12月5日，新加坡国立大学助理教授何小刚博士应邀莅临地理与环境经济学院，作了题为“Spatial-temporal Adaptive Planning of Flood Managed Aquifer Recharge Guided by Deep Reinforcement Learning”的学术讲座。本次讲座由肖荣波院长主持，学院全体教师及学生代表参加了此次学术活动。
何小刚助理教授作报告
讲座伊始，肖荣波院长向何小刚教授致以热烈欢迎，并介绍了其在水文学与水资源管理交叉领域的杰出学术背景与研究成就。何小刚博士毕业于普林斯顿大学，曾任斯坦福大学“西部水资源”博士后研究员。他的研究开创性地构建了融合水文学机理、遥感技术、经济学原理与人工智能（特别是深度强化学习）的交叉学科框架，致力于应对气候变化背景下的水文极端灾害风险。他在《Nature Sustainability》《Nature Water》《Science Advances》《Proceedings of the National Academy of Sciences》等国际顶尖期刊上发表了系列重要论文，并荣获了美国地球物理联合会（AGU）自然灾害分会早期职业奖和亚洲-大洋洲地球科学联合会（AOGS）Kamide Lecture奖等权威荣誉。
何小刚助理教授介绍STELLAR模型框架
在讲座中，何小刚教授系统阐述了他研究团队在“洪水资源化”前沿领域取得的重要进展。其核心内容可归纳为以下三个层面：
一是深度强化学习（DRL）与蒙特卡洛树搜索（MCTS）耦合的智能决策新范式。何小刚教授指出，传统水资源管理模型难以应对气候变化下极端水文事件的高度不确定性。为此，其团队开创性地将深度强化学习与蒙特卡洛树搜索相结合，将复杂的洪水补给地下水管理问题构建为一个序列决策过程。该方法使系统能够通过自主学习，在模拟的未来不确定性环境中进行探索与测试，从而输出动态、稳健的优化策略，实现了从静态规则到自适应学习的决策范式转变。
二是面向时空自适应规划的“STELLAR”开源模拟框架。针对美国加州等地因地下水超采导致的严峻灌溉压力与干旱风险，何小刚教授团队研发了名为“STELLAR”的核心技术框架。该框架构建了一个完整的“智能体-策略学习-环境”交互系统，深度耦合了水文模型、遥感数据与前述的DRL-MCTS智能体。其创新性在于能够生成面向不同土地利用未来情景的、时空自适应的地下水回灌补给方案，精准优化补给时机、空间位置与水量分配，显著提升了地下水补给的效率与效益。
三是在加州农业区的实证应用与多目标协同效益。何小刚教授重点展示了“STELLAR”框架在加州中央谷地等典型农业区的模拟应用案例。结果表明，相较于传统的静态管理规则，该智能规划方案能在防洪安全、地下水恢复、农业灌溉保障及经济效益等多个相互竞争的目标之间实现更优的协同平衡。这项研究为解决加州等地区长期存在的地下水可持续管理挑战，提供了兼具科学前沿性与实践操作性的开源工具与决策支持。
讲座结束后，肖荣波院长对报告内容进行了总结点评。与会师生就STELLAR框架的算法可解释性、在不同水文地理区域的迁移适用性，以及如何与更精细化的水权市场及经济政策模型结合等议题，与何小刚教授展开了深入探讨。
何小刚教授与教师深入交流
本次讲座使学院师生深入了解了人工智能与水文学交叉领域的前沿动态，拓宽了学术视野，对推动相关学科的科研创新与人才培养具有积极意义。
作者：徐真 初审：吴艳艳 复审：肖荣波 终审：陈莎莉