隨著人工智能（AI）和深度學(xué)習(xí)（DL）在水文和環(huán)境科學(xué)領(lǐng)域的飛速發(fā)展,，它們?yōu)樗|(zhì)分析和預(yù)測(cè)提供了新的視角和方法,。從二戰(zhàn)時(shí)期圖靈機(jī)的應(yīng)用到最近在深度學(xué)習(xí)領(lǐng)域的突破,，AI已經(jīng)徹底改變了我們處理和分析數(shù)據(jù)的方式,。

水質(zhì)預(yù)測(cè)面臨的長(zhǎng)期挑戰(zhàn)

水質(zhì)預(yù)測(cè)的復(fù)雜性首先源于數(shù)據(jù)的稀缺性。與流量數(shù)據(jù)相比,，水質(zhì)數(shù)據(jù)往往更為稀疏,、不連續(xù)，且在時(shí)間,、空間和頻率上的覆蓋也更為有限（圖1）,。其次,，水質(zhì)數(shù)據(jù)的采集往往無法捕捉到完整的流量變化范圍（例如洪峰期間），導(dǎo)致在水質(zhì)建模時(shí)常出現(xiàn)偏差,。傳統(tǒng)基于統(tǒng)計(jì)和物理過程的模型在預(yù)測(cè)水質(zhì)時(shí)常常力不從心,。然而，深度學(xué)習(xí)技術(shù)的出現(xiàn)為解決這一難題提供了可能,。

助力知識(shí)發(fā)現(xiàn)：深度學(xué)習(xí)從“黑箱”到“玻璃箱”

深度學(xué)習(xí)因其“黑箱”的特性而受到批評(píng)：算法僅提供輸入和輸出間最佳匹配,，卻無法解釋內(nèi)部機(jī)制,，從而阻礙了對(duì)物理過程的理解。為了增加深度學(xué)習(xí)的可信度,，相關(guān)領(lǐng)域正在研究如何將深度學(xué)習(xí)發(fā)展為透明,、可解釋的“玻璃箱”（圖2）?？山忉屔疃葘W(xué)習(xí)（XDL）旨在揭示模型決策過程中蘊(yùn)含的知識(shí)和規(guī)律,，可以識(shí)別影響模型預(yù)測(cè)的重要特征、關(guān)系和機(jī)理,。

直偉教授為論文第一作者,。河海大學(xué)為論文第一單位，署名單位包括河海大學(xué)水災(zāi)害防御全國(guó)重點(diǎn)實(shí)驗(yàn)室,、長(zhǎng)江保護(hù)與綠色發(fā)展研究院和水利部水循環(huán)與水動(dòng)力系統(tǒng)重點(diǎn)實(shí)驗(yàn)室。成果由我校聯(lián)合美國(guó)賓夕法尼亞州立大學(xué),、美國(guó)地質(zhì)調(diào)查局,、美國(guó)環(huán)保署和瑞士聯(lián)邦水科學(xué)與技術(shù)研究所共同完成。