□龔 亮

（河南省巖石礦物測(cè)試中心）

1 深度學(xué)習(xí)簡(jiǎn)介

深度學(xué)習(xí)的計(jì)算模型由多個(gè)處理層組成，通過訓(xùn)練可學(xué)習(xí)多個(gè)抽象層次上的數(shù)據(jù)特征，它代表了當(dāng)前人工智能研究的主流趨勢(shì)，在計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)等領(lǐng)域帶來技術(shù)層面上的革新。

與傳統(tǒng)的機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)具有以下優(yōu)勢(shì)：模型結(jié)構(gòu)立體縱深，多層的隱層節(jié)點(diǎn)使模型內(nèi)部的訓(xùn)練過程更加復(fù)雜精密；數(shù)據(jù)特征抽象提取，經(jīng)過多層神經(jīng)網(wǎng)絡(luò)的特征變換，將數(shù)據(jù)的特征表示逐漸抽象到另一個(gè)新的特征空間，通過此方法模擬人腦的學(xué)習(xí)過程。在深度學(xué)習(xí)的實(shí)現(xiàn)過程中，建立多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定合適的計(jì)算節(jié)點(diǎn)，通過逐層迭代訓(xùn)練，即可建立輸入層到輸出層的函數(shù)關(guān)系。在調(diào)整好模型結(jié)構(gòu)及相關(guān)參數(shù)后，可實(shí)現(xiàn)模型對(duì)現(xiàn)實(shí)數(shù)據(jù)的有效模擬，從而大大減小工作量與時(shí)間成本，對(duì)復(fù)雜事務(wù)實(shí)現(xiàn)自動(dòng)化管理。

基于此，文章綜合國(guó)內(nèi)外相關(guān)研究，介紹了深度學(xué)習(xí)的基本概念與原理，從水文預(yù)報(bào)、水庫(kù)調(diào)度以及遙感圖像分類三個(gè)方面闡述深度學(xué)習(xí)在水文中的應(yīng)用現(xiàn)狀。最后，指出深度學(xué)習(xí)在水文中的應(yīng)用中存在數(shù)據(jù)稀缺性、原理可解釋性以及參數(shù)選擇等方面的不足之處，對(duì)未來研究趨勢(shì)進(jìn)行分析，以指導(dǎo)深度學(xué)習(xí)在水文應(yīng)用中的進(jìn)一步發(fā)展。

2 深度學(xué)習(xí)在水文中的應(yīng)用

2.1 水文預(yù)報(bào)

水文預(yù)報(bào)中采用的模型方法主要有三類：物理模型、概念模型以及黑箱模型，前兩者的建立要求掌握水文過程的原理，但由于水文現(xiàn)象的規(guī)律十分復(fù)雜，且許多參數(shù)難以獲取，所以很難有較好的模擬效果。此時(shí)，基于數(shù)據(jù)驅(qū)動(dòng)的黑箱模型便顯露其優(yōu)勢(shì)，只要建立合適的模型，輸入足夠多的數(shù)據(jù)，即可得出準(zhǔn)確度很高的模擬結(jié)果。

作為黑箱模型的一種，深度學(xué)習(xí)方法近年來才開始運(yùn)用到水文預(yù)報(bào)中。目前相關(guān)研究不多，主要可總結(jié)為降水預(yù)測(cè)、水庫(kù)來水預(yù)測(cè)以及降雨徑流模擬三個(gè)方面。前兩者是對(duì)一個(gè)水文因素的數(shù)據(jù)序列進(jìn)行分析，而后者需要學(xué)習(xí)兩個(gè)水文因素之間的相關(guān)關(guān)系，輸入長(zhǎng)序列的數(shù)據(jù)后，通過模型內(nèi)部逐層學(xué)習(xí)，即可較好地延展水文序列，以實(shí)現(xiàn)水文工作的需要。研究表明，多種基于深度學(xué)習(xí)方法的計(jì)算模型均可適用于水文預(yù)報(bào)領(lǐng)域，如：長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）以及深層回聲狀態(tài)網(wǎng)絡(luò)（DeepESN）、卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（ConvLSTM）等。同時(shí)，也有研究將深度學(xué)習(xí)方法進(jìn)行改進(jìn)，創(chuàng)造出更適合水文預(yù)報(bào)的獨(dú)特方法。2016 年Yun Bai 等提出了一種基于混合模型的多尺度深層特征學(xué)習(xí)（MDFL）方法來處理水庫(kù)日入庫(kù)量預(yù)測(cè)問題。首先提取數(shù)據(jù)的多尺度（趨勢(shì)、周期和隨機(jī)）特征，然后分別用三個(gè)深信度網(wǎng)絡(luò)（DBNs）表示每個(gè)DBN的權(quán)值，將其應(yīng)用于初始化神經(jīng)網(wǎng)絡(luò)（D-NN）。最后，對(duì)三個(gè)尺度的D-NNs的輸出進(jìn)行重構(gòu)，采用混合模型對(duì)三峽水庫(kù)2000—2012 年的歷史日入庫(kù)序列進(jìn)行了研究，證明該模型的效優(yōu)于傳統(tǒng)模型。該方法將深度學(xué)習(xí)的框架與多尺度、混合觀測(cè)相結(jié)合，有利于探索水庫(kù)入庫(kù)預(yù)報(bào)的復(fù)雜性質(zhì)，為水庫(kù)調(diào)度提供數(shù)據(jù)支持。但深度學(xué)習(xí)方法對(duì)水文預(yù)報(bào)的數(shù)據(jù)量及連續(xù)性有一定的要求，數(shù)據(jù)量不足或水文條件改變都會(huì)影響水文預(yù)報(bào)的效果。

2.2 水庫(kù)調(diào)度

水庫(kù)調(diào)度是受到多個(gè)變量、多重約束所影響的復(fù)雜問題，涉及時(shí)間尺度、降雨、農(nóng)業(yè)灌溉等自然條件以及洪水調(diào)峰等人類需求等多個(gè)具有不確定性的因素。因此，基于運(yùn)行規(guī)則的物理模型難以準(zhǔn)確模擬水庫(kù)運(yùn)行過程以及預(yù)測(cè)水庫(kù)出流。隨著大數(shù)據(jù)挖掘技術(shù)的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的人工智能模型已成功推廣到水庫(kù)調(diào)度領(lǐng)域。人工智能模型能夠從大量的水文數(shù)據(jù)和實(shí)時(shí)的水庫(kù)運(yùn)行數(shù)據(jù)中自動(dòng)學(xué)習(xí)水庫(kù)運(yùn)行規(guī)律，但傳統(tǒng)模型仍存在著特征提取能力弱、耗時(shí)較長(zhǎng)等缺點(diǎn)。

近年來，深度學(xué)習(xí)作為計(jì)算機(jī)科技前沿，在解決調(diào)度問題方面積累了一些成功的經(jīng)驗(yàn)。目前，深度學(xué)習(xí)方法在水庫(kù)調(diào)度中的應(yīng)用研究較少，主要有貝葉斯深度學(xué)習(xí)模型、LSTM模型、卷積LSTM 模型等。關(guān)于水庫(kù)調(diào)度的研究主要集中于深度學(xué)習(xí)方法與傳統(tǒng)人工智能模型的對(duì)比，深入分析深度學(xué)習(xí)方法的優(yōu)勢(shì)所在。例如：Zhang D等將3個(gè)人工智能模型進(jìn)行對(duì)比，即反向傳播（BP）神經(jīng)網(wǎng)絡(luò)，支持向量回歸（SVR）技術(shù)，長(zhǎng)短期記憶（LSTM）模型，基于約30 a 的歷史水庫(kù)運(yùn)行記錄模擬水庫(kù)操作，以探討LSTM 模型在水庫(kù)運(yùn)行模擬中的適用性。結(jié)果表明，LSTM模型能夠有效地降低其他人工智能模型所需的時(shí)間消耗和內(nèi)存存儲(chǔ)量，并具有良好的模擬低流量工況和高峰運(yùn)行期流量曲線的能力。深度學(xué)習(xí)方法在水庫(kù)調(diào)度方面的優(yōu)勢(shì)已經(jīng)顯現(xiàn)，但入庫(kù)水量的不確定性對(duì)模型精度的影響亟待驗(yàn)證。對(duì)此，Liu Y Q 等提出了一種同時(shí)考慮模型參數(shù)不確定性和來水不確定性的貝葉斯深度學(xué)習(xí)方法。在該模型中，采用蒙特卡羅積分將入流概率的復(fù)積分轉(zhuǎn)化為求和形式，利用變分推理得到模型參數(shù)的后驗(yàn)分布。該方法在長(zhǎng)江三峽工程中得到了實(shí)際應(yīng)用，結(jié)果表明，此種貝葉斯深度學(xué)習(xí)方法在水電發(fā)電量和均方根誤差方面均優(yōu)于其他比較方法，在考慮入流不確定性時(shí)，該方法具有更強(qiáng)的優(yōu)勢(shì)。與傳統(tǒng)方法相比，深度學(xué)習(xí)方法在水庫(kù)調(diào)度應(yīng)用中可以很好地解決不確定性以及條件多變等問題，優(yōu)勢(shì)顯著。但目前在水庫(kù)調(diào)度中的應(yīng)用并不廣泛，仍需進(jìn)行更多相關(guān)研究，將深度學(xué)習(xí)方法與水庫(kù)調(diào)度特點(diǎn)更好地融合。

2.3 遙感圖像分類

提取水體信息以及流域下墊面信息是水文流域調(diào)查必不可少的一個(gè)環(huán)節(jié)，可為流域水文模擬、生態(tài)環(huán)境評(píng)估等提供基礎(chǔ)資料。為了保證效果最優(yōu)，遙感影像的分類需要盡量精確。傳統(tǒng)的遙感影像分類方法有基于貝葉斯的最大似然法、最小距離法等，但這些傳統(tǒng)方法分類精度不高，可能會(huì)出現(xiàn)錯(cuò)分、漏分的現(xiàn)象。隨著技術(shù)的發(fā)展，人工智能方法開始得到廣泛應(yīng)用，如：人工神經(jīng)網(wǎng)絡(luò)分類方法，此類方法的效果雖然較傳統(tǒng)方法有所提升，但仍有較大的改進(jìn)空間。

近年來，隨著深度學(xué)習(xí)方法的普及，其在遙感影像分類方法的應(yīng)用研究也逐漸增多。在水體識(shí)別提取方面，深度學(xué)習(xí)以其在特征提取方面的優(yōu)勢(shì)開辟了新的思路，不再受到傳統(tǒng)方法如單波段閾值法及水體指數(shù)法等需要通過多次實(shí)驗(yàn)確定閾值的局限。杜敬將深度卷積神經(jīng)網(wǎng)絡(luò)模型運(yùn)用到無人機(jī)遙感影像水體識(shí)別中，得到的結(jié)果表明識(shí)別準(zhǔn)確度高達(dá)95.36%，優(yōu)于傳統(tǒng)的向量機(jī)法、面向?qū)ο蠓?。許多基于深度學(xué)習(xí)的新方法被提出，如：基于堆疊自動(dòng)編碼器的水體提取模型，基于卷積神經(jīng)網(wǎng)絡(luò)和logistic 回歸分類器的多光譜數(shù)據(jù)水體提取方法，這些新方法準(zhǔn)確性的優(yōu)勢(shì)均得到了驗(yàn)證。在長(zhǎng)序列土地利用分類方面，深度學(xué)習(xí)方法的應(yīng)用也帶來了突破。Wang HY等將雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi LSTM）模型與長(zhǎng)時(shí)間序列的土地利用分類數(shù)據(jù)相結(jié)合，得到了總體精度為84.20%的分類結(jié)果，為建立高分辨率長(zhǎng)時(shí)間序列土地覆蓋分類產(chǎn)品提供了新思路。但基于遙感圖像制作標(biāo)簽數(shù)據(jù)的過程較為復(fù)雜，而目前的監(jiān)督訓(xùn)練方法有需要大量的標(biāo)簽數(shù)據(jù)，導(dǎo)致工作量較大。此外，影像分類的結(jié)果也會(huì)受到遙感數(shù)據(jù)的預(yù)處理和標(biāo)準(zhǔn)化處理的方式的影響，更穩(wěn)定高效的分類方法有待研究。

3 未來展望

3.1 不足之處

3.1.1 數(shù)據(jù)稀缺性問題

深度學(xué)習(xí)屬于數(shù)據(jù)驅(qū)動(dòng)技術(shù)，需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，且足夠的數(shù)據(jù)量才能保證模型的精度。但基礎(chǔ)的水文資料在很多地區(qū)難以獲得，傳統(tǒng)的人工搜集標(biāo)簽數(shù)據(jù)的方法產(chǎn)生較高的人力物力成本。因此，數(shù)據(jù)的自動(dòng)采集傳輸是亟待突破的難關(guān)，基于部分標(biāo)簽的無監(jiān)督的深度學(xué)習(xí)方法有待進(jìn)一步研究。

3.1.2 原理可解釋性問題

深度學(xué)習(xí)方法建立基于數(shù)據(jù)的黑箱模型，缺乏具體的物理原理及過程機(jī)理作為支撐。而自然界中的水文過程十分復(fù)雜，使用黑箱模型可能會(huì)導(dǎo)致模擬精度不夠以及難以使人信服等問題。因此，深度學(xué)習(xí)方法需要與水文原理進(jìn)行有機(jī)結(jié)合，創(chuàng)造出更具有水文色彩的更有效的模型。

3.1.3 參數(shù)選擇問題

選擇模型訓(xùn)練參數(shù)也是深度學(xué)習(xí)方法面臨的一個(gè)關(guān)鍵問題，比如：隱層層數(shù)、卷積核大小、優(yōu)化函數(shù)的設(shè)定等。由于現(xiàn)階段對(duì)于深度學(xué)習(xí)方法的工作原理認(rèn)識(shí)不夠，只能依靠研究人員的經(jīng)驗(yàn)與反復(fù)試驗(yàn)確定訓(xùn)練參數(shù)。因此，探究訓(xùn)練參數(shù)與訓(xùn)練結(jié)果之間的規(guī)律是十分必要的，由此可以針對(duì)具體的水文情景創(chuàng)建專屬的參數(shù)設(shè)置體系。

3.2 結(jié)論與展望

近年來，深度學(xué)習(xí)在水文中的應(yīng)用廣泛，給水文預(yù)報(bào)、水庫(kù)調(diào)度以及遙感圖像分類等諸多領(lǐng)域帶來了深刻變革。多年研究逐漸發(fā)展出將LSTM模型、卷積LSTM模型、深度卷積神經(jīng)網(wǎng)絡(luò)模型等深度學(xué)習(xí)方法運(yùn)用到水文領(lǐng)域的成功經(jīng)驗(yàn)。實(shí)踐證明深度學(xué)習(xí)方法在特征提取和模擬優(yōu)化方面的優(yōu)勢(shì)是物理方法及傳統(tǒng)機(jī)器學(xué)習(xí)方法無可比擬的，值得進(jìn)一步研究與發(fā)展。

基于目前深度學(xué)習(xí)技術(shù)存在的數(shù)據(jù)稀缺、原理難以解釋以及參數(shù)選擇困難等問題，已經(jīng)逐漸發(fā)展出元學(xué)習(xí)、小樣本深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)構(gòu)架搜索、深度遷移學(xué)習(xí)等深度學(xué)習(xí)技術(shù)的分支。有理由相信，越來越多的研究將會(huì)帶領(lǐng)深度學(xué)習(xí)方法與水文領(lǐng)域更好的融合互通，創(chuàng)造出更有效的數(shù)據(jù)分析以及模型建立技術(shù)，為水文領(lǐng)域注入新的發(fā)展活力。