近日,我校长江院直伟教授在《Nature Water》发表了“Deep learning for water quality”的研究成果,系统总结了深度学习方法相对于传统方法的优势和局限性,并指出其作为一种新兴且不可或缺的方法,在克服传统挑战和发现水科学新知识方面的巨大潜力。随着人工智能(AI)和深度学习(DL)在水文和环境科学领域的飞速发展,它们为水质分析和预测提供了新的视角和方法。从二战时期图灵机的应用到最近在深度学习领域的突破,AI已经彻底改变了我们处理和分析数据的方式。水质预测的复杂性首先源于数据的稀缺性。与流量数据相比,水质数据往往更为稀疏、不连续,且在时间、空间和频率上的覆盖也更为有限(图1)。其次,水质数据的采集往往无法捕捉到完整的流量变化范围(例如洪峰期间),导致在水质建模时常出现偏差。传统基于统计和物理过程的模型在预测水质时常常力不从心。然而,深度学习技术的出现为解决这一难题提供了可能。图1.全球监测站点的发展历程和数据分布。(a)水文站点和径流数据和(b)水质站点和代表性的水质变量。深度学习因其“黑箱”的特性而受到批评:算法仅提供输入和输出间最佳匹配,却无法解释内部