#人工智能#AI是如何治水的？( 二 ) |技术|水利工程|遥感|

预测调度业务是水利水务水环境中的核心业务， AI技术有望让现有的预报调度一体化系统再上一个新台阶。现有预报调度业务主要依赖机理模型，无论是参数率定还是其他数据挖掘工作，现有机制中并没有很好的发挥不断累积数据的价值。而且现有预报调度系统高度依赖于专家经验，方案生成的效率较低，控制粒度不够精细，据调研发现目前大部分系统中也并没有采用运筹优化方法。随着业务范围的不断扩大，无论是大型流域综合调度，还是城市水资源水环境调度，都需要对众多水利工程进行联合调度，要考虑防洪排涝、水资源、水生态、泥沙、应急等多种目标，更迫切需要机器智能与专家智慧相互补充。
首先分析数据驱动模型和机理模型的关系。从预测预警的角度看，现有的机理模型在落地中碰到众多的现实问题，包括数据准备不足、模型参数过多、计算量大等，导致理论在实践中有落地难度,精度也有待进一步提高。利用泛在监测所获得的时空相对连续的监测数据，通过数据科学和机器学习方法，对采集到的数据进行可靠性分析，建立数据驱动模型从而对水文水环境等进行黑箱或灰箱建模，这样更关心输入输出从而使得建模相对简单，也能对来自现实世界的实时监测数据进行及时有效的利用，从而避免理论建模带来的潜在偏差，而且能够更容易实现多源数据的融合和相互预测。据此提供的短中长期预测预警服务，能显著弥补原有机理模型存在的一些问题，并和机理模型各司其职，从而实现“预测准” 。机器学习模型也存在一些关键的挑战，包括依赖于数据的可靠性，对时空连续性要求也高，另外当系统的动态特性发生变化时比如新建水利工程，需要对历史数据进行新的转化和利用。而机理模型能够基于物理、化学、生物等原理对系统的动态特性进行重新建模，相对于机器学习模型更有潜力快速适应新的变化。开发数据驱动模型，并与机理模型进行有机融合，是必然趋势。

本文插图
其次分析机器智能和专家智慧的关系。作为机器智能的组成部分，数据驱动模型和机理模型相互补充，可以提高系统的精度和适应性，包括基于参数或结果对机理模型的在线校正，相似洪水识别等。可以快速给出各种目标和约束情况下的方案推荐供人决策，包括使用运筹优化方案进行方案自动迭代，使用调度规则库和知识图谱进行可行方案自动生成。机器智能擅长暴力计算，可以对复杂大规模问题进行细粒度和高频的计算从而达到更优。通过机器智能和知识管理可以实现知识和能力更有效的传承传播迭代，从而实现持续进化。与机器智能不同的是，专家智慧具有优秀的融会贯通的能力。决策会商时领导会从全流域、长时间跨度、综合各种指标来考虑问题。预测预报时，预报员需要根据经验对系统预报结果进行手工调整和修正。调度控制时，调度控制专家根据经验对突发和异常情况给出判断和建议。数据挖掘时，数据科学家要不断从数据中发现新的模式模型。专家智慧和机器智能交互融合，朝精细化智能化发展，实现“预测准”和“调度准” 。
特别的，知识图谱将在水利水务水环境业务中将扮演越来越重要的角色。流域、河网、管网本身就是网状结构，与之相关的知识是一个更复杂的网络，而知识图谱的“实体、属性、关系”非常适合表达这样的网状关系。知识图谱已经被广泛的应用于互联网、诊疗、呼叫中心等领域，包括搜索、推荐、问答、自动文本生成等，它擅长于就复杂问题给顶尖专家提供知识赋能，也擅长于作为载体把顶尖专家的能力传递给普通从业者。
防洪排涝、水环境、水生态等很多问题，需要广泛的知识和复杂的推理，顶尖专家和普通从业者需要借助知识图谱作为工具。知识就是力量，只有把它们汇聚起来，让机器参与分发，才能实现突破。