数据-模型耦合驱动的水质监测技术发展与未来展望

摘 要：随着大数据时代的到来，水质监测技术也迎来了快速发展，从以往的人工监测逐步转变为新型的实时监测和系统管理。当前，大数据技术已经在水质监测技术的多个方面得到广泛应用，主要包括数据采集、实时监测系统、数据存储与管理、数据分析以及风险预判5个方面。无线传感器网络和遥感逐渐成为数据采集的主流技术，而云平台和多种数据库的进一步使用促进了水质实时监测的发展。此外，时空大数据混合存储显著提升了数据存储效率。在水质分析和预测方面，机器学习和专家系统等人工智能手段则发挥了重要作用。未来，通过和物联网等新兴技术结合、提高设备集成化水平、构建混合机器学习模型，大数据将进一步助力水质监测的发展。

关键词：水质监测；大数据；人工智能技术；物联网

中图分类号：TV21；X832 文献标识码：A 文章编号：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）

大数据时代已经到来，计算机的硬件和算力日新月异，物联网、云计算等技术都促进了可获取的数据量的指数式增长。大数据技术是多种技术的统称，能够对大规模数据进行集成，通过专业的手段对大量数据进行高效的处理和分析，其包括数据采集、数据存取、基础架构、数据处理、统计分析、数据挖掘、模型预测、结果呈现等多种技术，在实际工程和项目中，这些技术往往会综合起来，服务于相同的目标。大数据具有5“V”特征：数据量大（Volume）、数据处理速度快（Velocity）、数据类型多样（Variety）、数据价值密度低（Veracity）、数据真实（Value）［1］。由大数据驱动的水质监测技术指的是利用大数据和相关的通信技术对水质数据进行收集、存储和处理，该技术结合了无线传感器、物联网、云计算、人工智能等多种手段，能够实现水体实时监测，从而保障水质安全。

随着中国4G/5G信号的进一步覆盖，在线水质监测平台基于大数据、借助云计算实现了从以人工检测、人工分析为主的旧方法到自动监测、智能分析的新型方法的转变［2］。目前，主流在线水质监测方法主要包括化学法、生物检测、光谱检测，这些监测手段在大规模应用时将产生大量数据，而云计算和云存储将通过高效的数据传输和管理、系统的数据处理手段对大数据进行整合，从而构建数据-模型驱动的水质监测系统。借助大数据和云计算，大规模流域监测和统筹成为可能，这将有效提高水质信息监测的效率［3］。

1 研究现状

大数据技术并非特指某种技术，而是从数据到分析到需求的全流程解决方案，由大数据驱动的水质监测涉及多个步骤，可以划分为数据采集技术、实时监测系统、数据存储与管理、数据分析、风险预判和智能决策5个环节。

1. 1 数据采集技术

在大数据时代，传统的人工采集方法已经逐步被科技化的水质监测方法替代，主流水质监测方法包括无线传感网络技术以及遥感云计算技术。

1. 1. 1 无线传感器网络

无线传感器网络技术目前被广泛应用在水质监测中，它能够实现水质参数远程采集和实时监控，从而获得高准确性监测数据，在数据采集方面有着显著优势。Sherchan等［4］利用集成的智能传感器实时监测水质参数的变化，如浊度、pH、温度、总有机碳和电导率等。夏云飞等［5］提出了基于多点采集传感器和无线通信模块的水质实时监控系统，并验证了系统的有效性和可靠性。基于无线传感器网络的实时监测系统总体设计思路见图1。

无线传感器网络的应用不仅实现了实时无线数据传输，还优化了水质信息的统筹管理，有助于构建全面的水质信息管理体系［6］。此外，无线传感器能够在水质信息难以人工采集的水域进行作业，在提高水质采集安全性的同时拓宽了水质信息采集的广度。

1. 1. 2 遥感云计算技术

遥感云计算技术目前已经广泛用于近岸海域的水质监测，该技术将通过卫星平台获得的水质参数，为水质检测和预判提供数据来源。目前在水质监测方面遥感云计算技术的应用主要包括2种方法：一是利用遥感云计算获取水体中叶绿素a浓度、悬浮物质和可溶性有机物等物质的浓度；二是利用遥感光谱特征对水质信息进行反演，并通过反演模型对水体未来的水质参数特征进行预测。

遥感云计算技术一方面能够为水质分析提供数据来源，另一方面能够建立反演模型，能够实现高效的水质预测。目前学者的研究主要集中于量化水质参数和水质反演，相关结果表明，水质反演的准确性受到季节、图像分辨率、遥感平台等因素的影响。Liu等［7］通过遥感技术量化了内陆和近岸水域的水质参数，包括无机沉浮颗粒、浮游植物色素、有色溶解有机物和塞奇盘深度等。侯毅凯等［8］利用三类遥感平台（Sentinel-2卫星影像、无人机搭载多光谱传感器和ASD地物光谱仪）对不同季节的河流水质进行了反演，发现水质反演的准确性受到季节的影响；Yigit等［9］指出在监测小水域水质参数时应采用高分辨率遥感图像并关注电磁光谱中的红边波段。黎栩霞等［10］借助MODIS卫星提供的数据库建立水质反演模型，实现了对海域的水质参数和赤潮爆发情况的评估和预测；张鹏等［11］基于ZY1-02D遥感检测了水域叶绿素a浓度的时空分布并预测了其未来发展趋势。此外，高光谱传感器、无人机和人工智能、地理信息系统（Geographic Information System，GIS）的发展也促使遥感水质监测取得了显著进展［12-15］。图2为2010—2023年采用遥感云计算技术进行水质预测的文献统计，在2010—2019年，相关研究较少，而在2020—2023年，相关研究迅速增长，整体呈现增加态势。这表明随着大数据技术和多种信息分析手段的进一步发展，遥感云计算技术在水质预测方面发挥着日益重要的作用。

遥感云计算技术能够实现流域的大范围监测，并为后续的水质分析和水质预测提供便利。但遥感云计算技术也存在一定的缺点，部分遥感数据的准确性受到大气校正的显著影响，如藻蓝蛋白和浊度参数等；对于小湖泊或狭窄河流，往往难以获取具有良好光谱、空间和时间分辨率的遥感数据；遥感水域模型具有空间依赖性，存在不同地区的应用限制；这些缺点影响了遥感数据的准确性，有待进一步优化［16-18］。在云存储、云计算等技术的助力下，遥感大数据的存储和处理日益系统化，促使河湖海水质实时监测向着体系化和专业化进一步发展［18］。

1. 2 实时监测系统

传统的人工水质监测方法检测耗时长、效率低下，而基于大数据技术和云平台的水质监测方法能够实现稳定可靠的水质实时检测。

考虑到水质监测的各个环节之间有着紧密的联系，许多学者基于云计算构建了水质监测、预警、反应一体化的水质实时检测系统，从而实现水质监测数据的自动采集、数据存储、数据分析、智能预警和预警信息推送。目前，多样化的大数据水质监测平台已经得到开发，包括水库水质在线检测系统、水质pH检测模型、水质数据智能服务平台、综合水环境管理平台等。彭烨等［19］建立了深圳市某水库水质在线监测和预警系统；陈淑娴等［20］将传感器技术和大数据相结合，构建了一个水质pH监测模型；Zhang等［21］用C#和PHP语言设计并实现了水质监测数据智能服务平台；Chen等［22］基于HTML5、JavaScript和Java创建了一个综合水环境管理平台；项馨仪等［23］借助Oracle数据库和Google Earth数字地图构建了智慧化水质监测平台；赵军等［24］基于ZigBee技术研发出了实时检测水质的无线传感网络工作系统。此外，物联网、BS构架等方式也被纳入到智能化水质实时监测平台的构建中［25-27］。水质监测平台的流程见图3。

虽然各类水质监测系统在搭建手段和水质参数的侧重点上有所差异，但其最终目的都在于实现水质数据的全流程管理。这些水质实时监测系统能够进行数据的即时传输，解决了传统数据信息延迟传递的难题，为管理者提供了充足的信息处理以及预警反应时间。

1. 3 数据存储与管理

大数据时代对于数据的存储具有高要求，数据存储格式显著影响数据的读写性能和读取效率，合适的数据存储手段对于存储大量复杂数据、提升水质数据的处理效率至关重要。因此，有必要深入探讨优化水质数据存储的解决方案，以满足大数据驱动的水质监测系统大规模应用的需求。

王意［28］提出时空大数据混合存储的策略，构建了不同管理情况下大数据之间的动态联系和灵活调度系统，在实现完整性的数据存储生态链的同时，提升了数据访问的效率。张扬帆等［29］对于大数据情况下的数据存储格式进行对比探讨，发现Parquet 和 ORC数据存储格式的压缩率较高，且在数据量大的情况下表现出更好的读写性能。此外，数据查询的效率往往受到数据查询方式的影响，Parquet 和 ORC格式在Hive、Spark 等 SQL 查询引擎下展现出高效率，而HBase则在使用NoSQL数据库查询时效率更高，具体查询时间见表1。

目前，针对大数据存储方式的研究日益增多，研究者们提出了多种创新型数据存储策略，旨在解决水质大数据存储和管理上的挑战，这些策略和方法主要涵盖数据存储生态链构建、数据访问效率提升以及数据存储格式优化等多方面。通过不同存储方案的对比，水质大数据存储和管理的体系向着时空结合和系统化平台逐步完善，数据存储技术的发展将为水质监测信息的存储和管理提供有利保障。

1. 4 数据分析

目前的研究中，不少研究者采用构建新型评估指标的方式来对水质进行系统化分析，但随着机器学习、卷积网络等手段进一步发展，更多研究人员采用人工智能手段进行更高效快速的数据分析。这些技术的应用提高了水质数据分析的准确性，同时也能够有效剔除误差。

在评估指标上，当学者致力于建立具有针对性的水质评估指标，从而高效分析特定水体水质情况，从而为实际生产生活提供便利。Maiolo等［30］用主成分分析（Principal Component Analysis，PCA）和聚类分析（Cluster Analysis，CA）方法分析饮用水影响因素；Lobato等［31］构建了新型质量指标（Quality Improvement，QI）和水质指数（Water Quality Index，WQI）对水电站水质进行评估和分类；此外，回归分析、多变量分析等手段也是水质数据分析的重要方式［32-36］。

在大规模、多流域的水质分析中，机器学习手段的应用尤其广泛，但目前的研究往往使用相对较小的训练和验证数据集，且模型存在并且对不同水质级别的预测能力不平衡的问题。赵晨曦等［37］提出改进后的U-Net网络的水质分割方法，发现加深卷积深度和在编码阶段加入ASPP模块的方法能够有效提升水体参数精度。Chen等［38］发现由pH、溶解氧、高锰酸盐指数和氨氮数据集训练的决策树、随机森林和深度级联森林水质分析性能更好。Zhu 等［39］对常用机器学习模型的优缺点进行了总结；Chen等［40］运用多因素统计分析和PCA技术确定了影响地下水质量变化的关键因素。Zhong等［41］采用快速模糊C-means聚类算法对三峡水质数据进行了快速高效的处理，Hou等［42］集成地理信息系统和蚁群聚类算法对水质信息进行了智能分析。李永飞等［43］对比了不同模型的数据分析性能，结果见图4，可见基于SHAP算法深度学习手段在水质数据分析方面有显著优势。

基于水质大数据，学者们采用各种数据分析手段评估了水体的水质情况，如主成分分析、聚类分析、回归分析、多变量分析、机器学习等，其中机器学习的预测精度通常与模型选择和训练数据集的质量密切相关。总体而言，各种数据分析手段为不同水域数据分析提供了多种选择，同时提高了数据分析的精度，加快了水质数据到可视化、系统化水质结论的转化。

1. 5 风险预判和智能决策

结合人工智能和专家系统分析处理大规模水质数据，大数据技术能够实现水体的参数预测和在线污染预警。通过对水质数据的深度挖掘和分析，这些技术可以快速、精准识别水质异常情况，并发出预警信息，从而为管理者的高效决策提供便利。

相关学者在大数据驱动的水质监测和风险预判领域进行了广泛而深入的研究，相关研究聚焦于结合人工智能技术和大数据技术实现针对水质污染的自主预警和智能决策。作为人工智能技术的重要组成部分之一，机器学习技术在水质风险预警方面发挥着关键作用，线性回归、随机森林、支持向量机、长短期记忆、人工神经网络等方法都为水质预测模型构建提供了有力支持。Park等［44］指出在水体富营养化预判上支持向量机模型比人工神经网络模型更为精确；Jeong等［45］将机器学习和生物预警系统相结合构建了水域污染实时预警模型；Yu等［46］提出基于 Copula 的贝叶斯网络方法以实现季节化的水质预测。在机器学习模型中，人工神经网络方法在水质预警的使用尤为广泛，它能够借助小波分析［47-48］、回归分析方法［49-50］、遗传算法［51-53］等方法进行模型优化，从而建立高效的数据驱动水质预测模型，精准预测水域污染。基于人工智能技术的水质污染检测流程见图5。

协同专家系统、大数据技术在水质污染智能决策方面也发挥着不可忽视的作用，相关系统不仅能够实现水质指标的自动计算，还能够对多种因素进行综合性考量，提供个性化决策建议。赵阳［54］借助Visual Basic平台构建了冷却循环水的智能决策系统，该系统能够基于已有知识库给出不同情况下的针对性解决方案。Nasiri等［55］基于模糊集理论设计了针对水质管理的多属性决策专家系统，该系统能够在实现水质指数自动计算的同时为管理者提供不同级别的决策；Cheng等［56］以决策模型为核心，为环保部门综合建立了考虑环境污染和城市工业经济的水质决策专家系统。智能决策系统通常根据管理者对于社会、经济、环境等多种因素的综合考量构建，不同决策系统之间的侧重点存在较大差异。这种因地制宜、因人而异的特点使得决策系统能够更有针对性地应用在不同地区，为水质监测和管理提供了极大便利。

结合云计算、云平台的大数据管理手段能够大规模统筹分析数据，建立实时监测系统并构建水质预测模型。大数据驱动的水质监测平台将对水域进行水质风险预判并提供智能决策参考，有利于相关机构及时高效采取应对方案。通过大数据和人工智能技术，决策人员能够即时掌握水质的变化趋势，并借助人工智能提供的决策参考快速给出水质污染应急处理方案。

2 未来展望

在水质监测方面，大数据技术作为后起之秀，面临着进一步发展的挑战，需要行业技术人员加强开发投入，克服现有不足。但不可否认的是，大数据驱动的水质监测技术有着广泛的应用发展前景，随着新时代发展、新技术的变革，大数据技术在水质监测、水质分析、水质预警等方面的应用将迈上新台阶。

2. 1 面临挑战

目前，大数据技术在水质监测领域的应用和推广仍然面临着多方面的挑战［57］，主要包括行业认同、硬件和软件性能、资金投入、管理系统和数据安全5个方面的难题。

a））行业认同。大数据在水质监测领域已经得到了一定的应用，但是在推广和普及还存在一定挑战。相关的专业人员对于大数据的了解不够深入，对大数据技术的处理原理和应用不够熟悉。水质监测人员对于传统的技术有一定依赖，大数据技术作为陌生的新型技术，必须通过大量实例来证实该技术的准确性和高效性。

b））硬件和软件性能。大数据技术对于硬件和软件的数据存储能力有着较高要求。水质数据的收集和存储、水质数据的生命周期管理、水质数据的安全和分析处理都需要强大的算力支撑。只有在软件和硬件满足要求的情况下，基于大数据的水质监测系统才能够投入大规模使用。

c））资金投入。大数据驱动的水质监测系统的研发需要大量资金投入，以进行试验和系统模拟，从而建立具有地域针对性、应用方向针对性的水质监测系统。

d））管理系统。大数据技术驱动的数值监测技术能够借助人工智能技术对水质信息进行统计分析，将为政府对于水质的决策和管理提供决策参考。因此，大数据技术在水质信息管理上创新将给传统的管理方式带来巨大变革，这需要决策者制定政策，规范决策流程，实现传统专家意见和大数据分析的有机结合。

e））数据安全。大数据技术将各类水质监测数据进行集成，在水质数据存储的过程中需要着重关注水质数据的安全性，避免保密信息的泄露，确保大数据技术在使用过程中用户的隐私防护。

2. 2 未来趋势

水质监测技术未来的发展将利用卫星遥感、数字图像、大数据、互联网和人工智能等多种创新性手段，从而实现水质的实时检测和灾害预报［58］。大数据在水质监测中的应用进一步发展既需要进一步升级数据采集设备、提高软件性能，也需要结合其他新兴技术，提高数据采集的准确性和数据分析的效率。其中，构建结合物联网等技术的实时水质监测系统和多级别动态监测系统是发展的重中之重。

2. 2. 1 结合物联网构建实时水质监测系统

物联网将日常物理对象和互联网相连接，具有实时性强、准确性高、扩展性好等特性。集合物联网技术和大数据技术的水质监测系统能够实现信息的远程操纵和快速传递，并进行水质的实时检测和及时调节。Wu等［59］开发了基于物联网的注意力神经网络，以从水体图像中识别水污染情况；Chowdury等［60］通过远程监控和物联网技术实现了数据实时访问，并借助Spark MLlib、深度学习神经网络模型进行了水质数据分析。祝鹏等［61］通过WIFI、阿里云和APP实现了水质参数的远程监控；李昕聪等［62］针对水产养殖提出了基于NB-IoT（窄带物联网）和无人船的水质监测系统，并对水质进行调节。将大数据技术和物联网结合，水质信息收集和分析将实现全方位的升级，水质监测的效率将进一步提高［63］。水质参数远程调控系统见图6。

物联网与大数据结合的水质监测系统展现了广阔的应用前景，能够实现水质实时监控和远程调控，但同时也面临着远程数据采集不便、多个传感器数据难以统筹的问题，这些问题限制了监测系统的效率和准确性，在采用大数据技术进行分析时应着重探讨，以求攻克难关。

2. 2. 2 建立多级别动态水质监测系统

目前发表的绝大多数水质监测工作都使用大数据分析方法，往往采用一种或者几种机器学习技术对一定时间内特定区域的水质进行监测或反演［64］，而实际应用过程中根据水域需求，很可能需要建立多级别的动态水质监测模型。不同级别的动态水质监测模型对于数据量、数据传输等方面都有着一定的要求。因此，推进大数据在水质检测中的应用时，势必要实现水质监测产品的监测自动化、功能集成化、数据实时化，提高当前水质监测手段的检测精度和效率，从而为水质预测和决策提供可靠的数据库［65］。

此外，未来的水质监测系统将会是智慧城市系统的重要部分，支持不同级别、多种水源的实时检测、评估和预测，也将助力实现城市整体的环境监理。孟露等［66］基于CiteSpace软件对大数据在水文领域的研究方向进行了总结和探讨，指出“智慧水文”成为研究热点，水体之间数据共享互联需求日益增加。在进一步的研究中，为了更好地对水质信息进行管理和检测，采用多样化深度学习方法来对不同区域的动态水质进行研究势在必行。

3 结语

大数据驱动的水质监测技术有着广泛的应用前景，通过构建全面完善的水质监测系统，水质检测的效率和精度进一步提高。在未来，大数据驱动的水质监测系统将进一步和物联网、人工智能等技术相结合，并建立多级别的水质监测模型，从而满足更多场景的应用需求，完善智慧水利系统，为相关部门的环境监管和管理决策提供全面系统的信息支持。

参考文献：

［1］詹鹏伟，谢小姣.大数据系统及关键技术与工具综述［J］.网络安全技术与应用，2018（8）：50-52.

［2］黄子恒.基于紫外-可见光谱法的水质监测云平台设计与实现［D］.重庆：重庆理工大学，2022.

［3］季斌.检测数据的资源化：大数据时代下的水质检测工作［J］.净水技术，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］夏云飞，郑诗程，黄聪.基于无线传感网络的水质检测研究［J］.工业控制计算机，2019，32（1）：27-29.

［6］龙家豪，向青，钱同惠.无线传感网络的水质监测应用研究［J］.电子世界，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］侯毅凯，张安兵，吕如兰，等.基于多源数据的河道水质遥感反演研究［J］.灌溉排水学报，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，王裕东，肖佑鹏，等.深圳近岸海域水质遥感监测及时空变化［J］.环境工程，2024，42（1）：243-252.

［11］张鹏，郭正鑫，刘振军.高光谱卫星影像水质遥感反演［J］.测绘通报，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］彭烨，李晓如，韩勇华.水源水质在线监测预警系统的建设及应用［J］.供水技术，2022，16（6）：6-9.

［20］陈淑娴，何文斌，张妥香，等.智慧生态水质pH值监测系统模型的设计与实现［J］.科技与创新，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］项馨仪，赵杰煜，黄元捷.基于无线传感网络的水质监测系统［J］.无线通信技术，2018，27（2）：21-25.

［24］赵军，林瀚刚，西热娜依·白克力.基于ZigBee的水质监测系统研制及复杂环境下在线测试［J］.中国测试，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.面向混合存储的时空大数据存储策略研究［J］.地理空间信息，2023，21（9）：10-13.

［29］张扬帆，王玙，李阳，等.基于云–边–端协同的区域级风电场大数据中心数据管理框架及优化运行方法［J/OL］.高电压技术，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， 徐庆， 刘振鸿， 等. 基于优化非线性自回归神经网络模型的水质预测［J］. 东华大学学报（自然科学版）， 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］USTAOĞLU F， TAŞ 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］赵晨曦，宋钰，胡敬芳，等.改进U-Net网络的遥感图像水质分割算法［J］.遥感信息，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］李永飞，李铭洋，常鑫，等.基于可解释性深度学习的物联网水质监测数据异常检测［J］.计算机工程，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，姜继平，王鹏.基于高频在线水质数据异常的突发污染预警［J］.中国环境科学，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］赵阳. 基于NARX人工神经网络的工业循环冷却水智能决策系统的研究与应用［D］.天津：天津理工大学，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］张秀峰，丁强，郝春洋.大数据模式下水质参数检测方法的研究［J］.无线通信，2017，7（6）：179-186.

［58］汤鸿霄.环境科学与技术的扩展融合趋势［J］. 环境科学学报，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］祝鹏，毕伟伟，贾雨奇，等.基于物联网的水质监测系统设计与实现［J］.仪器仪表用户，2023，30（11）：106-108，11.

［62］李昕聪，余紫扬，刘璞，等.基于NB-IoT和无人船巡检的水产养殖场物联网系统研究［J］.渔业现代化，2022，49（1）：72-81.

［63］王佳麟，何贤保，章启明.基于物联网的湖泊水质监测系统的研究［J］.绿色环保建材，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］马浴琼，曾欣玥，陈松.水质检测技术发展现状［J］.化学工程与装备，2021（11）：191-193.

［66］孟露，杨海波.基于CiteSpace知识图谱的水文大数据研究进展［J］.人民珠江，2024，45（2）：38-44.