人工智能在湖泊水情監測研究中的應用＊

楊家瑩

（云南師范大學，云南 昆明 650500）

0 引言

湖泊儲備了地球上的大部分淡水資源，為生態系統的生物多樣性提供服務。湖泊生態環境不僅關系到區域生態環境的質量，而且關系到城市的可持續發展。在過去的30年里，隨著中國城市化和工業化的快速發展，不透水表面積顯著增加。不透水表面的增加阻礙了城市污水的向下滲透，直接流入到城市湖泊，加重了湖泊的富營養化程度。富含化學物質的生活廢水和工業廢水依次排入河流，不易降解。湖泊經過長時間積累，生態環境遭到破壞。

中國的湖泊眾多，共有兩萬多個，長江中下游東部季風區分布著中國最大的淡水湖群，西部以青藏高原咸水湖較為集中，自20世紀50年代以來，湖泊富營養化程度加重，其中太湖、巢湖、滇池等12個湖泊處于重度富營養化狀態。水環境的質量監管和預測是水資源合理利用的前提，水質評價的方法是水環境監管的關鍵，了解水質現狀，預測水質未來發展，為水環境的管理和治理提供有據可依的可用方法。

機器學習作為人工智能領域的重要分支被廣泛應用到各個領域。2019年1月，人工智能技術在Nature Medicine雜志上的應用報道認為機器學習作為人工智能技術的代表輔助臨床醫學診斷，在中醫領域的應用處于初步階段[1]。20世紀80年代，隨著機器學習技術的不斷成熟在極端天氣領域的應用取得了不少突破[2]。人工智能誕生時間之久，但在游戲領域并未深入的發展，直到機器學習的進一步發展，基于機器學習的人工智能技術對游戲設計、角色智能化設定都帶來了變化和影響[3]。

水質參數包括湖泊水溫、pH、溶解氧、高錳酸鉀指數、化學需氧量、氨氮、總磷、總氮、透明度和葉綠素a等因子。如何準確獲取水質參數并對其做出評價成為學者們研究的熱點，有人以物聯網技術為基礎，使用無線傳感器對水質進行監測，以獲取實時監測數據；有人使用高精度衛星遙感反演對湖庫的水質參數數據進行評估，實現大范圍的動態監測，克服傳統監測方法中的不足；評價水質參數的方法也有很多種，綜合指數法、模糊數學法等數學模型，傳統的方法沒法很好的解釋評價指標與水質之間的復雜關系，神經網絡技術被應用到水質評價當中，為水環境的綜合評價提供有效的方法，常用的方法有支持向量機（SVM）、反向人工神經網絡（BPANN）。

武國正以烏梁素海為例，使用支持向量機的方法對湖泊富營養化程度進行了評價，對水質未來的發展趨勢進行了預測，同時還比較了線性回歸、BP神經網絡和RBF網絡，研究結果表明精度較好，結果可行[4]。謝宏斌用BP算法對南湖水質的富營養化的程度進行了綜合評價[5]。

湖泊水溫作為湖泊生態環境最重要的指標，可以用來了解和揭示水質各因素之間的變化，為湖泊生態環境的控制和改善提供依據。近幾十年來，遙感在水體方面的應用十分廣泛，通過對遙感圖像的分析可以得到水深、水溫和水污染等信息。但由于重訪周期長、傳感器故障以及云雨等影響，極大地限制了遙感影像的使用，就精度而言，遙感技術的應用有著較大的局限性。

1 在湖泊表面水溫方面的研究

運用衛星遙感技術快速準確地獲取大面積、長時間序列的溫度，順應當前科學研究的發展。目前常用的遙感影像有MODIS和LANDSAT系列數據。劈窗算法被用來從MODIS和NOAA/AVHRR中反演海面溫度和地表溫度，針對Landsat8 TIRS數據提出了一種物理單通道地表溫度反演算法。這些算法都是通過獲取相關參數，形式基本相同，不同的是獲取參數的方式和計算方法。反演算法中的物理參數，由于其中的關系和相互作用很難描述清楚，在方程被簡化的過程中降低了反演精度[6]。

隨著人工智能技術的發展，機器學習方法已經被廣泛應用到湖泊水溫的研究中，溫度反演精度得到了提升。毛克彪等人提出了一種利用輻射傳輸模型（MODTRN）和深度動態神經網絡（NN）反演地表溫度的組合方法，提高了精度，克服了MODIS產品算法的缺陷[7]；楊昆等人提出一種支持向量機（SVR）、主成分分析法（PCA）及反向傳播人工神經網絡（BPANN）的組合預測模型，實現了滇池水溫的歷史過程重現及未來趨勢的模擬，是一個誤差低、泛化高的綜合預測性能模型[8]；姜英超將遙感技術和深度學習技術相結合，研究基于深度神經網絡的海水表面溫度反演模型，將其結果與傳統的反演結果進行精度對比，證明了基于深度學習所建立模型的可行性和優越性[9]。深度學習方法在溫度反演研究中的應用為探究溫度變化具有一定的實用價值。

2 在湖泊水質方面的研究

我國很多江河湖泊和水庫都有著不同程度的水華現象，國家為改善生態環境質量投入了大量的精力。全國建有兩千多個環境監測站，初步形成了水環境監測網絡，為水環境管理提供良好的基礎。但由于監測站點的傳統監測方法很難實現水環境的動態監測，且成本較大，站點出現的時間較短，無法滿足長時間序列水質研究，遙感技術能夠大范圍的監測水環境質量狀況及其動態變化。姜晟等人使用MODIS 1B遙感影像結合NDVI算法，獲取了太湖地區水華空間分布變化信息[10]；由于遙感影像噪音較大，學者們為了解決水華預測問題，能夠有針對性地采取措施，有很多基于深度學習的模型被廣泛提出。劉云翔和吳浩在2018年提出了基于隨機森林算法的水華預警模型，根據葉綠素a的濃度判斷水華是否發生，以太湖為研究區進行分析，解決了傳統預警方法中穩定性差和過度擬合的問題，認為總磷和總氮是相對重要的影響湖泊水質的影響因子[11]；徐逸等人基于太湖實測葉綠素a濃度數據比較了4種機器學習模型性能（隨機森林，RF；支持向量機，SVR；反向傳播人工神經網絡，BPANN；深度學習，DL），比較了各模型精度、穩定性及魯棒性，為研究湖泊水質參數提供借鑒[12]。

人工智能技術除了在水質參數獲取方面被廣泛應用，在水環境質量評價方面也被廣泛使用。曹偉基于改進的PSO_BP神經網絡算法對洱海的入湖河流-永安江的水質進行了研究，對比了主成分分析法和BP神經網絡[13]。

3 結語

從20世紀50年代開始，人工智能經歷了幾次寒冬，每一個十年，創新和發現都不斷改變著人們對人工智能領域的基本認識，推動著人工智能不斷發展，機器學習和深度學習的出現，將人工智能推向高潮。人們將機器學習的方法廣泛應用到各個領域。目前，神經網絡、LSTM、支持向量機、卷積神經網絡等機器學習的方法已經被普遍運用到水質和大氣PM2.5的預測模型研究中，但在水溫預測方面還略有空缺，不夠完善。