基于深度學習的地表水源質(zhì)量等級分類技術(shù)研究及應用

周美姣，董俐香，吳 佳，顧 桔

（青山綠水（江蘇）檢驗檢測有限公司，江蘇 常州 213000）

1 地表水質(zhì)量現(xiàn)狀

隨著國內(nèi)經(jīng)濟的快速發(fā)展，國民的生活水平不斷提升，促使國內(nèi)工業(yè)化發(fā)展速度不斷加快，而帶來的負面影響就是我國的環(huán)境污染問題日益嚴重[1]。地表水污染是其中最突出的問題，地表水污染導致水生物大量死亡，多種水生物因無法在水體中繼續(xù)生存而面臨滅絕。地表水是人類生存所需的生命源泉，改善地表水的污染情況迫在眉睫。

當前國內(nèi)地表水水源正面臨水體質(zhì)量持續(xù)惡化、水體功能喪失、安全保障體系偏弱等問題。我國的地表水水源地主要包括湖庫型水源地、河流型水源地等。地表水水源地因不斷受到人類生產(chǎn)活動和自然條件變化等因素影響而引發(fā)安全性問題，包括各類水源地的水量減少、水體垃圾增多而引發(fā)水質(zhì)惡化，使水源地的水量和水質(zhì)得不到保障，無法滿足人們生產(chǎn)生活對地表水的需求，最終影響人類的生存和社會的穩(wěn)定發(fā)展。

2 地表水水源安全風險評價

由于各類水源地的地表水存在體系復雜、管理風險多、各類污染事件突發(fā)性強等客觀情況，國內(nèi)有學者把水源地地表水存在的安全風險進行了分級，包括：水量、水質(zhì)、生態(tài)環(huán)境、工程和管理等方面存在的安全風險，但目前針對水源地地表水的安全風險評價大多是根據(jù)地表水水質(zhì)的安全風險程度進行的[2]。在特定的時間、空間、環(huán)境等條件下水質(zhì)的安全風險主要來自自然環(huán)境變化或人類活動影響導致的水體污染或水質(zhì)惡化事件，地表水水質(zhì)安全風險主要包括突發(fā)性和非突發(fā)性安全風險。水質(zhì)突發(fā)性安全風險主要指因突發(fā)性自然災害、人類生產(chǎn)事故等造成的地表水水質(zhì)污染、超標問題。而水質(zhì)非突發(fā)性安全風險則指因水體自身污染物不斷積累、超過了自身環(huán)境容量而引起的地表水水質(zhì)惡化事件。伴隨著社會經(jīng)濟的快速發(fā)展，各類化學原料的大量使用導致水質(zhì)突發(fā)性污染事件對地表水造成的損害越來越嚴重。隨著我國《水污染防治法》、《水污染防治行動計劃》（水十條）等水污染相關法律規(guī)范的發(fā)布和實施，社會各界對地表水水質(zhì)安全問題和保護地表水水質(zhì)安全發(fā)出了越來越高的呼聲，地表水安全風險防控思想逐漸得到社會各界的重視。

我國的水質(zhì)安全風險評價主要通過水質(zhì)監(jiān)測分類、水環(huán)境質(zhì)量評價，水質(zhì)安全風險等級評估等指導水質(zhì)安全防控工作。水環(huán)境質(zhì)量等級分類及評價是將水質(zhì)的監(jiān)測結(jié)果與水質(zhì)標準進行比較，從而確定水質(zhì)狀況，是水環(huán)境安全管理的基礎工作。現(xiàn)階段，我國主要依據(jù)《地表水環(huán)境質(zhì)量標準》（GB 3838-2002）[3]要求對地表水水質(zhì)等級進行分類和評價工作，質(zhì)量標準根據(jù)地表水保護目標和水域環(huán)境功能，將水質(zhì)分為5 個等級，從好到壞依次為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ。

3 地表水水質(zhì)監(jiān)測方法

目前我國地表水水質(zhì)的監(jiān)測方法主要有以下三類：常規(guī)方法監(jiān)測、自動在線監(jiān)測以及突發(fā)應急監(jiān)測。其中利用常規(guī)方法監(jiān)測時，現(xiàn)場監(jiān)測人員需合理確定現(xiàn)場采樣斷面、進行水樣采集、運輸，經(jīng)實驗室檢測分析并出具檢測結(jié)果。采用常規(guī)方法監(jiān)測時必須考慮到各方面的資源，不能有效保證監(jiān)測的時效性與全面性，而且實驗室分析會消耗大量的化學試劑，并產(chǎn)生很多實驗室廢水和固體廢物，對環(huán)境造成了二次污染。而利用自動在線監(jiān)測方法時，現(xiàn)場人員需要在指定的測試水段放置在線監(jiān)測設備，實現(xiàn)對水質(zhì)監(jiān)測數(shù)據(jù)的自動化傳輸、遠程控制，然而自動監(jiān)測設備需要人員進行定期的現(xiàn)場維護，人工和設備維護成本較高。突發(fā)應急監(jiān)測是針對突發(fā)水污染事件需要快速了解水質(zhì)情況，需要采用專業(yè)高效的應急監(jiān)測設備，包括便攜式氣相-質(zhì)譜儀、便攜式金屬分析儀等。應急監(jiān)測設備可以實現(xiàn)對地表水環(huán)境污染物質(zhì)的快速監(jiān)測，但在實際應用時，該方法所涉及的設備成本非常高，應急方法需要專業(yè)的現(xiàn)場監(jiān)測人員進行科學選用。

傳統(tǒng)監(jiān)測方法通過單因子監(jiān)測結(jié)果評價水質(zhì)情況，過于保守，不能體現(xiàn)真實的水質(zhì)水平，也無法解決各項水質(zhì)參數(shù)與水質(zhì)水平之間復雜的、非線性的因果關系，同時繁瑣的監(jiān)測過程和成本過高的軟、硬件配置，不能滿足突發(fā)性水質(zhì)應急監(jiān)測的需求。為了解決傳統(tǒng)監(jiān)測方法在水質(zhì)安全風險評價過程中的短板，國內(nèi)外學者已提出多種水質(zhì)安全評價方法，如水質(zhì)指數(shù)法、污染指數(shù)法、模糊綜合指數(shù)法、灰色聚類法等，建立的地表水環(huán)境質(zhì)量分類模型都屬于傳統(tǒng)的模型，沒有很好地解決目前水環(huán)境質(zhì)量分類中的評價因子和水質(zhì)等級之間存在的非線性關系，也未形成統(tǒng)一的評價模式，無法應用于實際工作中。

4 機器學習在水質(zhì)等級分類中的研究

機器學習是人工智能的一個分支，可以實現(xiàn)自動分類。通過機器學習方法，可以模擬環(huán)境變量和水質(zhì)水平之間的關系。在此之前，已有學者將機器學習方法應用到水質(zhì)分類中。Yan 等人首次將自適應神經(jīng)模糊推理系統(tǒng)（ANIFS）（模型結(jié)構(gòu)見圖1）應用于水質(zhì)分類，取得了高達89.59%的分類精確率[4]。

圖1 ANIFS 模型結(jié)構(gòu)

Modaresi 等對德國黑蘭平原主要含水層的水質(zhì)數(shù)據(jù)進行了研究，并指出在支持向量機（SVM）、概率神經(jīng)網(wǎng)絡（PNN）和K-鄰近算法（KNN）中SVM（模型結(jié)構(gòu)見圖2）的性能最佳[5]。

圖2 支持向量機模型結(jié)構(gòu)

2020 年初，國內(nèi)有學者提出采用基于協(xié)方差自適應調(diào)整進化策略算法（CMAES）的集成學習方法，構(gòu)建地表水質(zhì)分類模型。CMAES 是一種求解連續(xù)無約束優(yōu)化問題的進化算法，核心思想是通過對正態(tài)分布協(xié)方差矩陣的調(diào)整，使種群收斂到全局最優(yōu)解。CMAES 算法具有收斂速度快、保序性強等優(yōu)點，而且不易早熟，對種群大小也不會過分依賴[5]。

5 深度學習算法在水質(zhì)等級分類中的應用

深度學習是在神經(jīng)網(wǎng)絡的基礎上進行疊加隱層層數(shù)的一種學習網(wǎng)絡，它伴隨著當今信息時代的發(fā)展而誕生。1998 年研究者在對神經(jīng)網(wǎng)絡的訓練過程中，遇到了“梯度爆炸”問題，問題表現(xiàn)為神經(jīng)網(wǎng)絡訓練中越遠離輸出層的參數(shù)就越難以訓練，從而使神經(jīng)網(wǎng)絡訓練進入了低潮期。為了解決上述問題，Hinton 等[6]人在2006 年提出了深度學習新的訓練方法，克服了神經(jīng)網(wǎng)絡訓練的瓶頸問題。在這之后，隨著互聯(lián)網(wǎng)科技的快速發(fā)展，深度學習的應用也得到了快速發(fā)展。近年來還有學者將深度學習應用于人臉和自然圖像的識別，大大提高了圖像識別的準確性。這些應用成果都讓人們相信在不久的將來，以深度學習為基礎工具，各個領域的研究一定會給社會帶來更大的變化。

深度學習研究目前仍然處于比較基礎的研究和淺顯的應用階段，目前將深度學習算法應用在水質(zhì)等級分類研究的國內(nèi)外相關報道還非常少。2020 年3 月由同濟大學劉春教授帶領的研究團隊發(fā)表的文章[7]，提出了一種基于深度學習的圖像像素級標注算法。通過數(shù)據(jù)預處理、數(shù)據(jù)集建立、全卷積神經(jīng)網(wǎng)絡設計和訓練流程，實現(xiàn)水體的水質(zhì)等級分類及像素級標注[8]。該算法使用了上海市某區(qū)域的無人機低空遙感影像進行了驗證研究，通過研究獲得的平均水質(zhì)等級分類精度達到了87.96%的水平，這一結(jié)果支持該算法的可行性。

6 探討

基于深度學習對環(huán)境地表水源質(zhì)量等級進行分類研究及應用是一項十分重要的工作，本文提出通過進一步優(yōu)化深度學習算法，選擇合適的深度學習CNN 網(wǎng)絡模型，包括但不限于VGG16、DenseNet、Resnet50、AlexNet、Faster R-CNN 等中的圖像識別技術(shù)，分別對不同的模型選擇合適的參數(shù)，進行訓練和調(diào)參，找到最合適的訓練模型和參數(shù)設置。聯(lián)合環(huán)境水質(zhì)檢測技術(shù)，將地表水源水質(zhì)檢測數(shù)據(jù)和地表水現(xiàn)狀圖片相結(jié)合，進行關聯(lián)性研究分析，建立水質(zhì)參數(shù)檢測結(jié)果與水質(zhì)水平之間復雜的、非線性的因果關系，從而建立地表水水源質(zhì)量等級分類系統(tǒng)，實現(xiàn)了通過水質(zhì)現(xiàn)狀圖片快速、準確地對未知地表水進行水質(zhì)分類識別。

基于深度學習對環(huán)境地表水源質(zhì)量等級進行分類研究的結(jié)果可為相關部門的政策制定提供依據(jù)，也可為進一步開展地表水水源地安全風險評估奠定基礎。分類系統(tǒng)可代替常規(guī)的檢測技術(shù)在水質(zhì)污染事件、日常防控、檢測等工作中發(fā)揮更加及時、有效的預測預報作用，可以讓水質(zhì)調(diào)查者、監(jiān)控者快速獲取水質(zhì)現(xiàn)狀情況，避免延后工作給決策者帶來的時機延誤。同時，通過減少對傳統(tǒng)檢測分類方法的使用，可以降低水質(zhì)調(diào)查等部門的運行成本，避免常規(guī)檢測等技術(shù)手段對環(huán)境造成的二次污染。