差距，本研究开发了一种用于多重压力下区域水资源可持续性的综合智能模型（IIM）。其核心创新是一种预测驱动的优化框架，该框架有机地将基于GM（1,1）模型的集成AI预测、逻辑增长模型和BP神经网络与动态优化模型相结合，这三个模型分别关联四个子系统：（i）社会经济发展；（ii）水资源供应-使用；（iii）废水处理和再利用；（iv）水污染物生成和吸收。与传统依赖静态外生输入的方法不同，这种设计使得关键驱动因素的非线性演变能够在决策过程中得到内生反映，从而在长期不确定性下促进适应性策略的制定。该框架应用于中国的河北省，该地区是“增长-资源-环境”三难问题的典型代表，也是国家京津冀战略的关键节点（Gao等人，2025年；Qian等人，2025年）。通过模拟从照常运行到严格监管的五种政策情景，本研究旨在：（1）验证IIM在模拟复杂耦合系统方面的有效性；（2）量化经济发展与生态安全之间的多目标权衡；（3）确定最佳合作路径，为河北省及其他类似水资源短缺的城市化地区提供坚实的科学支持。
研究区域和数据
河北省是中国面临多重压力的典型地区。由于快速城市化和经济扩张，其水资源系统同时面临：（i）人口和经济活动的持续扩张带来的增长压力；（ii）由于水资源极度短缺而产生的严格资源限制，人均水资源可用量仅约为全国平均水平的7%；以及（iii）相关的环境监管压力
关键驱动因素的预测结果
本研究开发的AI预测模型结合了GM（1,1）模型、逻辑模型和BP神经网络，形成了高精度的集成预测方法。该模型系统地预测了2000年至2035年河北省的总人口变化，结果总结在表5中。
历史拟合期（2000–2018年）。AI集成模型的拟合效果明显优于任何单一模型（图6a）。通过学习GM（1,1）和逻辑模型的输出，该模型
产业结构调整支撑经济增长的韧性
在情景S3下，经济增长的动力发生了根本性变化。地区生产总值（GRP）从2018年的3638.1亿元人民币增长到2035年的11011.3亿元人民币，年均增长率为6.73%。这一表现主要得益于深刻的产业结构转型：第三产业占比从45.7%显著上升至64.5%，成为增长的主要来源。同时，第二产业的占比虽然较高，但其增长速度相对较慢
结论
本研究开发了一种将基于AI的预测与动态多目标优化相结合的IIM，以探索在多重压力（包括增长、资源短缺和污染）下的可持续区域水资源管理路径。以中国水资源最短缺的河北省作为实证案例，研究得出了三个主要结论：
- 1.
存在一种能够实现多目标权衡的最佳路径。在设计的五种情景中，情景S3通过实施
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究工作。
作者贡献声明
裴秋明：撰写 – 审稿与编辑、验证、监督、资源整理。李淑蕾：撰写 – 原始草稿、方法论、数据整理、概念构建
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究工作。
致谢
本研究得到了四川科技大学“第二批人才引进计划”的支持（编号：2024RC099）。
