摘 要：隨著大數(shù)據(jù)時代的到來，水質(zhì)監(jiān)測技術(shù)也迎來了快速發(fā)展，從以往的人工監(jiān)測逐步轉(zhuǎn)變?yōu)樾滦偷膶?shí)時監(jiān)測和系統(tǒng)管理。當(dāng)前，大數(shù)據(jù)技術(shù)已經(jīng)在水質(zhì)監(jiān)測技術(shù)的多個方面得到廣泛應(yīng)用，主要包括數(shù)據(jù)采集、實(shí)時監(jiān)測系統(tǒng)、數(shù)據(jù)存儲與管理、數(shù)據(jù)分析以及風(fēng)險預(yù)判5個方面。無線傳感器網(wǎng)絡(luò)和遙感逐漸成為數(shù)據(jù)采集的主流技術(shù)，而云平臺和多種數(shù)據(jù)庫的進(jìn)一步使用促進(jìn)了水質(zhì)實(shí)時監(jiān)測的發(fā)展。此外，時空大數(shù)據(jù)混合存儲顯著提升了數(shù)據(jù)存儲效率。在水質(zhì)分析和預(yù)測方面，機(jī)器學(xué)習(xí)和專家系統(tǒng)等人工智能手段則發(fā)揮了重要作用。未來，通過和物聯(lián)網(wǎng)等新興技術(shù)結(jié)合、提高設(shè)備集成化水平、構(gòu)建混合機(jī)器學(xué)習(xí)模型，大數(shù)據(jù)將進(jìn)一步助力水質(zhì)監(jiān)測的發(fā)展。

關(guān)鍵詞：水質(zhì)監(jiān)測；大數(shù)據(jù)；人工智能技術(shù)；物聯(lián)網(wǎng)

中圖分類號：TV21；X832 文獻(xiàn)標(biāo)識碼：A 文章編號：1001-9235（2024）10-0099-09

Development and Prospect of Water Quality Monitoring Technology Driven by Data-modelCoupling

ZHU Lijie1， HE Kai1，2，3*， HUANG Sheng1，3， YIN Qidong1，2，3， DAI Chao1，2，3

（1. School of Civil Engineering， Sun Yat-Sen University， Zhuhai 519000， China; 2. Water Resources and Environment Research

Center， Sun Yat-Sen University， Guangzhou 510275， China; 3. Guangdong Provincial Key Laboratory for Marine Civil Engineering，Zhuhai 519000， China）

Abstract： With the advent of the big data era， water quality detection technology has rapidly advanced， transitioning from traditional manual testing to new real-time monitoring and system management. Currently， big data technology has been widely applied in various aspects of water quality monitoring， including data collection， real-time monitoring system， data storage and management， data analysis， and risk assessment. Wireless sensor networks and remote sensing have gradually become the mainstream technologies for data collection， while the further use of cloud platforms and various databases has enhanced the development of real-time water quality monitoring. Moreover， the hybrid storage of spatio-temporal big data has significantly improved data storage efficiency. In terms of water quality analysis and prediction， artificial intelligence techniques， such as machine learning and expert systems， have played a significant role. In the future， big data will further facilitate the development of water quality monitoring by integrating with such emerging technologies as the Internet of Things （IoT）， upgrading equipment integration， and developing hybrid machine learning models.

Keywords： water quality monitoring; big data; AI technology; Internet of Things （IoT）

大數(shù)據(jù)時代已經(jīng)到來，計(jì)算機(jī)的硬件和算力日新月異，物聯(lián)網(wǎng)、云計(jì)算等技術(shù)都促進(jìn)了可獲取的數(shù)據(jù)量的指數(shù)式增長。大數(shù)據(jù)技術(shù)是多種技術(shù)的統(tǒng)稱，能夠?qū)Υ笠?guī)模數(shù)據(jù)進(jìn)行集成，通過專業(yè)的手段對大量數(shù)據(jù)進(jìn)行高效的處理和分析，其包括數(shù)據(jù)采集、數(shù)據(jù)存取、基礎(chǔ)架構(gòu)、數(shù)據(jù)處理、統(tǒng)計(jì)分析、數(shù)據(jù)挖掘、模型預(yù)測、結(jié)果呈現(xiàn)等多種技術(shù)，在實(shí)際工程和項(xiàng)目中，這些技術(shù)往往會綜合起來，服務(wù)于相同的目標(biāo)。大數(shù)據(jù)具有5“V”特征：數(shù)據(jù)量大（Volume）、數(shù)據(jù)處理速度快（Velocity）、數(shù)據(jù)類型多樣（Variety）、數(shù)據(jù)價值密度低（Veracity）、數(shù)據(jù)真實(shí)（Value）［1］。由大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測技術(shù)指的是利用大數(shù)據(jù)和相關(guān)的通信技術(shù)對水質(zhì)數(shù)據(jù)進(jìn)行收集、存儲和處理，該技術(shù)結(jié)合了無線傳感器、物聯(lián)網(wǎng)、云計(jì)算、人工智能等多種手段，能夠?qū)崿F(xiàn)水體實(shí)時監(jiān)測，從而保障水質(zhì)安全。

隨著中國4G/5G信號的進(jìn)一步覆蓋，在線水質(zhì)監(jiān)測平臺基于大數(shù)據(jù)、借助云計(jì)算實(shí)現(xiàn)了從以人工檢測、人工分析為主的舊方法到自動監(jiān)測、智能分析的新型方法的轉(zhuǎn)變［2］。目前，主流在線水質(zhì)監(jiān)測方法主要包括化學(xué)法、生物檢測、光譜檢測，這些監(jiān)測手段在大規(guī)模應(yīng)用時將產(chǎn)生大量數(shù)據(jù)，而云計(jì)算和云存儲將通過高效的數(shù)據(jù)傳輸和管理、系統(tǒng)的數(shù)據(jù)處理手段對大數(shù)據(jù)進(jìn)行整合，從而構(gòu)建數(shù)據(jù)-模型驅(qū)動的水質(zhì)監(jiān)測系統(tǒng)。借助大數(shù)據(jù)和云計(jì)算，大規(guī)模流域監(jiān)測和統(tǒng)籌成為可能，這將有效提高水質(zhì)信息監(jiān)測的效率［3］。

1 研究現(xiàn)狀

大數(shù)據(jù)技術(shù)并非特指某種技術(shù)，而是從數(shù)據(jù)到分析到需求的全流程解決方案，由大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測涉及多個步驟，可以劃分為數(shù)據(jù)采集技術(shù)、實(shí)時監(jiān)測系統(tǒng)、數(shù)據(jù)存儲與管理、數(shù)據(jù)分析、風(fēng)險預(yù)判和智能決策5個環(huán)節(jié)。

1. 1 數(shù)據(jù)采集技術(shù)

在大數(shù)據(jù)時代，傳統(tǒng)的人工采集方法已經(jīng)逐步被科技化的水質(zhì)監(jiān)測方法替代，主流水質(zhì)監(jiān)測方法包括無線傳感網(wǎng)絡(luò)技術(shù)以及遙感云計(jì)算技術(shù)。

1. 1. 1 無線傳感器網(wǎng)絡(luò)

無線傳感器網(wǎng)絡(luò)技術(shù)目前被廣泛應(yīng)用在水質(zhì)監(jiān)測中，它能夠?qū)崿F(xiàn)水質(zhì)參數(shù)遠(yuǎn)程采集和實(shí)時監(jiān)控，從而獲得高準(zhǔn)確性監(jiān)測數(shù)據(jù)，在數(shù)據(jù)采集方面有著顯著優(yōu)勢。Sherchan等［4］利用集成的智能傳感器實(shí)時監(jiān)測水質(zhì)參數(shù)的變化，如濁度、pH、溫度、總有機(jī)碳和電導(dǎo)率等。夏云飛等［5］提出了基于多點(diǎn)采集傳感器和無線通信模塊的水質(zhì)實(shí)時監(jiān)控系統(tǒng)，并驗(yàn)證了系統(tǒng)的有效性和可靠性?；跓o線傳感器網(wǎng)絡(luò)的實(shí)時監(jiān)測系統(tǒng)總體設(shè)計(jì)思路見圖1。

無線傳感器網(wǎng)絡(luò)的應(yīng)用不僅實(shí)現(xiàn)了實(shí)時無線數(shù)據(jù)傳輸，還優(yōu)化了水質(zhì)信息的統(tǒng)籌管理，有助于構(gòu)建全面的水質(zhì)信息管理體系［6］。此外，無線傳感器能夠在水質(zhì)信息難以人工采集的水域進(jìn)行作業(yè)，在提高水質(zhì)采集安全性的同時拓寬了水質(zhì)信息采集的廣度。

1. 1. 2 遙感云計(jì)算技術(shù)

遙感云計(jì)算技術(shù)目前已經(jīng)廣泛用于近岸海域的水質(zhì)監(jiān)測，該技術(shù)將通過衛(wèi)星平臺獲得的水質(zhì)參數(shù)，為水質(zhì)檢測和預(yù)判提供數(shù)據(jù)來源。目前在水質(zhì)監(jiān)測方面遙感云計(jì)算技術(shù)的應(yīng)用主要包括2種方法：一是利用遙感云計(jì)算獲取水體中葉綠素a濃度、懸浮物質(zhì)和可溶性有機(jī)物等物質(zhì)的濃度；二是利用遙感光譜特征對水質(zhì)信息進(jìn)行反演，并通過反演模型對水體未來的水質(zhì)參數(shù)特征進(jìn)行預(yù)測。

遙感云計(jì)算技術(shù)一方面能夠?yàn)樗|(zhì)分析提供數(shù)據(jù)來源，另一方面能夠建立反演模型，能夠?qū)崿F(xiàn)高效的水質(zhì)預(yù)測。目前學(xué)者的研究主要集中于量化水質(zhì)參數(shù)和水質(zhì)反演，相關(guān)結(jié)果表明，水質(zhì)反演的準(zhǔn)確性受到季節(jié)、圖像分辨率、遙感平臺等因素的影響。Liu等［7］通過遙感技術(shù)量化了內(nèi)陸和近岸水域的水質(zhì)參數(shù)，包括無機(jī)沉浮顆粒、浮游植物色素、有色溶解有機(jī)物和塞奇盤深度等。侯毅凱等［8］利用三類遙感平臺（Sentinel-2衛(wèi)星影像、無人機(jī)搭載多光譜傳感器和ASD地物光譜儀）對不同季節(jié)的河流水質(zhì)進(jìn)行了反演，發(fā)現(xiàn)水質(zhì)反演的準(zhǔn)確性受到季節(jié)的影響；Yigit等［9］指出在監(jiān)測小水域水質(zhì)參數(shù)時應(yīng)采用高分辨率遙感圖像并關(guān)注電磁光譜中的紅邊波段。黎栩霞等［10］借助MODIS衛(wèi)星提供的數(shù)據(jù)庫建立水質(zhì)反演模型，實(shí)現(xiàn)了對海域的水質(zhì)參數(shù)和赤潮爆發(fā)情況的評估和預(yù)測；張鵬等［11］基于ZY1-02D遙感檢測了水域葉綠素a濃度的時空分布并預(yù)測了其未來發(fā)展趨勢。此外，高光譜傳感器、無人機(jī)和人工智能、地理信息系統(tǒng)（Geographic Information System，GIS）的發(fā)展也促使遙感水質(zhì)監(jiān)測取得了顯著進(jìn)展［12-15］。圖2為2010—2023年采用遙感云計(jì)算技術(shù)進(jìn)行水質(zhì)預(yù)測的文獻(xiàn)統(tǒng)計(jì)，在2010—2019年，相關(guān)研究較少，而在2020—2023年，相關(guān)研究迅速增長，整體呈現(xiàn)增加態(tài)勢。這表明隨著大數(shù)據(jù)技術(shù)和多種信息分析手段的進(jìn)一步發(fā)展，遙感云計(jì)算技術(shù)在水質(zhì)預(yù)測方面發(fā)揮著日益重要的作用。

遙感云計(jì)算技術(shù)能夠?qū)崿F(xiàn)流域的大范圍監(jiān)測，并為后續(xù)的水質(zhì)分析和水質(zhì)預(yù)測提供便利。但遙感云計(jì)算技術(shù)也存在一定的缺點(diǎn)，部分遙感數(shù)據(jù)的準(zhǔn)確性受到大氣校正的顯著影響，如藻藍(lán)蛋白和濁度參數(shù)等；對于小湖泊或狹窄河流，往往難以獲取具有良好光譜、空間和時間分辨率的遙感數(shù)據(jù)；遙感水域模型具有空間依賴性，存在不同地區(qū)的應(yīng)用限制；這些缺點(diǎn)影響了遙感數(shù)據(jù)的準(zhǔn)確性，有待進(jìn)一步優(yōu)化［16-18］。在云存儲、云計(jì)算等技術(shù)的助力下，遙感大數(shù)據(jù)的存儲和處理日益系統(tǒng)化，促使河湖海水質(zhì)實(shí)時監(jiān)測向著體系化和專業(yè)化進(jìn)一步發(fā)展［18］。

1. 2 實(shí)時監(jiān)測系統(tǒng)

傳統(tǒng)的人工水質(zhì)監(jiān)測方法檢測耗時長、效率低下，而基于大數(shù)據(jù)技術(shù)和云平臺的水質(zhì)監(jiān)測方法能夠?qū)崿F(xiàn)穩(wěn)定可靠的水質(zhì)實(shí)時檢測。

考慮到水質(zhì)監(jiān)測的各個環(huán)節(jié)之間有著緊密的聯(lián)系，許多學(xué)者基于云計(jì)算構(gòu)建了水質(zhì)監(jiān)測、預(yù)警、反應(yīng)一體化的水質(zhì)實(shí)時檢測系統(tǒng)，從而實(shí)現(xiàn)水質(zhì)監(jiān)測數(shù)據(jù)的自動采集、數(shù)據(jù)存儲、數(shù)據(jù)分析、智能預(yù)警和預(yù)警信息推送。目前，多樣化的大數(shù)據(jù)水質(zhì)監(jiān)測平臺已經(jīng)得到開發(fā)，包括水庫水質(zhì)在線檢測系統(tǒng)、水質(zhì)pH檢測模型、水質(zhì)數(shù)據(jù)智能服務(wù)平臺、綜合水環(huán)境管理平臺等。彭燁等［19］建立了深圳市某水庫水質(zhì)在線監(jiān)測和預(yù)警系統(tǒng)；陳淑嫻等［20］將傳感器技術(shù)和大數(shù)據(jù)相結(jié)合，構(gòu)建了一個水質(zhì)pH監(jiān)測模型；Zhang等［21］用C#和PHP語言設(shè)計(jì)并實(shí)現(xiàn)了水質(zhì)監(jiān)測數(shù)據(jù)智能服務(wù)平臺；Chen等［22］基于HTML5、JavaScript和Java創(chuàng)建了一個綜合水環(huán)境管理平臺；項(xiàng)馨儀等［23］借助Oracle數(shù)據(jù)庫和Google Earth數(shù)字地圖構(gòu)建了智慧化水質(zhì)監(jiān)測平臺；趙軍等［24］基于ZigBee技術(shù)研發(fā)出了實(shí)時檢測水質(zhì)的無線傳感網(wǎng)絡(luò)工作系統(tǒng)。此外，物聯(lián)網(wǎng)、BS構(gòu)架等方式也被納入到智能化水質(zhì)實(shí)時監(jiān)測平臺的構(gòu)建中［25-27］。水質(zhì)監(jiān)測平臺的流程見圖3。

雖然各類水質(zhì)監(jiān)測系統(tǒng)在搭建手段和水質(zhì)參數(shù)的側(cè)重點(diǎn)上有所差異，但其最終目的都在于實(shí)現(xiàn)水質(zhì)數(shù)據(jù)的全流程管理。這些水質(zhì)實(shí)時監(jiān)測系統(tǒng)能夠進(jìn)行數(shù)據(jù)的即時傳輸，解決了傳統(tǒng)數(shù)據(jù)信息延遲傳遞的難題，為管理者提供了充足的信息處理以及預(yù)警反應(yīng)時間。

1. 3 數(shù)據(jù)存儲與管理

大數(shù)據(jù)時代對于數(shù)據(jù)的存儲具有高要求，數(shù)據(jù)存儲格式顯著影響數(shù)據(jù)的讀寫性能和讀取效率，合適的數(shù)據(jù)存儲手段對于存儲大量復(fù)雜數(shù)據(jù)、提升水質(zhì)數(shù)據(jù)的處理效率至關(guān)重要。因此，有必要深入探討優(yōu)化水質(zhì)數(shù)據(jù)存儲的解決方案，以滿足大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測系統(tǒng)大規(guī)模應(yīng)用的需求。

王意［28］提出時空大數(shù)據(jù)混合存儲的策略，構(gòu)建了不同管理情況下大數(shù)據(jù)之間的動態(tài)聯(lián)系和靈活調(diào)度系統(tǒng)，在實(shí)現(xiàn)完整性的數(shù)據(jù)存儲生態(tài)鏈的同時，提升了數(shù)據(jù)訪問的效率。張揚(yáng)帆等［29］對于大數(shù)據(jù)情況下的數(shù)據(jù)存儲格式進(jìn)行對比探討，發(fā)現(xiàn)Parquet 和 ORC數(shù)據(jù)存儲格式的壓縮率較高，且在數(shù)據(jù)量大的情況下表現(xiàn)出更好的讀寫性能。此外，數(shù)據(jù)查詢的效率往往受到數(shù)據(jù)查詢方式的影響，Parquet 和 ORC格式在Hive、Spark 等 SQL 查詢引擎下展現(xiàn)出高效率，而HBase則在使用NoSQL數(shù)據(jù)庫查詢時效率更高，具體查詢時間見表1。

目前，針對大數(shù)據(jù)存儲方式的研究日益增多，研究者們提出了多種創(chuàng)新型數(shù)據(jù)存儲策略，旨在解決水質(zhì)大數(shù)據(jù)存儲和管理上的挑戰(zhàn)，這些策略和方法主要涵蓋數(shù)據(jù)存儲生態(tài)鏈構(gòu)建、數(shù)據(jù)訪問效率提升以及數(shù)據(jù)存儲格式優(yōu)化等多方面。通過不同存儲方案的對比，水質(zhì)大數(shù)據(jù)存儲和管理的體系向著時空結(jié)合和系統(tǒng)化平臺逐步完善，數(shù)據(jù)存儲技術(shù)的發(fā)展將為水質(zhì)監(jiān)測信息的存儲和管理提供有利保障。

1. 4 數(shù)據(jù)分析

目前的研究中，不少研究者采用構(gòu)建新型評估指標(biāo)的方式來對水質(zhì)進(jìn)行系統(tǒng)化分析，但隨著機(jī)器學(xué)習(xí)、卷積網(wǎng)絡(luò)等手段進(jìn)一步發(fā)展，更多研究人員采用人工智能手段進(jìn)行更高效快速的數(shù)據(jù)分析。這些技術(shù)的應(yīng)用提高了水質(zhì)數(shù)據(jù)分析的準(zhǔn)確性，同時也能夠有效剔除誤差。

在評估指標(biāo)上，當(dāng)學(xué)者致力于建立具有針對性的水質(zhì)評估指標(biāo)，從而高效分析特定水體水質(zhì)情況，從而為實(shí)際生產(chǎn)生活提供便利。Maiolo等［30］用主成分分析（Principal Component Analysis，PCA）和聚類分析（Cluster Analysis，CA）方法分析飲用水影響因素；Lobato等［31］構(gòu)建了新型質(zhì)量指標(biāo)（Quality Improvement，QI）和水質(zhì)指數(shù)（Water Quality Index，WQI）對水電站水質(zhì)進(jìn)行評估和分類；此外，回歸分析、多變量分析等手段也是水質(zhì)數(shù)據(jù)分析的重要方式［32-36］。

在大規(guī)模、多流域的水質(zhì)分析中，機(jī)器學(xué)習(xí)手段的應(yīng)用尤其廣泛，但目前的研究往往使用相對較小的訓(xùn)練和驗(yàn)證數(shù)據(jù)集，且模型存在并且對不同水質(zhì)級別的預(yù)測能力不平衡的問題。趙晨曦等［37］提出改進(jìn)后的U-Net網(wǎng)絡(luò)的水質(zhì)分割方法，發(fā)現(xiàn)加深卷積深度和在編碼階段加入ASPP模塊的方法能夠有效提升水體參數(shù)精度。Chen等［38］發(fā)現(xiàn)由pH、溶解氧、高錳酸鹽指數(shù)和氨氮數(shù)據(jù)集訓(xùn)練的決策樹、隨機(jī)森林和深度級聯(lián)森林水質(zhì)分析性能更好。Zhu 等［39］對常用機(jī)器學(xué)習(xí)模型的優(yōu)缺點(diǎn)進(jìn)行了總結(jié)；Chen等［40］運(yùn)用多因素統(tǒng)計(jì)分析和PCA技術(shù)確定了影響地下水質(zhì)量變化的關(guān)鍵因素。Zhong等［41］采用快速模糊C-means聚類算法對三峽水質(zhì)數(shù)據(jù)進(jìn)行了快速高效的處理，Hou等［42］集成地理信息系統(tǒng)和蟻群聚類算法對水質(zhì)信息進(jìn)行了智能分析。李永飛等［43］對比了不同模型的數(shù)據(jù)分析性能，結(jié)果見圖4，可見基于SHAP算法深度學(xué)習(xí)手段在水質(zhì)數(shù)據(jù)分析方面有顯著優(yōu)勢。

基于水質(zhì)大數(shù)據(jù)，學(xué)者們采用各種數(shù)據(jù)分析手段評估了水體的水質(zhì)情況，如主成分分析、聚類分析、回歸分析、多變量分析、機(jī)器學(xué)習(xí)等，其中機(jī)器學(xué)習(xí)的預(yù)測精度通常與模型選擇和訓(xùn)練數(shù)據(jù)集的質(zhì)量密切相關(guān)?？傮w而言，各種數(shù)據(jù)分析手段為不同水域數(shù)據(jù)分析提供了多種選擇，同時提高了數(shù)據(jù)分析的精度，加快了水質(zhì)數(shù)據(jù)到可視化、系統(tǒng)化水質(zhì)結(jié)論的轉(zhuǎn)化。

1. 5 風(fēng)險預(yù)判和智能決策

結(jié)合人工智能和專家系統(tǒng)分析處理大規(guī)模水質(zhì)數(shù)據(jù)，大數(shù)據(jù)技術(shù)能夠?qū)崿F(xiàn)水體的參數(shù)預(yù)測和在線污染預(yù)警。通過對水質(zhì)數(shù)據(jù)的深度挖掘和分析，這些技術(shù)可以快速、精準(zhǔn)識別水質(zhì)異常情況，并發(fā)出預(yù)警信息，從而為管理者的高效決策提供便利。

相關(guān)學(xué)者在大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測和風(fēng)險預(yù)判領(lǐng)域進(jìn)行了廣泛而深入的研究，相關(guān)研究聚焦于結(jié)合人工智能技術(shù)和大數(shù)據(jù)技術(shù)實(shí)現(xiàn)針對水質(zhì)污染的自主預(yù)警和智能決策。作為人工智能技術(shù)的重要組成部分之一，機(jī)器學(xué)習(xí)技術(shù)在水質(zhì)風(fēng)險預(yù)警方面發(fā)揮著關(guān)鍵作用，線性回歸、隨機(jī)森林、支持向量機(jī)、長短期記憶、人工神經(jīng)網(wǎng)絡(luò)等方法都為水質(zhì)預(yù)測模型構(gòu)建提供了有力支持。Park等［44］指出在水體富營養(yǎng)化預(yù)判上支持向量機(jī)模型比人工神經(jīng)網(wǎng)絡(luò)模型更為精確；Jeong等［45］將機(jī)器學(xué)習(xí)和生物預(yù)警系統(tǒng)相結(jié)合構(gòu)建了水域污染實(shí)時預(yù)警模型；Yu等［46］提出基于 Copula 的貝葉斯網(wǎng)絡(luò)方法以實(shí)現(xiàn)季節(jié)化的水質(zhì)預(yù)測。在機(jī)器學(xué)習(xí)模型中，人工神經(jīng)網(wǎng)絡(luò)方法在水質(zhì)預(yù)警的使用尤為廣泛，它能夠借助小波分析［47-48］、回歸分析方法［49-50］、遺傳算法［51-53］等方法進(jìn)行模型優(yōu)化，從而建立高效的數(shù)據(jù)驅(qū)動水質(zhì)預(yù)測模型，精準(zhǔn)預(yù)測水域污染?；谌斯ぶ悄芗夹g(shù)的水質(zhì)污染檢測流程見圖5。

協(xié)同專家系統(tǒng)、大數(shù)據(jù)技術(shù)在水質(zhì)污染智能決策方面也發(fā)揮著不可忽視的作用，相關(guān)系統(tǒng)不僅能夠?qū)崿F(xiàn)水質(zhì)指標(biāo)的自動計(jì)算，還能夠?qū)Χ喾N因素進(jìn)行綜合性考量，提供個性化決策建議。趙陽［54］借助Visual Basic平臺構(gòu)建了冷卻循環(huán)水的智能決策系統(tǒng)，該系統(tǒng)能夠基于已有知識庫給出不同情況下的針對性解決方案。Nasiri等［55］基于模糊集理論設(shè)計(jì)了針對水質(zhì)管理的多屬性決策專家系統(tǒng)，該系統(tǒng)能夠在實(shí)現(xiàn)水質(zhì)指數(shù)自動計(jì)算的同時為管理者提供不同級別的決策；Cheng等［56］以決策模型為核心，為環(huán)保部門綜合建立了考慮環(huán)境污染和城市工業(yè)經(jīng)濟(jì)的水質(zhì)決策專家系統(tǒng)。智能決策系統(tǒng)通常根據(jù)管理者對于社會、經(jīng)濟(jì)、環(huán)境等多種因素的綜合考量構(gòu)建，不同決策系統(tǒng)之間的側(cè)重點(diǎn)存在較大差異。這種因地制宜、因人而異的特點(diǎn)使得決策系統(tǒng)能夠更有針對性地應(yīng)用在不同地區(qū)，為水質(zhì)監(jiān)測和管理提供了極大便利。

結(jié)合云計(jì)算、云平臺的大數(shù)據(jù)管理手段能夠大規(guī)模統(tǒng)籌分析數(shù)據(jù)，建立實(shí)時監(jiān)測系統(tǒng)并構(gòu)建水質(zhì)預(yù)測模型。大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測平臺將對水域進(jìn)行水質(zhì)風(fēng)險預(yù)判并提供智能決策參考，有利于相關(guān)機(jī)構(gòu)及時高效采取應(yīng)對方案。通過大數(shù)據(jù)和人工智能技術(shù)，決策人員能夠即時掌握水質(zhì)的變化趨勢，并借助人工智能提供的決策參考快速給出水質(zhì)污染應(yīng)急處理方案。

2 未來展望

在水質(zhì)監(jiān)測方面，大數(shù)據(jù)技術(shù)作為后起之秀，面臨著進(jìn)一步發(fā)展的挑戰(zhàn)，需要行業(yè)技術(shù)人員加強(qiáng)開發(fā)投入，克服現(xiàn)有不足。但不可否認(rèn)的是，大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測技術(shù)有著廣泛的應(yīng)用發(fā)展前景，隨著新時代發(fā)展、新技術(shù)的變革，大數(shù)據(jù)技術(shù)在水質(zhì)監(jiān)測、水質(zhì)分析、水質(zhì)預(yù)警等方面的應(yīng)用將邁上新臺階。

2. 1 面臨挑戰(zhàn)

目前，大數(shù)據(jù)技術(shù)在水質(zhì)監(jiān)測領(lǐng)域的應(yīng)用和推廣仍然面臨著多方面的挑戰(zhàn)［57］，主要包括行業(yè)認(rèn)同、硬件和軟件性能、資金投入、管理系統(tǒng)和數(shù)據(jù)安全5個方面的難題。

a））行業(yè)認(rèn)同。大數(shù)據(jù)在水質(zhì)監(jiān)測領(lǐng)域已經(jīng)得到了一定的應(yīng)用，但是在推廣和普及還存在一定挑戰(zhàn)。相關(guān)的專業(yè)人員對于大數(shù)據(jù)的了解不夠深入，對大數(shù)據(jù)技術(shù)的處理原理和應(yīng)用不夠熟悉。水質(zhì)監(jiān)測人員對于傳統(tǒng)的技術(shù)有一定依賴，大數(shù)據(jù)技術(shù)作為陌生的新型技術(shù)，必須通過大量實(shí)例來證實(shí)該技術(shù)的準(zhǔn)確性和高效性。

b））硬件和軟件性能。大數(shù)據(jù)技術(shù)對于硬件和軟件的數(shù)據(jù)存儲能力有著較高要求。水質(zhì)數(shù)據(jù)的收集和存儲、水質(zhì)數(shù)據(jù)的生命周期管理、水質(zhì)數(shù)據(jù)的安全和分析處理都需要強(qiáng)大的算力支撐。只有在軟件和硬件滿足要求的情況下，基于大數(shù)據(jù)的水質(zhì)監(jiān)測系統(tǒng)才能夠投入大規(guī)模使用。

c））資金投入。大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測系統(tǒng)的研發(fā)需要大量資金投入，以進(jìn)行試驗(yàn)和系統(tǒng)模擬，從而建立具有地域針對性、應(yīng)用方向針對性的水質(zhì)監(jiān)測系統(tǒng)。

d））管理系統(tǒng)。大數(shù)據(jù)技術(shù)驅(qū)動的數(shù)值監(jiān)測技術(shù)能夠借助人工智能技術(shù)對水質(zhì)信息進(jìn)行統(tǒng)計(jì)分析，將為政府對于水質(zhì)的決策和管理提供決策參考。因此，大數(shù)據(jù)技術(shù)在水質(zhì)信息管理上創(chuàng)新將給傳統(tǒng)的管理方式帶來巨大變革，這需要決策者制定政策，規(guī)范決策流程，實(shí)現(xiàn)傳統(tǒng)專家意見和大數(shù)據(jù)分析的有機(jī)結(jié)合。

e））數(shù)據(jù)安全。大數(shù)據(jù)技術(shù)將各類水質(zhì)監(jiān)測數(shù)據(jù)進(jìn)行集成，在水質(zhì)數(shù)據(jù)存儲的過程中需要著重關(guān)注水質(zhì)數(shù)據(jù)的安全性，避免保密信息的泄露，確保大數(shù)據(jù)技術(shù)在使用過程中用戶的隱私防護(hù)。

2. 2 未來趨勢

水質(zhì)監(jiān)測技術(shù)未來的發(fā)展將利用衛(wèi)星遙感、數(shù)字圖像、大數(shù)據(jù)、互聯(lián)網(wǎng)和人工智能等多種創(chuàng)新性手段，從而實(shí)現(xiàn)水質(zhì)的實(shí)時檢測和災(zāi)害預(yù)報［58］。大數(shù)據(jù)在水質(zhì)監(jiān)測中的應(yīng)用進(jìn)一步發(fā)展既需要進(jìn)一步升級數(shù)據(jù)采集設(shè)備、提高軟件性能，也需要結(jié)合其他新興技術(shù)，提高數(shù)據(jù)采集的準(zhǔn)確性和數(shù)據(jù)分析的效率。其中，構(gòu)建結(jié)合物聯(lián)網(wǎng)等技術(shù)的實(shí)時水質(zhì)監(jiān)測系統(tǒng)和多級別動態(tài)監(jiān)測系統(tǒng)是發(fā)展的重中之重。

2. 2. 1 結(jié)合物聯(lián)網(wǎng)構(gòu)建實(shí)時水質(zhì)監(jiān)測系統(tǒng)

物聯(lián)網(wǎng)將日常物理對象和互聯(lián)網(wǎng)相連接，具有實(shí)時性強(qiáng)、準(zhǔn)確性高、擴(kuò)展性好等特性。集合物聯(lián)網(wǎng)技術(shù)和大數(shù)據(jù)技術(shù)的水質(zhì)監(jiān)測系統(tǒng)能夠?qū)崿F(xiàn)信息的遠(yuǎn)程操縱和快速傳遞，并進(jìn)行水質(zhì)的實(shí)時檢測和及時調(diào)節(jié)。Wu等［59］開發(fā)了基于物聯(lián)網(wǎng)的注意力神經(jīng)網(wǎng)絡(luò)，以從水體圖像中識別水污染情況；Chowdury等［60］通過遠(yuǎn)程監(jiān)控和物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)了數(shù)據(jù)實(shí)時訪問，并借助Spark MLlib、深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了水質(zhì)數(shù)據(jù)分析。祝鵬等［61］通過WIFI、阿里云和APP實(shí)現(xiàn)了水質(zhì)參數(shù)的遠(yuǎn)程監(jiān)控；李昕聰?shù)龋?2］針對水產(chǎn)養(yǎng)殖提出了基于NB-IoT（窄帶物聯(lián)網(wǎng)）和無人船的水質(zhì)監(jiān)測系統(tǒng)，并對水質(zhì)進(jìn)行調(diào)節(jié)。將大數(shù)據(jù)技術(shù)和物聯(lián)網(wǎng)結(jié)合，水質(zhì)信息收集和分析將實(shí)現(xiàn)全方位的升級，水質(zhì)監(jiān)測的效率將進(jìn)一步提高［63］。水質(zhì)參數(shù)遠(yuǎn)程調(diào)控系統(tǒng)見圖6。

物聯(lián)網(wǎng)與大數(shù)據(jù)結(jié)合的水質(zhì)監(jiān)測系統(tǒng)展現(xiàn)了廣闊的應(yīng)用前景，能夠?qū)崿F(xiàn)水質(zhì)實(shí)時監(jiān)控和遠(yuǎn)程調(diào)控，但同時也面臨著遠(yuǎn)程數(shù)據(jù)采集不便、多個傳感器數(shù)據(jù)難以統(tǒng)籌的問題，這些問題限制了監(jiān)測系統(tǒng)的效率和準(zhǔn)確性，在采用大數(shù)據(jù)技術(shù)進(jìn)行分析時應(yīng)著重探討，以求攻克難關(guān)。

2. 2. 2 建立多級別動態(tài)水質(zhì)監(jiān)測系統(tǒng)

目前發(fā)表的絕大多數(shù)水質(zhì)監(jiān)測工作都使用大數(shù)據(jù)分析方法，往往采用一種或者幾種機(jī)器學(xué)習(xí)技術(shù)對一定時間內(nèi)特定區(qū)域的水質(zhì)進(jìn)行監(jiān)測或反演［64］，而實(shí)際應(yīng)用過程中根據(jù)水域需求，很可能需要建立多級別的動態(tài)水質(zhì)監(jiān)測模型。不同級別的動態(tài)水質(zhì)監(jiān)測模型對于數(shù)據(jù)量、數(shù)據(jù)傳輸?shù)确矫娑加兄欢ǖ囊蟆Ｒ虼?，推進(jìn)大數(shù)據(jù)在水質(zhì)檢測中的應(yīng)用時，勢必要實(shí)現(xiàn)水質(zhì)監(jiān)測產(chǎn)品的監(jiān)測自動化、功能集成化、數(shù)據(jù)實(shí)時化，提高當(dāng)前水質(zhì)監(jiān)測手段的檢測精度和效率，從而為水質(zhì)預(yù)測和決策提供可靠的數(shù)據(jù)庫［65］。

此外，未來的水質(zhì)監(jiān)測系統(tǒng)將會是智慧城市系統(tǒng)的重要部分，支持不同級別、多種水源的實(shí)時檢測、評估和預(yù)測，也將助力實(shí)現(xiàn)城市整體的環(huán)境監(jiān)理。孟露等［66］基于CiteSpace軟件對大數(shù)據(jù)在水文領(lǐng)域的研究方向進(jìn)行了總結(jié)和探討，指出“智慧水文”成為研究熱點(diǎn)，水體之間數(shù)據(jù)共享互聯(lián)需求日益增加。在進(jìn)一步的研究中，為了更好地對水質(zhì)信息進(jìn)行管理和檢測，采用多樣化深度學(xué)習(xí)方法來對不同區(qū)域的動態(tài)水質(zhì)進(jìn)行研究勢在必行。

3 結(jié)語

大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測技術(shù)有著廣泛的應(yīng)用前景，通過構(gòu)建全面完善的水質(zhì)監(jiān)測系統(tǒng)，水質(zhì)檢測的效率和精度進(jìn)一步提高。在未來，大數(shù)據(jù)驅(qū)動的水質(zhì)監(jiān)測系統(tǒng)將進(jìn)一步和物聯(lián)網(wǎng)、人工智能等技術(shù)相結(jié)合，并建立多級別的水質(zhì)監(jiān)測模型，從而滿足更多場景的應(yīng)用需求，完善智慧水利系統(tǒng)，為相關(guān)部門的環(huán)境監(jiān)管和管理決策提供全面系統(tǒng)的信息支持。

參考文獻(xiàn)：

［1］詹鵬偉，謝小姣.大數(shù)據(jù)系統(tǒng)及關(guān)鍵技術(shù)與工具綜述［J］.網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2018（8）：50-52.

［2］黃子恒.基于紫外-可見光譜法的水質(zhì)監(jiān)測云平臺設(shè)計(jì)與實(shí)現(xiàn)［D］.重慶：重慶理工大學(xué)，2022.

［3］季斌.檢測數(shù)據(jù)的資源化：大數(shù)據(jù)時代下的水質(zhì)檢測工作［J］.凈水技術(shù)，2017，36（9）：1-3.

［4］ SHERCHAN S P， GERBA C P， PEPPER I L. Evaluation of real-time water quality sensors for the detection of intentional bacterial spore contamination of potable water［J］. Journal of Biosensors and Bioelectronics，2013，4. DOI：10. 4172/2155-6210. 1000141.

［5］夏云飛，鄭詩程，黃聰.基于無線傳感網(wǎng)絡(luò)的水質(zhì)檢測研究［J］.工業(yè)控制計(jì)算機(jī)，2019，32（1）：27-29.

［6］龍家豪，向青，錢同惠.無線傳感網(wǎng)絡(luò)的水質(zhì)監(jiān)測應(yīng)用研究［J］.電子世界，2021（22）：6-7.

［7］ LIU Y S， ISLAM M A， GAO J. Quantification of shallow water quality parameters by means of remote sensing［J］. Progress in Physical Geography，2003，27（1）：24-43.

［8］侯毅凱，張安兵，呂如蘭，等.基于多源數(shù)據(jù)的河道水質(zhì)遙感反演研究［J］.灌溉排水學(xué)報，2023，42（11）：121-130.

［9］YIGITAVDAN Z， KAPLAN G， GONCU S， et al. Monitoring the water quality of small water bodies using high-resolution remote sensing data［J］. ISPRS International Journal of Geo-Information，2019，8（12）. DOI：10. 3390/ijgi8120553.

［10］黎栩霞，王裕東，肖佑鵬，等.深圳近岸海域水質(zhì)遙感監(jiān)測及時空變化［J］.環(huán)境工程，2024，42（1）：243-252.

［11］張鵬，郭正鑫，劉振軍.高光譜衛(wèi)星影像水質(zhì)遙感反演［J］.測繪通報，2022（S2）：206-211.

［12］KEITH D J， SCHAEFFER B A， LUNETTA R S， et al. Remote sensing of selected water-quality indicators with the hyperspectral imager for the coastal ocean （HICO） sensor［J］. International Journal of Remote Sensing，2014，35（9）： 2927-2962.

［13］FLORES-ANDERSON A I， GRIFFIN R， DIX M， et al.Hyperspectral satellite remote sensing of water quality in Lake Atitlán， Guatemala［J］. Frontiers in Environmental Science， 2020， 8. DOI：10. 3389/fenvs. 2020. 00007.

［14］YAN Y， WANG Y， YU C H， et al. Multispectral remote sensing for estimating water quality parameters： A comparative study of inversion methods using unmanned aerial vehicles （UAVs）［J］. Sustainability，2023，15（13）. DOI：10. 3390/su151310298.

［15］CHENG K H， CHAN S N， LE63325c678b69ddeb52aa383b0261c623E J H W. Remote sensing of coastal algal blooms using unmanned aerial vehicles （UAVs）［J］. Marine Pollution Bulletin， 2020，152. DOI：10. 1016/j. marpolbul.2020. 110889.

［16］GHOLIZADEH M H， MELESSE A M， REDDI L. A comprehensive review on water quality parameters estimation using remote sensing techniques［J］. Sensors，2016，16（8）. DOI：10. 3390/s16081298.

［17］SAGAN V， PETERSON K T， MAIMAITIJIANG M， et al. Monitoring inland water quality using remote sensing： Potential and limitations of spectral indices， bio-optical simulations， machine learning， and cloud computing［J］. Earth-Science Reviews，2020，205. DOI：10. 1016/j. earscirev. 2020. 103187.

［18］YANG H B， KONG J L， HU H H， et al. A review of remote sensing for water quality retrieval： Progress and challenges［J］. Remote Sensing，2022，14（8）. DOI：10. 3390/rs14081770.

［19］彭燁，李曉如，韓勇華.水源水質(zhì)在線監(jiān)測預(yù)警系統(tǒng)的建設(shè)及應(yīng)用［J］.供水技術(shù)，2022，16（6）：6-9.

［20］陳淑嫻，何文斌，張妥香，等.智慧生態(tài)水質(zhì)pH值監(jiān)測系統(tǒng)模型的設(shè)計(jì)與實(shí)現(xiàn)［J］.科技與創(chuàng)新，2022（5）：125-129.

［21］ZHANG J J， SHENG Y F， CHEN W D， et al. Design and analysis of a water quality monitoring data service platform［J］. Computers，Materials & Continua， 2021， 66（1）： 389-405.

［22］CHEN G， ZHANG W S， LIU X， et al. Development and application of a multi-centre cloud platform architecture for water environment management［J］. Journal of Environmental Management，2023，344. DOI：10. 1016/j. jenvman. 2023. 118670.

［23］項(xiàng)馨儀，趙杰煜，黃元捷.基于無線傳感網(wǎng)絡(luò)的水質(zhì)監(jiān)測系統(tǒng)［J］.無線通信技術(shù)，2018，27（2）：21-25.

［24］趙軍，林瀚剛，西熱娜依·白克力.基于ZigBee的水質(zhì)監(jiān)測系統(tǒng)研制及復(fù)雜環(huán)境下在線測試［J］.中國測試，2018，44（5）：67-70.

［25］NANDAKUMAR L， SANGEETH M， THOMSON M A M， et al. Real time water contamination monitor using cloud， IOT and embedded platforms［C］//2020 International Conference on Smart Electronics and Communication （ICOSEC）. IEEE， 2020： 854-858.

［26］CHEN Y J， LIU P X， JIANG B H， et al. The Design of WaterQuality Monitoring Cloud Platform Based on BS Architecture［C］//2016 International Conference on Computational Science and Engineering（ ICCSE 2016）. Atlantis Press， 2016.

［27］JHA B K， SIVASANKARI G G， VENUGOPAL K R. Cloud-based smart water quality monitoring system using IoT sensors and machine learning［J］. International Journal of Advanced Trends in Computer Science and Engineering，2020，9（3）：3403-3409.

［28］王意.面向混合存儲的時空大數(shù)據(jù)存儲策略研究［J］.地理空間信息，2023，21（9）：10-13.

［29］張揚(yáng)帆，王玙，李陽，等.基于云–邊–端協(xié)同的區(qū)域級風(fēng)電場大數(shù)據(jù)中心數(shù)據(jù)管理框架及優(yōu)化運(yùn)行方法［J/OL］.高電壓技術(shù)，1-11［2024-02-18］. DOI：10. 13336/j. 1003-6520. hve.20230115.

［30］MAIOLO M， PANTUSA D. Multivariate analysis of water quality data for drinking water supply systems［J］. Water， 2021， 13（13）.DOI： 10. 3390/w13131766.

［31］LOBATO T C， HAUSER-DAVIS R A， OLIVEIRA T F， et al. Construction of a novel water quality index and quality indicator for reservoir water quality evaluation： A case study in the Amazon region［J］. Journal of Hydrology，2015， 522： 674-683.

［32］唐亦舜， 徐慶， 劉振鴻， 等. 基于優(yōu)化非線性自回歸神經(jīng)網(wǎng)絡(luò)模型的水質(zhì)預(yù)測［J］. 東華大學(xué)學(xué)報（自然科學(xué)版）， 2022， 48（3）：93-100.

［33］JUNG K Y， LEE K L， IM T H， et al. Evaluation of water quality for the Nakdong River watershed using multivariate analysis［J］. Environmental Technology & Innovation，2016，5： 67-82.

［34］JOARDER M A M， RAIHAN F， ALAM J B， et al. Regression analysis of ground water quality data of Sunamganj District， Bangladesh［J］. International Journal of Environment Research， 2008，2（3）：291-296.

［35］SINGH K P， MALIK A， MOHAN D， et al. Multivariate statistical techniques for the evaluation of spatial and temporal variations in water quality of Gomti River （India）：a case study［J］. Water Research， 2004， 38（18）： 3980-3992.

［36］USTAO?LU F， TA? B， TEPE Y， et al. Comprehensive assessment of water quality and associated health risk by using physicochemical quality indices and multivariate analysis in Terme River， Turkey［J］. Environmental Science and Pollution Research， 2021， 28（44）： 62736-62754.

［37］趙晨曦，宋鈺，胡敬芳，等.改進(jìn)U-Net網(wǎng)絡(luò)的遙感圖像水質(zhì)分割算法［J］.遙感信息，2023，38（4）：137-143.

［38］CHEN K Y， CHEN H X， ZHOU C L， et al. Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data［J］. Water Research， 2020，171. DOI：10. 1016/j. watres. 2019. 115454.

［39］ZHU M Y， WANG J W， YANG X， et al. A review of theapplication of machine learning in water quality evaluation［J］. Eco-Environment & Health， 2022， 1（2）： 107-116.

［40］CHEN T， ZHANG H F， SUN C X， et al. Multivariate statisticalapproaches to identify the major factors governing groundwater quality［J］. Applied Water Science， 2018， 8（7）. DOI：10. 1007/s13201-018-0837-0.

［41］ZHONG Y C， ZHANG L， XING S J， et al. The big dataprocessing algorithm for water environment monitoring of the three Gorges reservoir area［J］. Abstract and Applied Analysis， 2014（5）. DOI：10. 1155/2014/698632.

［42］HOU J W， MI W B， LI L T. Spatial quality evaluation fordrinking water based on GIS and ant colony clustering algorithm［J］. Journal of Central South University， 2014， 21（3）： 1051-1057.

［43］李永飛，李銘洋，常鑫，等.基于可解釋性深度學(xué)習(xí)的物聯(lián)網(wǎng)水質(zhì)監(jiān)測數(shù)據(jù)異常檢測［J］.計(jì)算機(jī)工程，2024（6）：179-187.

［44］PARK Y， CHO K H， PARK J， et al. Development of early-warning protocol for predicting chlorophyll-a concentration using machine learning models in freshwater and estuarine reservoirs， Korea［J］. Science of the Total Environment， 2015， 502： 31-41.

［45］JEONG H， PARK S， CHOI B， et al. Machine learning-based water quality prediction using octennial in-situ Daphnia magna biological early warning system data［J］. Journal of Hazardous Materials，2024，465. DOI：10. 1016/j. jhazmat. 2023. 133196.

［46］YU R L， ZHANG C. Early warning of water quality degradation： A copula-based Bayesian network model for highly efficient water quality risk assessment［J］. Journal of Environmental Management，2021，292. DOI：10. 1016/j. jenvman. 2021. 112749.

［47］SHI B， WANG P， JIANG J P， et al. Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies［J］. Science of the Total Environment， 2018， 610/611： 1390-1399.

［48］WU J H， WANG Z C. A hybrid model for water quality prediction based on an artificial neural network， wavelet transform， and long short-term memory［J］. Water， 2022， 14（4）.DOI：10. 3390/w14040610.

［49］史斌，姜繼平，王鵬.基于高頻在線水質(zhì)數(shù)據(jù)異常的突發(fā)污染預(yù)警［J］.中國環(huán)境科學(xué)，2017，37（11）：4394-4400.

［50］QISHLAQI A， KORDIAN S， PARSAIE A. Field measurements and neural network modeling of water quality parameters［J］. Applied Water Science，2017，7（1）： 523-523.

［51］JIN T， CAI S B， JIANG D X， et al. A data-driven model for real-time water quality prediction and early warning by anintegration method［J］. Environmental Science and Pollution Research，2019，26（29）： 30374-30385.

［52］BURCHARD-LEVINE A， LIU S M， VINCE F， et al. A hybridevolutionary data driven model for river water quality early warning［J］. Journal of Environmental Management，2014，143：8-16.

［53］DING Y R， CAI Y J， SUN P D， et al. The use of combinedneural networks and genetic algorithms for prediction of river water quality［J］. Journal of Applied Research and Technology，2014，12（3）： 493-499.

［54］趙陽. 基于NARX人工神經(jīng)網(wǎng)絡(luò)的工業(yè)循環(huán)冷卻水智能決策系統(tǒng)的研究與應(yīng)用［D］.天津：天津理工大學(xué)，2015.

［55］NASIRI F， MAQSOOD I， HUANG G， et al. Water quality index： A fuzzy river-pollution decision support expert system［J］. Journal of Water Resources Planning and Management，2007，133（2）： 95-105.

［56］CHENG H， YANG Z， CHAN C W. An expert system for decision support of municipal water pollution control［J］. Engineering Applicationsa74efc8718ec157ff80f61f1ecf7f1f7 of Artificial Intelligence，2003，16（2）： 159-166.

［57］張秀峰，丁強(qiáng)，郝春洋.大數(shù)據(jù)模式下水質(zhì)參數(shù)檢測方法的研究［J］.無線通信，2017，7（6）：179-186.

［58］湯鴻霄.環(huán)境科學(xué)與技術(shù)的擴(kuò)展融合趨勢［J］. 環(huán)境科學(xué)學(xué)報，2017，37（2）：405-406.

［59］WU Y R， ZHANG X Y， XIAO Y， et al. Attention neural network for water image classification under IoT environment［J］. Applied Sciences， 2020， 10（3）. DIO：10. 3390/app10030909.

［60］CHOWDURY M S U， EMRAN T B， GHOSH S， et al. IoT based real-time river water quality monitoring system［J］. Procedia Computer Science， 2019， 155： 161-168.

［61］祝鵬，畢偉偉，賈雨奇，等.基于物聯(lián)網(wǎng)的水質(zhì)監(jiān)測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.儀器儀表用戶，2023，30（11）：106-108，11.

［62］李昕聰，余紫揚(yáng)，劉璞，等.基于NB-IoT和無人船巡檢的水產(chǎn)養(yǎng)殖場物聯(lián)網(wǎng)系統(tǒng)研究［J］.漁業(yè)現(xiàn)代化，2022，49（1）：72-81.

［63］王佳麟，何賢保，章啟明.基于物聯(lián)網(wǎng)的湖泊水質(zhì)監(jiān)測系統(tǒng)的研究［J］.綠色環(huán)保建材，2019（10）：254.

［64］KANG G， GAO J Z， XIE G. Data-driven water quality analysis and prediction： A survey［C］//2017 IEEE third international conference on big data computing service and applications （BigDataService）. IEEE， 2017： 224-232.

［65］馬浴瓊，曾欣玥，陳松.水質(zhì)檢測技術(shù)發(fā)展現(xiàn)狀［J］.化學(xué)工程與裝備，2021（11）：191-193.

［66］孟露，楊海波.基于CiteSpace知識圖譜的水文大數(shù)據(jù)研究進(jìn)展［J］.人民珠江，2024，45（2）：38-44.