智慧灌區(qū)的架構(gòu)、理論和方法之初探

史良勝，查元源，胡小龍，楊 琦

（武漢大學(xué) 水資源與水電工程科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430072）

灌區(qū)在我國(guó)農(nóng)業(yè)和水利行業(yè)中具有舉足輕重的地位。目前灌區(qū)管理面臨新的需求，包括：（1）管理目標(biāo)多元化。灌區(qū)是我國(guó)農(nóng)業(yè)發(fā)展的主體，如何提高農(nóng)業(yè)水資源利用效率，對(duì)于保障工業(yè)和生活用水供應(yīng)至關(guān)重要。在水資源短缺現(xiàn)象日益嚴(yán)重、水土環(huán)境污染和生態(tài)退化問(wèn)題加劇的背景下，灌區(qū)管理從傳統(tǒng)農(nóng)業(yè)用水管理轉(zhuǎn)變至農(nóng)業(yè)、工業(yè)、生活和生態(tài)用水管理并重，有些灌區(qū)還服務(wù)于旅游和科教產(chǎn)業(yè)。灌區(qū)管理涉及到多地區(qū)、多部門(mén)、多行業(yè)，管理目標(biāo)多元化使得灌區(qū)系統(tǒng)的復(fù)雜性顯著增加；（2）管理行為精準(zhǔn)化。粗放型農(nóng)業(yè)用水方式導(dǎo)致我國(guó)農(nóng)田灌溉水有效利用系數(shù)僅為0.554（中國(guó)水資源公報(bào)，2019），且傳統(tǒng)的灌區(qū)管理以農(nóng)業(yè)用水為主，缺乏生態(tài)和環(huán)境方面的監(jiān)測(cè)與管理。為實(shí)現(xiàn)多目標(biāo)優(yōu)化管理，需對(duì)灌區(qū)水資源配置、種植結(jié)構(gòu)、農(nóng)田水肥藥措施等不同時(shí)間和空間尺度的行為進(jìn)行精細(xì)化管理，實(shí)時(shí)精準(zhǔn)地實(shí)施抗旱、防洪、排澇、排漬、控污，以及滿足生產(chǎn)、生活、生態(tài)的用水需求，達(dá)到水土資源的最優(yōu)利用以及生態(tài)環(huán)境保護(hù)的目的；（3）管理手段智能化。隨著城鎮(zhèn)化的發(fā)展，農(nóng)業(yè)就業(yè)人口數(shù)量快速下降、老齡化現(xiàn)象日趨突出。灌區(qū)管理在面臨管理目標(biāo)多樣、管理任務(wù)繁重的同時(shí)，也面臨管理人員不足的壓力；因此，需要借助智能化手段，提高管理服務(wù)的效率和水平?？偟膩?lái)說(shuō)，我國(guó)灌區(qū)管理主要沿用傳統(tǒng)的理論與技術(shù)手段。本文以智慧灌區(qū)為論述對(duì)象，試圖為未來(lái)智慧灌區(qū)發(fā)展提供架構(gòu)、理論及相應(yīng)方法層面的展望并結(jié)合人工智能的最新研究進(jìn)展，力圖梳理出適用于灌區(qū)場(chǎng)景的人工智能技術(shù)特點(diǎn)以及需解決的難點(diǎn)。

1 智慧灌區(qū)的定義和基本功能

灌區(qū)是指灌溉水源工程所能控制的對(duì)農(nóng)田實(shí)施灌溉的地域，由灌溉水源工程、灌溉排水系統(tǒng)及灌溉農(nóng)田組成[1]。在灌區(qū)的管理上，通常以抗旱、防洪、排澇、排漬等作為主要目標(biāo)。目前，灌區(qū)的管理從水量調(diào)控轉(zhuǎn)變至水量、水質(zhì)、生態(tài)調(diào)控并重，灌區(qū)中農(nóng)業(yè)活動(dòng)也已經(jīng)從穩(wěn)產(chǎn)、增產(chǎn)轉(zhuǎn)變至保證產(chǎn)量品質(zhì)并重。

人工智能（又稱機(jī)器智能），是指一個(gè)可以感知周?chē)h(huán)境并采取行動(dòng)以最大化概率實(shí)現(xiàn)其目標(biāo)的系統(tǒng)。最近20年來(lái)，人工智能研究的核心是在推理、知識(shí)表達(dá)、規(guī)劃、學(xué)習(xí)、自然語(yǔ)言處理、感知、移動(dòng)與操控工具等方面構(gòu)建與人類(lèi)類(lèi)似甚至超出人類(lèi)的能力[2-3]。人工智能在圖像和視頻識(shí)別、游戲、語(yǔ)言、無(wú)人駕駛等方面取得了初步成果。然而，按照Pearl等[4]對(duì)因果關(guān)系的分級(jí)，目前的人工智能僅具有初級(jí)的關(guān)聯(lián)能力，即可基于被動(dòng)觀測(cè)做出預(yù)測(cè)；更高級(jí)的、具有干預(yù)能力和反事實(shí)能力的人工智能尚待開(kāi)發(fā)。

參照人工智能的定義，本文嘗試將智慧灌區(qū)定義為：具有智能監(jiān)測(cè)、解譯、模擬、預(yù)警、決策和調(diào)控能力的灌區(qū)，全面實(shí)時(shí)感知灌區(qū)水情、墑情、工情、作物長(zhǎng)勢(shì)、生態(tài)環(huán)境等信息，快速、精準(zhǔn)、自主調(diào)控水源、輸配水及排水系統(tǒng)等工程設(shè)施及設(shè)備，實(shí)現(xiàn)水量、水質(zhì)和生態(tài)等多目標(biāo)的最優(yōu)化管理。智慧灌區(qū)是現(xiàn)有灌區(qū)信息化、自動(dòng)化和數(shù)字化的高級(jí)形式；它融合了人工智能技術(shù)，以期實(shí)現(xiàn)更為智能的灌區(qū)監(jiān)測(cè)、信息解譯、模擬、預(yù)警、決策和調(diào)控[5-6]，具備自主學(xué)習(xí)、分析和優(yōu)化能力。智慧灌區(qū)依賴于灌區(qū)場(chǎng)景的機(jī)器智能，其在感知、認(rèn)知、管理灌區(qū)方面具備超越人類(lèi)的能力。

智慧灌區(qū)包括4個(gè)基本功能：（1）能夠?qū)Σ煌叨鹊墓鄥^(qū)要素進(jìn)行觀測(cè)，從低信息含量的被動(dòng)觀測(cè)過(guò)渡到高信息含量的主動(dòng)觀測(cè)；（2）能夠從多源數(shù)據(jù)中準(zhǔn)確解譯出灌區(qū)的水情、墑情、作物（植被）長(zhǎng)勢(shì)、生態(tài)、環(huán)境、工情等定量特征，自動(dòng)識(shí)別出灌區(qū)干旱、澇漬、鹽堿、水土流失、生態(tài)退化、環(huán)境污染等表征；（3）針對(duì)龐大、復(fù)雜的灌區(qū)系統(tǒng)，能夠準(zhǔn)確描述灌區(qū)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長(zhǎng)和生態(tài)系統(tǒng)演化，具備動(dòng)態(tài)自主建模能力和模型進(jìn)化能力，具有觀測(cè)數(shù)據(jù)之外的推理能力；（4）能夠自主、精準(zhǔn)制定水資源調(diào)度和配置、水旱災(zāi)害防治、水環(huán)境修復(fù)、生物多樣性保護(hù)等措施，可準(zhǔn)確評(píng)估各管理行為的效應(yīng)和效益并具備實(shí)時(shí)調(diào)整的能力。針對(duì)某些特定的灌區(qū)功能和管理目標(biāo)，還可定義其它類(lèi)似的智慧型概念，例如可針對(duì)灌溉、供排水等目標(biāo)，定義智慧灌溉、智慧泵站等概念。智慧灌區(qū)建設(shè)以開(kāi)發(fā)人工智能技術(shù)來(lái)提升灌區(qū)管理能力為核心，是目前“補(bǔ)短板、強(qiáng)監(jiān)管”的有效手段，也是現(xiàn)代灌區(qū)的全新階段。圖1給出了智慧灌區(qū)架構(gòu)的框圖，下文將分別予以論述。

筆者認(rèn)為智慧灌區(qū)不僅僅是人工智能技術(shù)在灌區(qū)內(nèi)的應(yīng)用，這主要是因?yàn)槟壳暗娜斯ぶ悄芗夹g(shù)過(guò)度依賴于數(shù)據(jù)，而對(duì)于復(fù)雜的灌區(qū)系統(tǒng)來(lái)說(shuō)，難以進(jìn)行空中、地表、土壤、地下全覆蓋式的觀測(cè)，也因此難以獲取高維的、高密度的數(shù)據(jù)集。智慧灌區(qū)應(yīng)是經(jīng)典農(nóng)田水利學(xué)、水文學(xué)、水力學(xué)、環(huán)境學(xué)、生態(tài)學(xué)等專(zhuān)業(yè)學(xué)科知識(shí)與人工智能的結(jié)合。前者為智慧灌區(qū)提供先驗(yàn)知識(shí)，后者處理數(shù)據(jù)的能力更強(qiáng)，兩者結(jié)合將更有利于灌區(qū)場(chǎng)景的人工智能技術(shù)的開(kāi)發(fā)。

圖1 智慧灌區(qū)架構(gòu)

2 智慧灌區(qū)的觀測(cè)體系

智能觀測(cè)系統(tǒng)和數(shù)據(jù)解譯系統(tǒng)構(gòu)成了灌區(qū)感知智能，其目的在于快速、準(zhǔn)確獲取灌區(qū)的數(shù)字化表示，包括：地形，土地利用類(lèi)型，土壤水分、鹽分和養(yǎng)分狀態(tài)，氣象要素，干旱和洪澇狀態(tài)，水庫(kù)、湖泊、河道和溝渠水位、水質(zhì)、流量、流速，地下水位和水質(zhì)，作物（植被）生長(zhǎng)狀態(tài)，生物多樣性，設(shè)備和建筑物（閘門(mén)、泵站、溝渠等）運(yùn)行狀態(tài)，農(nóng)田管理信息等主要數(shù)據(jù)。數(shù)字化服務(wù)于灌區(qū)智能管理，數(shù)字化的規(guī)劃精度一方面取決于灌區(qū)調(diào)控目標(biāo)，也取決于技術(shù)精度與技術(shù)成本之間的均衡；在數(shù)據(jù)量和精度能夠滿足灌區(qū)特定調(diào)控目標(biāo)的前提下，快速和低成本數(shù)字化優(yōu)先于高精度和高成本數(shù)字化。

2.1 灌區(qū)多源觀測(cè)系統(tǒng)灌區(qū)傳統(tǒng)的地面觀測(cè)以點(diǎn)尺度觀測(cè)為主（如墑情站），觀測(cè)密度和代表性均不足。Li等[7]研究表明，點(diǎn)尺度的土壤含水量在農(nóng)田管理中存在局限性，這主要是由于土壤含水量的強(qiáng)烈空間變異性削弱了點(diǎn)尺度數(shù)據(jù)的價(jià)值。衛(wèi)星遙感雖然已廣泛應(yīng)用于灌區(qū)災(zāi)害評(píng)估，但仍未成為一種日常觀測(cè)手段；目前衛(wèi)星觀測(cè)的時(shí)空分辨率也難以滿足精準(zhǔn)、精細(xì)化的管理要求。低空無(wú)人機(jī)觀測(cè)在中尺度問(wèn)題中已展現(xiàn)出了顯著的優(yōu)勢(shì)，但在灌區(qū)中相應(yīng)的技術(shù)和應(yīng)用研究仍然滯后。隨著衛(wèi)星觀測(cè)精度和分辨率的改善、無(wú)人機(jī)觀測(cè)成本和地面?zhèn)鞲衅鲀r(jià)格的降低，天地空一體化觀測(cè)將成為未來(lái)灌區(qū)的基本觀測(cè)架構(gòu)。

目前構(gòu)建天地空一體化觀測(cè)體系存在諸多挑戰(zhàn)：（1）天地空一體化觀測(cè)體系的基礎(chǔ)設(shè)施建設(shè)不足，現(xiàn)有體系還不能支持灌區(qū)的數(shù)字化，而數(shù)字化是智慧灌區(qū)的前提；（2）大規(guī)模布設(shè)地面接觸式傳感器（如TDR、FDR傳感器）的成本非常昂貴且不利于田間機(jī)械作業(yè)，這意味著應(yīng)該更加重視非接觸式傳感器；（3）天地空觀測(cè)還沒(méi)有形成協(xié)同效益，不同尺度和不同來(lái)源數(shù)據(jù)的協(xié)同利用缺乏嚴(yán)謹(jǐn)?shù)睦碚撝С趾拖到y(tǒng)的實(shí)驗(yàn)研究；（4）灌區(qū)缺乏高時(shí)空分辨率和高通量的觀測(cè)手段，缺乏針對(duì)海量數(shù)據(jù)的解譯方法。

非接觸式觀測(cè)近年來(lái)獲得飛速發(fā)展，但目前灌區(qū)的觀測(cè)系統(tǒng)設(shè)計(jì)尚未予以重視。在河流和溝渠流量監(jiān)測(cè)方面，圖像測(cè)速方法正成為一種具有潛力的非接觸式表面流速和斷面流量測(cè)量方法[8]，有可能成為常規(guī)接觸式測(cè)流法（如流速儀法）的替代方法。例如趙浩源等[9]在崇陽(yáng)水文站的比測(cè)實(shí)驗(yàn)發(fā)現(xiàn)，圖像測(cè)速法估測(cè)的表面流速與旋槳式流速儀實(shí)測(cè)結(jié)果之間的相對(duì)誤差小于15%、流量誤差小于5%。在干旱監(jiān)測(cè)方面，土壤含水量和作物水分脅迫指數(shù)（CWSI）分別是最為常用的基于土壤的指標(biāo)（接觸式方法）和基于作物的指標(biāo)（非接觸式方法）；隨著土壤水分遙感監(jiān)測(cè)理論的發(fā)展，特別是土壤熱慣量和微波方法的興起，非接觸式的干旱監(jiān)測(cè)手段日益豐富。非接觸式干旱監(jiān)測(cè)方法通過(guò)地表的近中遠(yuǎn)紅外、熱紅外信號(hào)以及穿透冠層的微波信號(hào)來(lái)反映干旱，應(yīng)用更為便捷，且兼容無(wú)人機(jī)等移動(dòng)平臺(tái)，然而相關(guān)技術(shù)在現(xiàn)有灌區(qū)中應(yīng)用很少。在灌區(qū)植被表型觀測(cè)方面（例如病蟲(chóng)害、LAI、作物長(zhǎng)勢(shì)）[10]，非接觸式觀測(cè)已能達(dá)到很高的精度。在水質(zhì)監(jiān)測(cè)方面，非接觸式傳感器已可測(cè)量葉綠素a含量、水溫、溶解氧、總磷等指標(biāo)[11]。在大壩等建筑物監(jiān)測(cè)方面，全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）方法，在精度上雖略遜于正倒垂法等經(jīng)典方法，但具有全天候、實(shí)時(shí)、自動(dòng)化程度高等特點(diǎn)[12]。

非接觸式觀測(cè)大多基于光譜遙感技術(shù)；與此同時(shí)，激光探測(cè)及測(cè)距（LiDAR）技術(shù)也已經(jīng)成熟應(yīng)用于地形監(jiān)測(cè)[13]、農(nóng)作物特征（株高、生物量、作物氮素狀態(tài)）[14-15]，以及大壩等建筑物的結(jié)構(gòu)和變形監(jiān)測(cè)等方面。隨著低中高空遙感技術(shù)的發(fā)展，這些技術(shù)的成本正在快速降低?？偟膩?lái)說(shuō)，非接觸式監(jiān)測(cè)方法已在灌區(qū)得以廣泛應(yīng)用，但仍不是灌區(qū)觀測(cè)的主流方法，這主要是因?yàn)槠浼夹g(shù)成熟度、觀測(cè)精度和可靠性方面仍有待完善。智慧灌區(qū)觀測(cè)系統(tǒng)應(yīng)結(jié)合非接觸式和接觸式觀測(cè)，接觸式觀測(cè)系統(tǒng)用于高精度的項(xiàng)目信息獲取，以及在現(xiàn)有技術(shù)條件下，非接觸式所無(wú)法替代的觀測(cè)項(xiàng)目。

綜上所述，筆者認(rèn)為智慧灌區(qū)的基本觀測(cè)架構(gòu)具有如下特征：（1）接觸式和非接觸式觀測(cè)相結(jié)合，移動(dòng)式與固定式觀測(cè)相結(jié)合。非接觸式傳感器以可見(jiàn)光、近中遠(yuǎn)紅外、熱紅外、微波等電磁波段、激光、聲納為探測(cè)手段，可搭載在地面固定設(shè)備、衛(wèi)星、移動(dòng)無(wú)人車(chē)、無(wú)人船和無(wú)人機(jī)上；相對(duì)于接觸式觀測(cè)而言，非接觸式設(shè)備在單位觀測(cè)成本以及運(yùn)行維護(hù)上更有優(yōu)勢(shì)；（2）適用于灌區(qū)不同尺度觀測(cè)的機(jī)器視覺(jué)技術(shù)。機(jī)器視覺(jué)是人工智能的基礎(chǔ)技術(shù)之一，也是目前人工智能領(lǐng)域中成果最為豐富的分支。機(jī)器視覺(jué)在圖像的顏色、形狀、紋理和光譜分析上取得了顯著進(jìn)展[16]，應(yīng)是灌區(qū)感知智能的基礎(chǔ)組成。為了精準(zhǔn)捕捉灌區(qū)特征的動(dòng)態(tài)變化和三維結(jié)構(gòu)特征[17-19]，灌區(qū)機(jī)器視覺(jué)還應(yīng)具有高通量圖像數(shù)據(jù)（超高分辨率圖像、視頻數(shù)據(jù)和超光譜圖像）的收集和分析能力；（3）基于多源大數(shù)據(jù)的灌區(qū)特征解譯技術(shù)。大數(shù)據(jù)不僅體現(xiàn)在數(shù)據(jù)容量和類(lèi)型的增加，更體現(xiàn)在數(shù)據(jù)分析方法的創(chuàng)新，如卷積神經(jīng)網(wǎng)絡(luò)[20]和云技術(shù)[21]等。例如，對(duì)干旱的定量診斷，可融合土壤含水量、近中遠(yuǎn)紅外、亮度溫度、微波等多源數(shù)據(jù)中所含的干旱信息，也可融合不同尺度數(shù)據(jù)來(lái)提高估計(jì)精度[22]。相對(duì)于單一數(shù)據(jù)，多源大數(shù)據(jù)技術(shù)一方面為利用間接數(shù)據(jù)提供了途徑，一方面可降低對(duì)單源觀測(cè)的過(guò)度依賴，增加了觀測(cè)系統(tǒng)的穩(wěn)定性；（4）天地空數(shù)據(jù)智能交換技術(shù)。鑒于天地空觀測(cè)手段各自的優(yōu)劣勢(shì)，應(yīng)實(shí)現(xiàn)信息流在天地空觀測(cè)設(shè)備之間的交換。數(shù)據(jù)交換的益處一方面在于可以實(shí)現(xiàn)天地空設(shè)備之間的互相校準(zhǔn)和不同尺度數(shù)據(jù)的尺度升降，另一方面可根據(jù)管理目標(biāo)，為由被動(dòng)觀測(cè)向自主觸發(fā)觀測(cè)提供前提。例如，當(dāng)系統(tǒng)判斷衛(wèi)星數(shù)據(jù)不足以服務(wù)于管理目標(biāo)時(shí)，可自主觸發(fā)無(wú)人機(jī)觀測(cè)，對(duì)特定區(qū)域自動(dòng)進(jìn)行高分辨率的巡測(cè)。

2.2 灌區(qū)大數(shù)據(jù)環(huán)境下的信息理論和數(shù)據(jù)解譯方法當(dāng)面臨大量的、不同類(lèi)型的、不同低價(jià)值密度的數(shù)據(jù)時(shí)，就需要引入信息度指標(biāo)（例如熵）以評(píng)估各種觀測(cè)數(shù)據(jù)在量化灌區(qū)特征上的價(jià)值大小，并可以通過(guò)數(shù)據(jù)價(jià)值反向管理監(jiān)測(cè)系統(tǒng)，提高數(shù)據(jù)采集效率，降低監(jiān)測(cè)成本。因此，信息理論是灌區(qū)感知智能的基礎(chǔ)理論之一，應(yīng)解決如下4個(gè)問(wèn)題：（1）評(píng)估某種數(shù)據(jù)所含的信息量；（2）評(píng)估多源數(shù)據(jù)聯(lián)合包含的信息量；（3）評(píng)估某種數(shù)據(jù)所含的信息量有多少可通過(guò)其它數(shù)據(jù)推導(dǎo)出來(lái)；（4）評(píng)估多源數(shù)據(jù)包含的重復(fù)信息量[23]。在已有研究中，科學(xué)家們提出了邊際熵（Marginal entropy）、聯(lián)合熵（Joint entropy）、相對(duì)熵（Relative entropy）、交叉熵（Cross entropy）、轉(zhuǎn)移信息（Transinformation）和全相關(guān)性（Total Correlation）等概念，并在水文觀測(cè)站設(shè)計(jì)等問(wèn)題中得以應(yīng)用[23-24]。然而，已有的信息理論在處理多源大數(shù)據(jù)時(shí)是不足的。Calude等[25]證實(shí)當(dāng)數(shù)據(jù)集過(guò)大時(shí)會(huì)出現(xiàn)任意的、無(wú)意義的相關(guān)性，導(dǎo)致“偽相關(guān)泛濫”問(wèn)題，從而產(chǎn)生數(shù)據(jù)越多越難提取有效信息的現(xiàn)象。不同于推薦系統(tǒng)、廣告領(lǐng)域的大數(shù)據(jù)技術(shù)，灌區(qū)的多源大數(shù)據(jù)包含復(fù)雜的物理關(guān)系，如土壤含水量與熱紅外、微波反射時(shí)間和振幅等數(shù)據(jù)存在特定的但又具有一定不確定性的物理關(guān)系。由于相關(guān)性不等同于因果關(guān)系[4]，筆者認(rèn)為在多源大數(shù)據(jù)分析過(guò)程，新的信息理論應(yīng)服從于自然界固有的因果關(guān)系，尤其對(duì)于包含眾多變量和管理目標(biāo)的復(fù)雜系統(tǒng)。在多源大數(shù)據(jù)分析中考慮這些物理關(guān)系的約束，有利于解譯出更有價(jià)值的信息?？偠灾?，灌區(qū)大數(shù)據(jù)的信息理論尚不完善，缺乏系統(tǒng)的理論分析和相應(yīng)的實(shí)驗(yàn)研究。下文第3節(jié)將從模型的角度進(jìn)一步論述該點(diǎn)的重要性。

由被動(dòng)觀測(cè)轉(zhuǎn)變?yōu)橹鲃?dòng)觀測(cè)是未來(lái)趨勢(shì)，即根據(jù)管理需求，系統(tǒng)自主調(diào)整衛(wèi)星軌道、高度和角度，觸發(fā)無(wú)人機(jī)自動(dòng)巡測(cè)，以及自主調(diào)整地面觀測(cè)設(shè)備的高度、角度和位置，實(shí)現(xiàn)有針對(duì)性的觀測(cè)。實(shí)現(xiàn)該功能的最大難點(diǎn)在于如何評(píng)估擬采集數(shù)據(jù)所包含的信息能在多大程度幫助系統(tǒng)實(shí)現(xiàn)預(yù)定的管理目標(biāo)。因此，新的信息理論也是主動(dòng)觀測(cè)的基礎(chǔ)理論，從而可以科學(xué)地評(píng)估和預(yù)判觀測(cè)數(shù)據(jù)價(jià)值。

在數(shù)據(jù)解譯方法上，傳統(tǒng)的統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法以及深度學(xué)習(xí)方法均有廣泛應(yīng)用。深度學(xué)習(xí)技術(shù)近期獲得廣泛關(guān)注，在灌區(qū)相關(guān)問(wèn)題上已有初步的成果，如植被分類(lèi)[26-27]、降雨降雪估計(jì)[28]、太陽(yáng)輻射計(jì)算[29]、物候估計(jì)[30]、產(chǎn)量估計(jì)[31]、水位計(jì)算[32]和溶質(zhì)參數(shù)估計(jì)[33]等。為同時(shí)利用多源數(shù)據(jù)，學(xué)者們提出多種改進(jìn)的深度學(xué)習(xí)架構(gòu)，如Yang等[31]提出了一種雙支深度神經(jīng)網(wǎng)絡(luò)，分別解譯可見(jiàn)光和多光譜數(shù)據(jù)；Yang等[30]以熱時(shí)間作為輔助數(shù)據(jù)來(lái)約束卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果。然而，目前的研究尚不足以支撐灌區(qū)不同尺度觀測(cè)的機(jī)器視覺(jué)技術(shù)，也無(wú)法高效解譯多源大數(shù)據(jù)，特別在超高分辨率圖像、視頻數(shù)據(jù)、超光譜圖像、多源海量數(shù)據(jù)解譯方面仍有待開(kāi)發(fā)。深度學(xué)習(xí)技術(shù)在解譯數(shù)據(jù)方面雖然直接高效，但其缺乏物理可解釋性的不足有待彌補(bǔ)。Zhou等[33]最近通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)建立了含水層水力參數(shù)與宏觀彌散度的映射關(guān)系，避免了密集觀測(cè)水頭和求解水流方程，極大地便捷了多孔介質(zhì)宏觀參數(shù)的推求；然而，如何在參數(shù)估計(jì)中滿足內(nèi)在的物理約束，服從連續(xù)性方程、能量方程和動(dòng)量方程等基本方程值得深入研究。

3 智慧灌區(qū)的認(rèn)知體系

土壤-植物-大氣連續(xù)體（SPAC）、彭曼公式、圣維南方程、謝才公式、達(dá)西定律、對(duì)流彌散方程等基本概念和方程是灌區(qū)水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化和作物生長(zhǎng)模擬的基礎(chǔ)。目前應(yīng)用于灌區(qū)管理的軟件也眾多，包括SWAT、TOPMODEL和SHE等概念性流域水文模型，WOFOST、DS?SAT、ORYZA、EPIC和CropSyst等 作 物 模型，F(xiàn)luent、MODFLOW和HYDRUS等 水 動(dòng)力學(xué) 模 型，SWAP、DRAINMOD、AquaCrop和AHC等田間水管理模型及其它等等。然而，僅對(duì)少數(shù)灌區(qū)問(wèn)題（如短距離渠道輸水），模型才具有良好的精度；對(duì)于不同尺度耗水量估測(cè)、湖泊水庫(kù)河道水質(zhì)模擬、農(nóng)田水土環(huán)境模擬、地下水運(yùn)動(dòng)及污染物運(yùn)移、多渠段復(fù)雜明滿流輸配水系統(tǒng)自動(dòng)控制等眾多問(wèn)題，這些概念、方法和模型仍不足以支撐灌區(qū)精準(zhǔn)化和智能化的管理。Gupta等[34]指出，如何在復(fù)雜系統(tǒng)中調(diào)和過(guò)程模型與觀測(cè)數(shù)據(jù)已成為現(xiàn)代環(huán)境科學(xué)的關(guān)鍵問(wèn)題。Savenije[35]認(rèn)為模型是基于特定理論的工具，概念模型不等同于現(xiàn)實(shí)。為對(duì)灌區(qū)水量、水質(zhì)、生態(tài)實(shí)施精準(zhǔn)管理，增強(qiáng)模型的現(xiàn)實(shí)性至關(guān)重要。模型與現(xiàn)實(shí)的脫鉤，也是現(xiàn)有灌區(qū)模型難以勝任精準(zhǔn)化和智能化管理的主要原因。這種脫鉤體現(xiàn)在3個(gè)地方：（1）灌區(qū)數(shù)字化程度不足，模型運(yùn)行缺乏足夠的數(shù)據(jù)支撐。讓模型在基于現(xiàn)實(shí)的數(shù)字環(huán)境中運(yùn)行是灌區(qū)感知智能解決的主要問(wèn)題；（2）對(duì)灌區(qū)的機(jī)理認(rèn)識(shí)不足，尚未透徹地理解水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長(zhǎng)和生態(tài)系統(tǒng)演化過(guò)程。灌區(qū)水轉(zhuǎn)化與伴生的多種過(guò)程在不同時(shí)空尺度上的機(jī)理和規(guī)律也有待深入揭示；（3）建模方法的不足。合理的模型架構(gòu)應(yīng)具有利用已知觀測(cè)來(lái)描述仍含有大量未知信息（如土壤質(zhì)地、水力性質(zhì)等）的系統(tǒng)的能力[35]。后兩點(diǎn)是灌區(qū)認(rèn)知智能需解決的核心問(wèn)題。

3.1 灌區(qū)模擬的純數(shù)據(jù)驅(qū)動(dòng)方法和數(shù)據(jù)同化方法許多與灌區(qū)管理相關(guān)的模型采用了大量的假設(shè)和簡(jiǎn)化，導(dǎo)致難以準(zhǔn)確模擬灌區(qū)內(nèi)的各種過(guò)程。為了減弱或擺脫模型對(duì)復(fù)雜物理機(jī)制的依賴，多種數(shù)據(jù)驅(qū)動(dòng)的模擬技術(shù)得以發(fā)展和應(yīng)用，包括機(jī)器學(xué)習(xí)為代表的純數(shù)據(jù)驅(qū)動(dòng)方法和數(shù)據(jù)同化方法。

純數(shù)據(jù)驅(qū)動(dòng)方法是指具有特定架構(gòu)的機(jī)器學(xué)習(xí)模型。這類(lèi)模型通過(guò)歷史數(shù)據(jù)來(lái)構(gòu)建輸入和輸出之間的關(guān)系，從而達(dá)到直接預(yù)測(cè)的目的。在徑流模擬方面，Hsu等[36]利用非線性人工神經(jīng)網(wǎng)絡(luò)模擬降雨-徑流過(guò)程，取得了甚至優(yōu)于物理模型的精度。Jain等[37]檢驗(yàn)了在人工神經(jīng)網(wǎng)絡(luò)方法在降雨-徑流模擬中保留物理機(jī)理的能力。后續(xù)研究者還結(jié)合了多種不同機(jī)器學(xué)習(xí)方法來(lái)進(jìn)一步改進(jìn)徑流模擬[38-39]。在灌區(qū)耗水計(jì)算方面，由于蒸散發(fā)物理過(guò)程復(fù)雜，數(shù)學(xué)模型形式眾多，不同模型均存在較大的局限性。例如能量平衡模型雖物理機(jī)制明確，但能量不閉合問(wèn)題、氣孔阻抗及地表粗糙長(zhǎng)度參數(shù)化難題大大降低了模型的精度?？紤]到蒸散過(guò)程本身是一個(gè)復(fù)雜非線性的現(xiàn)象，其依賴于眾多相互影響的氣象要素，Kumar等[40]嘗試擺脫特定的模型，利用人工神經(jīng)網(wǎng)絡(luò)直接建立氣象要素與蒸散關(guān)系。在灌溉排水系統(tǒng)控制方面，也有學(xué)者采用人工神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)溝渠水位[41]，但相關(guān)研究較少，目前主流模型還是依賴于水力學(xué)原理?？梢钥闯?，在涉及到復(fù)雜機(jī)理、多變量、多過(guò)程的問(wèn)題中，純數(shù)據(jù)驅(qū)動(dòng)的模型受到了更多的關(guān)注。

為彌補(bǔ)經(jīng)典機(jī)理模型的不足，有學(xué)者嘗試將機(jī)理模型與觀測(cè)相結(jié)合，用于提高模型的性能[34]，該過(guò)程被稱之為數(shù)據(jù)融合或數(shù)據(jù)同化。與純數(shù)據(jù)驅(qū)動(dòng)方法不同的是，數(shù)據(jù)同化方法以物理過(guò)程的數(shù)學(xué)模型為基礎(chǔ)，通過(guò)融合觀測(cè)數(shù)據(jù)不斷調(diào)整模型的參數(shù)和狀態(tài)，從而獲得參數(shù)和狀態(tài)的最優(yōu)估計(jì)。數(shù)據(jù)同化方法雖已成功應(yīng)用于水文預(yù)報(bào)[42]、地下水資源管理[43]、農(nóng)田水分管理[44]等方面，但現(xiàn)有的數(shù)據(jù)同化技術(shù)依賴于物理模型，只能加入與物理模型變量對(duì)應(yīng)的觀測(cè)數(shù)據(jù)，尚無(wú)法融合多源大數(shù)據(jù)。

總而言之，隨著灌區(qū)數(shù)據(jù)的累積，特別是灌區(qū)感知智能的建立，機(jī)器學(xué)習(xí)方法在建模中會(huì)起到越來(lái)越重要的作用。盡管純數(shù)據(jù)驅(qū)動(dòng)方法目前取得了一定的成功，但它屬于黑箱模型，忽略了物理過(guò)程的數(shù)學(xué)描述。對(duì)于強(qiáng)烈非線性問(wèn)題，如果缺乏或沒(méi)有足夠多的輸出變量的歷史觀測(cè)（或觀測(cè)噪音大），機(jī)器學(xué)習(xí)方法則表現(xiàn)不佳[45]。由于缺乏極端樣本，機(jī)器學(xué)習(xí)方法通常難以捕捉小概率事件；因此，應(yīng)用純數(shù)據(jù)驅(qū)動(dòng)方法管理大壩等重要建筑物具有一定風(fēng)險(xiǎn)。相比而言，數(shù)據(jù)同化方法的機(jī)理性更強(qiáng)，外插效果更好。近年來(lái)，兩種不同的數(shù)據(jù)利用方法有混合的趨勢(shì)。例如，Wang等[24]最近在數(shù)據(jù)同化的框架內(nèi)，通過(guò)機(jī)器學(xué)習(xí)（高斯過(guò)程回歸）的方法將間接觀測(cè)（土壤溫度）融合到土壤含水量的估計(jì)。這種混合方法一定程度上保留了物理機(jī)制，同時(shí)避免了構(gòu)建更為復(fù)雜的物理模型，為利用多源數(shù)據(jù)提供了一種思路。相關(guān)的研究仍處于初步階段，如何避免多源大數(shù)據(jù)“偽相關(guān)泛濫”的干擾仍有待研究。第3.3節(jié)將深入論述混合方法。

3.2 灌區(qū)的物理機(jī)制挖掘方法目前絕大多數(shù)灌區(qū)相關(guān)模型都具有固定的模型結(jié)構(gòu)，即無(wú)論研究區(qū)域數(shù)據(jù)的豐富程度和物理過(guò)程的復(fù)雜程度如何，均采用具有固定結(jié)構(gòu)的模型。同時(shí)，已有研究主要通過(guò)數(shù)學(xué)方程和參數(shù)來(lái)表達(dá)物理機(jī)制。

Fenicia等[46-47]提出了一種逐步建模法，隨著觀測(cè)數(shù)據(jù)的累積不斷調(diào)整模型結(jié)構(gòu)，讓模型結(jié)構(gòu)適應(yīng)性地進(jìn)化，在模型復(fù)雜度和數(shù)據(jù)量之間實(shí)現(xiàn)平衡。Clark等[48]提出了一種多假設(shè)建模框架，在建模過(guò)程中考慮物理過(guò)程的不同表達(dá)形式。Bui等[49]提出用神經(jīng)模糊推理系統(tǒng)創(chuàng)造初始洪水風(fēng)險(xiǎn)模型，并通過(guò)元啟發(fā)算法優(yōu)化模型。目前已有多種機(jī)器學(xué)習(xí)方法（包括稀疏回歸、高斯過(guò)程和人工神經(jīng)網(wǎng)絡(luò)方法等）從數(shù)據(jù)反向推理常微分和偏微分方程。但是，在實(shí)際問(wèn)題中挖掘物理機(jī)理面臨著眾多挑戰(zhàn)[50]，例如：如何處理大噪音和異常數(shù)據(jù)，如何處理來(lái)自不同實(shí)驗(yàn)環(huán)境的數(shù)據(jù)，以及如何在沒(méi)有觀測(cè)數(shù)據(jù)的區(qū)間內(nèi)進(jìn)行外插等。在復(fù)雜的灌區(qū)系統(tǒng)中，數(shù)據(jù)大多來(lái)源于非控制性的環(huán)境，數(shù)據(jù)的噪音通常也是未知的，物理機(jī)制的反向推理尤其困難。

借助機(jī)器學(xué)習(xí)技術(shù)和新的建模思路推理物理機(jī)制、自動(dòng)構(gòu)建灌區(qū)某些過(guò)程描述方法或針對(duì)調(diào)控目標(biāo)自主制定決策模型應(yīng)是灌區(qū)認(rèn)知智能的重要組成部分。在灌區(qū)感知智能成熟的前提下，監(jiān)測(cè)系統(tǒng)可以在不同尺度上收集灌區(qū)的各類(lèi)數(shù)據(jù)，能否利用這些數(shù)據(jù)，結(jié)合物理方程挖掘技術(shù)和建模方法，來(lái)重新理解灌區(qū)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化規(guī)律；能否在灌區(qū)各類(lèi)錯(cuò)綜復(fù)雜的因果關(guān)系未知或部分已知的條件下，建立具有更加完整機(jī)制的模型或根據(jù)數(shù)據(jù)自動(dòng)調(diào)整模型結(jié)構(gòu)，提高模擬和預(yù)測(cè)精度，特別是改善觀測(cè)數(shù)據(jù)區(qū)間之外的預(yù)測(cè)能力。相關(guān)的研究非常欠缺。

3.3 灌區(qū)的混合認(rèn)知智能針對(duì)真實(shí)的灌區(qū)系統(tǒng)，現(xiàn)有的各種模型均不具備完整的物理機(jī)制，也難以精準(zhǔn)預(yù)測(cè)灌區(qū)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長(zhǎng)和生態(tài)系統(tǒng)演化規(guī)律。以SPAC系統(tǒng)為例，從概念化物理過(guò)程的角度來(lái)說(shuō)，目前SPAC系統(tǒng)使用到的經(jīng)典理論本身（如彭曼公式、Richards方程、對(duì)流彌散方程等）還難以描述自然界復(fù)雜的、完整的物理機(jī)制，原因包括三個(gè)方面：（1）在建模過(guò)程中，需要對(duì)土壤、水分、溶質(zhì)、冠層等研究對(duì)象做理想性的概化?？紫堵省⒍嗫捉橘|(zhì)理想流體、葉面積指數(shù)（LAI）等統(tǒng)計(jì)性質(zhì)的概念雖便于方程和模型的建立，但也可能削弱模型中物理問(wèn)題的真實(shí)性。（2）SPAC系統(tǒng)側(cè)重于刻畫(huà)土壤水運(yùn)動(dòng)、蒸散發(fā)、光合作用、干物質(zhì)累積和分配等過(guò)程，而忽略或簡(jiǎn)化了很多其它過(guò)程。例如，現(xiàn)有模型大多采用簡(jiǎn)化的函數(shù)來(lái)描述作物根系分布，而很難考慮根系趨水、趨肥、趨氧和趨溫的生長(zhǎng)特征。（3）農(nóng)田中各個(gè)過(guò)程受到眾多因素的影響，而在構(gòu)建模型的過(guò)程中無(wú)法考慮所有因素與模型輸出之間的因果關(guān)系。例如，微氣象對(duì)農(nóng)田耗水具有重要影響，但由于監(jiān)測(cè)難度大，現(xiàn)有模型大多忽略了田間的微氣象條件。鑒于灌區(qū)環(huán)境的復(fù)雜性和時(shí)空變異性，現(xiàn)有灌區(qū)模型在還存在諸多不足，經(jīng)常出現(xiàn)模型愈復(fù)雜、預(yù)測(cè)能力愈差的現(xiàn)象。

建立包含所有物理機(jī)制的過(guò)程模型是很困難的。在灌區(qū)各類(lèi)錯(cuò)綜復(fù)雜的因果關(guān)系未知或部分已知的條件下，應(yīng)建立非完整先驗(yàn)物理機(jī)制下的灌區(qū)模型，降低灌區(qū)系統(tǒng)模擬精度對(duì)模型結(jié)構(gòu)完整性的依賴，在提高模擬精度的同時(shí)放寬建模要求。Reichstein等[51]認(rèn)為物理過(guò)程建模（理論驅(qū)動(dòng)）與機(jī)器學(xué)習(xí)建模（數(shù)據(jù)驅(qū)動(dòng)）過(guò)去往往被看成是兩個(gè)領(lǐng)域；前者外推能力強(qiáng)，后者更靈活可發(fā)現(xiàn)新規(guī)律，兩者可以互為補(bǔ)充。鑒于物理機(jī)制的重要性以及直接從數(shù)據(jù)發(fā)掘復(fù)雜物理機(jī)制的巨大難度，數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)可能不會(huì)替代物理模型，但會(huì)起到補(bǔ)充和豐富的作用，最終構(gòu)成認(rèn)知系統(tǒng)的混合智能。

近年來(lái)，越來(lái)越多學(xué)者將物理過(guò)程模型與數(shù)據(jù)驅(qū)動(dòng)模型結(jié)合到一起，以提高模型的可解釋性、改善預(yù)測(cè)精度。目前已有多種不同的混合策略。例如，Young等[52]結(jié)合了過(guò)程模型（HEC-HMS）與支持向量機(jī)，用于預(yù)測(cè)降雨-徑流過(guò)程；Zhang等[53]在數(shù)據(jù)同化的框架內(nèi)，結(jié)合了集合卡爾曼濾波與高斯過(guò)程，提高了土壤含水量的預(yù)測(cè)精度。有些學(xué)者僅對(duì)物理模型的參數(shù)實(shí)施機(jī)器學(xué)習(xí)，保留物理過(guò)程模型的數(shù)學(xué)描述。例如，蒸散模型中的許多參數(shù)有明確的物理意義，但缺乏精準(zhǔn)的量化方案（如地表粗糙長(zhǎng)度）；Chaney等[54]利用極端隨機(jī)樹(shù)方法對(duì)地表粗糙長(zhǎng)度模型的參數(shù)進(jìn)行估計(jì)，從而在原始物理框架下改進(jìn)蒸散精度。Hu等[55]利用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)技術(shù)，直接建立地表粗糙長(zhǎng)度與相關(guān)變量之間的關(guān)系，從而克服了地表粗糙長(zhǎng)度物理模型自身的不確定性。

總而言之，觀測(cè)數(shù)據(jù)是若干因素在現(xiàn)實(shí)世界的綜合表現(xiàn)。在控制實(shí)驗(yàn)中（固定某些因素），通過(guò)數(shù)據(jù)分析來(lái)發(fā)現(xiàn)物理機(jī)理是較易的；但在灌區(qū)這樣的復(fù)雜系統(tǒng)中，特別是在多因素共同作用下，如何發(fā)掘新的物理機(jī)理仍有待研究。筆者認(rèn)為灌區(qū)的混合認(rèn)知智能是指構(gòu)建出新的模型架構(gòu)，一方面自主發(fā)掘物理機(jī)理，另一方面利用已知觀測(cè)（灌區(qū)的數(shù)字實(shí)現(xiàn)）準(zhǔn)確模擬仍存在固有未知信息的灌區(qū)內(nèi)的水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長(zhǎng)和生態(tài)系統(tǒng)演化，準(zhǔn)確評(píng)估管理行為的效應(yīng)和效益，實(shí)時(shí)調(diào)整管理行為，提高完成調(diào)控目標(biāo)的概率。

針對(duì)灌區(qū)復(fù)雜系統(tǒng)來(lái)說(shuō)，混合認(rèn)知智能需解決如下問(wèn)題：（1）當(dāng)灌區(qū)錯(cuò)綜復(fù)雜的因果關(guān)系未知或僅僅部分已知時(shí)，以不犧牲模擬精度為前提放松對(duì)建模的要求，建立非完整先驗(yàn)物理機(jī)制的灌區(qū)水分、鹽分、養(yǎng)分、污染物遷移轉(zhuǎn)化以及作物生長(zhǎng)和生態(tài)系統(tǒng)演化模型；（2）結(jié)合基于機(jī)器學(xué)習(xí)的物理方程挖掘技術(shù)和數(shù)據(jù)同化技術(shù)，提出基于“數(shù)據(jù)-物理”混合策略的灌區(qū)建模方法；（3）現(xiàn)有模型大多具有固定的模型結(jié)構(gòu)；鑒于灌區(qū)的很多環(huán)境要素是未知的、難以觀測(cè)的，固定的模型結(jié)構(gòu)會(huì)導(dǎo)致模型無(wú)法進(jìn)化，無(wú)法適應(yīng)于特定的使用環(huán)境[35]。需根據(jù)數(shù)據(jù)、環(huán)境和目標(biāo)為模型自動(dòng)設(shè)定適宜復(fù)雜度，讓模型結(jié)構(gòu)具有數(shù)據(jù)、環(huán)境和目標(biāo)適應(yīng)性，提高模型的適用性；（4）為混合認(rèn)知智能建立相應(yīng)的基礎(chǔ)理論支撐。由于機(jī)器學(xué)習(xí)本身的理論限制，能否為“數(shù)據(jù)-物理”混合方法建立嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ)，決定了混合認(rèn)知智能是一種描述自然界因果關(guān)系的新方式還是說(shuō)僅僅是一種實(shí)用性技術(shù)。

大數(shù)據(jù)為科學(xué)研究和工程應(yīng)用提供了新的機(jī)遇，但在大數(shù)據(jù)時(shí)代，純數(shù)據(jù)驅(qū)動(dòng)的方法能否完全取代具備物理意義的理論，數(shù)據(jù)的相關(guān)性能否取代因果關(guān)系，在學(xué)術(shù)界存在巨大的爭(zhēng)議[25]。筆者認(rèn)為因果關(guān)系超越相關(guān)性，水利學(xué)科的基本理論模型是該學(xué)科主要因果關(guān)系的數(shù)學(xué)表達(dá)，基于大數(shù)據(jù)的模型應(yīng)首先服從已有的基本理論、方程和因果關(guān)系，并通過(guò)發(fā)掘和描述新的因果關(guān)系來(lái)形成高級(jí)智能（干預(yù)能力和反事實(shí)能力）。物理與機(jī)器學(xué)習(xí)的混合是灌區(qū)感知和認(rèn)知智能的合理實(shí)現(xiàn)途徑。但從更長(zhǎng)遠(yuǎn)的角度來(lái)看，物理和數(shù)據(jù)之間的能力界限可能會(huì)逐漸模糊。

需要特別強(qiáng)調(diào)的是，當(dāng)數(shù)據(jù)集不夠大時(shí)（即所謂的小數(shù)據(jù)問(wèn)題），物理機(jī)制的作用會(huì)尤其重要。鑒于小數(shù)據(jù)問(wèn)題在灌區(qū)系統(tǒng)中的普遍性（例如在地下水資源管理中，參數(shù)、水量、水質(zhì)的觀測(cè)數(shù)據(jù)通常都有限），如何利用物理機(jī)制并基于小數(shù)據(jù)來(lái)構(gòu)建認(rèn)知智能也應(yīng)予以關(guān)注。

3.4 智慧灌區(qū)管理決策與認(rèn)知和感知智能的關(guān)系現(xiàn)有灌區(qū)決策系統(tǒng)能夠在相對(duì)簡(jiǎn)單的任務(wù)上實(shí)現(xiàn)優(yōu)化決策（例如閘門(mén)開(kāi)度的優(yōu)化控制、單一水庫(kù)灌區(qū)用水調(diào)度、以增產(chǎn)為目標(biāo)的灌溉決策等），但對(duì)復(fù)雜問(wèn)題（例如多水源灌區(qū)的用水調(diào)度、多目標(biāo)決策等）進(jìn)行智能化決策面臨諸多困難。由于灌區(qū)系統(tǒng)的復(fù)雜性和不確定性，面向抗旱、防洪、排澇、排漬、控污等多個(gè)目標(biāo)的智能優(yōu)化決策極具挑戰(zhàn)性。這主要是因?yàn)殡y以準(zhǔn)確量化管理決策與灌區(qū)狀態(tài)變量（即水分、鹽分、養(yǎng)分、污染物、作物和生態(tài)系統(tǒng)的狀態(tài)）之間的復(fù)雜關(guān)系，經(jīng)濟(jì)、環(huán)境與生態(tài)效益難以均衡，以及問(wèn)題規(guī)模龐大。優(yōu)化管理決策的主要優(yōu)化方法包括線性規(guī)劃、非線性規(guī)劃、動(dòng)態(tài)規(guī)劃等經(jīng)典方法，遺傳算法、粒子群算法等進(jìn)化算法，以及強(qiáng)化學(xué)習(xí)方法等。就處理復(fù)雜優(yōu)化問(wèn)題的能力來(lái)看，進(jìn)化算法不依賴于目標(biāo)函數(shù)的梯度信息，適用于處理灌區(qū)這類(lèi)龐大的非線性問(wèn)題[56]。深度強(qiáng)化學(xué)習(xí)是傳統(tǒng)強(qiáng)化學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的結(jié)合，近年來(lái)受到廣泛關(guān)注，但在灌區(qū)管理決策上的研究仍為空白。

灌區(qū)觀測(cè)系統(tǒng)和認(rèn)知體系的完善分別從數(shù)據(jù)和基礎(chǔ)模型方面為灌區(qū)決策系統(tǒng)提供了更好的支撐。灌區(qū)的環(huán)境感知系統(tǒng)可為智慧決策提供當(dāng)前的狀態(tài)，而認(rèn)知智能可更好評(píng)價(jià)決策效果。然而，為對(duì)水源、溝渠、建筑物、田間等實(shí)體進(jìn)行調(diào)控，實(shí)現(xiàn)水量、水質(zhì)和生態(tài)的最優(yōu)化管理，并逐漸形成系統(tǒng)自主制定管理決策的能力，可能面臨以下挑戰(zhàn)：（1）灌區(qū)管理優(yōu)化方案的確立相當(dāng)復(fù)雜，涉及到工業(yè)、農(nóng)業(yè)、生活、生態(tài)、環(huán)境多目標(biāo)協(xié)同，通常由多地區(qū)、多部門(mén)、多行業(yè)參與，優(yōu)化規(guī)則的確立相當(dāng)復(fù)雜。例如，灌區(qū)用水決策可能涉及到成千上萬(wàn)個(gè)農(nóng)田管理者、渠道管理者、水庫(kù)管理者，以及農(nóng)業(yè)和環(huán)境部門(mén)人員等，不同決策者想達(dá)到目標(biāo)也不盡相同，這樣導(dǎo)致多目標(biāo)Pareto解集難以生成，即使生成后也難以決策。如何對(duì)決策參與者眾多、目標(biāo)多樣的管理行為進(jìn)行優(yōu)化仍有待研究；（2）灌區(qū)的認(rèn)知和感知智能建立并不能消除灌區(qū)決策過(guò)程中固有的隨機(jī)性和不確定性。即使灌區(qū)認(rèn)知體系為決策過(guò)程提供了更為準(zhǔn)確的約束條件，決策優(yōu)化過(guò)程仍面臨著如何獲取全局最優(yōu)解的挑戰(zhàn)，特別是實(shí)時(shí)動(dòng)態(tài)決策。與此同時(shí)，對(duì)于龐大的灌區(qū)系統(tǒng)，評(píng)價(jià)決策對(duì)環(huán)境影響以及相應(yīng)管理行為為不同決策者帶來(lái)的效益可能需要消耗巨大的計(jì)算成本；（3）根據(jù)管理目標(biāo)的不同，灌區(qū)管理將是多種決策優(yōu)化方法并存的局面；但核心難題仍在于建立一套決策系統(tǒng)，可以勝任整個(gè)灌區(qū)尺度上的水量、水質(zhì)和生態(tài)的最優(yōu)化管理；（4）具備從歷史數(shù)據(jù)中逆向提取優(yōu)化灌溉、排水等方案的能力，從而提高在復(fù)雜系統(tǒng)中的決策優(yōu)化能力；（5）具備專(zhuān)家知識(shí)和經(jīng)驗(yàn)與計(jì)算機(jī)決策相結(jié)合的能力；（6）基于強(qiáng)化學(xué)習(xí)算法，決策系統(tǒng)在與真實(shí)環(huán)境和虛擬模型的不斷交互中獲取經(jīng)驗(yàn)，而不需要假設(shè)經(jīng)典馬爾科夫決策過(guò)程中狀態(tài)轉(zhuǎn)移概率方程的先驗(yàn)知識(shí)，以降低其對(duì)歷史數(shù)據(jù)的依賴，以非監(jiān)督方法改善決策系統(tǒng)的決策能力。

4 結(jié)論

智慧灌區(qū)的發(fā)展一方面依賴于新型基礎(chǔ)設(shè)施（如高通量觀測(cè)設(shè)備、數(shù)據(jù)中心和各種智能設(shè)備等）的建設(shè)；另一方面依賴于計(jì)算能力的突破和先進(jìn)算法和模型的研發(fā)，以及算法、模型與數(shù)據(jù)中心、灌區(qū)設(shè)備的連接；再一方面仍依賴于基礎(chǔ)學(xué)科研究，特別是以農(nóng)田水利學(xué)、水文學(xué)、力學(xué)、作物學(xué)、遙感學(xué)等學(xué)科為基礎(chǔ)，使人工智能在解讀灌區(qū)因果關(guān)系上具有更高精度。在灌區(qū)感知智能方面，以多源大數(shù)據(jù)技術(shù)為手段，精準(zhǔn)、實(shí)時(shí)識(shí)別灌區(qū)特征，并逐漸開(kāi)發(fā)主動(dòng)觀測(cè)功能；需要建立大數(shù)據(jù)環(huán)境下的信息理論，用以支撐多源海量數(shù)據(jù)的解譯和分析。在灌區(qū)認(rèn)知智能方面，擺脫對(duì)復(fù)雜物理機(jī)理描述的過(guò)度依賴，開(kāi)發(fā)“數(shù)據(jù)-物理”混合型建模技術(shù)，提高模型在非完整先驗(yàn)物理機(jī)制下的模擬和預(yù)測(cè)能力，讓模型具有適宜復(fù)雜度和相應(yīng)的模型結(jié)構(gòu)，同時(shí)為混合認(rèn)知智能建立“數(shù)據(jù)-物理”混合方法的理論基礎(chǔ)。在灌區(qū)決策方面，需研發(fā)針對(duì)眾多決策參與者、目標(biāo)函數(shù)多樣的智能決策系統(tǒng)，實(shí)現(xiàn)整個(gè)灌區(qū)尺度上的水量、水質(zhì)和生態(tài)的最優(yōu)化管理。

與目前主流的人工智能技術(shù)不同，智慧灌區(qū)的底層是一種混合智能，是多源大數(shù)據(jù)技術(shù)的成熟形式，是觀測(cè)系統(tǒng)與管理設(shè)施的協(xié)作，是物理機(jī)制和數(shù)據(jù)的融合，也是管理決策與灌區(qū)感知和認(rèn)知的結(jié)合。本文的觀點(diǎn)雖主要圍繞智慧灌區(qū)來(lái)論述，但對(duì)其它學(xué)科的智能研究也有一定的參考作用。

致謝：感謝武漢大學(xué)楊金忠、王修貴、胡鐵松、黃介生、崔遠(yuǎn)來(lái)、曾玉紅、劉德地、管光華、常劍波教授，中國(guó)農(nóng)業(yè)大學(xué)任理教授給與的指正和建議。