人工智能（Artificial Intelligence）被普遍认为是一种新的“通用目的”技术，如同轮子、印刷、电力、汽车、互联网一样，横跨整个经济的多种用途，将给很多行业带来不同程度的变革。AI在互联网已经被广泛采用，复杂的后台是为了给用户提供简单的个性化交互；AI在药品研发、辅助诊疗等领域的价值已经初现端倪，疫情又加速了这个领域的变革。当然，新技术的发展大都遵循技术成熟度曲线，会有期望膨胀期、泡沫破灭期，之后逐渐爬升复苏趋于成熟，AI同理。对任何行业来讲，需要真正找到AI技术所能带来的或深或浅的变化并矢志不渝逐步落地。作为一个古老的学科，在水利水务水环境领域AI能够带来什么样的价值，下面提供我们和一些行业同仁共同的思考。
.png)
感知是水利水务水环境领域最大的痛点。无论是水量包括水位和流量监测，还是水质包括排口和断面监测，还是监管包括工程和河湖管理，无论是使用各类传感器，还是使用人工，都面临巨大的难点。传感器投资成本高，维护专业，耗损严重，即便坏了很多时候也不知道，而需要监测的点位分布广泛数量众多，为了做到时空相对连续的准确泛在监测很不现实。使用人工能够显著补充传感器的不足，但地域广泛，人力不足。做AI的人都知道，摄像头是一个重要的低成本方案，已经在交通、安防等领域普遍采用，把摄像头作为一个通用传感器，赋予AI能力，打造端边云的视觉传感方案，具有投资成本低、维护简单、耗损可控、一图识多言、可自学习的特点，即便识别不准也可以远程人工调取视频确认。大家也知道，很多物理生物化学现象很难被视觉所感知，而机器视觉也做不到人的视觉能轻易完成的很多任务。
问题来了，水行业中存在的感知问题，能否因为AI的出现迎刃而解？
水量的角度看，水位和流速场是两个重要的维度。对水位而言，现在通用的做法是通过物理量来换算，比如气泡压力、电导率等，但水位本质上是个长度的概念，完全可以通过视觉测量，即通过AI摄像头测量水面线在水尺的位置来计算。除了要解决在黑夜、雨雾等特殊天气的精度问题，还要考虑水尺变脏、变模糊、被冲毁、绝对水位等场景，通过技术攻关和产品设计，利用水尺和摄像头的组合实现水位的时空相对连续的泛在监测，并在一些场景下通过水位流量曲线估计流量。水尺将在内涝积水测量、水文测量、取排水口获得广泛的应用，尤其是帮助解决城市内涝管理、中小河流、中小水库、水资源、水环境等现在面临的突出问题。流速场测量是水文工作的一个重要组成部分，任务艰巨，如何通过摄像头测量光影在水体表面的表面流速场，哪怕会碰到风速、光照等环境的影响，这种相对简单的非接触式的测量方法仍然受到水文工作者的高度期待，尤其是洪水和应急场景。
水质的角度看，对入河排口和工业排口实现监测才能从源头上解决水环境污染问题，而排口众多分布广泛，排水行为复杂，包括排口流量有无、流量多少、颜色形态、化学指标、生物指标、人员入侵等，使用在线监测设备的话建设和维护成本巨大。如何通过AI使得摄像头包括多光谱摄像头成为每个排口行为观测的眼睛，成为一个重要的潜在选择，并和自动采样装置联动，在告警时自动采样作为证据以供后续化验和执法。单单实现排口流量有无这一个功能就已经受到监管者的欢迎，减轻巡查工作量，及时发现偷排、雨污混接、溢流等问题。当然，无论工业排口还是入河排口形态多样问题复杂，需要通过技术攻关产品设计，真正发挥技术优势解决客户实际问题，此行任重道远。
监管的角度，AI更是能成为水资源管理的眼睛，分布广泛响应及时。与水相关的视觉技术是计算机视觉中最难的部分之一，光与水有丰富的交互，倒影、反光、透明、强光、弱光、雨雾、补光等等，很多场景下尤其是城市河道光污染非常严重，而水资源管理中需要识别的场景大多数是小概率事件，比如漂浮物、抛洒物、水体入侵等，从而导致信号弱噪音强也即信噪比低，识别难度很大。而且目前AI技术本身有其明显的局限，包括需要大量的标注数据，场景定义要非常明确等，要努力在技术可实现性、客户需求度、商业可行性中寻找交集。除此之外，闸站泵站水厂等基础设施有无人化和智能化的趋势，如何通过AI和5G等新技术分阶段赋能落地，也是个很有潜力的方向。
.png)
空天地一体的感知网络是业界普遍看好的方向。卫星遥感数据上云是大势所趋，如何提高数据可用性，缩短模型开发周期，提高目标识别、变化检测、地物分类等的效率，服务于水土保持、河湖管理等领域具有重要意义。无人机无人船能够实现连续的长距离自主巡航，随着控制精度的不断提高、恶劣环境适应性的不断增强，将会成为河湖日常和应急管理的重要手段，AI技术不仅体现在视频分析，更体现在自主行动。这些和固定摄像头一起，从点、线、面不同视角互相补充增强。对这些非结构化数据包括遥感影像、视频流进行结构化处理后，和其它传感器获取的结构化信息融合起来，共同汇聚成数据湖，供各类水利水务水环境业务使用。数据就是情报，数据的可靠性是第一位的。
预测调度业务是水利水务水环境中的核心业务，AI技术有望让现有的预报调度一体化系统再上一个新台阶。现有预报调度业务主要依赖机理模型，无论是参数率定还是其他数据挖掘工作，现有机制中并没有很好的发挥不断累积数据的价值。而且现有预报调度系统高度依赖于专家经验，方案生成的效率较低，控制粒度不够精细，据调研发现目前大部分系统中也并没有采用运筹优化方法。随着业务范围的不断扩大，无论是大型流域综合调度，还是城市水资源水环境调度，都需要对众多水利工程进行联合调度，要考虑防洪排涝、水资源、水生态、泥沙、应急等多种目标，更迫切需要机器智能与专家智慧相互补充。
首先分析数据驱动模型和机理模型的关系。从预测预警的角度看，现有的机理模型在落地中碰到众多的现实问题，包括数据准备不足、模型参数过多、计算量大等，导致理论在实践中有落地难度,精度也有待进一步提高。利用泛在监测所获得的时空相对连续的监测数据，通过数据科学和机器学习方法，对采集到的数据进行可靠性分析，建立数据驱动模型从而对水文水环境等进行黑箱或灰箱建模，这样更关心输入输出从而使得建模相对简单，也能对来自现实世界的实时监测数据进行及时有效利用从而避免理论建模带来的潜在偏差，而且能够更容易实现多源数据的融合和相互预测。据此提供的短中长期预测预警服务，能显著弥补原有机理模型存在的一些问题，并和机理模型各司其职，从而实现“预测准”。机器学习模型也存在一些关键的挑战，包括依赖于数据的可靠性，对时空连续性要求也高，另外当系统的动态特性发生变化时比如新建水利工程，需要对历史数据进行新的转化和利用。而机理模型能够基于物理、化学、生物等原理对系统的动态特性进行重新建模，相对于机器学习模型更有潜力快速适应新的变化。开发数据驱动模型，并与机理模型进行有机融合，是必然趋势。
.png)
其次分析机器智能和专家智慧的关系。作为机器智能的组成部分，数据驱动模型和机理模型相互补充，可以提高系统的精度和适应性，包括基于参数或结果对机理模型的在线校正，相似洪水识别等。可以快速给出各种目标和约束情况下的方案推荐供人决策，包括使用运筹优化方案进行方案自动迭代，使用调度规则库和知识图谱进行可行方案自动生成。机器智能擅长暴力计算，可以对复杂大规模问题进行细粒度和高频的计算从而达到更优。通过机器智能和知识管理可以实现知识和能力更有效的传承传播迭代，从而实现持续进化。与机器智能不同的是，专家智慧具有优秀的融会贯通的能力。决策会商时领导会从全流域、长时间跨度、综合各种指标来考虑问题。预测预报时，预报员需要根据经验对系统预报结果进行手工调整和修正。调度控制时，调度控制专家根据经验对突发和异常情况给出判断和建议。数据挖掘时，数据科学家要不断从数据中发现新的模式模型。专家智慧和机器智能交互融合，朝精细化智能化发展，实现“预测准”和“调度准”。
特别的，知识图谱将在水利水务水环境业务中将扮演越来越重要的角色。流域、河网、管网本身就是网状结构，与之相关的知识是一个更复杂的网络，而知识图谱的“实体、属性、关系”非常适合表达这样的网状关系。知识图谱已经被广泛的应用于互联网、诊疗、呼叫中心等领域，包括搜索、推荐、问答、自动文本生成等，它擅长于就复杂问题给顶尖专家提供知识赋能，也擅长于作为载体把顶尖专家的能力传递给普通从业者。而防洪排涝、水环境、水生态等很多问题，需要广泛的知识和复杂的推理，顶尖专家和普通从业者需要借助知识图谱作为工具。知识就是力量，应该把它们汇聚起来，让机器参与分发。
水是生命之源，任何水都是由每一滴水组成的。无论是感知水和光的复杂交互，还是认知中对水量水质的仔细推敲和精确计算，都需要我们更深入的理解水，从每一滴开始，也就更加敬畏自然。AI赋能提供了一条崭新的道路，有机会打造智慧的眼睛和大脑，感知水，用好水。 
