數據-模型耦合驅動的水質監測技術發展與未來展望

摘 要：隨著大數據時代的到來，水質監測技術也迎來了快速發展，從以往的人工監測逐步轉變為新型的實時監測和系統管理。當前，大數據技術已經在水質監測技術的多個方面得到廣泛應用，主要包括數據采集、實時監測系統、數據存儲與管理、數據分析以及風險預判5個方面。無線傳感器網絡和遙感逐漸成為數據采集的主流技術，而云平臺和多種數據庫的進一步使用促進了水質實時監測的發展。此外，時空大數據混合存儲顯著提升了數據存儲效率。在水質分析和預測方面，機器學習和專家系統等人工智能手段則發揮了重要作用。未來，通過和物聯網等新興技術結合、提高設備集成化水平、構建混合機器學習模型，大數據將進一步助力水質監測的發展。

關鍵詞：水質監測；大數據；人工智能技術；物聯網

中圖分類號：TV21；X832 文獻標識碼：A 文章編號：1001-9235（2024）10-0099-09

Development and Prospect of Water Quality Monitoring Technology Driven by Data-modelCoupling

ZHU Lijie1， HE Kai1，2，3*， HUANG Sheng1，3， YIN Qidong1，2，3， DAI Chao1，2，3

（1. School of Civil Engineering， Sun Yat-Sen University， Zhuhai 519000， China; 2. Water Resources and Environment Research

Center， Sun Yat-Sen University， Guangzhou 510275， China; 3. Guangdong Provincial Key Laboratory for Marine Civil Engineering，Zhuhai 519000， China）

Abstract： With the advent of the big data era， water quality detection technology has rapidly advanced， transitioning from traditional manual testing to new real-time monitoring and system management. Currently， big data technology has been widely applied in various aspects of water quality monitoring， including data collection， real-time monitoring system， data storage and management， data analysis， and risk assessment. Wireless sensor networks and remote sensing have gradually become the mainstream technologies for data collection， while the further use of cloud platforms and various databases has enhanced the development of real-time water quality monitoring. Moreover， the hybrid storage of spatio-temporal big data has significantly improved data storage efficiency. In terms of water quality analysis and prediction， artificial intelligence techniques， such as machine learning and expert systems， have played a significant role. In the future， big data will further facilitate the development of water quality monitoring by integrating with such emerging technologies as the Internet of Things （IoT）， upgrading equipment integration， and developing hybrid machine learning models.

Keywords： water quality monitoring; big data; AI technology; Internet of Things （IoT）

大數據時代已經到來，計算機的硬件和算力日新月異，物聯網、云計算等技術都促進了可獲取的數據量的指數式增長。大數據技術是多種技術的統稱，能夠對大規模數據進行集成，通過專業的手段對大量數據進行高效的處理和分析，其包括數據采集、數據存取、基礎架構、數據處理、統計分析、數據挖掘、模型預測、結果呈現等多種技術，在實際工程和項目中，這些技術往往會綜合起來，服務于相同的目標。大數據具有5“V”特征：數據量大（Volume）、數據處理速度快（Velocity）、數據類型多樣（Variety）、數據價值密度低（Veracity）、數據真實（Value）［1］。由大數據驅動的水質監測技術指的是利用大數據和相關的通信技術對水質數據進行收集、存儲和處理，該技術結合了無線傳感器、物聯網、云計算、人工智能等多種手段，能夠實現水體實時監測，從而保障水質安全。

隨著中國4G/5G信號的進一步覆蓋，在線水質監測平臺基于大數據、借助云計算實現了從以人工檢測、人工分析為主的舊方法到自動監測、智能分析的新型方法的轉變［2］。目前，主流在線水質監測方法主要包括化學法、生物檢測、光譜檢測，這些監測手段在大規模應用時將產生大量數據，而云計算和云存儲將通過高效的數據傳輸和管理、系統的數據處理手段對大數據進行整合，從而構建數據-模型驅動的水質監測系統。借助大數據和云計算，大規模流域監測和統籌成為可能，這將有效提高水質信息監測的效率［3］。

1 研究現狀

大數據技術并非特指某種技術，而是從數據到分析到需求的全流程解決方案，由大數據驅動的水質監測涉及多個步驟，可以劃分為數據采集技術、實時監測系統、數據存儲與管理、數據分析、風險預判和智能決策5個環節。

1. 1 數據采集技術

在大數據時代，傳統的人工采集方法已經逐步被科技化的水質監測方法替代，主流水質監測方法包括無線傳感網絡技術以及遙感云計算技術。

1. 1. 1 無線傳感器網絡

無線傳感器網絡技術目前被廣泛應用在水質監測中，它能夠實現水質參數遠程采集和實時監控，從而獲得高準確性監測數據，在數據采集方面有著顯著優勢。Sherchan等［4］利用集成的智能傳感器實時監測水質參數的變化，如濁度、pH、溫度、總有機碳和電導率等。夏云飛等［5］提出了基于多點采集傳感器和無線通信模塊的水質實時監控系統，并驗證了系統的有效性和可靠性。基于無線傳感器網絡的實時監測系統總體設計思路見圖1。

無線傳感器網絡的應用不僅實現了實時無線數據傳輸，還優化了水質信息的統籌管理，有助于構建全面的水質信息管理體系［6］。此外，無線傳感器能夠在水質信息難以人工采集的水域進行作業，在提高水質采集安全性的同時拓寬了水質信息采集的廣度。

1. 1. 2 遙感云計算技術

遙感云計算技術目前已經廣泛用于近岸海域的水質監測，該技術將通過衛星平臺獲得的水質參數，為水質檢測和預判提供數據來源。目前在水質監測方面遙感云計算技術的應用主要包括2種方法：一是利用遙感云計算獲取水體中葉綠素a濃度、懸浮物質和可溶性有機物等物質的濃度；二是利用遙感光譜特征對水質信息進行反演，并通過反演模型對水體未來的水質參數特征進行預測。

遙感云計算技術一方面能夠為水質分析提供數據來源，另一方面能夠建立反演模型，能夠實現高效的水質預測。目前學者的研究主要集中于量化水質參數和水質反演，相關結果表明，水質反演的準確性受到季節、圖像分辨率、遙感平臺等因素的影響。Liu等［7］通過遙感技術量化了內陸和近岸水域的水質參數，包括無機沉浮顆粒、浮游植物色素、有色溶解有機物和塞奇盤深度等。侯毅凱等［8］利用三類遙感平臺（Sentinel-2衛星影像、無人機搭載多光譜傳感器和ASD地物光譜儀）對不同季節的河流水質進行了反演，發現水質反演的準確性受到季節的影響；Yigit等［9］指出在監測小水域水質參數時應采用高分辨率遙感圖像并關注電磁光譜中的紅邊波段。黎栩霞等［10］借助MODIS衛星提供的數據庫建立水質反演模型，實現了對海域的水質參數和赤潮爆發情況的評估和預測；張鵬等［11］基于ZY1-02D遙感檢測了水域葉綠素a濃度的時空分布并預測了其未來發展趨勢。此外，高光譜傳感器、無人機和人工智能、地理信息系統（Geographic Information System，GIS）的發展也促使遙感水質監測取得了顯著進展［12-15］。圖2為2010—2023年采用遙感云計算技術進行水質預測的文獻統計，在2010—2019年，相關研究較少，而在2020—2023年，相關研究迅速增長，整體呈現增加態勢。這表明隨著大數據技術和多種信息分析手段的進一步發展，遙感云計算技術在水質預測方面發揮著日益重要的作用。

遙感云計算技術能夠實現流域的大范圍監測，并為后續的水質分析和水質預測提供便利。但遙感云計算技術也存在一定的缺點，部分遙感數據的準確性受到大氣校正的顯著影響，如藻藍蛋白和濁度參數等；對于小湖泊或狹窄河流，往往難以獲取具有良好光譜、空間和時間分辨率的遙感數據；遙感水域模型具有空間依賴性，存在不同地區的應用限制；這些缺點影響了遙感數據的準確性，有待進一步優化［16-18］。在云存儲、云計算等技術的助力下，遙感大數據的存儲和處理日益系統化，促使河湖海水質實時監測向著體系化和專業化進一步發展［18］。

1. 2 實時監測系統

傳統的人工水質監測方法檢測耗時長、效率低下，而基于大數據技術和云平臺的水質監測方法能夠實現穩定可靠的水質實時檢測。

考慮到水質監測的各個環節之間有著緊密的聯系，許多學者基于云計算構建了水質監測、預警、反應一體化的水質實時檢測系統，從而實現水質監測數據的自動采集、數據存儲、數據分析、智能預警和預警信息推送。目前，多樣化的大數據水質監測平臺已經得到開發，包括水庫水質在線檢測系統、水質pH檢測模型、水質數據智能服務平臺、綜合水環境管理平臺等。彭燁等［19］建立了深圳市某水庫水質在線監測和預警系統；陳淑嫻等［20］將傳感器技術和大數據相結合，構建了一個水質pH監測模型；Zhang等［21］用C#和PHP語言設計并實現了水質監測數據智能服務平臺；Chen等［22］基于HTML5、JavaScript和Java創建了一個綜合水環境管理平臺；項馨儀等［23］借助Oracle數據庫和Google Earth數字地圖構建了智慧化水質監測平臺；趙軍等［24］基于ZigBee技術研發出了實時檢測水質的無線傳感網絡工作系統。此外，物聯網、BS構架等方式也被納入到智能化水質實時監測平臺的構建中［25-27］。水質監測平臺的流程見圖3。

雖然各類水質監測系統在搭建手段和水質參數的側重點上有所差異，但其最終目的都在于實現水質數據的全流程管理。這些水質實時監測系統能夠進行數據的即時傳輸，解決了傳統數據信息延遲傳遞的難題，為管理者提供了充足的信息處理以及預警反應時間。

1. 3 數據存儲與管理

大數據時代對于數據的存儲具有高要求，數據存儲格式顯著影響數據的讀寫性能和讀取效率，合適的數據存儲手段對于存儲大量復雜數據、提升水質數據的處理效率至關重要。因此，有必要深入探討優化水質數據存儲的解決方案，以滿足大數據驅動的水質監測系統大規模應用的需求。

王意［28］提出時空大數據混合存儲的策略，構建了不同管理情況下大數據之間的動態聯系和靈活調度系統，在實現完整性的數據存儲生態鏈的同時，提升了數據訪問的效率。張揚帆等［29］對于大數據情況下的數據存儲格式進行對比探討，發現Parquet 和 ORC數據存儲格式的壓縮率較高，且在數據量大的情況下表現出更好的讀寫性能。此外，數據查詢的效率往往受到數據查詢方式的影響，Parquet 和 ORC格式在Hive、Spark 等 SQL 查詢引擎下展現出高效率，而HBase則在使用NoSQL數據庫查詢時效率更高，具體查詢時間見表1。

目前，針對大數據存儲方式的研究日益增多，研究者們提出了多種創新型數據存儲策略，旨在解決水質大數據存儲和管理上的挑戰，這些策略和方法主要涵蓋數據存儲生態鏈構建、數據訪問效率提升以及數據存儲格式優化等多方面。通過不同存儲方案的對比，水質大數據存儲和管理的體系向著時空結合和系統化平臺逐步完善，數據存儲技術的發展將為水質監測信息的存儲和管理提供有利保障。

1. 4 數據分析

目前的研究中，不少研究者采用構建新型評估指標的方式來對水質進行系統化分析，但隨著機器學習、卷積網絡等手段進一步發展，更多研究人員采用人工智能手段進行更高效快速的數據分析。這些技術的應用提高了水質數據分析的準確性，同時也能夠有效剔除誤差。

在評估指標上，當學者致力于建立具有針對性的水質評估指標，從而高效分析特定水體水質情況，從而為實際生產生活提供便利。Maiolo等［30］用主成分分析（Principal Component Analysis，PCA）和聚類分析（Cluster Analysis，CA）方法分析飲用水影響因素；Lobato等［31］構建了新型質量指標（Quality Improvement，QI）和水質指數（Water Quality Index，WQI）對水電站水質進行評估和分類；此外，回歸分析、多變量分析等手段也是水質數據分析的重要方式［32-36］。

在大規模、多流域的水質分析中，機器學習手段的應用尤其廣泛，但目前的研究往往使用相對較小的訓練和驗證數據集，且模型存在并且對不同水質級別的預測能力不平衡的問題。趙晨曦等［37］提出改進后的U-Net網絡的水質分割方法，發現加深卷積深度和在編碼階段加入ASPP模塊的方法能夠有效提升水體參數精度。Chen等［38］發現由pH、溶解氧、高錳酸鹽指數和氨氮數據集訓練的決策樹、隨機森林和深度級聯森林水質分析性能更好。Zhu 等［39］對常用機器學習模型的優缺點進行了總結；Chen等［40］運用多因素統計分析和PCA技術確定了影響地下水質量變化的關鍵因素。Zhong等［41］采用快速模糊C-means聚類算法對三峽水質數據進行了快速高效的處理，Hou等［42］集成地理信息系統和蟻群聚類算法對水質信息進行了智能分析。李永飛等［43］對比了不同模型的數據分析性能，結果見圖4，可見基于SHAP算法深度學習手段在水質數據分析方面有顯著優勢。

基于水質大數據，學者們采用各種數據分析手段評估了水體的水質情況，如主成分分析、聚類分析、回歸分析、多變量分析、機器學習等，其中機器學習的預測精度通常與模型選擇和訓練數據集的質量密切相關。總體而言，各種數據分析手段為不同水域數據分析提供了多種選擇，同時提高了數據分析的精度，加快了水質數據到可視化、系統化水質結論的轉化。

1. 5 風險預判和智能決策

結合人工智能和專家系統分析處理大規模水質數據，大數據技術能夠實現水體的參數預測和在線污染預警。通過對水質數據的深度挖掘和分析，這些技術可以快速、精準識別水質異常情況，并發出預警信息，從而為管理者的高效決策提供便利。

相關學者在大數據驅動的水質監測和風險預判領域進行了廣泛而深入的研究，相關研究聚焦于結合人工智能技術和大數據技術實現針對水質污染的自主預警和智能決策。作為人工智能技術的重要組成部分之一，機器學習技術在水質風險預警方面發揮著關鍵作用，線性回歸、隨機森林、支持向量機、長短期記憶、人工神經網絡等方法都為水質預測模型構建提供了有力支持。Park等［44］指出在水體富營養化預判上支持向量機模型比人工神經網絡模型更為精確；Jeong等［45］將機器學習和生物預警系統相結合構建了水域污染實時預警模型；Yu等［46］提出基于 Copula 的貝葉斯網絡方法以實現季節化的水質預測。在機器學習模型中，人工神經網絡方法在水質預警的使用尤為廣泛，它能夠借助小波分析［47-48］、回歸分析方法［49-50］、遺傳算法［51-53］等方法進行模型優化，從而建立高效的數據驅動水質預測模型，精準預測水域污染。基于人工智能技術的水質污染檢測流程見圖5。

協同專家系統、大數據技術在水質污染智能決策方面也發揮著不可忽視的作用，相關系統不僅能夠實現水質指標的自動計算，還能夠對多種因素進行綜合性考量，提供個性化決策建議。趙陽［54］借助Visual Basic平臺構建了冷卻循環水的智能決策系統，該系統能夠基于已有知識庫給出不同情況下的針對性解決方案。Nasiri等［55］基于模糊集理論設計了針對水質管理的多屬性決策專家系統，該系統能夠在實現水質指數自動計算的同時為管理者提供不同級別的決策；Cheng等［56］以決策模型為核心，為環保部門綜合建立了考慮環境污染和城市工業經濟的水質決策專家系統。智能決策系統通常根據管理者對于社會、經濟、環境等多種因素的綜合考量構建，不同決策系統之間的側重點存在較大差異。這種因地制宜、因人而異的特點使得決策系統能夠更有針對性地應用在不同地區，為水質監測和管理提供了極大便利。

結合云計算、云平臺的大數據管理手段能夠大規模統籌分析數據，建立實時監測系統并構建水質預測模型。大數據驅動的水質監測平臺將對水域進行水質風險預判并提供智能決策參考，有利于相關機構及時高效采取應對方案。通過大數據和人工智能技術，決策人員能夠即時掌握水質的變化趨勢，并借助人工智能提供的決策參考快速給出水質污染應急處理方案。

2 未來展望

在水質監測方面，大數據技術作為后起之秀，面臨著進一步發展的挑戰，需要行業技術人員加強開發投入，克服現有不足。但不可否認的是，大數據驅動的水質監測技術有著廣泛的應用發展前景，隨著新時代發展、新技術的變革，大數據技術在水質監測、水質分析、水質預警等方面的應用將邁上新臺階。

2. 1 面臨挑戰

目前，大數據技術在水質監測領域的應用和推廣仍然面臨著多方面的挑戰［57］，主要包括行業認同、硬件和軟件性能、資金投入、管理系統和數據安全5個方面的難題。

a））行業認同。大數據在水質監測領域已經得到了一定的應用，但是在推廣和普及還存在一定挑戰。相關的專業人員對于大數據的了解不夠深入，對大數據技術的處理原理和應用不夠熟悉。水質監測人員對于傳統的技術有一定依賴，大數據技術作為陌生的新型技術，必須通過大量實例來證實該技術的準確性和高效性。

b））硬件和軟件性能。大數據技術對于硬件和軟件的數據存儲能力有著較高要求。水質數據的收集和存儲、水質數據的生命周期管理、水質數據的安全和分析處理都需要強大的算力支撐。只有在軟件和硬件滿足要求的情況下，基于大數據的水質監測系統才能夠投入大規模使用。

c））資金投入。大數據驅動的水質監測系統的研發需要大量資金投入，以進行試驗和系統模擬，從而建立具有地域針對性、應用方向針對性的水質監測系統。

d））管理系統。大數據技術驅動的數值監測技術能夠借助人工智能技術對水質信息進行統計分析，將為政府對于水質的決策和管理提供決策參考。因此，大數據技術在水質信息管理上創新將給傳統的管理方式帶來巨大變革，這需要決策者制定政策，規范決策流程，實現傳統專家意見和大數據分析的有機結合。

e））數據安全。大數據技術將各類水質監測數據進行集成，在水質數據存儲的過程中需要著重關注水質數據的安全性，避免保密信息的泄露，確保大數據技術在使用過程中用戶的隱私防護。

2. 2 未來趨勢

水質監測技術未來的發展將利用衛星遙感、數字圖像、大數據、互聯網和人工智能等多種創新性手段，從而實現水質的實時檢測和災害預報［58］。大數據在水質監測中的應用進一步發展既需要進一步升級數據采集設備、提高軟件性能，也需要結合其他新興技術，提高數據采集的準確性和數據分析的效率。其中，構建結合物聯網等技術的實時水質監測系統和多級別動態監測系統是發展的重中之重。

2. 2. 1 結合物聯網構建實時水質監測系統

物聯網將日常物理對象和互聯網相連接，具有實時性強、準確性高、擴展性好等特性。集合物聯網技術和大數據技術的水質監測系統能夠實現信息的遠程操縱和快速傳遞，并進行水質的實時檢測和及時調節。Wu等［59］開發了基于物聯網的注意力神經網絡，以從水體圖像中識別水污染情況；Chowdury等［60］通過遠程監控和物聯網技術實現了數據實時訪問，并借助Spark MLlib、深度學習神經網絡模型進行了水質數據分析。祝鵬等［61］通過WIFI、阿里云和APP實現了水質參數的遠程監控；李昕聰等［62］針對水產養殖提出了基于NB-IoT（窄帶物聯網）和無人船的水質監測系統，并對水質進行調節。將大數據技術和物聯網結合，水質信息收集和分析將實現全方位的升級，水質監測的效率將進一步提高［63］。水質參數遠程調控系統見圖6。

物聯網與大數據結合的水質監測系統展現了廣闊的應用前景，能夠實現水質實時監控和遠程調控，但同時也面臨著遠程數據采集不便、多個傳感器數據難以統籌的問題，這些問題限制了監測系統的效率和準確性，在采用大數據技術進行分析時應著重探討，以求攻克難關。

2. 2. 2 建立多級別動態水質監測系統

目前發表的絕大多數水質監測工作都使用大數據分析方法，往往采用一種或者幾種機器學習技術對一定時間內特定區域的水質進行監測或反演［64］，而實際應用過程中根據水域需求，很可能需要建立多級別的動態水質監測模型。不同級別的動態水質監測模型對于數據量、數據傳輸等方面都有著一定的要求。因此，推進大數據在水質檢測中的應用時，勢必要實現水質監測產品的監測自動化、功能集成化、數據實時化，提高當前水質監測手段的檢測精度和效率，從而為水質預測和決策提供可靠的數據庫［65］。

此外，未來的水質監測系統將會是智慧城市系統的重要部分，支持不同級別、多種水源的實時檢測、評估和預測，也將助力實現城市整體的環境監理。孟露等［66］基于CiteSpace軟件對大數據在水文領域的研究方向進行了總結和探討，指出“智慧水文”成為研究熱點，水體之間數據共享互聯需求日益增加。在進一步的研究中，為了更好地對水質信息進行管理和檢測，采用多樣化深度學習方法來對不同區域的動態水質進行研究勢在必行。

3 結語

大數據驅動的水質監測技術有著廣泛的應用前景，通過構建全面完善的水質監測系統，水質檢測的效率和精度進一步提高。在未來，大數據驅動的水質監測系統將進一步和物聯網、人工智能等技術相結合，并建立多級別的水質監測模型，從而滿足更多場景的應用需求，完善智慧水利系統，為相關部門的環境監管和管理決策提供全面系統的信息支持。

參考文獻：

［1］詹鵬偉，謝小姣.大數據系統及關鍵技術與工具綜述［J］.網絡安全技術與應用，2018（8）：50-52.

［2］黃子恒.基于紫外-可見光譜法的水質監測云平臺設計與實現［D］.重慶：重慶理工大學，2022.

［3］季斌.檢測數據的資源化：大數據時代下的水質檢測工作［J］.凈水技術，2017，36（9）：1-3.

［4］ SHERCHAN S P， GERBA C P， PEPPER I L. Evaluation of real-time water quality sensors for the detection of intentional bacterial spore contamination of potable water［J］. Journal of Biosensors and Bioelectronics，2013，4. DOI：10. 4172/2155-6210. 1000141.

［5］夏云飛，鄭詩程，黃聰.基于無線傳感網絡的水質檢測研究［J］.工業控制計算機，2019，32（1）：27-29.

［6］龍家豪，向青，錢同惠.無線傳感網絡的水質監測應用研究［J］.電子世界，2021（22）：6-7.

［7］ LIU Y S， ISLAM M A， GAO J. Quantification of shallow water quality parameters by means of remote sensing［J］. Progress in Physical Geography，2003，27（1）：24-43.

［8］侯毅凱，張安兵，呂如蘭，等.基于多源數據的河道水質遙感反演研究［J］.灌溉排水學報，2023，42（11）：121-130.

［9］YIGITAVDAN Z， KAPLAN G， GONCU S， et al. Monitoring the water quality of small water bodies using high-resolution remote sensing data［J］. ISPRS International Journal of Geo-Information，2019，8（12）. DOI：10. 3390/ijgi8120553.

［10］黎栩霞，王裕東，肖佑鵬，等.深圳近岸海域水質遙感監測及時空變化［J］.環境工程，2024，42（1）：243-252.

［11］張鵬，郭正鑫，劉振軍.高光譜衛星影像水質遙感反演［J］.測繪通報，2022（S2）：206-211.

［12］KEITH D J， SCHAEFFER B A， LUNETTA R S， et al. Remote sensing of selected water-quality indicators with the hyperspectral imager for the coastal ocean （HICO） sensor［J］. International Journal of Remote Sensing，2014，35（9）： 2927-2962.

［13］FLORES-ANDERSON A I， GRIFFIN R， DIX M， et al.Hyperspectral satellite remote sensing of water quality in Lake Atitlán， Guatemala［J］. Frontiers in Environmental Science， 2020， 8. DOI：10. 3389/fenvs. 2020. 00007.

［14］YAN Y， WANG Y， YU C H， et al. Multispectral remote sensing for estimating water quality parameters： A comparative study of inversion methods using unmanned aerial vehicles （UAVs）［J］. Sustainability，2023，15（13）. DOI：10. 3390/su151310298.

［15］CHENG K H， CHAN S N， LE63325c678b69ddeb52aa383b0261c623E J H W. Remote sensing of coastal algal blooms using unmanned aerial vehicles （UAVs）［J］. Marine Pollution Bulletin， 2020，152. DOI：10. 1016/j. marpolbul.2020. 110889.

［16］GHOLIZADEH M H， MELESSE A M， REDDI L. A comprehensive review on water quality parameters estimation using remote sensing techniques［J］. Sensors，2016，16（8）. DOI：10. 3390/s16081298.

［17］SAGAN V， PETERSON K T， MAIMAITIJIANG M， et al. Monitoring inland water quality using remote sensing： Potential and limitations of spectral indices， bio-optical simulations， machine learning， and cloud computing［J］. Earth-Science Reviews，2020，205. DOI：10. 1016/j. earscirev. 2020. 103187.

［18］YANG H B， KONG J L， HU H H， et al. A review of remote sensing for water quality retrieval： Progress and challenges［J］. Remote Sensing，2022，14（8）. DOI：10. 3390/rs14081770.

［19］彭燁，李曉如，韓勇華.水源水質在線監測預警系統的建設及應用［J］.供水技術，2022，16（6）：6-9.

［20］陳淑嫻，何文斌，張妥香，等.智慧生態水質pH值監測系統模型的設計與實現［J］.科技與創新，2022（5）：125-129.

［21］ZHANG J J， SHENG Y F， CHEN W D， et al. Design and analysis of a water quality monitoring data service platform［J］. Computers，Materials & Continua， 2021， 66（1）： 389-405.

［22］CHEN G， ZHANG W S， LIU X， et al. Development and application of a multi-centre cloud platform architecture for water environment management［J］. Journal of Environmental Management，2023，344. DOI：10. 1016/j. jenvman. 2023. 118670.

［23］項馨儀，趙杰煜，黃元捷.基于無線傳感網絡的水質監測系統［J］.無線通信技術，2018，27（2）：21-25.

［24］趙軍，林瀚剛，西熱娜依·白克力.基于ZigBee的水質監測系統研制及復雜環境下在線測試［J］.中國測試，2018，44（5）：67-70.

［25］NANDAKUMAR L， SANGEETH M， THOMSON M A M， et al. Real time water contamination monitor using cloud， IOT and embedded platforms［C］//2020 International Conference on Smart Electronics and Communication （ICOSEC）. IEEE， 2020： 854-858.

［26］CHEN Y J， LIU P X， JIANG B H， et al. The Design of WaterQuality Monitoring Cloud Platform Based on BS Architecture［C］//2016 International Conference on Computational Science and Engineering（ ICCSE 2016）. Atlantis Press， 2016.

［27］JHA B K， SIVASANKARI G G， VENUGOPAL K R. Cloud-based smart water quality monitoring system using IoT sensors and machine learning［J］. International Journal of Advanced Trends in Computer Science and Engineering，2020，9（3）：3403-3409.

［28］王意.面向混合存儲的時空大數據存儲策略研究［J］.地理空間信息，2023，21（9）：10-13.

［29］張揚帆，王玙，李陽，等.基于云–邊–端協同的區域級風電場大數據中心數據管理框架及優化運行方法［J/OL］.高電壓技術，1-11［2024-02-18］. DOI：10. 13336/j. 1003-6520. hve.20230115.

［30］MAIOLO M， PANTUSA D. Multivariate analysis of water quality data for drinking water supply systems［J］. Water， 2021， 13（13）.DOI： 10. 3390/w13131766.

［31］LOBATO T C， HAUSER-DAVIS R A， OLIVEIRA T F， et al. Construction of a novel water quality index and quality indicator for reservoir water quality evaluation： A case study in the Amazon region［J］. Journal of Hydrology，2015， 522： 674-683.

［32］唐亦舜， 徐慶， 劉振鴻， 等. 基于優化非線性自回歸神經網絡模型的水質預測［J］. 東華大學學報（自然科學版）， 2022， 48（3）：93-100.

［33］JUNG K Y， LEE K L， IM T H， et al. Evaluation of water quality for the Nakdong River watershed using multivariate analysis［J］. Environmental Technology & Innovation，2016，5： 67-82.

［34］JOARDER M A M， RAIHAN F， ALAM J B， et al. Regression analysis of ground water quality data of Sunamganj District， Bangladesh［J］. International Journal of Environment Research， 2008，2（3）：291-296.

［35］SINGH K P， MALIK A， MOHAN D， et al. Multivariate statistical techniques for the evaluation of spatial and temporal variations in water quality of Gomti River （India）：a case study［J］. Water Research， 2004， 38（18）： 3980-3992.

［36］USTAO?LU F， TA? B， TEPE Y， et al. Comprehensive assessment of water quality and associated health risk by using physicochemical quality indices and multivariate analysis in Terme River， Turkey［J］. Environmental Science and Pollution Research， 2021， 28（44）： 62736-62754.

［37］趙晨曦，宋鈺，胡敬芳，等.改進U-Net網絡的遙感圖像水質分割算法［J］.遙感信息，2023，38（4）：137-143.

［38］CHEN K Y， CHEN H X， ZHOU C L， et al. Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data［J］. Water Research， 2020，171. DOI：10. 1016/j. watres. 2019. 115454.

［39］ZHU M Y， WANG J W， YANG X， et al. A review of theapplication of machine learning in water quality evaluation［J］. Eco-Environment & Health， 2022， 1（2）： 107-116.

［40］CHEN T， ZHANG H F， SUN C X， et al. Multivariate statisticalapproaches to identify the major factors governing groundwater quality［J］. Applied Water Science， 2018， 8（7）. DOI：10. 1007/s13201-018-0837-0.

［41］ZHONG Y C， ZHANG L， XING S J， et al. The big dataprocessing algorithm for water environment monitoring of the three Gorges reservoir area［J］. Abstract and Applied Analysis， 2014（5）. DOI：10. 1155/2014/698632.

［42］HOU J W， MI W B， LI L T. Spatial quality evaluation fordrinking water based on GIS and ant colony clustering algorithm［J］. Journal of Central South University， 2014， 21（3）： 1051-1057.

［43］李永飛，李銘洋，常鑫，等.基于可解釋性深度學習的物聯網水質監測數據異常檢測［J］.計算機工程，2024（6）：179-187.

［44］PARK Y， CHO K H， PARK J， et al. Development of early-warning protocol for predicting chlorophyll-a concentration using machine learning models in freshwater and estuarine reservoirs， Korea［J］. Science of the Total Environment， 2015， 502： 31-41.

［45］JEONG H， PARK S， CHOI B， et al. Machine learning-based water quality prediction using octennial in-situ Daphnia magna biological early warning system data［J］. Journal of Hazardous Materials，2024，465. DOI：10. 1016/j. jhazmat. 2023. 133196.

［46］YU R L， ZHANG C. Early warning of water quality degradation： A copula-based Bayesian network model for highly efficient water quality risk assessment［J］. Journal of Environmental Management，2021，292. DOI：10. 1016/j. jenvman. 2021. 112749.

［47］SHI B， WANG P， JIANG J P， et al. Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies［J］. Science of the Total Environment， 2018， 610/611： 1390-1399.

［48］WU J H， WANG Z C. A hybrid model for water quality prediction based on an artificial neural network， wavelet transform， and long short-term memory［J］. Water， 2022， 14（4）.DOI：10. 3390/w14040610.

［49］史斌，姜繼平，王鵬.基于高頻在線水質數據異常的突發污染預警［J］.中國環境科學，2017，37（11）：4394-4400.

［50］QISHLAQI A， KORDIAN S， PARSAIE A. Field measurements and neural network modeling of water quality parameters［J］. Applied Water Science，2017，7（1）： 523-523.

［51］JIN T， CAI S B， JIANG D X， et al. A data-driven model for real-time water quality prediction and early warning by anintegration method［J］. Environmental Science and Pollution Research，2019，26（29）： 30374-30385.

［52］BURCHARD-LEVINE A， LIU S M， VINCE F， et al. A hybridevolutionary data driven model for river water quality early warning［J］. Journal of Environmental Management，2014，143：8-16.

［53］DING Y R， CAI Y J， SUN P D， et al. The use of combinedneural networks and genetic algorithms for prediction of river water quality［J］. Journal of Applied Research and Technology，2014，12（3）： 493-499.

［54］趙陽. 基于NARX人工神經網絡的工業循環冷卻水智能決策系統的研究與應用［D］.天津：天津理工大學，2015.

［55］NASIRI F， MAQSOOD I， HUANG G， et al. Water quality index： A fuzzy river-pollution decision support expert system［J］. Journal of Water Resources Planning and Management，2007，133（2）： 95-105.

［56］CHENG H， YANG Z， CHAN C W. An expert system for decision support of municipal water pollution control［J］. Engineering Applicationsa74efc8718ec157ff80f61f1ecf7f1f7 of Artificial Intelligence，2003，16（2）： 159-166.

［57］張秀峰，丁強，郝春洋.大數據模式下水質參數檢測方法的研究［J］.無線通信，2017，7（6）：179-186.

［58］湯鴻霄.環境科學與技術的擴展融合趨勢［J］. 環境科學學報，2017，37（2）：405-406.

［59］WU Y R， ZHANG X Y， XIAO Y， et al. Attention neural network for water image classification under IoT environment［J］. Applied Sciences， 2020， 10（3）. DIO：10. 3390/app10030909.

［60］CHOWDURY M S U， EMRAN T B， GHOSH S， et al. IoT based real-time river water quality monitoring system［J］. Procedia Computer Science， 2019， 155： 161-168.

［61］祝鵬，畢偉偉，賈雨奇，等.基于物聯網的水質監測系統設計與實現［J］.儀器儀表用戶，2023，30（11）：106-108，11.

［62］李昕聰，余紫揚，劉璞，等.基于NB-IoT和無人船巡檢的水產養殖場物聯網系統研究［J］.漁業現代化，2022，49（1）：72-81.

［63］王佳麟，何賢保，章啟明.基于物聯網的湖泊水質監測系統的研究［J］.綠色環保建材，2019（10）：254.

［64］KANG G， GAO J Z， XIE G. Data-driven water quality analysis and prediction： A survey［C］//2017 IEEE third international conference on big data computing service and applications （BigDataService）. IEEE， 2017： 224-232.

［65］馬浴瓊，曾欣玥，陳松.水質檢測技術發展現狀［J］.化學工程與裝備，2021（11）：191-193.

［66］孟露，楊海波.基于CiteSpace知識圖譜的水文大數據研究進展［J］.人民珠江，2024，45（2）：38-44.