基于事件驱动的无服务器环境建模：云上河流模拟的教学框架与实践

《Environmental Modelling & Software》：Event-based Serverless Environmental Modeling on the Cloud: A Pedagogical Guide and River Case Study

　　本文提出了一种基于亚马逊云服务（AWS）的无服务器环境建模框架，结合Lambda事件触发和Docker容器化技术，实现了与NASA地球观测数据（如SWOT、NISAR）邻近部署的轻量级环境模型（如RAPID河流路由模型）。该教学性指南通过密西西比河流域35年径流模拟案例，为数据密集型地球科学模型提供了可扩展、低维护成本的云原生解决方案。

　　

Section snippets

Methods

我们的方法论采用无服务器云环境建模的四个关键组件：云原生数据、非云数据、环境模型和无服务器云实现本身。每个组件均通过河流建模案例进行具体说明。

Building blocks for environmental modeling as an AWS Lambda service

我们的脚手架开发遵循教学性递进结构（图4a）。脚手架0–2在用户定义的操作系统中引入AWS Lambda环境，演示从基础信息输出到调用独立Python函数的功能。脚手架3–5集成了高级数据处理能力，共同构建出支持事件触发模型执行的完整技术栈。

Adaptation to river data preparation and modeling

我们将通用云脚手架应用于特定环境建模套件：RRR（Reproducible Routing Rituals）数据预处理和RAPID河流路由模型。图5展示了为AWS Lambda定制的无服务器架构，实现了从GLDAS 2.0径流数据到河道流量模拟的自动化流水线。

Simulation and Verification

基于VIC（Variable Infiltration Capacity）陆地表面模型生成的GLDAS 2.0径流数据，我们对密西西比河流域进行了35年（1980–2014）的径流模拟（图7）。该模拟以15分钟为时间步长，通过840个按月触发的Lambda任务（RRR与RAPID各420个）分布式执行，验证了无服务器架构在长时序水文模拟中的可行性。

Lessons Learned in Cloud-Based Environmental Modeling

本研究展示了无服务器计算如何通过动态触发、低维护和可复现的工作流支持环境建模。尽管云部署面临冷启动延迟、临时存储限制和调试复杂性等挑战，但其与卫星数据（如SWOT）的邻近性、自动扩展能力和按需付费模式为地球科学数字孪生（Digital Twin）提供了新范式。

Conclusion

随着卫星观测数据在云平台的持续增长，环境建模的云原生转型势在必行。本研究通过无服务器架构替代传统虚拟机（VM），降低了闲置成本与运维负担。容器化与事件驱动的结合为水文、气候等环境模型提供了弹性计算蓝图，特别适用于间歇性任务与数据密集型工作流。