基于物聯網+機器學習的水位、水質預測模型應用研究

摘 要：鑒于傳統的浮筒式、壓力傳感器式、超聲波式水位檢測方法大都存在不能實現自動化實時監控和水位預測、設備昂貴或者操作復雜等問題，急需一種可實時監控的自動化裝置來高效預測水位，為此提出了一種基于物聯網+機器學習的水位預測模型。設計了一款簡單、方便、可實現遠程實時監控水位并自動開關水閘且可進行水位預測的水位、水質預測系統，其利用機器學習的方法將收集的水位數據的80%劃分為訓練集、20%劃分為驗證集，并通過對比驗證集與預測集的擬合程度，分別用MSE（均方誤差）、RMSE（均方根誤差）、R2（決定系數）、MAE（平均絕對誤差）等4種指標對水位預測的準確率進行評價。經驗證，該系統運行穩定，預測準確率較高。

關鍵詞：物聯網；超聲波傳感器；溫濕度傳感器；機器學習；水位預測；水質管理

中圖分類號：TP181 文獻標識碼：A 文章編號：2095-1302（2024）10-00-06

0 引 言

人類在歷史上不斷遭受著各種自然災害的侵襲，比如洪澇、干旱、地震、蟲災、瘟疫等。迄今為止，洪水[1]是自然界中發生次數較多，影響范圍較廣，造成損失較為嚴重的災害之一。以2022年為例，EM-DAT全球災害數據庫就記載了79個國家共187次自然災害。

全球2022年自然災害死亡人數Top 8見表1所列。2022年

自然災害死亡人數前8名中，就有5個是由于洪水造成的[2]。從表1中可以看出，洪水從5月至8月影響了印度，隨后開始影響巴基斯坦，兩次災害都造成超1 000人死亡。在第二季度延長的季風季節，巴基斯坦的受災情況最為嚴重，過去30年發生了毀滅性的大范圍洪水。巴基斯坦受災人數超過3 000萬，超本年度全球受影響人數的一半。本次洪水造成了巴基斯坦境內七分之一的人口受災，該國近三分之一的土地被水淹沒。

在我國境內，近年來也遭遇過百年難遇的洪水。以珠江流域為例，2024年5月～6月“龍舟水”期間，珠江流域強降雨過程多、大江大河編號洪水多，強降雨范圍廣、強度大、歷時長，洪水來得快、漲勢猛、量級高[3]。2022年6月，華南地區連續出現4次強降雨過程，粵北韶關、清遠暴雨突破歷史極值，珠江流域發生流域性較大洪水，其中北江發生了

1915年以來最大洪水。受持續降雨和上游來水影響，珠江全流域均遭到洪水襲擊，北江干流英德站于6月22日17時前后出現約36.10 m的洪峰水位，超警戒值10.10 m，北江英德站、飛來峽站水位均超歷史實測記錄，北江干流清遠段全線超警戒水位。韶關市、英德縣城被淹，村民損失慘重。因此有必要對河流及其主要城市進行汛期水位監測，以便提前感知洪水的形成，及時做好防洪泄洪，削峰錯峰，維護公共安全，保障人民的人身安全與經濟利益不受損。

準確的水位預測是水資源管理的重要依據[4]，對水資源的合理調度及優化配置具有重要意義。特別在梅雨季，部分城市處于水位高峰，準確的水位預測是保護人民生命財產安全的前提。隨著人工智能的崛起，各領域專家逐漸將自己的科研領域與機器學習相結合，試圖用AI算法代替傳統模型，為自己的研究尋找突破[5]。與傳統的流域水文模型相比，機器學習在計算能力方面有著巨大的優勢，比如，AI算法擁有對于數據處理的自適應性和自組織能力，對復雜問題的泛化能力，對數據誤差的容錯性及自我糾正能力，對復雜函數關系的非線性映射、強大的并行運算能力和較高的模擬精度等[6]。

1 系統設計的基本思路

本系統將超聲波測距技術、溫濕度測控技術和濁度測控技術與機器學習和網絡技術互聯，建立了一套可預測水位并進行網絡測控的監控系統，系統框架如圖1所示。

利用超聲波測距技術精確測量水位高度。超聲波技術通過發射超聲波脈沖并接收其反射回來的信號，計算出水位的準確高度。該方法不僅測量精度高，還不受外部環境因素的干擾。水質濁度傳感器可以監測水質類別，而水質類別是判斷水質的一項重要指標。溫濕度傳感器DTH11能夠對水體的溫度和濕度進行實時監測，這對于預測水質和水位的變化尤為重要（溫度和濕度的變化會直接影響水體的蒸發和冷凝過程）。2個繼電器連接了抽水泵、排水泵，可以通過編程控制水泵抽水、排水，模擬現實場景中的水位變化。另外，Arduino芯片通過WiFi將收集的數據發送到手機或電腦終端，進行數據可視化處理。

將物聯網收集的數據實時發送到電腦端，建立神經網絡模型，對水位數據進行分析，從大量數據中學習和提煉出有用的模式和信息。通過對歷史數據的分析，機器學習模型可以預測未來的水位和水質變化，為決策者提供決策依據。

2 相關理論

2.1 物聯網

物聯網（IoT）[7]指通過信息傳感器、射頻識別技術、全球定位系統、紅外感應器、激光掃描器等裝置與技術，實時采集需要監控、連接、互動的物體或過程，采集其聲、光、熱、電、力學、化學、生物、位置等信息，通過各類可能的網絡接入，實現物與物、物與人的泛在連接，實現對物品和過程的智能化感知、識別和管理[8]。物聯網是一個基于互聯網、傳統電信網等的信息承載體，它讓所有能夠被獨立尋址的普通物理對象形成互聯互通的網絡。

Arduino芯片是物聯網系統的核心控制器件，是便捷靈活、方便上手的開源電子原型平臺[9]。其包含硬件（各種型號的Arduino板）和軟件（Arduino IDE），構建了開放原始碼Simple I/O面版，具有使用類似Java、C語言的Processing/Wiring開發環境；Arduino專為設計師、工藝美術人員、業余愛好者以及對開發互動裝置或互動式開發環境感興趣的人而設；Arduino可以接收來自各傳感器的輸入信號從而檢測運行環境，可控制光源、電機以及其他驅動器；Arduino可以獨立運行，也可與計算機上運行的軟件通信；Arduino基于開放源代碼開發IDE接口。

2.2 傳感器

超聲波傳感器（HC-SR04）所發出的超聲波指的是高于人類聽力范圍（gt;20 kHz）的聲波信號[10]。超聲波傳感器通過送波器將超聲波（振蕩頻率大于20 kHz的聲波）向對象物發送，受波器接收反射波，從接收的反射波有無、多少或從發送超聲波到接收反射波所需的時間與超聲波聲速的關系，來檢測對象物的有無或傳感器與對象物之間的距離。

溫濕度傳感器（DHT11）裝有濕敏和熱敏元件，能夠用來測量溫度和濕度。溫濕度傳感器由于體積小，性能穩定，被廣泛應用在生產生活的各個領域。

溫濕度一體化傳感器[7]采用數字集成傳感器做探頭，配以數字化處理電路，可將環境中的溫度和相對濕度轉換成與之相對應的標準模擬信號。溫濕度一體化模擬量型傳感器可以同時把溫度及濕度值的變化轉換為電流/電壓的變化，也可以直接同標準的模擬量輸入儀表連接。

濁度傳感器是一種智能監測水中懸浮物對光線透過時所發生的阻礙程度的儀器。當一束光線射入水樣時，由于水樣中濁度物質使光發生散射，通過測量與入射光垂直方向的散射光強度，并與內部標定值比對，從而計算出水樣中的濁度，經過線性化處理后輸出數值。

2.3 長短時記憶神經網絡

LSTM是一種特殊的循環神經網絡[11]，它的最大特點是可通過記憶細胞選擇性處理時間序列數據，從而過濾噪聲，減輕記憶負擔。圖2為LSTM網絡的模型原理，其中，圖2（a）為其3D時間展開圖，圖2（b）為LSTM網絡的內部結構[12]。

從圖2可以看出，LSTM網絡有3個門控制細胞狀態，這3個門分別為遺忘門、輸入門和輸出門[13]。

2.3.1 遺忘門（Forget Gate）

2.3.2 輸入門（Input Gate）

2.3.3 輸出門（Output Gate）

3 物聯網平臺搭建

3.1 模型設計

本文模型是基于物聯網+機器學習的水位、水質遠程預測模型[14-16]，將網絡技術與機器學習應用于水位的測控領域，從而使水位這一參數網絡化、可預知，實現水位的遠程監控與預測。將水位參數改為其他測試信號，即可實現其他測試信號的網絡測控。將多路信號進行集成，便可以開發一個綜合網絡測控系統。

3.2 硬件電路設計

本次實驗的核心部件是Arduino芯片，Arduino以其高可靠性和穩定性在眾多項目中得到了廣泛應用。輸入設備為超聲波傳感器，通過發射超聲波并接收反射回來的信號來測量距離。水質濁度傳感器也是一個關鍵部件，用于測量水的濁度。濁度是表示液體透明度的指標，利用濁度傳感器可以幫助我們實時監測水質，確保水源的清潔和安全。溫濕度傳感器可以實時監測水體的溫度和濕度，為我們提供水體環境的具體信息。此外，實驗還配備了2個繼電器，這些繼電器可以控制其他電氣設備，如抽水泵、排水泵。通過編程控制水泵的開啟和關閉，從而實現水位的自動化控制。電路連接方式如圖3所示。

3.3 軟件編程

在軟件編程方面，主要使用Arduino IDE編寫和上傳代碼。Arduino語言基于C/C++，其簡潔的語法和豐富的庫函數使得編寫過程既高效又簡單。首先，我們為各傳感器配置了相應的引腳，并初始化了所需變量。然后，通過串口通信，程序定期讀取傳感器數據，并按照預設的邏輯進行判斷和操作，如啟動或關閉泵。同時，還編寫了數據上傳模塊，使得數據可以實時傳輸到遠程終端。為確保代碼的穩定性和可讀性，實驗中進行了多次測試和優化。配置方式為WiFi，通過密鑰與電腦或手機終端進行信號匹配。初始化階段，設置WiFi模塊的SSID和密碼，確保能夠成功連接到預設的無線網絡。一旦成功連接到WiFi網絡，程序會進一步初始化TCP/IP設置，包括獲取IP地址、子網掩碼、網關等信息。這些參數是確保數據正確傳輸的關鍵，系統會自動配置并檢測其準確性。網絡初始化是實現系統在線功能的基礎環節，為了提高網絡的穩定性，程序中還包括自動重連機制。當網絡不穩定或中斷時，系統會自動嘗試重新連接，確保持續的網絡通信。

4 實驗分析

物聯網模型搭建完成后，采用WiFi進行數據傳輸。通過WiFi，可以輕松將數據實時傳輸回電腦或手機終端，讓用戶隨時隨地掌握水位的實時變化情況。為保證數據的實時性和準確性，設置了串口監視功能。通過串口，系統會定期（平均每分鐘）提取一次數據，便于用戶實時了解水體情況，為決策提供數據支撐。

為了模擬現實狀況，采用抽水泵抽水，不斷改變水位。當水位低于1 cm時，系統會自動啟動加水泵。這一過程可以理解為關閉閘門，使得水源得以補充，水位逐漸上升。為了防止水位過高，設定了水位閾值。在本次實驗中，該閾值被設定為13 cm，即水位達到或超過13 cm時，加水泵會自動停止工作。本系統結合了物聯網技術和智能控制技術，為水位管理提供了高效、智能的解決方案。此外，用戶可以通過電腦或手機終端實時監測水位，為實時決策提供便利。考慮到實時性和數據量，設定每隔一分鐘自動提取一次數據，這樣既可以保證數據能夠實時更新，又避免了數據過于龐大導致處理困難。

圖4展示了溫濕度的數據可視化結果。通過圖4可以清晰地看到在不同的時間點，水體的溫度和濕度變化趨勢。溫濕度是影響水體狀態的關鍵因素，其變化直接關系到水的蒸發和冷凝速度，進而影響水位和水質。

水位數據可視化如圖5所示。水位作為本實驗的核心數據，其變化趨勢對于我們了解整個系統的工作狀態至關重要。通過圖5不僅可以看到水位隨時間的變化趨勢，還可以對比不同時間段水位的上升和下降速度，從而分析加水泵和排水泵的工作效率。

5 機器學習水位預測

5.1 數據分析

通過分析數據可知，水位數據展示的變化范圍的最高點為13.9 m，最低點為4.18 m，整體平均水位穩定在8.96 m。這些數據來自于物聯網平臺模型，能夠真實反映水位環境的實際情況。值得注意的是，水位的變化并非受單一因素影響，會受多種外部因素，包括溫度、濕度、光照強度以及降雨情況的影響，使得水位呈現較大波動。在梅雨季節，由于連續降雨，水位明顯偏高。為了確保安全，為系統設置了兩條警戒線。如圖6所示，當水位超過11 m時，第一條警戒線啟動，提示相關人員及時監控水位變化，防范可能的風險。當水位進一步上升，超過12.8 m時，第二條超水位警戒線會被觸發。為防止水位過高導致洪澇災害，必要時會啟動開閘泄洪程序。

5.2 數據預處理

5.2.1 小波平滑去噪

小波去噪是近年來在信號處理領域得到廣泛應用的一種技術，在處理含噪信號時展現出了其獨特的優勢。小波去噪的基本思路是利用小波變換的多尺度特性對信號進行分析，然后對小波系數進行適當處理，從而達到去除噪聲的目的。小波去噪[17]一般分為染噪信號的分解、閾值處理、信號重構。在這一過程中，小波系數的表示非常關鍵。用wi， j表示小波系數，其中i和j分別表示小波的尺度和位置，具體計算見式（4）所示：

圖7為小波去噪前后對比圖，圖7（a）展示了去噪前的水位曲線。從該圖中可以明顯看出，原始數據中含有許多毛刺和突變，這些異常波動大多由各種噪聲或其他干擾因素引起。這些噪聲不僅影響了數據的真實性，也給后續的數據分析和處理帶來了困難。

圖7（b）為去噪后的水位曲線，數據曲線明顯平滑了許多，大部分毛刺和噪聲都被有效濾除。這一變化說明小波去噪技術在處理此類問題時具有很好的效果。

5.2.2 歸一化處理

由于物聯網平臺獲取的水位、溫度、濕度等數據采用的是不同的量綱，若直接將其作為輸入會對LSTM神經網絡的訓練和學習效率造成影響[18]。因此在機器學習[19]前，為了更好地匹配數據，防止訓練發散，可對數據進行歸一化處理：利用min-max標準化方法將小波變換后的水位數據歸一化到[0，1]，具體見式（5）：

5.3 機器學習

LSTM神經網絡模型擁有“輸入層-隱藏層-輸出層”的經典結構[20]，對于不同的數據會選擇不同的網絡結構。LSTM神經網絡的架構會影響模型的穩定性，因此采用Adam梯度下降算法。主要參數包括LSTM的層數、dropout率、神經元個數numHiddenUnits、迭代次數MaxEpochs、學習率LearnRate等[19]。

本次實驗數據為物聯網平臺記錄的464條水位數據，取80%為訓練集（371條），20%為測試集（93條）。LSTM采用Adam 梯度下降算法，初始學習率可設置為0.001～0.01，學習率下降因子為0.1，正則化系數設為0.01。

調參需要手動進行，尋找最優參數以匹配該水位數據LSTM模型[21]。同時在對模型進行評價時，采用了4個評價指標[22]，包括MSE（均方誤差）、RMSE（均方根誤差）、R2（決定系數）、MAE（平均絕對誤差）。當改變LSTM神經網絡的參數（包括神經元個數、迭代次數、學習率）時，模型的預測能力、預測集與測試集的泛化能力以及擬合度均有所不同。

圖8為不同參數下，預測值與實際值的擬合曲線。由于參數變量范圍太大，在手動調參時，僅僅設置了幾個特殊值，神經元個數為10～60個，迭代次數為100～500次，學習率為0.001～0.05。當神經元個數、迭代次數、學習率遞增時，網絡模型的用時也逐漸增加。LSTM神經網絡從27 s增加了到51 s，但預測集與測試集的擬合度并未完全跟隨。

當神經元個數為20、學習率為0.05、迭代200次時，網絡模型相對穩定，泛化能力較強。而神經元個數為60、學習率為0.001、迭代500次時，出現了過擬合現象，預測效果反而較差。當神經元個數為20、學習率為0.05、迭代200次時，網絡模型相對穩定，因此選擇使用該模型來進行水位預測。選取物聯網平臺收集的數據前80%為訓練集，后20%為驗證集，以驗證水位預測的準確率。

圖9所示為LSTM神經網絡模型預測的水位趨勢，其中淺灰色為訓練集水位走勢，黑色為驗證集實際水位，深灰色為驗證集預測水位。由圖9可以看出，實際水位（黑色波形）與預測水位（深灰色波形）擬合效果良好，走勢統一，可精確預測出在某一時間段水位的漲落，該模型建立了良好的洪水預測機制，適用于大部分中小河流水位預測。

6 結 語

本文設計了一種基于Arduino單片機的物聯網水位監測平臺，通過進水泵、出水泵調節水位，可模擬真實河流環境下的降水、排水，并將該數據通過PLX-DAQ軟件進行遠程收集，再利用LSTM長短時記憶網絡進行水位預測。通過調參設置，當神經元個數為20、學習率為0.05、迭代200次時，網絡模型相對穩定。該模型建立了良好的洪水預測機制。

參考文獻

[1] PRADHAN B，YOUSSEF A M. A 100-year maximum flood susceptibility mapping using integrated hydrological and hydrodynamic models：kelantan river corridor， malaysia [J]. Journal of flood risk management，2011，4（3）：189-202.

[2] XIANG Z，YAN J，DEMIR I. A rainfall‐runoff model with LSTM‐based sequence‐to‐sequence learning [J]. Water resources research，2020，56（1）.

[3] HE J，YANG K，TANG W，et al. The first high-resolution meteorological forcing dataset for land process studies over China [EB/OL]. https：//doi.org/10.1038/s41597-020-0369-y.

[4] KHAN N，SACHINDRA D A，SHAHID S，et al. Prediction of droughts over pakistan using machine learning algorithms [J]. Advances in water resources，2020，139.

[5]張軒，張行南，江唯佳，等. 秦淮河流域東山站水位預報研究 [J]. 水資源保護，2020，36（2）：41-46.

[6] CHESNOKOVA A，BARA?R M，LAPERRIèRE R T，et al. Linking mountain glacier retreat and hydrological changes in southwestern yukon [J]. Water resources research，2020，56（1）.

[7]伯冰洋. 基于物聯網的ARM嵌入式水位監測系統的設計與實現 [J]. 物聯網技術，2022，12（7）：5-7.

[8]趙世浩，劉枳麟，崔盟威，等. 基于物聯網的多用途水位監測與應急處理系統 [J]. 中國新技術新產品，2021（10）：12-15.

[9]王明磊. 基于物聯網技術的電力電纜隧道積水水位在線監測和主動排水系統 [J]. 物聯網技術，2019，9（8）：28-30.

[10]徐天姣. 基于物聯網的水稻灌溉遠程控制系統的設計與實現 [D]. 沈陽：沈陽理工大學，2020.

[11]劉曉陽，姚華明，張海榮，等. 基于機器學習的三峽水庫小時尺度壩前水位預測 [J]. 人民長江，2023，5（2）：147-151.

[12] BAO H，WU S，WU Z，et al. A machine-learning fatigue life prediction approach of additively manufactured metals [J]. Engineering fracture mechanics，2021，242.

[13]王迎飛，黃應平，肖敏，等. 基于注意力機制的LSTM長江汛期水位預測方法研究 [J]. 三峽大學學報（自然科學版），2022，44（3）：13-19.

[14] GUO H，HOANG N，DIEP-ANH V，et al. Forecasting mining capital cost for open-pit mining projects based on artificial neural network approach [J]. Resources policy，2021，74.

[15]劉威，尹飛. 一種基于LSTM模型的水庫水位預測方法 [J]. 無線電工程，2022，52（1）：83-87.

[16]江賾偉，楊士紅，柳真楊，等. 基于機器學習的排澇閘站雨后水位預測 [J]. 灌溉排水學報，2022，41（4）：135-140.

[17] NAFEES A，AMIN M N，KHAN K，et al. Modeling of mechanical properties of silica fume-based green concrete using machine learning techniques [J]. Polymers，2022，14（1）.

[18] FU L，DING X，DING Y. Ensemble empirical mode decomposition-based preprocessing method with Multi-LSTM for time series forecasting：a case study for hog prices [J]. Connection science，2022，34（1）：2177-2200.

[19]孫虹潔，趙振華，黃林顯，等. 多變量LSTM神經網絡模型在地下水位預測中的應用 [J]. 人民黃河，2022，44（8）：69-75.

[20] ZHANG C，FU S，OU B，et al. Prediction of dam deformation using SSA-LSTM model based on empirical mode decomposition method and wavelet threshold noise reduction [J]. Water，2022，14（21）.

[21] QIAN X，FAN W，LU X，et al. Smooth pulse recovery based on hybrid wavelet threshold denoising and first derivative adaptive smoothing filter [J]. High power laser science and engineering，2021（2）：17-25.

[22]徐楊，劉亞新，汪濤，等. 基于LSTM的三峽水庫短期上游水位預測方法研究 [J]. 水利水電快報，2022，43（10）：13-18.