隨著人工智能（AI）和深度學習（DL）在水文和環(huán)境科學領域的飛速發(fā)展,，它們?yōu)樗|(zhì)分析和預測提供了新的視角和方法,。從二戰(zhàn)時期圖靈機的應用到最近在深度學習領域的突破，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)預測面臨的長期挑戰(zhàn)

水質(zhì)預測的復雜性首先源于數(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）,，導致在水質(zhì)建模時常出現(xiàn)偏差,。傳統(tǒng)基于統(tǒng)計和物理過程的模型在預測水質(zhì)時常常力不從心。然而,，深度學習技術的出現(xiàn)為解決這一難題提供了可能,。

助力知識發(fā)現(xiàn)：深度學習從“黑箱”到“玻璃箱”

深度學習因其“黑箱”的特性而受到批評：算法僅提供輸入和輸出間最佳匹配,，卻無法解釋內(nèi)部機制，從而阻礙了對物理過程的理解,。為了增加深度學習的可信度,，相關領域正在研究如何將深度學習發(fā)展為透明、可解釋的“玻璃箱”（圖2）,?？山忉屔疃葘W習（XDL）旨在揭示模型決策過程中蘊含的知識和規(guī)律，可以識別影響模型預測的重要特征,、關系和機理,。

直偉教授為論文第一作者,。河海大學為論文第一單位，署名單位包括河海大學水災害防御全國重點實驗室,、長江保護與綠色發(fā)展研究院和水利部水循環(huán)與水動力系統(tǒng)重點實驗室,。成果由我校聯(lián)合美國賓夕法尼亞州立大學、美國地質(zhì)調(diào)查局,、美國環(huán)保署和瑞士聯(lián)邦水科學與技術研究所共同完成,。