科罗拉多河的源头是皑皑白雪。每年春天，落基山脉的积雪融化成溪流，汇入水库，为美国七个州的4000万人提供用水。这套系统在过去一个世纪里基本运转正常。但那个时代已经结束了。

从多项指标来看，2026年正成为有记录以来科罗拉多河状况最糟糕的一年。自2000年以来，河流流量已下降20%。横跨犹他州和亚利桑那州的鲍威尔水库，可能在年底前水位就会跌破水力发电的最低阈值。七个州之间关于如何分配剩余水资源的谈判已两度破裂，美国联邦政府正威胁要强制推行自己的方案。

就在各州争论不休、河流持续萎缩之际，一批机器学习工具正被陆续部署到整个流域。联邦水资源管理人员正在运行数百万次模拟，针对不同的未来情景对水库管理策略进行压力测试。研究人员则借助卫星数据和深度学习技术，提前数月预测河流流量。这些技术无法从根本上解决危机，但它们让各种权衡取舍变得清晰可见，比以往任何时候都更精确地呈现出每一项决策所要付出的代价。

联邦水资源管理的核心机构

在科罗拉多河日常运营管理中，没有哪个机构比美国垦务局（Bureau of Reclamation）承担更多职责。如果联邦政府真的强制推行水资源分配方案，执行者将是垦务局，由其决定从鲍威尔水库和米德水库——全美两大最大水库——放出多少水。

这个机构早已习惯复杂的建模工作。多年来，垦务局的研究人员将古气候重建数据、全球环流模型和情景规划结合起来，预测河流的未来走势。垦务局水资源可用性研究协调员克里斯·弗兰斯表示，机器学习工具正在扩展这一工具箱，并已在真实的运营决策中发挥作用。

进展最为显著的领域是河流流量预测。结合流域外卫星数据和气象站信息的机器学习技术，在各类气象条件下的表现均优于传统方法。预测数据每小时更新一次。在部分地区，管理人员对洪水事件的预警时间已从过去的三天延长至五到七天，这让他们有时间在大量水流到来之前提前降低水库水位。

情景模拟的规模也大幅扩展。十年前，运行10万次模拟仿真就算是里程碑式的研究成果。垦务局下科罗拉多流域研究与建模组负责人艾伦·巴特勒表示，如今数百万次模拟为现行指导方针所用的分析工具提供数据支撑。这些模拟绘制出不同运营策略在各种未来情景下的表现，使各种权衡取舍之间的差异更加清晰，难以回避。

水资源分配的决策模型

知道水从哪里来是一个问题，决定水该给谁则是另一个问题。科罗拉多河模拟系统（CRSS）正是这一决策过程的核心工具，它在百余年法律法规约束框架下，模拟水资源在流域内各水库、运河和管道中的流动情况。这一垦务局模型并不完美，但几十年来一直是河流谈判的基础。

一款名为RiverWare的工具最早于1990年代初由科罗拉多大学博尔德分校开发，能让各州、城市和部落自行在CRSS中运行情景模拟。该工具的开发机构——先进水与环境系统决策支持中心主任、博尔德分校教授伊迪丝·扎戈纳表示，在RiverWare出现之前，这些利益相关方对垦务局的数据根本不信任，"那时简直存在巨大的信任鸿沟。"解决办法就是让各方能够审查RiverWare模型中内置的假设条件——包括可用水量、使用方式以及适用规则。

让利益相关方信任模型，事后证明还算容易。更难的问题在于：当模型本身无法预测出某一种大概率未来时，该怎么办？这个问题促使扎戈纳转向一种名为"深度不确定性下的决策"框架，这一框架放弃预测，转而将政策方案置于数千种可能的未来情景中进行压力测试。

扎戈纳团队与垦务局及咨询公司Virga Labs联合开发了一款基于网页的工具，将上述框架付诸实践。该工具在8000多种可能的未来供水情景中运行CRSS，展示不同管理策略在气候变化各种可能走向下的应对表现。其核心是一种名为"Borg"的进化算法，该算法不断生成和优化策略方案，寻找能够在多种情景下都表现良好的方案。最终输出的是一组权衡选项，而非一个唯一答案。

Borg-RiverWare已对当前关于河流下一阶段运营规则的谈判产生实质影响，为垦务局的建模工具提供了情景和数据支撑。这些工具为各谈判方提供了共同的分析基础。目前，扎戈纳的中心正在进一步推进这一方向：一套在研系统将允许谈判各方实时测试相互竞争的提案，展示一方的政策选择将如何波及整个系统，并在谈判过程中识别潜在的妥协空间。

深度学习在流域中的新探索

不只有垦务局和扎戈纳的团队在努力看清河流的未来。在丹佛大都会州立大学，由莫哈默德·瓦利普尔领衔的团队正在构建一套预测系统，利用深度学习对科罗拉多州七条河流发出七天至六个月不等的干旱预警。在地面监测站稀少、山地环境令安装极为困难的地区，研究团队发现NASA卫星数据的表现优于实地测量数据。瓦利普尔表示，最终目标是建立一套覆盖全州的干旱预警系统，为农民和水资源管理者争取更多应对时间。

在犹他州立大学，苏凯纳·菲拉利·布布拉希米正在攻克另一个难题：河流某处的变化如何在数周后影响下游。她的团队利用图神经网络，将每个监测站视为网络节点，绘制出这个全球争议最大水系之一的相互依存关系图谱。她表示，这种方法有望推广至其他压力过重的流域。

"如果你能破解科罗拉多河的难题，"她说，"任何面临类似问题的水系都会对你的研究成果感兴趣。"

数据困境与技术局限

整个流域的研究人员和水资源管理者都在面对同一堵墙：模型依赖历史数据学习，但这些数据描述的是一条已不复存在的河流。瓦利普尔发现，只用过去十年的数据训练模型，效果反而优于使用更长历史记录。菲拉利·布布拉希米的模型在干旱条件下表现最差，而这恰恰是预测最关键的时刻——因为近年持续的干旱与历史训练数据相去甚远。一个变通方案是用已经历过科罗拉多河尚未遭遇的极端状况的其他流域数据来训练模型。

即便如此，更好的预测也无法解决核心问题。科罗拉多州立大学科罗拉多水资源中心水文与气候研究科学家布拉德·尤道尔表示，尽管这些工具能够呈现出在千种可能情景下更干旱的未来是什么样子，但它们无法告诉你，这份代价该由谁来承担。流域将面临巨大削减，大部分压力将落在农业上，可能从根本上改变那些几代人依水为生、建立起整套经济体系的社区。"AI根本没有资格去替代人类的价值判断，"他说。

从大多数衡量标准来看，这些工具正在做它们原本被设计来做的事：各谈判方清楚地知道前方等待着什么，也没有人在质疑这些预测结果。在科罗拉多河工作了45年的扎戈纳，仍然看到了乐观的理由。"这些工具把人们带到了谈判桌前，"她说，"他们还在争论。但至少，他们都坐下来了。"

Q&A

Q1：科罗拉多河模拟系统（CRSS）是什么？它在水资源谈判中起什么作用？

A：科罗拉多河模拟系统（CRSS）是由美国垦务局开发的水资源模型，能够在百余年法律法规约束下，模拟水资源在流域内水库、运河和管道中的流动情况。几十年来，它一直是河流谈判的分析基础。配合RiverWare工具，各州、城市和部落可以自行运行情景模拟，审查模型假设，从而增强对数据的信任，为各方谈判提供共同的分析依据。

Q2：机器学习如何改善科罗拉多河的流量预测？

A：机器学习技术结合卫星数据和流域外气象站信息，在各种气象条件下的预测表现均优于传统方法，且预测数据每小时更新一次。在洪水预警方面，部分地区的预警时间已从过去的三天延长至五到七天，让管理人员有更充裕的时间提前降低水库水位、应对大流量来水，显著提升了实际运营决策的效率。

Q3：AI和机器学习能从根本上解决科罗拉多河的水资源危机吗？

A：目前来看，AI和机器学习工具无法从根本上解决危机。这些工具擅长预测水量变化、模拟不同管理策略的后果，但无法回答"水资源削减的代价该由谁来承担"这一核心问题。科罗拉多州立大学研究科学家布拉德·尤道尔指出，未来的削减规模将极为巨大，主要冲击农业，AI没有资格替代人类的价值判断，最终的决策仍需通过政治协商来完成。