□鄭茹楠 王亮（新鄉(xiāng)水文水資源勘測(cè)局）

深度學(xué)習(xí)在水文工作中的應(yīng)用探討

□鄭茹楠 王亮（新鄉(xiāng)水文水資源勘測(cè)局）

深度學(xué)習(xí)作為人工智能的主要分支，是一種利用大數(shù)據(jù)進(jìn)行訓(xùn)練，不斷地通過正反饋來優(yōu)化結(jié)果的方法。隨著互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，大數(shù)據(jù)以及數(shù)據(jù)挖掘技術(shù)已經(jīng)成為了新的經(jīng)濟(jì)增長點(diǎn)?？梢哉f，數(shù)據(jù)就是未來的石油，而深度學(xué)習(xí)等方法就是開采石油的工具。水文工作每年都會(huì)采集到大量的數(shù)據(jù)，能否更好的利用這些數(shù)據(jù)，使水文工作更加高效，為社會(huì)產(chǎn)生更多的價(jià)值，文章從應(yīng)用層面做出了一些探討。

人工智能；水文信息化；水文預(yù)報(bào)；水文資料整編

0 深度學(xué)習(xí)概述

隨著國務(wù)院下發(fā)《新一代人工智能發(fā)展規(guī)劃》，人工智能正式上升為國家戰(zhàn)略。在這個(gè)數(shù)據(jù)時(shí)代的大浪潮里，數(shù)據(jù)成了衡量一個(gè)組織財(cái)富的標(biāo)準(zhǔn)，但只有數(shù)據(jù)還是沒法發(fā)揮它應(yīng)有的價(jià)值，只有通過數(shù)據(jù)挖掘，才能變數(shù)據(jù)為黃金。

深度學(xué)習(xí)和機(jī)器學(xué)習(xí)類似，是一種基于概率論不斷遞歸，從而尋找最優(yōu)解的分析方法，它在搜索技術(shù)、數(shù)據(jù)挖掘、機(jī)器翻譯、自然語言處理、人臉識(shí)別、語音、推薦和自動(dòng)駕駛，以及其它相關(guān)領(lǐng)域都取得了很多成果。由于算法和計(jì)算能力的突破，以及數(shù)據(jù)量的暴增，深度學(xué)習(xí)已經(jīng)成為了人工智能領(lǐng)域最主要的實(shí)現(xiàn)方法，這里的數(shù)據(jù)不僅僅只是數(shù)字，還包括圖像和聲音等。

水文站網(wǎng)近年來通過開展水位、雨量、墑情等自動(dòng)監(jiān)測(cè)，安裝了大量的儀器，加上歷史記錄的資料，已經(jīng)產(chǎn)生了海量的數(shù)據(jù)庫。通過分析處理這些數(shù)據(jù)，可以為水文信息化和社會(huì)經(jīng)濟(jì)發(fā)展提供強(qiáng)有力的技術(shù)支撐，凸顯“大水文”的發(fā)展理念，取得社會(huì)效益和經(jīng)濟(jì)效益。

1 深度學(xué)習(xí)在水文工作中的應(yīng)用方向

1.1 圖像識(shí)別處理

水文系統(tǒng)下屬有水文站和委托觀測(cè)雨量站，這些委托站數(shù)量眾多，而且有些地處偏僻，無法經(jīng)常去檢查。自記雨量器需要按時(shí)清洗和維護(hù)，如果承水口堵塞或沒有清洗干凈，會(huì)造成雨量數(shù)據(jù)不能準(zhǔn)確傳遞的問題。

采用深度學(xué)習(xí)的方法，可以安排當(dāng)?shù)赜^測(cè)人員，按時(shí)用手機(jī)對(duì)雨量器進(jìn)行拍照，包括承水口、集水斗、濾網(wǎng)，以及雨量器外觀等。通過安裝GPS拍照軟件，照片會(huì)帶有拍照時(shí)的經(jīng)緯度和時(shí)間信息，之后把圖片發(fā)給服務(wù)器。在終端對(duì)圖片進(jìn)行處理，對(duì)那些沒有清洗干凈的圖片做出標(biāo)記。經(jīng)過算法對(duì)這些大量帶有標(biāo)記圖片的學(xué)習(xí)，可以訓(xùn)練出一個(gè)模型，使用該模型可以自動(dòng)準(zhǔn)確區(qū)分出那些沒清洗干凈的雨量器圖片，并通過經(jīng)緯度顯示站點(diǎn)信息。

在水文資料整編工作中，要把大量手寫的數(shù)據(jù)錄入電腦，包括降雨量、水位等。這樣重復(fù)性的工作可以通過拍照或手持式掃描儀來將這些手寫數(shù)據(jù)變成圖片，然后經(jīng)過深度學(xué)習(xí)的方法，識(shí)別出這些圖片并生成數(shù)據(jù)輸入電腦。這樣整編人員就可以在此基礎(chǔ)上提高效率，只需要校對(duì)這些數(shù)據(jù)即可。

水文工作大多使用網(wǎng)格圖紙記錄水文曲線。然而紙質(zhì)材料由于保存不當(dāng)?shù)仍驎?huì)造成損壞、污染等問題，容易對(duì)所承載的信息造成損失，且紙質(zhì)材料不易于信息的交換和傳遞，更可能埋沒了海量信息中可能隱藏的、有待發(fā)掘的知識(shí)。因此有必要對(duì)這些紙質(zhì)資料進(jìn)行數(shù)字化。利用圖像處理的方式將這些信息采集并建立數(shù)據(jù)庫，將避免大量的手工重復(fù)勞動(dòng)，也能高效精準(zhǔn)的對(duì)這些信息進(jìn)行錄入。

1.2 深度學(xué)習(xí)算法做水文預(yù)報(bào)

水文預(yù)報(bào)是防汛工作的前提，也是水庫調(diào)度興利的重要手段，相關(guān)的模型方法有很多，反映了水文學(xué)的一些規(guī)律，但由于人類對(duì)流域水文氣象規(guī)律認(rèn)識(shí)有限，自然界規(guī)律又復(fù)雜變化，所以難以全面反映客觀規(guī)律。

深度學(xué)習(xí)方法經(jīng)過這些年的發(fā)展，從簡單的線性網(wǎng)絡(luò)到CNN，再到RNN和現(xiàn)在的GAN，經(jīng)過了幾次迭代。目前在水文預(yù)報(bào)領(lǐng)域，存在著隨機(jī)森林、聚類、貝葉斯分析、SVM等機(jī)器學(xué)習(xí)方法，這些方法從挖掘歷史水文數(shù)據(jù)入手，建立水文模型，從而提高預(yù)報(bào)的準(zhǔn)確度。

然而傳統(tǒng)機(jī)器學(xué)習(xí)的方法，在數(shù)據(jù)量較小時(shí)比較有效果，但當(dāng)遇到海量數(shù)據(jù)，該方法就會(huì)進(jìn)入一個(gè)平臺(tái)，再怎么優(yōu)化也提高不了。深度學(xué)習(xí)就是針對(duì)這種情況，只要建立合適的模型，數(shù)據(jù)量越大它的結(jié)果越好。當(dāng)歷史數(shù)據(jù)豐富的時(shí)候，就可以將數(shù)據(jù)之間的物理關(guān)系用統(tǒng)計(jì)關(guān)系表達(dá)出來，不需要物理模型那么多嚴(yán)格的分布參數(shù)來描述流域的下墊面情況。

水文預(yù)報(bào)可以看作是動(dòng)態(tài)物質(zhì)在固態(tài)路線上流動(dòng)的問題，同樣的例子還有交通疏導(dǎo)、電網(wǎng)的改善等等，都可以運(yùn)用這種基于馬爾科夫鏈的解決方法。杭州開展的智慧城市工程，就是通過讓攝像頭和紅綠燈連接起來，收集實(shí)時(shí)的數(shù)據(jù)，用機(jī)器智能算出哪里會(huì)堵車，哪里有救護(hù)車幾點(diǎn)幾分要到下一個(gè)路口，能夠自動(dòng)分配紅綠燈的變化，改善交通擁堵，以及增加挽救生命概率。

但這種方法進(jìn)行水文預(yù)報(bào)也有一些不足，當(dāng)歷史數(shù)據(jù)不足或流域狀況改變導(dǎo)致歷史數(shù)據(jù)的模擬意義下降時(shí)，就會(huì)減少它的適用性。

1.3 水質(zhì)監(jiān)測(cè)自動(dòng)化

水質(zhì)指標(biāo)是是用于評(píng)價(jià)一般淡水水域特征的重要參數(shù)?？梢愿鶕?jù)這些參數(shù)對(duì)水質(zhì)的類型進(jìn)行分類，對(duì)水體質(zhì)量進(jìn)行判斷和綜合評(píng)價(jià)。傳統(tǒng)的現(xiàn)場(chǎng)取樣，需要耗費(fèi)人力物力，還要使用化學(xué)滴定等方法獲取數(shù)據(jù)，存在速度慢、容易混淆水樣的麻煩。

水質(zhì)在線自動(dòng)監(jiān)測(cè)系統(tǒng)是一個(gè)以在線分析儀表為服務(wù)目標(biāo)，以提供具有代表性、及時(shí)性和可靠性的樣品信息為核心任務(wù)，運(yùn)用自動(dòng)控制技術(shù)、計(jì)算機(jī)技術(shù)并配以專業(yè)軟件，組成一個(gè)從取樣、預(yù)處理、分析到數(shù)據(jù)處理及存貯的完整系統(tǒng)，從而實(shí)現(xiàn)對(duì)樣品的在線自動(dòng)監(jiān)測(cè)。可以監(jiān)測(cè)水溫、溶解氧、PH值、濁度等，并可傳回現(xiàn)場(chǎng)圖像。這些實(shí)時(shí)性數(shù)據(jù)經(jīng)過算法的訓(xùn)練，能夠自動(dòng)鑒別出水質(zhì)情況并做出分類。

1.4 生成水資源公報(bào)

NLP自然語言處理是一門研究如何讓機(jī)器理解人類語言、寫出人類文字的學(xué)科?；谶f歸神經(jīng)網(wǎng)絡(luò)的NLP模型，只需要喂給它大量的文字段落，它就會(huì)用遞歸神經(jīng)網(wǎng)絡(luò)分析段落，尋找出字與字之間的關(guān)系。

目前深度學(xué)習(xí)的方法對(duì)于文學(xué)類文章還沒法做到很好的生成，但對(duì)于固定格式的內(nèi)容，可以做到自動(dòng)生成。今天美國很多媒體的財(cái)經(jīng)新聞，尤其是對(duì)公司財(cái)報(bào)的評(píng)述，其實(shí)已經(jīng)是計(jì)算機(jī)產(chǎn)生的了。計(jì)算機(jī)根據(jù)很多過去已有的文章，訓(xùn)練出相關(guān)的模板，然后每次從最新的信息中讀取數(shù)據(jù)，合成一篇文章。當(dāng)然，這樣合成的文章讀起來未免生硬，在發(fā)表前還是要經(jīng)過潤色處理。

水資源公報(bào)每年都要做，而且內(nèi)容格式大體變化不大，那么利用每年收集到的水文數(shù)據(jù)就可以自動(dòng)生成水資源公報(bào)等內(nèi)容。

2 數(shù)據(jù)共享和大數(shù)據(jù)思維

數(shù)據(jù)要利用就要保證數(shù)據(jù)的共享，和數(shù)據(jù)格式的統(tǒng)一，不同部門的數(shù)據(jù)通過共享，能夠產(chǎn)生1+1＞2的作用，這就是數(shù)據(jù)的平臺(tái)化。這方面可以舉個(gè)例子，比如共享單車，通過跟蹤它們的運(yùn)動(dòng)軌跡，能夠得出從某個(gè)小區(qū)到某個(gè)地點(diǎn)騎車的人多的數(shù)據(jù)，這些數(shù)據(jù)不單單可以用來改進(jìn)單車的運(yùn)營，還可以讓公交公司拿去改進(jìn)他們的路線。

機(jī)器智能和傳統(tǒng)的編程方法有著根本性的不同。過去的方法是通過原理找方法，從而得到結(jié)果，這是因果關(guān)系。但深度學(xué)習(xí)是先給出一個(gè)結(jié)果，然后從結(jié)果出發(fā)去找方法，這是相關(guān)性，新的方法產(chǎn)生新的思維方式。影響世界的變量太多以至于無法用數(shù)學(xué)模型來描述，機(jī)械論已經(jīng)無法對(duì)未來進(jìn)行預(yù)測(cè)。用不確定的眼光看世界，再用信息來消除這種不確定性，是大數(shù)據(jù)解決智能問題的本質(zhì)。

香農(nóng)的“信息熵”將世界的不確定性和信息聯(lián)系在了一起。這個(gè)建立在不確定性上的理論，正是今天人類研究大數(shù)據(jù)和機(jī)器智能的基石。

3 結(jié)語

人工智能是新一代技術(shù)革命的焦點(diǎn)，它并不是用機(jī)器來取代人，而是用機(jī)器來輔助人，去做人做不到的事情。從歷史上看，每一輪科技革命和產(chǎn)業(yè)變革都會(huì)引起國家間、企業(yè)間綜合實(shí)力的此消彼長，找準(zhǔn)發(fā)力點(diǎn)，才能下好先手棋。

近年來，歐美等國家的學(xué)者將傳統(tǒng)水文學(xué)和人工智能相結(jié)合，誕生了一門新的學(xué)科—水信息學(xué)。隨著科技的進(jìn)步，數(shù)據(jù)量的增長、智能算法的發(fā)展和水文學(xué)科的進(jìn)一步完善，深度學(xué)習(xí)等數(shù)據(jù)挖掘技術(shù)會(huì)更多地應(yīng)用于水文領(lǐng)域。

［1］張弛.數(shù)據(jù)挖掘技術(shù)在水文預(yù)報(bào)與水庫調(diào)度中的應(yīng)用研究［D］.大連:大連理工大學(xué)，2006（3）.

P338+.9

A

1673-8853（2017）11-0029-02

2017-9-28

編輯：劉青