随着河湖水域中的监测数据日益增加，基于数据的AI/机器学习模型在水质管理中的应用前景越发广泛。虽然传统的机体模型已经被大范围应用于场景模拟与污染预测，但由于受限于复杂的生物化学动态机制，机体模型在模拟水域中的非线性过程（例如蓝藻爆发、底层水缺氧等）时会存在误差。与此同时，传统机体模型繁复的模型搭建和调参流程也很大程度地限制了其在河湖水域管理中的广泛应用。基于监测数据训练出的AI/机器学习模型可以利用自身模拟非线性过程的优势，更加准确地模拟并预测河湖中的水质变化。由此衍生出的混合机体-机器学习模型不仅在输入数据与特征数据的选择上拥有更高的灵活性，并可根据用户与场景的具体需求对模型繁复程度进行定制，同时模型的预测准确度也可实现质的提升。
01
河湖水域管理的实际应用案例
案例一
水体缺氧预测
图1
(a) Müggelsee（德国）湖底层水体含氧量的观测与模拟值比较。
(b) 观测与模拟的缺氧事件。
案例二
蓝藻爆发预测
图2
(c) & (d) Lake Erken (瑞典)湖体叶绿素含量的观测值与模拟值比较。
（e）观测与模拟的蓝藻爆发事件时间。
02
混合机体-机器学习模型简介
将AI/机器学习模型与传统机体模型进行结合也是目前河湖水域模拟的发展趋势。传统机体模型在模拟维度上具有优势，从一维到三维都有成熟的模型。而AI/机器学习模型可以搭建在这些机体模型的基础之上，更为高效地利用机体模型的输出数据，例如水温、混合深度、温跃层深度等。在蓝藻爆发预测的案例当中，由水动力机体模型产出的每日水动力参数就可以被加入特征数据 （图3），用于训练AI/机器学习模型。在实际应用中，这种混合模型能够进一步提高模型的精度与预测准确度，可对蓝藻爆发的时间和叶绿素浓度进行更好地模拟。
图3 混合机体-机器学习模型流程图
03
河湖水域管理模型的发展趋势
AI/机器学习模型在河湖水域水质模拟中展现出了较大优势。相较于传统的水质机体模型，AI/机器学习模型有着更佳的时效性，在实时预测的场景中更具应用优势。并且如果将其与水动力机体模型结合，模拟和预测的准确度可得到进一步的提升。在未来，混合机体-机器学习模型不仅仅能够运用于短期的水质预报与事件预警，为水处理设施运营应对方案制定提供更为及时与可靠的决策依据，还可以结合气候变化模型数据提供长期水域水质预测，更好地对区域性水质管理进行优化和改善。
参考文献：
Lin, S. and Pierson, D. C. and Mesman, J. P. Prediction of algal blooms via data-driven machine learning models: an evaluation using data from a well-monitored mesotrophic lake. Geosci. Model Dev., 16, 35–46, 2023 https://doi.org/10.5194/gmd-16-35-2023
• E N D •
奥科环境是全球智慧水务领先技术方案集成商与全流程技术咨询服务提供商，承接各类流体仿真/机理模型/数据模型/混合模型的工程化应用项目，覆盖数据诊断、工艺建模、运营优化与自动控制等智慧水务全流程环节。凭借核心团队在系统建模、智能算法、智能物联网、数字孪生与水务运营的深度沉淀与长期积累，奥科环境在智慧水务领域拥有系统化产品布局与深厚人才储备。如您希望获得更多智慧水务与工艺建模相关资讯，敬请关注：
奥科环境微信视频号：奥科环境云讲堂
奥科环境云讲堂Bilibili主页：space.bilibili.com/397538609
奥科环境数智加云讲堂Bilibili主页：space.bilibili.com/3493144647699130
如您对水厂数字化升级整体方案或者工艺建模有相关需求，欢迎咨询客服：
客服 | 周先生
微信号：sumoservice | |
电话：13810730166 |
更多信息请参见：
奥科环境
info@alclechina.com
+86 13810730166
长按二维码关注
