知识蒸馏：面向下一代智能生态水文建模系统的通用路径

模拟生态水文过程对于理解复杂环境系统和指导应对加速气候变化和人类压力下的可持续管理至关重要。基于过程的模型提供物理现实性，但可能 suffer from structural rigidity, high computational costs, and complex calibration，而机器学习（ML）方法高效灵活，却常缺乏可解释性和可迁移性。我们提出了一个统一的三阶段框架，将基于过程的模型与ML集成，并逐步将其嵌入人工智能（AI）通过知识蒸馏。阶段I，行为蒸馏，通过拟合和模型简化增强过程模型，以较低计算成本捕获关键动力学。阶段II，结构蒸馏，将过程方程重新表述为图神经网络（GNN）中的模块化组件，实现多尺度表示并无缝集成与ML模型。阶段III，认知蒸馏，通过Eyes-Brain-Hands-Mouth架构嵌入专家推理和自适应决策。Samish流域的演示表明，该框架适用于生态水文建模，能够再现基于过程的模型输出，提高预测精度，支持情景决策。该框架为通向下一代智能生态水文建模系统提供了可扩展且可迁移的路径，潜力可扩展至其他基于过程的领域。