人工智能在湖泊水情监测研究中的应用＊

杨家莹

（云南师范大学，云南 昆明 650500）

0 引言

湖泊储备了地球上的大部分淡水资源，为生态系统的生物多样性提供服务。湖泊生态环境不仅关系到区域生态环境的质量，而且关系到城市的可持续发展。在过去的30年里，随着中国城市化和工业化的快速发展，不透水表面积显著增加。不透水表面的增加阻碍了城市污水的向下渗透，直接流入到城市湖泊，加重了湖泊的富营养化程度。富含化学物质的生活废水和工业废水依次排入河流，不易降解。湖泊经过长时间积累，生态环境遭到破坏。

中国的湖泊众多，共有两万多个，长江中下游东部季风区分布着中国最大的淡水湖群，西部以青藏高原咸水湖较为集中，自20世纪50年代以来，湖泊富营养化程度加重，其中太湖、巢湖、滇池等12个湖泊处于重度富营养化状态。水环境的质量监管和预测是水资源合理利用的前提，水质评价的方法是水环境监管的关键，了解水质现状，预测水质未来发展，为水环境的管理和治理提供有据可依的可用方法。

机器学习作为人工智能领域的重要分支被广泛应用到各个领域。2019年1月，人工智能技术在Nature Medicine杂志上的应用报道认为机器学习作为人工智能技术的代表辅助临床医学诊断，在中医领域的应用处于初步阶段[1]。20世纪80年代，随着机器学习技术的不断成熟在极端天气领域的应用取得了不少突破[2]。人工智能诞生时间之久，但在游戏领域并未深入的发展，直到机器学习的进一步发展，基于机器学习的人工智能技术对游戏设计、角色智能化设定都带来了变化和影响[3]。

水质参数包括湖泊水温、pH、溶解氧、高锰酸钾指数、化学需氧量、氨氮、总磷、总氮、透明度和叶绿素a等因子。如何准确获取水质参数并对其做出评价成为学者们研究的热点，有人以物联网技术为基础，使用无线传感器对水质进行监测，以获取实时监测数据；有人使用高精度卫星遥感反演对湖库的水质参数数据进行评估，实现大范围的动态监测，克服传统监测方法中的不足；评价水质参数的方法也有很多种，综合指数法、模糊数学法等数学模型，传统的方法没法很好的解释评价指标与水质之间的复杂关系，神经网络技术被应用到水质评价当中，为水环境的综合评价提供有效的方法，常用的方法有支持向量机（SVM）、反向人工神经网络（BPANN）。

武国正以乌梁素海为例，使用支持向量机的方法对湖泊富营养化程度进行了评价，对水质未来的发展趋势进行了预测，同时还比较了线性回归、BP神经网络和RBF网络，研究结果表明精度较好，结果可行[4]。谢宏斌用BP算法对南湖水质的富营养化的程度进行了综合评价[5]。

湖泊水温作为湖泊生态环境最重要的指标，可以用来了解和揭示水质各因素之间的变化，为湖泊生态环境的控制和改善提供依据。近几十年来，遥感在水体方面的应用十分广泛，通过对遥感图像的分析可以得到水深、水温和水污染等信息。但由于重访周期长、传感器故障以及云雨等影响，极大地限制了遥感影像的使用，就精度而言，遥感技术的应用有着较大的局限性。

1 在湖泊表面水温方面的研究

运用卫星遥感技术快速准确地获取大面积、长时间序列的温度，顺应当前科学研究的发展。目前常用的遥感影像有MODIS和LANDSAT系列数据。劈窗算法被用来从MODIS和NOAA/AVHRR中反演海面温度和地表温度，针对Landsat8 TIRS数据提出了一种物理单通道地表温度反演算法。这些算法都是通过获取相关参数，形式基本相同，不同的是获取参数的方式和计算方法。反演算法中的物理参数，由于其中的关系和相互作用很难描述清楚，在方程被简化的过程中降低了反演精度[6]。

随着人工智能技术的发展，机器学习方法已经被广泛应用到湖泊水温的研究中，温度反演精度得到了提升。毛克彪等人提出了一种利用辐射传输模型（MODTRN）和深度动态神经网络（NN）反演地表温度的组合方法，提高了精度，克服了MODIS产品算法的缺陷[7]；杨昆等人提出一种支持向量机（SVR）、主成分分析法（PCA）及反向传播人工神经网络（BPANN）的组合预测模型，实现了滇池水温的历史过程重现及未来趋势的模拟，是一个误差低、泛化高的综合预测性能模型[8]；姜英超将遥感技术和深度学习技术相结合，研究基于深度神经网络的海水表面温度反演模型，将其结果与传统的反演结果进行精度对比，证明了基于深度学习所建立模型的可行性和优越性[9]。深度学习方法在温度反演研究中的应用为探究温度变化具有一定的实用价值。

2 在湖泊水质方面的研究

我国很多江河湖泊和水库都有着不同程度的水华现象，国家为改善生态环境质量投入了大量的精力。全国建有两千多个环境监测站，初步形成了水环境监测网络，为水环境管理提供良好的基础。但由于监测站点的传统监测方法很难实现水环境的动态监测，且成本较大，站点出现的时间较短，无法满足长时间序列水质研究，遥感技术能够大范围的监测水环境质量状况及其动态变化。姜晟等人使用MODIS 1B遥感影像结合NDVI算法，获取了太湖地区水华空间分布变化信息[10]；由于遥感影像噪音较大，学者们为了解决水华预测问题，能够有针对性地采取措施，有很多基于深度学习的模型被广泛提出。刘云翔和吴浩在2018年提出了基于随机森林算法的水华预警模型，根据叶绿素a的浓度判断水华是否发生，以太湖为研究区进行分析，解决了传统预警方法中稳定性差和过度拟合的问题，认为总磷和总氮是相对重要的影响湖泊水质的影响因子[11]；徐逸等人基于太湖实测叶绿素a浓度数据比较了4种机器学习模型性能（随机森林，RF；支持向量机，SVR；反向传播人工神经网络，BPANN；深度学习，DL），比较了各模型精度、稳定性及鲁棒性，为研究湖泊水质参数提供借鉴[12]。

人工智能技术除了在水质参数获取方面被广泛应用，在水环境质量评价方面也被广泛使用。曹伟基于改进的PSO_BP神经网络算法对洱海的入湖河流-永安江的水质进行了研究，对比了主成分分析法和BP神经网络[13]。

3 结语

从20世纪50年代开始，人工智能经历了几次寒冬，每一个十年，创新和发现都不断改变着人们对人工智能领域的基本认识，推动着人工智能不断发展，机器学习和深度学习的出现，将人工智能推向高潮。人们将机器学习的方法广泛应用到各个领域。目前，神经网络、LSTM、支持向量机、卷积神经网络等机器学习的方法已经被普遍运用到水质和大气PM2.5的预测模型研究中，但在水温预测方面还略有空缺，不够完善。