史良勝，查元源，胡小龍，楊 琦

（武漢大學(xué) 水資源與水電工程科學(xué)國家重點實驗室，湖北 武漢 430072）

灌區(qū)在我國農(nóng)業(yè)和水利行業(yè)中具有舉足輕重的地位。目前灌區(qū)管理面臨新的需求，包括：（1）管理目標多元化。灌區(qū)是我國農(nóng)業(yè)發(fā)展的主體，如何提高農(nóng)業(yè)水資源利用效率，對于保障工業(yè)和生活用水供應(yīng)至關(guān)重要。在水資源短缺現(xiàn)象日益嚴重、水土環(huán)境污染和生態(tài)退化問題加劇的背景下，灌區(qū)管理從傳統(tǒng)農(nóng)業(yè)用水管理轉(zhuǎn)變至農(nóng)業(yè)、工業(yè)、生活和生態(tài)用水管理并重，有些灌區(qū)還服務(wù)于旅游和科教產(chǎn)業(yè)。灌區(qū)管理涉及到多地區(qū)、多部門、多行業(yè)，管理目標多元化使得灌區(qū)系統(tǒng)的復(fù)雜性顯著增加；（2）管理行為精準化。粗放型農(nóng)業(yè)用水方式導(dǎo)致我國農(nóng)田灌溉水有效利用系數(shù)僅為0.554（中國水資源公報，2019），且傳統(tǒng)的灌區(qū)管理以農(nóng)業(yè)用水為主，缺乏生態(tài)和環(huán)境方面的監(jiān)測與管理。為實現(xiàn)多目標優(yōu)化管理，需對灌區(qū)水資源配置、種植結(jié)構(gòu)、農(nóng)田水肥藥措施等不同時間和空間尺度的行為進行精細化管理，實時精準地實施抗旱、防洪、排澇、排漬、控污，以及滿足生產(chǎn)、生活、生態(tài)的用水需求，達到水土資源的最優(yōu)利用以及生態(tài)環(huán)境保護的目的；（3）管理手段智能化。隨著城鎮(zhèn)化的發(fā)展，農(nóng)業(yè)就業(yè)人口數(shù)量快速下降、老齡化現(xiàn)象日趨突出。灌區(qū)管理在面臨管理目標多樣、管理任務(wù)繁重的同時，也面臨管理人員不足的壓力；因此，需要借助智能化手段，提高管理服務(wù)的效率和水平。總的來說，我國灌區(qū)管理主要沿用傳統(tǒng)的理論與技術(shù)手段。本文以智慧灌區(qū)為論述對象，試圖為未來智慧灌區(qū)發(fā)展提供架構(gòu)、理論及相應(yīng)方法層面的展望并結(jié)合人工智能的最新研究進展，力圖梳理出適用于灌區(qū)場景的人工智能技術(shù)特點以及需解決的難點。

1 智慧灌區(qū)的定義和基本功能

灌區(qū)是指灌溉水源工程所能控制的對農(nóng)田實施灌溉的地域，由灌溉水源工程、灌溉排水系統(tǒng)及灌溉農(nóng)田組成[1]。在灌區(qū)的管理上，通常以抗旱、防洪、排澇、排漬等作為主要目標。目前，灌區(qū)的管理從水量調(diào)控轉(zhuǎn)變至水量、水質(zhì)、生態(tài)調(diào)控并重，灌區(qū)中農(nóng)業(yè)活動也已經(jīng)從穩(wěn)產(chǎn)、增產(chǎn)轉(zhuǎn)變至保證產(chǎn)量品質(zhì)并重。

人工智能（又稱機器智能），是指一個可以感知周圍環(huán)境并采取行動以最大化概率實現(xiàn)其目標的系統(tǒng)。最近20年來，人工智能研究的核心是在推理、知識表達、規(guī)劃、學(xué)習(xí)、自然語言處理、感知、移動與操控工具等方面構(gòu)建與人類類似甚至超出人類的能力[2-3]。人工智能在圖像和視頻識別、游戲、語言、無人駕駛等方面取得了初步成果。然而，按照Pearl等[4]對因果關(guān)系的分級，目前的人工智能僅具有初級的關(guān)聯(lián)能力，即可基于被動觀測做出預(yù)測；更高級的、具有干預(yù)能力和反事實能力的人工智能尚待開發(fā)。

參照人工智能的定義，本文嘗試將智慧灌區(qū)定義為：具有智能監(jiān)測、解譯、模擬、預(yù)警、決策和調(diào)控能力的灌區(qū)，全面實時感知灌區(qū)水情、墑情、工情、作物長勢、生態(tài)環(huán)境等信息，快速、精準、自主調(diào)控水源、輸配水及排水系統(tǒng)等工程設(shè)施及設(shè)備，實現(xiàn)水量、水質(zhì)和生態(tài)等多目標的最優(yōu)化管理。智慧灌區(qū)是現(xiàn)有灌區(qū)信息化、自動化和數(shù)字化的高級形式；它融合了人工智能技術(shù)，以期實現(xiàn)更為智能的灌區(qū)監(jiān)測、信息解譯、模擬、預(yù)警、決策和調(diào)控[5-6]，具備自主學(xué)習(xí)、分析和優(yōu)化能力。智慧灌區(qū)依賴于灌區(qū)場景的機器智能，其在感知、認知、管理灌區(qū)方面具備超越人類的能力。

智慧灌區(qū)包括4個基本功能：（1）能夠?qū)Σ煌叨鹊墓鄥^(qū)要素進行觀測，從低信息含量的被動觀測過渡到高信息含量的主動觀測；（2）能夠從多源數(shù)據(jù)中準確解譯出灌區(qū)的水情、墑情、作物（植被）長勢、生態(tài)、環(huán)境、工情等定量特征，自動識別出灌區(qū)干旱、澇漬、鹽堿、水土流失、生態(tài)退化、環(huán)境污染等表征；（3）針對龐大、復(fù)雜的灌區(qū)系統(tǒng)，能夠準確描述灌區(qū)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長和生態(tài)系統(tǒng)演化，具備動態(tài)自主建模能力和模型進化能力，具有觀測數(shù)據(jù)之外的推理能力；（4）能夠自主、精準制定水資源調(diào)度和配置、水旱災(zāi)害防治、水環(huán)境修復(fù)、生物多樣性保護等措施，可準確評估各管理行為的效應(yīng)和效益并具備實時調(diào)整的能力。針對某些特定的灌區(qū)功能和管理目標，還可定義其它類似的智慧型概念，例如可針對灌溉、供排水等目標，定義智慧灌溉、智慧泵站等概念。智慧灌區(qū)建設(shè)以開發(fā)人工智能技術(shù)來提升灌區(qū)管理能力為核心，是目前“補短板、強監(jiān)管”的有效手段，也是現(xiàn)代灌區(qū)的全新階段。圖1給出了智慧灌區(qū)架構(gòu)的框圖，下文將分別予以論述。

筆者認為智慧灌區(qū)不僅僅是人工智能技術(shù)在灌區(qū)內(nèi)的應(yīng)用，這主要是因為目前的人工智能技術(shù)過度依賴于數(shù)據(jù)，而對于復(fù)雜的灌區(qū)系統(tǒng)來說，難以進行空中、地表、土壤、地下全覆蓋式的觀測，也因此難以獲取高維的、高密度的數(shù)據(jù)集。智慧灌區(qū)應(yīng)是經(jīng)典農(nóng)田水利學(xué)、水文學(xué)、水力學(xué)、環(huán)境學(xué)、生態(tài)學(xué)等專業(yè)學(xué)科知識與人工智能的結(jié)合。前者為智慧灌區(qū)提供先驗知識，后者處理數(shù)據(jù)的能力更強，兩者結(jié)合將更有利于灌區(qū)場景的人工智能技術(shù)的開發(fā)。

圖1 智慧灌區(qū)架構(gòu)

2 智慧灌區(qū)的觀測體系

智能觀測系統(tǒng)和數(shù)據(jù)解譯系統(tǒng)構(gòu)成了灌區(qū)感知智能，其目的在于快速、準確獲取灌區(qū)的數(shù)字化表示，包括：地形，土地利用類型，土壤水分、鹽分和養(yǎng)分狀態(tài)，氣象要素，干旱和洪澇狀態(tài)，水庫、湖泊、河道和溝渠水位、水質(zhì)、流量、流速，地下水位和水質(zhì)，作物（植被）生長狀態(tài)，生物多樣性，設(shè)備和建筑物（閘門、泵站、溝渠等）運行狀態(tài)，農(nóng)田管理信息等主要數(shù)據(jù)。數(shù)字化服務(wù)于灌區(qū)智能管理，數(shù)字化的規(guī)劃精度一方面取決于灌區(qū)調(diào)控目標，也取決于技術(shù)精度與技術(shù)成本之間的均衡；在數(shù)據(jù)量和精度能夠滿足灌區(qū)特定調(diào)控目標的前提下，快速和低成本數(shù)字化優(yōu)先于高精度和高成本數(shù)字化。

2.1 灌區(qū)多源觀測系統(tǒng)灌區(qū)傳統(tǒng)的地面觀測以點尺度觀測為主（如墑情站），觀測密度和代表性均不足。Li等[7]研究表明，點尺度的土壤含水量在農(nóng)田管理中存在局限性，這主要是由于土壤含水量的強烈空間變異性削弱了點尺度數(shù)據(jù)的價值。衛(wèi)星遙感雖然已廣泛應(yīng)用于灌區(qū)災(zāi)害評估，但仍未成為一種日常觀測手段；目前衛(wèi)星觀測的時空分辨率也難以滿足精準、精細化的管理要求。低空無人機觀測在中尺度問題中已展現(xiàn)出了顯著的優(yōu)勢，但在灌區(qū)中相應(yīng)的技術(shù)和應(yīng)用研究仍然滯后。隨著衛(wèi)星觀測精度和分辨率的改善、無人機觀測成本和地面?zhèn)鞲衅鲀r格的降低，天地空一體化觀測將成為未來灌區(qū)的基本觀測架構(gòu)。

目前構(gòu)建天地空一體化觀測體系存在諸多挑戰(zhàn)：（1）天地空一體化觀測體系的基礎(chǔ)設(shè)施建設(shè)不足，現(xiàn)有體系還不能支持灌區(qū)的數(shù)字化，而數(shù)字化是智慧灌區(qū)的前提；（2）大規(guī)模布設(shè)地面接觸式傳感器（如TDR、FDR傳感器）的成本非常昂貴且不利于田間機械作業(yè)，這意味著應(yīng)該更加重視非接觸式傳感器；（3）天地空觀測還沒有形成協(xié)同效益，不同尺度和不同來源數(shù)據(jù)的協(xié)同利用缺乏嚴謹?shù)睦碚撝С趾拖到y(tǒng)的實驗研究；（4）灌區(qū)缺乏高時空分辨率和高通量的觀測手段，缺乏針對海量數(shù)據(jù)的解譯方法。

非接觸式觀測近年來獲得飛速發(fā)展，但目前灌區(qū)的觀測系統(tǒng)設(shè)計尚未予以重視。在河流和溝渠流量監(jiān)測方面，圖像測速方法正成為一種具有潛力的非接觸式表面流速和斷面流量測量方法[8]，有可能成為常規(guī)接觸式測流法（如流速儀法）的替代方法。例如趙浩源等[9]在崇陽水文站的比測實驗發(fā)現(xiàn)，圖像測速法估測的表面流速與旋槳式流速儀實測結(jié)果之間的相對誤差小于15%、流量誤差小于5%。在干旱監(jiān)測方面，土壤含水量和作物水分脅迫指數(shù)（CWSI）分別是最為常用的基于土壤的指標（接觸式方法）和基于作物的指標（非接觸式方法）；隨著土壤水分遙感監(jiān)測理論的發(fā)展，特別是土壤熱慣量和微波方法的興起，非接觸式的干旱監(jiān)測手段日益豐富。非接觸式干旱監(jiān)測方法通過地表的近中遠紅外、熱紅外信號以及穿透冠層的微波信號來反映干旱，應(yīng)用更為便捷，且兼容無人機等移動平臺，然而相關(guān)技術(shù)在現(xiàn)有灌區(qū)中應(yīng)用很少。在灌區(qū)植被表型觀測方面（例如病蟲害、LAI、作物長勢）[10]，非接觸式觀測已能達到很高的精度。在水質(zhì)監(jiān)測方面，非接觸式傳感器已可測量葉綠素a含量、水溫、溶解氧、總磷等指標[11]。在大壩等建筑物監(jiān)測方面，全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）方法，在精度上雖略遜于正倒垂法等經(jīng)典方法，但具有全天候、實時、自動化程度高等特點[12]。

非接觸式觀測大多基于光譜遙感技術(shù)；與此同時，激光探測及測距（LiDAR）技術(shù)也已經(jīng)成熟應(yīng)用于地形監(jiān)測[13]、農(nóng)作物特征（株高、生物量、作物氮素狀態(tài)）[14-15]，以及大壩等建筑物的結(jié)構(gòu)和變形監(jiān)測等方面。隨著低中高空遙感技術(shù)的發(fā)展，這些技術(shù)的成本正在快速降低?？偟膩碚f，非接觸式監(jiān)測方法已在灌區(qū)得以廣泛應(yīng)用，但仍不是灌區(qū)觀測的主流方法，這主要是因為其技術(shù)成熟度、觀測精度和可靠性方面仍有待完善。智慧灌區(qū)觀測系統(tǒng)應(yīng)結(jié)合非接觸式和接觸式觀測，接觸式觀測系統(tǒng)用于高精度的項目信息獲取，以及在現(xiàn)有技術(shù)條件下，非接觸式所無法替代的觀測項目。

綜上所述，筆者認為智慧灌區(qū)的基本觀測架構(gòu)具有如下特征：（1）接觸式和非接觸式觀測相結(jié)合，移動式與固定式觀測相結(jié)合。非接觸式傳感器以可見光、近中遠紅外、熱紅外、微波等電磁波段、激光、聲納為探測手段，可搭載在地面固定設(shè)備、衛(wèi)星、移動無人車、無人船和無人機上；相對于接觸式觀測而言，非接觸式設(shè)備在單位觀測成本以及運行維護上更有優(yōu)勢；（2）適用于灌區(qū)不同尺度觀測的機器視覺技術(shù)。機器視覺是人工智能的基礎(chǔ)技術(shù)之一，也是目前人工智能領(lǐng)域中成果最為豐富的分支。機器視覺在圖像的顏色、形狀、紋理和光譜分析上取得了顯著進展[16]，應(yīng)是灌區(qū)感知智能的基礎(chǔ)組成。為了精準捕捉灌區(qū)特征的動態(tài)變化和三維結(jié)構(gòu)特征[17-19]，灌區(qū)機器視覺還應(yīng)具有高通量圖像數(shù)據(jù)（超高分辨率圖像、視頻數(shù)據(jù)和超光譜圖像）的收集和分析能力；（3）基于多源大數(shù)據(jù)的灌區(qū)特征解譯技術(shù)。大數(shù)據(jù)不僅體現(xiàn)在數(shù)據(jù)容量和類型的增加，更體現(xiàn)在數(shù)據(jù)分析方法的創(chuàng)新，如卷積神經(jīng)網(wǎng)絡(luò)[20]和云技術(shù)[21]等。例如，對干旱的定量診斷，可融合土壤含水量、近中遠紅外、亮度溫度、微波等多源數(shù)據(jù)中所含的干旱信息，也可融合不同尺度數(shù)據(jù)來提高估計精度[22]。相對于單一數(shù)據(jù)，多源大數(shù)據(jù)技術(shù)一方面為利用間接數(shù)據(jù)提供了途徑，一方面可降低對單源觀測的過度依賴，增加了觀測系統(tǒng)的穩(wěn)定性；（4）天地空數(shù)據(jù)智能交換技術(shù)。鑒于天地空觀測手段各自的優(yōu)劣勢，應(yīng)實現(xiàn)信息流在天地空觀測設(shè)備之間的交換。數(shù)據(jù)交換的益處一方面在于可以實現(xiàn)天地空設(shè)備之間的互相校準和不同尺度數(shù)據(jù)的尺度升降，另一方面可根據(jù)管理目標，為由被動觀測向自主觸發(fā)觀測提供前提。例如，當系統(tǒng)判斷衛(wèi)星數(shù)據(jù)不足以服務(wù)于管理目標時，可自主觸發(fā)無人機觀測，對特定區(qū)域自動進行高分辨率的巡測。

2.2 灌區(qū)大數(shù)據(jù)環(huán)境下的信息理論和數(shù)據(jù)解譯方法當面臨大量的、不同類型的、不同低價值密度的數(shù)據(jù)時，就需要引入信息度指標（例如熵）以評估各種觀測數(shù)據(jù)在量化灌區(qū)特征上的價值大小，并可以通過數(shù)據(jù)價值反向管理監(jiān)測系統(tǒng)，提高數(shù)據(jù)采集效率，降低監(jiān)測成本。因此，信息理論是灌區(qū)感知智能的基礎(chǔ)理論之一，應(yīng)解決如下4個問題：（1）評估某種數(shù)據(jù)所含的信息量；（2）評估多源數(shù)據(jù)聯(lián)合包含的信息量；（3）評估某種數(shù)據(jù)所含的信息量有多少可通過其它數(shù)據(jù)推導(dǎo)出來；（4）評估多源數(shù)據(jù)包含的重復(fù)信息量[23]。在已有研究中，科學(xué)家們提出了邊際熵（Marginal entropy）、聯(lián)合熵（Joint entropy）、相對熵（Relative entropy）、交叉熵（Cross entropy）、轉(zhuǎn)移信息（Transinformation）和全相關(guān)性（Total Correlation）等概念，并在水文觀測站設(shè)計等問題中得以應(yīng)用[23-24]。然而，已有的信息理論在處理多源大數(shù)據(jù)時是不足的。Calude等[25]證實當數(shù)據(jù)集過大時會出現(xiàn)任意的、無意義的相關(guān)性，導(dǎo)致“偽相關(guān)泛濫”問題，從而產(chǎn)生數(shù)據(jù)越多越難提取有效信息的現(xiàn)象。不同于推薦系統(tǒng)、廣告領(lǐng)域的大數(shù)據(jù)技術(shù)，灌區(qū)的多源大數(shù)據(jù)包含復(fù)雜的物理關(guān)系，如土壤含水量與熱紅外、微波反射時間和振幅等數(shù)據(jù)存在特定的但又具有一定不確定性的物理關(guān)系。由于相關(guān)性不等同于因果關(guān)系[4]，筆者認為在多源大數(shù)據(jù)分析過程，新的信息理論應(yīng)服從于自然界固有的因果關(guān)系，尤其對于包含眾多變量和管理目標的復(fù)雜系統(tǒng)。在多源大數(shù)據(jù)分析中考慮這些物理關(guān)系的約束，有利于解譯出更有價值的信息?？偠灾?，灌區(qū)大數(shù)據(jù)的信息理論尚不完善，缺乏系統(tǒng)的理論分析和相應(yīng)的實驗研究。下文第3節(jié)將從模型的角度進一步論述該點的重要性。

由被動觀測轉(zhuǎn)變?yōu)橹鲃佑^測是未來趨勢，即根據(jù)管理需求，系統(tǒng)自主調(diào)整衛(wèi)星軌道、高度和角度，觸發(fā)無人機自動巡測，以及自主調(diào)整地面觀測設(shè)備的高度、角度和位置，實現(xiàn)有針對性的觀測。實現(xiàn)該功能的最大難點在于如何評估擬采集數(shù)據(jù)所包含的信息能在多大程度幫助系統(tǒng)實現(xiàn)預(yù)定的管理目標。因此，新的信息理論也是主動觀測的基礎(chǔ)理論，從而可以科學(xué)地評估和預(yù)判觀測數(shù)據(jù)價值。

在數(shù)據(jù)解譯方法上，傳統(tǒng)的統(tǒng)計方法、機器學(xué)習(xí)方法以及深度學(xué)習(xí)方法均有廣泛應(yīng)用。深度學(xué)習(xí)技術(shù)近期獲得廣泛關(guān)注，在灌區(qū)相關(guān)問題上已有初步的成果，如植被分類[26-27]、降雨降雪估計[28]、太陽輻射計算[29]、物候估計[30]、產(chǎn)量估計[31]、水位計算[32]和溶質(zhì)參數(shù)估計[33]等。為同時利用多源數(shù)據(jù)，學(xué)者們提出多種改進的深度學(xué)習(xí)架構(gòu)，如Yang等[31]提出了一種雙支深度神經(jīng)網(wǎng)絡(luò)，分別解譯可見光和多光譜數(shù)據(jù)；Yang等[30]以熱時間作為輔助數(shù)據(jù)來約束卷積神經(jīng)網(wǎng)絡(luò)的計算結(jié)果。然而，目前的研究尚不足以支撐灌區(qū)不同尺度觀測的機器視覺技術(shù)，也無法高效解譯多源大數(shù)據(jù)，特別在超高分辨率圖像、視頻數(shù)據(jù)、超光譜圖像、多源海量數(shù)據(jù)解譯方面仍有待開發(fā)。深度學(xué)習(xí)技術(shù)在解譯數(shù)據(jù)方面雖然直接高效，但其缺乏物理可解釋性的不足有待彌補。Zhou等[33]最近通過深度卷積神經(jīng)網(wǎng)絡(luò)建立了含水層水力參數(shù)與宏觀彌散度的映射關(guān)系，避免了密集觀測水頭和求解水流方程，極大地便捷了多孔介質(zhì)宏觀參數(shù)的推求；然而，如何在參數(shù)估計中滿足內(nèi)在的物理約束，服從連續(xù)性方程、能量方程和動量方程等基本方程值得深入研究。

3 智慧灌區(qū)的認知體系

土壤-植物-大氣連續(xù)體（SPAC）、彭曼公式、圣維南方程、謝才公式、達西定律、對流彌散方程等基本概念和方程是灌區(qū)水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化和作物生長模擬的基礎(chǔ)。目前應(yīng)用于灌區(qū)管理的軟件也眾多，包括SWAT、TOPMODEL和SHE等概念性流域水文模型，WOFOST、DS?SAT、ORYZA、EPIC和CropSyst等 作 物 模型，F(xiàn)luent、MODFLOW和HYDRUS等 水 動力學(xué) 模 型，SWAP、DRAINMOD、AquaCrop和AHC等田間水管理模型及其它等等。然而，僅對少數(shù)灌區(qū)問題（如短距離渠道輸水），模型才具有良好的精度；對于不同尺度耗水量估測、湖泊水庫河道水質(zhì)模擬、農(nóng)田水土環(huán)境模擬、地下水運動及污染物運移、多渠段復(fù)雜明滿流輸配水系統(tǒng)自動控制等眾多問題，這些概念、方法和模型仍不足以支撐灌區(qū)精準化和智能化的管理。Gupta等[34]指出，如何在復(fù)雜系統(tǒng)中調(diào)和過程模型與觀測數(shù)據(jù)已成為現(xiàn)代環(huán)境科學(xué)的關(guān)鍵問題。Savenije[35]認為模型是基于特定理論的工具，概念模型不等同于現(xiàn)實。為對灌區(qū)水量、水質(zhì)、生態(tài)實施精準管理，增強模型的現(xiàn)實性至關(guān)重要。模型與現(xiàn)實的脫鉤，也是現(xiàn)有灌區(qū)模型難以勝任精準化和智能化管理的主要原因。這種脫鉤體現(xiàn)在3個地方：（1）灌區(qū)數(shù)字化程度不足，模型運行缺乏足夠的數(shù)據(jù)支撐。讓模型在基于現(xiàn)實的數(shù)字環(huán)境中運行是灌區(qū)感知智能解決的主要問題；（2）對灌區(qū)的機理認識不足，尚未透徹地理解水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長和生態(tài)系統(tǒng)演化過程。灌區(qū)水轉(zhuǎn)化與伴生的多種過程在不同時空尺度上的機理和規(guī)律也有待深入揭示；（3）建模方法的不足。合理的模型架構(gòu)應(yīng)具有利用已知觀測來描述仍含有大量未知信息（如土壤質(zhì)地、水力性質(zhì)等）的系統(tǒng)的能力[35]。后兩點是灌區(qū)認知智能需解決的核心問題。

3.1 灌區(qū)模擬的純數(shù)據(jù)驅(qū)動方法和數(shù)據(jù)同化方法許多與灌區(qū)管理相關(guān)的模型采用了大量的假設(shè)和簡化，導(dǎo)致難以準確模擬灌區(qū)內(nèi)的各種過程。為了減弱或擺脫模型對復(fù)雜物理機制的依賴，多種數(shù)據(jù)驅(qū)動的模擬技術(shù)得以發(fā)展和應(yīng)用，包括機器學(xué)習(xí)為代表的純數(shù)據(jù)驅(qū)動方法和數(shù)據(jù)同化方法。

純數(shù)據(jù)驅(qū)動方法是指具有特定架構(gòu)的機器學(xué)習(xí)模型。這類模型通過歷史數(shù)據(jù)來構(gòu)建輸入和輸出之間的關(guān)系，從而達到直接預(yù)測的目的。在徑流模擬方面，Hsu等[36]利用非線性人工神經(jīng)網(wǎng)絡(luò)模擬降雨-徑流過程，取得了甚至優(yōu)于物理模型的精度。Jain等[37]檢驗了在人工神經(jīng)網(wǎng)絡(luò)方法在降雨-徑流模擬中保留物理機理的能力。后續(xù)研究者還結(jié)合了多種不同機器學(xué)習(xí)方法來進一步改進徑流模擬[38-39]。在灌區(qū)耗水計算方面，由于蒸散發(fā)物理過程復(fù)雜，數(shù)學(xué)模型形式眾多，不同模型均存在較大的局限性。例如能量平衡模型雖物理機制明確，但能量不閉合問題、氣孔阻抗及地表粗糙長度參數(shù)化難題大大降低了模型的精度?？紤]到蒸散過程本身是一個復(fù)雜非線性的現(xiàn)象，其依賴于眾多相互影響的氣象要素，Kumar等[40]嘗試擺脫特定的模型，利用人工神經(jīng)網(wǎng)絡(luò)直接建立氣象要素與蒸散關(guān)系。在灌溉排水系統(tǒng)控制方面，也有學(xué)者采用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測溝渠水位[41]，但相關(guān)研究較少，目前主流模型還是依賴于水力學(xué)原理。可以看出，在涉及到復(fù)雜機理、多變量、多過程的問題中，純數(shù)據(jù)驅(qū)動的模型受到了更多的關(guān)注。

為彌補經(jīng)典機理模型的不足，有學(xué)者嘗試將機理模型與觀測相結(jié)合，用于提高模型的性能[34]，該過程被稱之為數(shù)據(jù)融合或數(shù)據(jù)同化。與純數(shù)據(jù)驅(qū)動方法不同的是，數(shù)據(jù)同化方法以物理過程的數(shù)學(xué)模型為基礎(chǔ)，通過融合觀測數(shù)據(jù)不斷調(diào)整模型的參數(shù)和狀態(tài)，從而獲得參數(shù)和狀態(tài)的最優(yōu)估計。數(shù)據(jù)同化方法雖已成功應(yīng)用于水文預(yù)報[42]、地下水資源管理[43]、農(nóng)田水分管理[44]等方面，但現(xiàn)有的數(shù)據(jù)同化技術(shù)依賴于物理模型，只能加入與物理模型變量對應(yīng)的觀測數(shù)據(jù)，尚無法融合多源大數(shù)據(jù)。

總而言之，隨著灌區(qū)數(shù)據(jù)的累積，特別是灌區(qū)感知智能的建立，機器學(xué)習(xí)方法在建模中會起到越來越重要的作用。盡管純數(shù)據(jù)驅(qū)動方法目前取得了一定的成功，但它屬于黑箱模型，忽略了物理過程的數(shù)學(xué)描述。對于強烈非線性問題，如果缺乏或沒有足夠多的輸出變量的歷史觀測（或觀測噪音大），機器學(xué)習(xí)方法則表現(xiàn)不佳[45]。由于缺乏極端樣本，機器學(xué)習(xí)方法通常難以捕捉小概率事件；因此，應(yīng)用純數(shù)據(jù)驅(qū)動方法管理大壩等重要建筑物具有一定風(fēng)險。相比而言，數(shù)據(jù)同化方法的機理性更強，外插效果更好。近年來，兩種不同的數(shù)據(jù)利用方法有混合的趨勢。例如，Wang等[24]最近在數(shù)據(jù)同化的框架內(nèi)，通過機器學(xué)習(xí)（高斯過程回歸）的方法將間接觀測（土壤溫度）融合到土壤含水量的估計。這種混合方法一定程度上保留了物理機制，同時避免了構(gòu)建更為復(fù)雜的物理模型，為利用多源數(shù)據(jù)提供了一種思路。相關(guān)的研究仍處于初步階段，如何避免多源大數(shù)據(jù)“偽相關(guān)泛濫”的干擾仍有待研究。第3.3節(jié)將深入論述混合方法。

3.2 灌區(qū)的物理機制挖掘方法目前絕大多數(shù)灌區(qū)相關(guān)模型都具有固定的模型結(jié)構(gòu)，即無論研究區(qū)域數(shù)據(jù)的豐富程度和物理過程的復(fù)雜程度如何，均采用具有固定結(jié)構(gòu)的模型。同時，已有研究主要通過數(shù)學(xué)方程和參數(shù)來表達物理機制。

Fenicia等[46-47]提出了一種逐步建模法，隨著觀測數(shù)據(jù)的累積不斷調(diào)整模型結(jié)構(gòu)，讓模型結(jié)構(gòu)適應(yīng)性地進化，在模型復(fù)雜度和數(shù)據(jù)量之間實現(xiàn)平衡。Clark等[48]提出了一種多假設(shè)建?？蚣?，在建模過程中考慮物理過程的不同表達形式。Bui等[49]提出用神經(jīng)模糊推理系統(tǒng)創(chuàng)造初始洪水風(fēng)險模型，并通過元啟發(fā)算法優(yōu)化模型。目前已有多種機器學(xué)習(xí)方法（包括稀疏回歸、高斯過程和人工神經(jīng)網(wǎng)絡(luò)方法等）從數(shù)據(jù)反向推理常微分和偏微分方程。但是，在實際問題中挖掘物理機理面臨著眾多挑戰(zhàn)[50]，例如：如何處理大噪音和異常數(shù)據(jù)，如何處理來自不同實驗環(huán)境的數(shù)據(jù)，以及如何在沒有觀測數(shù)據(jù)的區(qū)間內(nèi)進行外插等。在復(fù)雜的灌區(qū)系統(tǒng)中，數(shù)據(jù)大多來源于非控制性的環(huán)境，數(shù)據(jù)的噪音通常也是未知的，物理機制的反向推理尤其困難。

借助機器學(xué)習(xí)技術(shù)和新的建模思路推理物理機制、自動構(gòu)建灌區(qū)某些過程描述方法或針對調(diào)控目標自主制定決策模型應(yīng)是灌區(qū)認知智能的重要組成部分。在灌區(qū)感知智能成熟的前提下，監(jiān)測系統(tǒng)可以在不同尺度上收集灌區(qū)的各類數(shù)據(jù)，能否利用這些數(shù)據(jù)，結(jié)合物理方程挖掘技術(shù)和建模方法，來重新理解灌區(qū)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化規(guī)律；能否在灌區(qū)各類錯綜復(fù)雜的因果關(guān)系未知或部分已知的條件下，建立具有更加完整機制的模型或根據(jù)數(shù)據(jù)自動調(diào)整模型結(jié)構(gòu)，提高模擬和預(yù)測精度，特別是改善觀測數(shù)據(jù)區(qū)間之外的預(yù)測能力。相關(guān)的研究非常欠缺。

3.3 灌區(qū)的混合認知智能針對真實的灌區(qū)系統(tǒng)，現(xiàn)有的各種模型均不具備完整的物理機制，也難以精準預(yù)測灌區(qū)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長和生態(tài)系統(tǒng)演化規(guī)律。以SPAC系統(tǒng)為例，從概念化物理過程的角度來說，目前SPAC系統(tǒng)使用到的經(jīng)典理論本身（如彭曼公式、Richards方程、對流彌散方程等）還難以描述自然界復(fù)雜的、完整的物理機制，原因包括三個方面：（1）在建模過程中，需要對土壤、水分、溶質(zhì)、冠層等研究對象做理想性的概化。孔隙率、多孔介質(zhì)理想流體、葉面積指數(shù)（LAI）等統(tǒng)計性質(zhì)的概念雖便于方程和模型的建立，但也可能削弱模型中物理問題的真實性。（2）SPAC系統(tǒng)側(cè)重于刻畫土壤水運動、蒸散發(fā)、光合作用、干物質(zhì)累積和分配等過程，而忽略或簡化了很多其它過程。例如，現(xiàn)有模型大多采用簡化的函數(shù)來描述作物根系分布，而很難考慮根系趨水、趨肥、趨氧和趨溫的生長特征。（3）農(nóng)田中各個過程受到眾多因素的影響，而在構(gòu)建模型的過程中無法考慮所有因素與模型輸出之間的因果關(guān)系。例如，微氣象對農(nóng)田耗水具有重要影響，但由于監(jiān)測難度大，現(xiàn)有模型大多忽略了田間的微氣象條件。鑒于灌區(qū)環(huán)境的復(fù)雜性和時空變異性，現(xiàn)有灌區(qū)模型在還存在諸多不足，經(jīng)常出現(xiàn)模型愈復(fù)雜、預(yù)測能力愈差的現(xiàn)象。

建立包含所有物理機制的過程模型是很困難的。在灌區(qū)各類錯綜復(fù)雜的因果關(guān)系未知或部分已知的條件下，應(yīng)建立非完整先驗物理機制下的灌區(qū)模型，降低灌區(qū)系統(tǒng)模擬精度對模型結(jié)構(gòu)完整性的依賴，在提高模擬精度的同時放寬建模要求。Reichstein等[51]認為物理過程建模（理論驅(qū)動）與機器學(xué)習(xí)建模（數(shù)據(jù)驅(qū)動）過去往往被看成是兩個領(lǐng)域；前者外推能力強，后者更靈活可發(fā)現(xiàn)新規(guī)律，兩者可以互為補充。鑒于物理機制的重要性以及直接從數(shù)據(jù)發(fā)掘復(fù)雜物理機制的巨大難度，數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)可能不會替代物理模型，但會起到補充和豐富的作用，最終構(gòu)成認知系統(tǒng)的混合智能。

近年來，越來越多學(xué)者將物理過程模型與數(shù)據(jù)驅(qū)動模型結(jié)合到一起，以提高模型的可解釋性、改善預(yù)測精度。目前已有多種不同的混合策略。例如，Young等[52]結(jié)合了過程模型（HEC-HMS）與支持向量機，用于預(yù)測降雨-徑流過程；Zhang等[53]在數(shù)據(jù)同化的框架內(nèi)，結(jié)合了集合卡爾曼濾波與高斯過程，提高了土壤含水量的預(yù)測精度。有些學(xué)者僅對物理模型的參數(shù)實施機器學(xué)習(xí)，保留物理過程模型的數(shù)學(xué)描述。例如，蒸散模型中的許多參數(shù)有明確的物理意義，但缺乏精準的量化方案（如地表粗糙長度）；Chaney等[54]利用極端隨機樹方法對地表粗糙長度模型的參數(shù)進行估計，從而在原始物理框架下改進蒸散精度。Hu等[55]利用隨機森林、神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)技術(shù)，直接建立地表粗糙長度與相關(guān)變量之間的關(guān)系，從而克服了地表粗糙長度物理模型自身的不確定性。

總而言之，觀測數(shù)據(jù)是若干因素在現(xiàn)實世界的綜合表現(xiàn)。在控制實驗中（固定某些因素），通過數(shù)據(jù)分析來發(fā)現(xiàn)物理機理是較易的；但在灌區(qū)這樣的復(fù)雜系統(tǒng)中，特別是在多因素共同作用下，如何發(fā)掘新的物理機理仍有待研究。筆者認為灌區(qū)的混合認知智能是指構(gòu)建出新的模型架構(gòu)，一方面自主發(fā)掘物理機理，另一方面利用已知觀測（灌區(qū)的數(shù)字實現(xiàn)）準確模擬仍存在固有未知信息的灌區(qū)內(nèi)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長和生態(tài)系統(tǒng)演化，準確評估管理行為的效應(yīng)和效益，實時調(diào)整管理行為，提高完成調(diào)控目標的概率。

針對灌區(qū)復(fù)雜系統(tǒng)來說，混合認知智能需解決如下問題：（1）當灌區(qū)錯綜復(fù)雜的因果關(guān)系未知或僅僅部分已知時，以不犧牲模擬精度為前提放松對建模的要求，建立非完整先驗物理機制的灌區(qū)水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長和生態(tài)系統(tǒng)演化模型；（2）結(jié)合基于機器學(xué)習(xí)的物理方程挖掘技術(shù)和數(shù)據(jù)同化技術(shù)，提出基于“數(shù)據(jù)-物理”混合策略的灌區(qū)建模方法；（3）現(xiàn)有模型大多具有固定的模型結(jié)構(gòu)；鑒于灌區(qū)的很多環(huán)境要素是未知的、難以觀測的，固定的模型結(jié)構(gòu)會導(dǎo)致模型無法進化，無法適應(yīng)于特定的使用環(huán)境[35]。需根據(jù)數(shù)據(jù)、環(huán)境和目標為模型自動設(shè)定適宜復(fù)雜度，讓模型結(jié)構(gòu)具有數(shù)據(jù)、環(huán)境和目標適應(yīng)性，提高模型的適用性；（4）為混合認知智能建立相應(yīng)的基礎(chǔ)理論支撐。由于機器學(xué)習(xí)本身的理論限制，能否為“數(shù)據(jù)-物理”混合方法建立嚴謹?shù)睦碚摶A(chǔ)，決定了混合認知智能是一種描述自然界因果關(guān)系的新方式還是說僅僅是一種實用性技術(shù)。

大數(shù)據(jù)為科學(xué)研究和工程應(yīng)用提供了新的機遇，但在大數(shù)據(jù)時代，純數(shù)據(jù)驅(qū)動的方法能否完全取代具備物理意義的理論，數(shù)據(jù)的相關(guān)性能否取代因果關(guān)系，在學(xué)術(shù)界存在巨大的爭議[25]。筆者認為因果關(guān)系超越相關(guān)性，水利學(xué)科的基本理論模型是該學(xué)科主要因果關(guān)系的數(shù)學(xué)表達，基于大數(shù)據(jù)的模型應(yīng)首先服從已有的基本理論、方程和因果關(guān)系，并通過發(fā)掘和描述新的因果關(guān)系來形成高級智能（干預(yù)能力和反事實能力）。物理與機器學(xué)習(xí)的混合是灌區(qū)感知和認知智能的合理實現(xiàn)途徑。但從更長遠的角度來看，物理和數(shù)據(jù)之間的能力界限可能會逐漸模糊。

需要特別強調(diào)的是，當數(shù)據(jù)集不夠大時（即所謂的小數(shù)據(jù)問題），物理機制的作用會尤其重要。鑒于小數(shù)據(jù)問題在灌區(qū)系統(tǒng)中的普遍性（例如在地下水資源管理中，參數(shù)、水量、水質(zhì)的觀測數(shù)據(jù)通常都有限），如何利用物理機制并基于小數(shù)據(jù)來構(gòu)建認知智能也應(yīng)予以關(guān)注。

3.4 智慧灌區(qū)管理決策與認知和感知智能的關(guān)系現(xiàn)有灌區(qū)決策系統(tǒng)能夠在相對簡單的任務(wù)上實現(xiàn)優(yōu)化決策（例如閘門開度的優(yōu)化控制、單一水庫灌區(qū)用水調(diào)度、以增產(chǎn)為目標的灌溉決策等），但對復(fù)雜問題（例如多水源灌區(qū)的用水調(diào)度、多目標決策等）進行智能化決策面臨諸多困難。由于灌區(qū)系統(tǒng)的復(fù)雜性和不確定性，面向抗旱、防洪、排澇、排漬、控污等多個目標的智能優(yōu)化決策極具挑戰(zhàn)性。這主要是因為難以準確量化管理決策與灌區(qū)狀態(tài)變量（即水分、鹽分、養(yǎng)分、污染物、作物和生態(tài)系統(tǒng)的狀態(tài)）之間的復(fù)雜關(guān)系，經(jīng)濟、環(huán)境與生態(tài)效益難以均衡，以及問題規(guī)模龐大。優(yōu)化管理決策的主要優(yōu)化方法包括線性規(guī)劃、非線性規(guī)劃、動態(tài)規(guī)劃等經(jīng)典方法，遺傳算法、粒子群算法等進化算法，以及強化學(xué)習(xí)方法等。就處理復(fù)雜優(yōu)化問題的能力來看，進化算法不依賴于目標函數(shù)的梯度信息，適用于處理灌區(qū)這類龐大的非線性問題[56]。深度強化學(xué)習(xí)是傳統(tǒng)強化學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的結(jié)合，近年來受到廣泛關(guān)注，但在灌區(qū)管理決策上的研究仍為空白。

灌區(qū)觀測系統(tǒng)和認知體系的完善分別從數(shù)據(jù)和基礎(chǔ)模型方面為灌區(qū)決策系統(tǒng)提供了更好的支撐。灌區(qū)的環(huán)境感知系統(tǒng)可為智慧決策提供當前的狀態(tài)，而認知智能可更好評價決策效果。然而，為對水源、溝渠、建筑物、田間等實體進行調(diào)控，實現(xiàn)水量、水質(zhì)和生態(tài)的最優(yōu)化管理，并逐漸形成系統(tǒng)自主制定管理決策的能力，可能面臨以下挑戰(zhàn)：（1）灌區(qū)管理優(yōu)化方案的確立相當復(fù)雜，涉及到工業(yè)、農(nóng)業(yè)、生活、生態(tài)、環(huán)境多目標協(xié)同，通常由多地區(qū)、多部門、多行業(yè)參與，優(yōu)化規(guī)則的確立相當復(fù)雜。例如，灌區(qū)用水決策可能涉及到成千上萬個農(nóng)田管理者、渠道管理者、水庫管理者，以及農(nóng)業(yè)和環(huán)境部門人員等，不同決策者想達到目標也不盡相同，這樣導(dǎo)致多目標Pareto解集難以生成，即使生成后也難以決策。如何對決策參與者眾多、目標多樣的管理行為進行優(yōu)化仍有待研究；（2）灌區(qū)的認知和感知智能建立并不能消除灌區(qū)決策過程中固有的隨機性和不確定性。即使灌區(qū)認知體系為決策過程提供了更為準確的約束條件，決策優(yōu)化過程仍面臨著如何獲取全局最優(yōu)解的挑戰(zhàn)，特別是實時動態(tài)決策。與此同時，對于龐大的灌區(qū)系統(tǒng)，評價決策對環(huán)境影響以及相應(yīng)管理行為為不同決策者帶來的效益可能需要消耗巨大的計算成本；（3）根據(jù)管理目標的不同，灌區(qū)管理將是多種決策優(yōu)化方法并存的局面；但核心難題仍在于建立一套決策系統(tǒng)，可以勝任整個灌區(qū)尺度上的水量、水質(zhì)和生態(tài)的最優(yōu)化管理；（4）具備從歷史數(shù)據(jù)中逆向提取優(yōu)化灌溉、排水等方案的能力，從而提高在復(fù)雜系統(tǒng)中的決策優(yōu)化能力；（5）具備專家知識和經(jīng)驗與計算機決策相結(jié)合的能力；（6）基于強化學(xué)習(xí)算法，決策系統(tǒng)在與真實環(huán)境和虛擬模型的不斷交互中獲取經(jīng)驗，而不需要假設(shè)經(jīng)典馬爾科夫決策過程中狀態(tài)轉(zhuǎn)移概率方程的先驗知識，以降低其對歷史數(shù)據(jù)的依賴，以非監(jiān)督方法改善決策系統(tǒng)的決策能力。

4 結(jié)論

智慧灌區(qū)的發(fā)展一方面依賴于新型基礎(chǔ)設(shè)施（如高通量觀測設(shè)備、數(shù)據(jù)中心和各種智能設(shè)備等）的建設(shè)；另一方面依賴于計算能力的突破和先進算法和模型的研發(fā)，以及算法、模型與數(shù)據(jù)中心、灌區(qū)設(shè)備的連接；再一方面仍依賴于基礎(chǔ)學(xué)科研究，特別是以農(nóng)田水利學(xué)、水文學(xué)、力學(xué)、作物學(xué)、遙感學(xué)等學(xué)科為基礎(chǔ)，使人工智能在解讀灌區(qū)因果關(guān)系上具有更高精度。在灌區(qū)感知智能方面，以多源大數(shù)據(jù)技術(shù)為手段，精準、實時識別灌區(qū)特征，并逐漸開發(fā)主動觀測功能；需要建立大數(shù)據(jù)環(huán)境下的信息理論，用以支撐多源海量數(shù)據(jù)的解譯和分析。在灌區(qū)認知智能方面，擺脫對復(fù)雜物理機理描述的過度依賴，開發(fā)“數(shù)據(jù)-物理”混合型建模技術(shù)，提高模型在非完整先驗物理機制下的模擬和預(yù)測能力，讓模型具有適宜復(fù)雜度和相應(yīng)的模型結(jié)構(gòu)，同時為混合認知智能建立“數(shù)據(jù)-物理”混合方法的理論基礎(chǔ)。在灌區(qū)決策方面，需研發(fā)針對眾多決策參與者、目標函數(shù)多樣的智能決策系統(tǒng)，實現(xiàn)整個灌區(qū)尺度上的水量、水質(zhì)和生態(tài)的最優(yōu)化管理。

與目前主流的人工智能技術(shù)不同，智慧灌區(qū)的底層是一種混合智能，是多源大數(shù)據(jù)技術(shù)的成熟形式，是觀測系統(tǒng)與管理設(shè)施的協(xié)作，是物理機制和數(shù)據(jù)的融合，也是管理決策與灌區(qū)感知和認知的結(jié)合。本文的觀點雖主要圍繞智慧灌區(qū)來論述，但對其它學(xué)科的智能研究也有一定的參考作用。

致謝：感謝武漢大學(xué)楊金忠、王修貴、胡鐵松、黃介生、崔遠來、曾玉紅、劉德地、管光華、常劍波教授，中國農(nóng)業(yè)大學(xué)任理教授給與的指正和建議。