楊家瑩

（云南師范大學(xué)，云南 昆明 650500）

0 引言

湖泊儲(chǔ)備了地球上的大部分淡水資源，為生態(tài)系統(tǒng)的生物多樣性提供服務(wù)。湖泊生態(tài)環(huán)境不僅關(guān)系到區(qū)域生態(tài)環(huán)境的質(zhì)量，而且關(guān)系到城市的可持續(xù)發(fā)展。在過去的30年里，隨著中國城市化和工業(yè)化的快速發(fā)展，不透水表面積顯著增加。不透水表面的增加阻礙了城市污水的向下滲透，直接流入到城市湖泊，加重了湖泊的富營養(yǎng)化程度。富含化學(xué)物質(zhì)的生活廢水和工業(yè)廢水依次排入河流，不易降解。湖泊經(jīng)過長(zhǎng)時(shí)間積累，生態(tài)環(huán)境遭到破壞。

中國的湖泊眾多，共有兩萬多個(gè)，長(zhǎng)江中下游東部季風(fēng)區(qū)分布著中國最大的淡水湖群，西部以青藏高原咸水湖較為集中，自20世紀(jì)50年代以來，湖泊富營養(yǎng)化程度加重，其中太湖、巢湖、滇池等12個(gè)湖泊處于重度富營養(yǎng)化狀態(tài)。水環(huán)境的質(zhì)量監(jiān)管和預(yù)測(cè)是水資源合理利用的前提，水質(zhì)評(píng)價(jià)的方法是水環(huán)境監(jiān)管的關(guān)鍵，了解水質(zhì)現(xiàn)狀，預(yù)測(cè)水質(zhì)未來發(fā)展，為水環(huán)境的管理和治理提供有據(jù)可依的可用方法。

機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域的重要分支被廣泛應(yīng)用到各個(gè)領(lǐng)域。2019年1月，人工智能技術(shù)在Nature Medicine雜志上的應(yīng)用報(bào)道認(rèn)為機(jī)器學(xué)習(xí)作為人工智能技術(shù)的代表輔助臨床醫(yī)學(xué)診斷，在中醫(yī)領(lǐng)域的應(yīng)用處于初步階段[1]。20世紀(jì)80年代，隨著機(jī)器學(xué)習(xí)技術(shù)的不斷成熟在極端天氣領(lǐng)域的應(yīng)用取得了不少突破[2]。人工智能誕生時(shí)間之久，但在游戲領(lǐng)域并未深入的發(fā)展，直到機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展，基于機(jī)器學(xué)習(xí)的人工智能技術(shù)對(duì)游戲設(shè)計(jì)、角色智能化設(shè)定都帶來了變化和影響[3]。

水質(zhì)參數(shù)包括湖泊水溫、pH、溶解氧、高錳酸鉀指數(shù)、化學(xué)需氧量、氨氮、總磷、總氮、透明度和葉綠素a等因子。如何準(zhǔn)確獲取水質(zhì)參數(shù)并對(duì)其做出評(píng)價(jià)成為學(xué)者們研究的熱點(diǎn)，有人以物聯(lián)網(wǎng)技術(shù)為基礎(chǔ)，使用無線傳感器對(duì)水質(zhì)進(jìn)行監(jiān)測(cè)，以獲取實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)；有人使用高精度衛(wèi)星遙感反演對(duì)湖庫的水質(zhì)參數(shù)數(shù)據(jù)進(jìn)行評(píng)估，實(shí)現(xiàn)大范圍的動(dòng)態(tài)監(jiān)測(cè)，克服傳統(tǒng)監(jiān)測(cè)方法中的不足；評(píng)價(jià)水質(zhì)參數(shù)的方法也有很多種，綜合指數(shù)法、模糊數(shù)學(xué)法等數(shù)學(xué)模型，傳統(tǒng)的方法沒法很好的解釋評(píng)價(jià)指標(biāo)與水質(zhì)之間的復(fù)雜關(guān)系，神經(jīng)網(wǎng)絡(luò)技術(shù)被應(yīng)用到水質(zhì)評(píng)價(jià)當(dāng)中，為水環(huán)境的綜合評(píng)價(jià)提供有效的方法，常用的方法有支持向量機(jī)（SVM）、反向人工神經(jīng)網(wǎng)絡(luò)（BPANN）。

武國正以烏梁素海為例，使用支持向量機(jī)的方法對(duì)湖泊富營養(yǎng)化程度進(jìn)行了評(píng)價(jià)，對(duì)水質(zhì)未來的發(fā)展趨勢(shì)進(jìn)行了預(yù)測(cè)，同時(shí)還比較了線性回歸、BP神經(jīng)網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)，研究結(jié)果表明精度較好，結(jié)果可行[4]。謝宏斌用BP算法對(duì)南湖水質(zhì)的富營養(yǎng)化的程度進(jìn)行了綜合評(píng)價(jià)[5]。

湖泊水溫作為湖泊生態(tài)環(huán)境最重要的指標(biāo)，可以用來了解和揭示水質(zhì)各因素之間的變化，為湖泊生態(tài)環(huán)境的控制和改善提供依據(jù)。近幾十年來，遙感在水體方面的應(yīng)用十分廣泛，通過對(duì)遙感圖像的分析可以得到水深、水溫和水污染等信息。但由于重訪周期長(zhǎng)、傳感器故障以及云雨等影響，極大地限制了遙感影像的使用，就精度而言，遙感技術(shù)的應(yīng)用有著較大的局限性。

1 在湖泊表面水溫方面的研究

運(yùn)用衛(wèi)星遙感技術(shù)快速準(zhǔn)確地獲取大面積、長(zhǎng)時(shí)間序列的溫度，順應(yīng)當(dāng)前科學(xué)研究的發(fā)展。目前常用的遙感影像有MODIS和LANDSAT系列數(shù)據(jù)。劈窗算法被用來從MODIS和NOAA/AVHRR中反演海面溫度和地表溫度，針對(duì)Landsat8 TIRS數(shù)據(jù)提出了一種物理單通道地表溫度反演算法。這些算法都是通過獲取相關(guān)參數(shù)，形式基本相同，不同的是獲取參數(shù)的方式和計(jì)算方法。反演算法中的物理參數(shù)，由于其中的關(guān)系和相互作用很難描述清楚，在方程被簡(jiǎn)化的過程中降低了反演精度[6]。

隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)方法已經(jīng)被廣泛應(yīng)用到湖泊水溫的研究中，溫度反演精度得到了提升。毛克彪等人提出了一種利用輻射傳輸模型（MODTRN）和深度動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)（NN）反演地表溫度的組合方法，提高了精度，克服了MODIS產(chǎn)品算法的缺陷[7]；楊昆等人提出一種支持向量機(jī)（SVR）、主成分分析法（PCA）及反向傳播人工神經(jīng)網(wǎng)絡(luò)（BPANN）的組合預(yù)測(cè)模型，實(shí)現(xiàn)了滇池水溫的歷史過程重現(xiàn)及未來趨勢(shì)的模擬，是一個(gè)誤差低、泛化高的綜合預(yù)測(cè)性能模型[8]；姜英超將遙感技術(shù)和深度學(xué)習(xí)技術(shù)相結(jié)合，研究基于深度神經(jīng)網(wǎng)絡(luò)的海水表面溫度反演模型，將其結(jié)果與傳統(tǒng)的反演結(jié)果進(jìn)行精度對(duì)比，證明了基于深度學(xué)習(xí)所建立模型的可行性和優(yōu)越性[9]。深度學(xué)習(xí)方法在溫度反演研究中的應(yīng)用為探究溫度變化具有一定的實(shí)用價(jià)值。

2 在湖泊水質(zhì)方面的研究

我國很多江河湖泊和水庫都有著不同程度的水華現(xiàn)象，國家為改善生態(tài)環(huán)境質(zhì)量投入了大量的精力。全國建有兩千多個(gè)環(huán)境監(jiān)測(cè)站，初步形成了水環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)，為水環(huán)境管理提供良好的基礎(chǔ)。但由于監(jiān)測(cè)站點(diǎn)的傳統(tǒng)監(jiān)測(cè)方法很難實(shí)現(xiàn)水環(huán)境的動(dòng)態(tài)監(jiān)測(cè)，且成本較大，站點(diǎn)出現(xiàn)的時(shí)間較短，無法滿足長(zhǎng)時(shí)間序列水質(zhì)研究，遙感技術(shù)能夠大范圍的監(jiān)測(cè)水環(huán)境質(zhì)量狀況及其動(dòng)態(tài)變化。姜晟等人使用MODIS 1B遙感影像結(jié)合NDVI算法，獲取了太湖地區(qū)水華空間分布變化信息[10]；由于遙感影像噪音較大，學(xué)者們?yōu)榱私鉀Q水華預(yù)測(cè)問題，能夠有針對(duì)性地采取措施，有很多基于深度學(xué)習(xí)的模型被廣泛提出。劉云翔和吳浩在2018年提出了基于隨機(jī)森林算法的水華預(yù)警模型，根據(jù)葉綠素a的濃度判斷水華是否發(fā)生，以太湖為研究區(qū)進(jìn)行分析，解決了傳統(tǒng)預(yù)警方法中穩(wěn)定性差和過度擬合的問題，認(rèn)為總磷和總氮是相對(duì)重要的影響湖泊水質(zhì)的影響因子[11]；徐逸等人基于太湖實(shí)測(cè)葉綠素a濃度數(shù)據(jù)比較了4種機(jī)器學(xué)習(xí)模型性能（隨機(jī)森林，RF；支持向量機(jī)，SVR；反向傳播人工神經(jīng)網(wǎng)絡(luò)，BPANN；深度學(xué)習(xí)，DL），比較了各模型精度、穩(wěn)定性及魯棒性，為研究湖泊水質(zhì)參數(shù)提供借鑒[12]。

人工智能技術(shù)除了在水質(zhì)參數(shù)獲取方面被廣泛應(yīng)用，在水環(huán)境質(zhì)量評(píng)價(jià)方面也被廣泛使用。曹偉基于改進(jìn)的PSO_BP神經(jīng)網(wǎng)絡(luò)算法對(duì)洱海的入湖河流-永安江的水質(zhì)進(jìn)行了研究，對(duì)比了主成分分析法和BP神經(jīng)網(wǎng)絡(luò)[13]。

3 結(jié)語

從20世紀(jì)50年代開始，人工智能經(jīng)歷了幾次寒冬，每一個(gè)十年，創(chuàng)新和發(fā)現(xiàn)都不斷改變著人們對(duì)人工智能領(lǐng)域的基本認(rèn)識(shí)，推動(dòng)著人工智能不斷發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的出現(xiàn)，將人工智能推向高潮。人們將機(jī)器學(xué)習(xí)的方法廣泛應(yīng)用到各個(gè)領(lǐng)域。目前，神經(jīng)網(wǎng)絡(luò)、LSTM、支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)的方法已經(jīng)被普遍運(yùn)用到水質(zhì)和大氣PM2.5的預(yù)測(cè)模型研究中，但在水溫預(yù)測(cè)方面還略有空缺，不夠完善。