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，却无法解释内部机制，从而阻碍了对物理过程的理解。为了增加深度学习的可信度，相关领域正在研究如何将深度学习发展为透明、可解释的“玻璃箱”（图2）。可解释深度学习（XDL）旨在揭示模型决策过程中蕴含的知识和规律，可以识别影响模型预测的重要特征、关系和机理。
图2. 深度学习从“黑箱”到“玻璃箱”助力模型预测和知识发现
直伟教授为论文第一作者。成果由我校联合美国宾夕法尼亚州立大学、美国地质调查局、美国环保署和瑞士联邦水科学与技术研究所共同完成。
论文信息：Zhi, W., Appling, A.P., Golden, H.E. et al. Deep learning for water quality. Nature Water (2024). https://doi.org/10.1038/s44221-024-00202-z
