智慧水利关键技术与应用研究综述

2021-11-01魏忠诚赵继军

水利信息化 2021年5期

连彬，魏忠诚，赵继军，

（1. 河北工程大学水利水电学院，河北邯郸 056038；2. 河北省智慧水利重点实验室（筹），河北邯郸 056038；3. 河北省安防信息感知与处理重点实验室，河北邯郸 056038）

0 引言

随着全球气候变化，人与自然之间和谐共生成为当今社会高度关注的话题。水作为生命之源、生产之要、生态之基，在国家安全和国民经济中的重要战略地位日益突出。发展中国家水资源严重短缺不仅限制了社会经济发展，更直接影响人们的生活质量[1-2]。水环境、水生态破坏，以及洪水、干旱等自然灾害问题，也时刻威胁着人民的生命财产安全。在全球水资源形势日益严峻的背景下，加大水资源保护力度，出台相关政策法规，推动水利行业转型升级已成为必然趋势[3]1-2。

我国历来重视水利工程建设，经过多年发展也取得了举世瞩目的成就，但水文事件成因机理复杂，我国水治理问题亟须创新解决思路以补充提升传统水治理方案。2017 年 5 月水利部正式印发《关于推进水利大数据发展的指导意见》；2018 年中央一号文件明确提出要实施智慧农业林业水利工程；2019 年 1 月水利部将水利信息化纳入 4 项短板之一；《2020 年政府工作报告》提出加强新兴基础设施建设，包括信息、融合和创新 3 个基础设施建设，加强融合基础设施建设就是要加快推进水利等传统行业与信息领域技术的结合，构建高效智能的融合基础设施体系；2021 年 1 月，全国水利工作会议指出要提升智慧水利建设水平；2021 年 7 月，《人民论坛》发表文章指出要以“十四五”水安全保障规划为核心，推进智慧水利系统建设。由此可见，建设智慧水利对推动水利行业转型升级具有重要战略意义。

智慧水利属于一种多学科交叉领域，融合了水利工程、计算机科学、环境科学、通信技术等多个学科，是水利信息化发展的新阶段[4]。智慧水利相比水利信息化的涵盖维度更广且凸显主动服务意识，信息化侧重于业务信息的搭建与管理，而智慧水利要求在此基础上具备“拟人智能”的自适应特性，是信息化发展的最终目标和必然趋势。2008 年，IBM 公司提出智慧地球的理念，指出要把新一代信息技术应用于社会各行各业中，中国多省市也与 IBM 签署了智慧城市共建协议[5]2。智慧水利正是智慧地球理念在水利行业转型升级过程中的推广和深化，同时利用信息技术解决城市水治理相关问题也是智慧城市和智慧水利研究的交叉内容[6-7]。

近几年，我国水利行政部门、科研院所、流域机构、信息企业等都加大了智慧水利理论创新研究力度和应用实践投入，如：联通参与建设了无锡市河长制平台，华为参与建设了“智水苏州”项目，长江水利委员会开发了水文监测智能整编系统，中国水利水电科学研究院参与建设了深圳市智慧水务项目等[8-9]。尽管应用系统开发工作开展的如火如荼，但部分地方智慧水利工程仍停留在信息管理系统和可视化平台建设层面，对智慧水利缺乏系统认知[10]，且融合现代化信息技术与水利业务的理论创新和高水平指导类学术著作相对较少[11]。因此，对智慧水利关键技术和应用进行总结梳理，开展体系框架构建和文献综述工作，对系统掌握智慧水利知识体系，促进理论实践成果转化具有重要意义。

1 智慧水利概念、内涵及属性

1.1 基本概念

智慧水利是指利用物联网（IoT）、大数据、云计算、移动互联网、人工智能等新一代信息技术，实现对水利对象及活动的透彻感知和全面互联，为水安全、水资源、水环境、水生态等领域的水利业务，提供精细化管理、智能化决策和泛在化服务，从而全面提升治水能力，保障经济社会可持续发展[3]1[5]2[12]。

1.2 核心内涵

本研究对智慧水利的概念进行深入剖析和解读，将其划分为实现方法、任务对象和功能目标 3 个方面，如图1 所示。具体分析如下：

图1 智慧水利的内涵

1）新一代信息技术在水利领域的应用。新一代信息技术是实现智慧水利的方法和手段，是解决水利领域问题和实现水利业务功能全面提升的支撑技术。物联网是万物互联的网络，凡加入网络的物体或人都能被自动识别，并实现相互连通和交互[13]；大数据是针对采用传统数据处理方法无法在有限运行时间内完成的超大数据集，对其进行分析处理从而挖掘新价值的一种方法，应该把大数据看作是包含数据及其特征和处理方法的对象[14]601；云计算是一种新颖高效的分布式计算模式，“云”代表了资源共享的网络，通过云计算可以合理协调计算资源，解决任务分发，合并并行计算结果等；移动互联网是指将移动通信和互联网相结合，赋予移动设备互联网功能；人工智能是指构建类似人类推理、学习、认知和操控能力的技术，机器学习（ML）作为人工智能的重要组成部分已广泛应用于水利相关研究领域[15]3。

2）水利对象及活动的信息化需求演进。江河湖泊、水库、大坝、发电站、闸、泵、渠道等水利对象，防汛抗旱、水资源开发、水环境修复、水污染处理等水利活动，是智慧水利亟待解决和优化的任务目标。信息技术的快速发展为水利业务转型升级提供了技术支撑，而水利业务对信息技术的应用需求也进一步催生了多样化、个性化、定制化的信息技术创新组合模式。融合天空地一体化感知手段、5G 技术引领的高速互联网络及人工智能模型的创新技术体系，为实现水利领域有关监测、模拟、优化、预测、预报、预警、预演等功能提供了全新思路和先进方案。

3）信息技术与水利业务深度融合后的效果。透彻感知、全面互联、智能决策与泛在服务是智慧水利的基本功能，总体目标是要实现各方面能力全面提升和经济社会可持续发展。透彻感知是指要建立天空地一体化感知体系，实现感知区域和对象的全要素采集；全面互联要求感知设备之间、感知设备与云端、云端与主干网等所有通信链路全覆盖，实现数据传输高速、可靠、及时、准确；智能决策指通过建立智能高效水利数据模型，全面提升管理和决策能力水平；泛在服务指无处不在的服务，要求智慧水利所有支撑技术要无缝衔接，为水利决策者提供无时无刻的高效服务。

1.3 属性特征

智慧水利是智慧地球的思想与技术在水利行业的应用，是集高效性、可持续性、智能性、鲁棒性、自我修复、安全性等属性的全方位综合体系。

智慧水利应具备的属性特征分析如下：高效性的评价指标通常有吞吐量、延时、能耗、生命期等，智慧水利能根据不同应用场景最优化各项性能指标；可持续是指智慧水利建设要与自然和社会发展相适应，是绿色、健康、和谐的发展过程；智能性是智慧水利最显著的核心属性，要求具备类似人类甚至超越人类的学习认知能力，能够识别异常，发现规律，减少人为干预；鲁棒性是指智慧水利系统拥有强大的容错、抗干扰和个别异常值影响下仍稳定运行的能力；弹性是指在已经出现故障的情况下，系统能够及时排查故障并自我修复；安全性是指具备防泄密、盗取、攻击的技术能力，保障数据和隐私安全。此外，低成本、易部署、易维护、标准统一规范等也是智慧水利应满足的特性。

2 智慧水利体系架构及关键技术

2.1 总体框架

智慧水利总体架构应该能够描述感知数据从采集、传输、分析处理到最后成为有价值决策信息的整个过程。通常划分为四横两纵结构，四横是指数据的感知、传输、分析处理和应用，两纵是指数据标准规范和安全运维保障。在此结构基础上，根据具体研究对象或应用层面的不同，衍生出许多智慧水利相关的体系架构，如水利大数据总体架构、流域水环境水生态智慧化管理云平台架构、智慧水质监测系统（SWQMS）、基于物联网的智慧水利结构、智慧灌区分层体系、大坝智能建设体系等。各体系架构的具体内容汇总如表1 所示。

表1 智慧水利相关体系架构汇总

本研究在充分调研和总结相关研究的基础上，提出智慧水利体系框架，如图2 所示，自底向上依次为感知层、网络层、知识层和应用层。纵向分为以下 2 个体系：1）运维与安全保障体系，贯穿智慧水利整个运行过程，针对横向各层的特点和需求，做好设备、网络、信息、系统等安全保障工作；2）监测数据标准规范体系，需要根据智慧水利数据类型和特点，统一数据格式转换、采集方式、模型标准、处理技术规范、共享和安全等相关协议标准。本研究重点介绍智慧水利感知层、网络层、知识层和应用层的主要功能及关键支撑技术。

图2 智慧水利体系框架

2.2 感知层

水利感知对象可以分为江河湖泊类、水利工程类和管理活动类 3 类。江河湖泊类又分为自然水系（空中水、地表水、地下水等）和地形地貌（侵蚀沟道）；水利工程类分为独立工程（大坝、闸、泵、堤等）、组合工程（水库、灌区等）和辅助工程（气象站、水文站等）；水利管理活动类分为水生态、水环境、水资源、河湖和工程等的管理，以及防汛抗旱[28]。感知要素指能够描述水利感知对象当前状态的动态属性或指标，如水位、流量、水质、降雨量、工情、墒情、温度、湿度等。水利感知要素的收集方式多样，如传感器、摄像头、卫星遥感、无人机、无人船、手机、测量仪、互联网等。

物联网作为智慧城市的支撑技术，其泛在感知、万物互联的特性在智慧水利感知层发挥着重要作用。物联网的 2 个关键组成部分是无线射频识别技术（RFID）和无线传感器网络（WSNs），其中 WSNs 的节点凭借低成本、低功耗、自组织、易部署、数据为中心等特点成为智慧水利感知数据的主要采集设备。传感器节点上通常包括感知、通信、存储、计算和能量等模块，常用的硬件有 Raspberry Pi 处理单元[29]2696，Zolertia RE-Mote 平台[30]11，Arduino 微控制器[31]5-6[32]3-4和 NodeMCU 微控制器[33]4[34]336等。遥感技术在洪旱灾害监测预报、降水量预报、土壤含水量与蒸散发估算、地表水体与地下水量监测、灌溉面积调查、河道与河口变化监测等方面都有着广泛应用，尤其近年来高光谱遥感的发展为水质参数反演提供了新的平台，受到国内外关注[35-38]。遥感数据感知设施包括航天遥感（卫星、火箭等）、航空遥感（直升机、无人机等）和地面遥感（手机、无人车等）。另外群智感知也是水利领域感知数据重要的来源方式之一[39]。通过对海量的互联网文本、图像、视频等多种类型的数据进行分析挖掘，能够提取有价值的信息，而这些数据的贡献者则是每个社会个体。Chen 等[14]605-607把智慧水利感知数据来源划分为 3 个维度：自然维度（传感器、卫星、无人机、无人船、摄像头、测量仪等）、社会维度（互联网、新闻媒体、社交软件等）和商业维度（供水、水处理等系统）。此外，各种数据分析模型所产生的结果数据也可以重新作为感知数据被再次使用，一般把它划分到自然维度中。

近年来，随着深度学习技术的发展，基于视频图像与无线信号的识别技术成为传统感知技术的有效补充，二者在目标定位、追踪与轨迹描绘，目标识别与语义理解等方面表现出极高的识别效率和精确度[40]。利用无线微波信号衰减反演区域降水场分布及强度是智慧水利未来一项非常有前景的研究方向，它可以弥补测站空间分辨率不足、天气雷达低空测量误差大、卫星遥感存在时滞性等现有降水监测手段的不足，具有分布广、时空分辨率高、实时性好、人工干预少、成本低等特点[41-44]。虽然感知层的主要任务是收集和采集数据，通过各类接口向上传至网络层，但部分智能感知设备也承担了一些基础数据的处理工作，如压缩感知（CS）技术通常在终端或边缘设备上进行，目的是挖掘有用信息，减少上传数据量，进而节省信道配置资源和能量消耗。CS 技术是一种新颖的数据融合收集技术，依据采集数据存在较大的冗余并表现出的稀疏特性，将压缩过程转换成数据收集的过程，有效降低数据收集复杂度[30]4。

2.3 网络层

智慧水利网络层主要功能是依据各类通信协议为感知数据的上传提供链路分配策略。物联网通信协议为智慧水利的通信模式提供了参考，尤其是一些低功耗、远距离、灵活组网的通信协议，非常适用于环境复杂、覆盖面广、网络部署相对困难的水利应用领域[45]。水利网络的类型一般包括水利业务专网、有线网络（双绞线、同轴电缆、光纤等）、无线广域网（LoRa，NB-IoT 等）、无线局域网（ZigBee，Wi-Fi 等）、无线个域网（6LoWPAN等）、卫星移动通信网等[24]3-4。本研究按传输范围把智慧水利常用通信协议分为近距离通信协议，如 Bluetooth，ZigBee，Wi-Fi，6LoWPAN 等，以及远距离通信协议，如 GSM/GPRS，4G，NB-IoT，LoRa 等。

智慧水利网络层常用通信协议参数比较如表2 所示。ZigBee 是基于 IEEE802.15.4 标准的低功耗局域网协议，特点是近距离、低复杂度、自组织、低功耗、低数据速率。6LoWPAN 是一种基于 IPv6 的低速无线个域网标准，即 IPv6 over IEEE802.15.4，它提供了端到端 IP 可寻址节点，不需要网关，只需1 个路由器即可连接到 IP。GSM 属于第 2 代蜂窝移动通信技术，拥有开放的标准和更简易的互操作性，经过 2.5G，3G，4G 的演进，当前数字移动蜂窝通信技术已发展到可以传输图像、视频等多类型信息，传输速率也更快，延时更低。NB-IoT 构建于蜂窝网络，可直接部署于 GSM 网络，不需要独立建网。LoRa 是一种基于扩频技术的超远距离无线传输方案，具备低功耗、覆盖广、连接多、抗干扰等优点，最大传输范围可达 20 km。Singh 等[24]3通过研究证明 6LoWPAN，LoRa 和 Zigbee 是水管理系统通信的最佳选择。

表2 智慧水利网络层常用通信协议比较

此外，水下无线通信分为以下 3 种：1）水下声波通信。适用于远距离、低速率的水下通信场景，不能穿透水与空气的介质交界面。2）水下电磁波通信。传输速率高，但高频电磁波在水中衰减很大。3）水下光通信。传输速率高，方向性和安全性好，成为水下及水-空气跨介质通信的研究热点[46-47]。

在通信协议标准化方面，目前智慧水利应用系统的设计通常从自动化、垂直集成角度考虑，在现有水利专网基础上改装新的智能应用程序，而且不同应用对吞吐量、拓扑结构、能量消耗需求不同，各种应用中会使用多种不同的通信协议，这使得数据的互操作性和无缝交换变得非常困难。所以构建网络安全和标准化体系，提高应用系统的可扩展性、可复制性将是智慧水利未来的发展方向。

2.4 知识层

知识层（数据分析处理层）即把数据转变为知识的过程。随着数据收集方式逐渐多样化和存储能力的大幅度提升，水利领域已经发展成为一门数据密集型学科[48]。水利数据呈现体量巨大、多源异构、分散割裂、标准不一、共享困难、交互性差等特点，完全符合大数据的 5V 特征（Volume，Variety，Velocity，Value，Veracity）。所以采用大数据相关数据清洗、挖掘、融合算法，以及需要大量训练数据集的 ML 算法分析水利数据，从而建立相关知识提取模型，对理解水文变化规律、模拟预测水文发展态势意义重大。值得注意的是：不同类型的研究问题在选择输入数据集时要考虑数据的特性，如时序分析研究中不建议使用时变数据集；精细空间分辨率数据集不建议用于局部尺度研究，由多种类数据源组成的数据集不能用来进行系统不确定性评估；由协变量组成的或者存在相互依赖问题的数据集不能用于相互作用的研究[49]。

本研究将智慧水利知识构建模型划分为以下2 种：

1）物理机制模型。物理机制模型主要是根据自然社会二元水循环过程、降雨径流成因、土壤水蒸发原理、水文变化孕灾机理、水污染扩散物理过程等水文水动力学原理建立的分析模型，如 SHE（System Hydrological European），SWAT（Soil and Water Assessment Tool），新安江和 VIC（Variable Infiltration Capacity）等模型。物理机制模型能揭示汇水径流过程的内在机理和规律，有明确的物理意义，但需要较强的专业背景，模型参数多且过程性参数不易获取，解算过程较复杂[50]。

2）数据驱动模型。数据驱动模型更关注算法的学习能力和模型的准确度，通常使用 ML 挖掘数据潜在规律，结果的物理成因通常不予考虑。

典型的 ML 算法有支持向量机、逻辑回归、决策树、随机森林、人工神经网络（ANN）等算法。近年来，深度学习（DL）在解决遥感图像分类、高维时空数据融合和多源数据预测分析等领域表现出了卓越的性能[51-52]。DL 是 ANN 计算的最新范式，是 ML 算法的新突破，它能通过一层一层地模仿人类大脑皮层中的自学习功能实现对数据特征的自学习。Wu 等[53]把深度置信网络（DBN）应用于多贮水池和多泵站的水分配系统中；Khosravi 等[54]2-26利用卷积神经网络（CNN）训练洪水风险预测模型用于构建洪水敏感性地图。此外基于 DL 的数据分析处理模型在水污染迁移模拟[32]1-5、干旱风险预警[55]1-8、精准灌溉实现[26]6等方面也有广泛应用。

长短期记忆网络（LSTM）由于配备了记忆单元和“门”，从而克服了递归神经网络梯度爆炸或消失问题，成为处理时序数据最流行的 DL 算法之一。Antzoulatos 等[29]2699-2708利用 LSTM 学习隐藏在时间序列数据中的用水量模式预测城市未来 18 d 的水消耗量；任秋兵等[56]71-80通过改进 LSTM 建立了水工建筑物安全监控优化模型。通过记忆单元与“门”之间合作，LSTM 具备了强大的预测及长期依赖性时间序列的能力。

综上所述，大数据和 ML 在智慧水利数据分析模型和知识建立过程中发挥着巨大作用，大数据将从根本上改变水利领域传统思维、实施和分析实验的方式，DL 技术在解决分类、优化、预测、模拟等水利复杂问题上显示出了优势。但是智慧水利数据模型建立过程也存在一些挑战，如大数据成本和 ML 的可解释性等问题。其中：大数据平台成本较高，只有数据整理和清洗成本较低时才能最大发挥大数据的优势；而 ML 本身属于“黑盒”操作，缺乏与物理机制相融合的合理性行为解释。因此，智慧水利知识模型未来要尝试赋予大数据和 ML 必要的因果推理能力，进一步提升智能算法的价值，使其不仅能够预测短期变化，也能更好理解事物和现象的渐进变化[15]22-23。

2.5 应用层

在水利部评选出的 2020 年智慧水利先行先试成果优秀案例中[57]，涌现出了大批信息化程度高、实时性强、功能齐全的智慧水利应用系统。从水利大数据整合管理（如水文监测智能整编系统），到城市供排水管网监测（如深圳智慧排水管理系统），再到河湖生态监管治理（如黄河水利委员会水政执法巡查监控系统），智能化信息技术已经渗透到水利领域的各个层面。

本研究把智慧水利应用层划分为以下 5 个方面：

1）水安全。主要针对一些水利突发自然或人为灾害，采用现代化信息技术有效实现实时监测、快速预警和高效治理，解决的问题包括洪水、干旱、工程安全及由水利灾害引发的其他地质灾害等。

2）水资源。水资源是指能够被人利用的水源，主要应用包括对水的开发利用、优化调度、供排水、节水、农作物灌溉等[58]。

3）水生态。水生态是指水对生物的影响及生物对各种水分条件的适应，研究对象主要包括水土保持及水生动植物等，水域内的鱼类、藻类分布、微生物、外来水生物种等可以通过智能化技术手段进行检测和控制。

4）水环境。水环境是构成环境的基本要素之一，是指水形成、分布、转化所处的空间环境，水环境的研究工作主要包括水质监测、水污染治理、泥沙治理、水周边环境治理等。

5）水行政。水行政指国家依法对水和水事关系所进行的行政管理，包括河湖长制、水权分配、系统监管、行政执法等工作。

3 智慧水利典型应用场景

3.1 城市供水

智能水网（SWG）是包含水物理网、水信息网、水管理网的综合网络系统[59]，核心组成部分是城市供水系统，也可称作智能水分配网络、供水系统、水表等。主要功能包括城市供水管理、居民用水监测、管网泄漏检测、水库或流域水位监测、流量监控等。

Antzoulatos 等[29]2691-2710提出城市水资源管理的统一框架，开发了用于远程遥测和用水控制的物联网解决方案 SMART-WATER，其中：水表使用wMBus 协议，wMBus 是专门为仪表计量而诞生的一种通信协议，它定义了仪表和读表设备之间的通信；水阀使用 LoRaWAN 协议，网关使用 Raspberry Pi 支持多种通信协议数据传输。数据处理方法选用自回归移动平均模型（ARIMA）和 LSTM。开发的系统包括城市供水企业和用户 2 个界面，实时显示当前水量消耗，并根据历史数据预测不同预见期（1 h/d/周/月）的水量消耗。Tzagkarakis 等[30]1-24针对智能水网真实环境，采用 CS 提高计算效率和能效，与无损压缩 LZ77 算法对比，压缩时间减少了 50%，压缩能耗降低了 50%。Booysen 等[60]为应对 Cape Town“无水日事件”，通过对 40 多万户家庭安装智能水表进行数据分析，比较人们在各种舆论及政策情况下的用水行为变化，结果发现限制用水或提高税率对用户用水行为的改变影响不是最大的，用户最强烈的响应出现在警告可能出现的灾难后果之后。葡萄牙某地区采用一种新的智能水网系统RS[61]1-11，有效降低了漏损率，预计到 2025 年，在达到预期节水目标基础上节省了 10% 的财政支出，并指出降低设施建设成本、加强非收益水的监控，以及了解客户对收益公平性的要求是水资源管理面临的主要挑战。Fell 等[62]72-77设计了一种专门针对发展中国家的智能低功率远距离监测流量传感器，该传感器节点配置了能量管理集成电路 PMIC，通信协议选用支持长距离传输的 GSM 标准，尽可能降低节点成本。

总的来说，智能城市供水系统的目标是通过准确快速抄表和漏损检测分析用水情况并节约用水。存在的挑战包括成本开销、安全性、感知复杂度和新技术推广，以及与 AMI（Automatic Metering Infrastructure）的集成，解决办法主要是加大宣传推广力度和建立标准化体系[63-64]。

3.2 农业灌溉

史良胜等[65]定义智慧灌区为具有智能监测、解译、模拟、预警、决策和调控能力的灌区，全面实时感知灌区水情、墒情、工情、作物长势、生态环境等信息，快速精准并自主地调控水源、输配水、排水系统等工程设施及设备，实现水量、水质和生态等多目标的最优化管理。Kamienski 等[26]1-20开发了一种基于物联网的农业精准灌溉智慧水管理平台（SWAMP），该平台基于 FIWARE 平台主流组件，设计了包含完全可复制服务和根据应用需求定制服务的系统架构，并在巴西马拉尼昂、西班牙卡塔赫纳和意大利圣米歇尔等地的不同农作物种植场景中进行了实践应用。Padalalu 等[66]659-662采用基于 Arduino 的微控制器采集农田的温度、湿度、 pH 及土壤类型，同时使用网络爬虫技术收集天气预报信息，使用 MySQL 数据库存储预定好的各项参数范围及采集到的真实值，运用朴素贝叶斯算法挖掘数据关联，最后通过 Android 应用程序展示分析预测结果并远程控制电机。

当前智慧灌区也面临许多挑战，主要包括：

1）系统的自动化能力不足，在物联网、大数据、云计算等信息技术手段无缝集成方面存在较大缺陷。

2）由于灌区的随机性和不确定性，导致系统的开发与设计通常是与应用相关的，需要个性化定制服务，才能满足不同决策者的利益最大化。

3）智能算法和模型应用不充分、不深入，应加强大数据相关技术的使用，为合理选择沟灌、淹灌、喷洒、滴灌等灌溉方式提供最佳决策，并采用非监督学习算法降低系统对历史数据的依赖性[67]。

4）缺乏系统标准，应针对现代化灌区应用需求从产品、技术、管理方式等方面制定相关标准协议。

3.3 河湖水质监测

通常水质评估中用到的评价指标分为 3 类：物理指标（水温、水压等）、化学指标（pH、硬度、水溶物质等）和生物指标（微生物、藻类等）。

造成水污染的因素划分为以下 2 种：1）人为因素，如污水排放，化学有毒物质释放，地下水超采等；2）自然因素，如外来物种入侵，地质灾害等。

水质监测途径一般也有 2 种形式：1）采集样本后送到实验室利用专业化验仪器测验，这种方式获得的结果精确但有延时；2）利用传感器、无人机、摄像头等实地监测，属于实时监测但易受外界环境影响，监测精度不高，如水草、鱼等水生动植物干扰或传感器老化生锈，还有天气影响、感知设备能量限制等问题[68]。

智慧水质监测系统（SWQMS）能够降低人力成本、测量误差和外界因素干扰，提高水质监测精度。Islam 等[31]2-7针对孟加拉国的布里甘加河，设计了基于 IoT 的地表水质监测系统，该系统包括定点监测节点（FpMN）和自组织管理监测节点（SmMN）2 个部分，监测指标包括 pH、溶氧量、生物需氧量、总溶解固体、浊度、悬浮固体、水温等，传感器节点使用船用深循环电池，使用太阳能电池板为其充电。另外孟加拉国水污染对当地鱼养殖业影响重大，Mohammad[32]1-5设计了基于 IoT 的水质监测系统——IoT based WQMS，开发了移动应用程序实时显示水温和 pH，并指出未来研究方向是开发能够监测水域不同深度的水质监测系统。Ajith 等[33]1-7开发了一种基于 IoT 的智慧水质监测系统，采用浮标承载传感器监测各类水质元素，通过 ML 算法对样本进行训练和测试，最后输出水温、湿度、水中所含 CO2浓度。Adu-Manu 等[69]1-19在加拿大阿克拉地区的威嘉大坝入口建立了基于 WSNs 的水质实时监测系统，对水温、导电性、pH、溶解氧含量、氟化物、钙元素等进行监测，并通过调度通信模块的工作和睡眠状态降低能耗。Kunze等[34]332-337设计的 SWARM 系统，利用承载传感器和照相机的无人机采集水质数据和图像信息，对水温、气温、pH 等进行监测。针对突发水质污染事件，Saab 等[70]以风险发生可能性、后果严重性、持续时间为评估指标，采用 2 种不同方法对法国里尔大学校园水质突发污染进行了评估。Wang 等[71]76-89针对资料稀缺流域，设计了一种移动的突发水质污染预警系统 MEWSUB，该系统能够快速生成数字地形和污染扩散过程等数据，手机 App 显示污染物到达时间、峰值，以及污染物超标的持续时间和面积。MEWSUB 已应用于中国的新安江、涪江、嘉陵江等河流的事故预警中。

3.4 水工建筑安全监控

根据不同的地理环境和实现功能需求，水工建筑可划分为挡水建筑物（大坝、堤防等）、输水建筑物（渠道、渡槽等）、整治建筑物等[56]71。保障水工建筑物安全稳定是开展发电、航运、灌溉、输水等各项水利业务的前提，水利工程施工、运行、管理各阶段都需要监测建筑物的安全状态。当前利用物联网、大数据、遥感、人工智能等技术实现水工建筑物全面深度安全隐患排查已成为主流趋势，智能仪器和手段解决了很多人类不易开展作业场景下的问题。

钟登华等[27]38-49针对大坝智能化研究，回顾了大坝建设经历了人工化、机械化、自动化和数字化 4 个重要阶段，指出大坝建设管理已逐步从数字化建设向智能化建设方向发展，形成了以智能仿真、碾压、灌浆、交通、加水、振捣等集成平台为核心技术的水利水电工程智能建设管理体系。乌东德大坝应用智能通水、灌浆、喷雾等自主创新成果破解了混凝土温控防裂这一世界级难题。任秋兵等[56]71-78从前端处理、网络结构和外延预测 3 个方面改进了 LSTM 模型，设计了数据量大且形式简单、数据量小且形式复杂、因子缺失且形式复杂等 3 种场景下的水工建筑物安全监控深度分析模型，有效提升了预测效果，缩短了模型训练时间，缓解了过拟合和共线性问题。徐云乾等[72]将三维激光扫描、探地雷达等技术相结合的多源无损探测技术，应用于水利工程隐蔽结构的多源异构探测数据融合中。宋书克等[73]649-654阐述了小浪底多源异构监测数据汇集策略和网络服务，介绍了结构化、半结构化和非结构化数据汇集技术，并以微信消息自动应答为例开发了 Web Service 接口 App，大大提升了全天候监测服务能力。

3.5 洪旱灾害风险评估与预警

随着全球气候变化和人类活动对环境的破坏，超标准洪水、干旱自然灾害的孕灾环境与致灾因子、承灾体脆弱性与暴露量、成灾模式与损失构成等均发生了显著变化[74]805[75-76]。针对当前水灾害的复杂性，利用新一代信息技术和智能化手段开展洪旱灾害风险评估与预警工作对降低灾害损失至关重要。

洪水风险评价指标通常包括 3 d 累积平均最大降水量、水位、河网密度、径流和植被覆盖度，地方财政收入、医疗服务水平、监测和预警能力，人口密度、人均 GDP，土壤侵蚀程度、场地污染风险等。防洪应急避险措施包括避险规划、准备、预案、预警感知、疏散撤离、救援避险和个人避洪等内容。黄艳等[74]805-814应用 LBS（基于位置的服务）、电子围栏、大数据、水动力学、微服务等技术研发了荆江分洪区超标准洪水应急避险决策支持平台，实现了洪水风险快速建模与预判、风险人群精准识别预警与实时监控、避险转移路径动态优化。Zhang 等[77]1-12针对长江流域洪水风险评估，提出了一种基于 GIS 空间多指标模型，利用 ArcGIS 分析程序将危险度、脆弱性和暴露度空间分布图层叠加，得到综合风险评价结果。Disse 等[78]240-256利用智能手机和 CCTV 摄像头采集水面、桥、周边建筑物等图像或视频数据，通过计算机视觉中的深度学习算法建立水动力模型，从而预测水位，界定泛洪边界，实现洪水精准预测。针对成灾更快、预测更难、破坏性更强的山洪灾害，练继建等[79]从山洪预警数据获取、模型计算、指标确定、不确定性来源等方面进行了分析梳理。

与洪水突发、历时短、降雨是主要成因等特点相比，初期不明显的干旱现象发展为大规模旱灾的过程较缓慢，更难预测，成因更加复杂[80]。干旱评价指标包括：年降雨量、SPI（标准化降水指数）、土壤含盐量、NDVI（归一化植被差异指数）、粮食产量、地下水位波动、溶解固体浓度、总人口、人口增长率和迁移率等。Akbari 等[55]1-8利用伊朗东北部干旱地区 15 a 土地退化的有效关键指标，对比环境阈值绘制了沙漠化风险预警地图，大部分指标均能在 99% 置信度下准确评估沙漠化风险。

对智慧水利典型应用系统的构建方法和试验过程进行了梳理总结，结果如表3 所示。