水质系统信息学——环境工程的新兴交叉学科

Engineering ›› 2024, Vol. 43 ›› Issue (12) : 121 -130. DOI: 10.1016/j.eng.2024.03.018

研究论文

刘鸿 ^a ,
陈昭明 ^a ,
王志伟 ^b ,
徐明 ^c ,
王玉涛 ^d ,
耿金菊 ^e ,
殷逢俊 ^a

作者信息 +

Water Quality System Informatics: An Emerging Inter-Discipline of Environmental Engineering

Hong Liu ^a^,^* ,
Zhaoming Chen ^a ,
Zhiwei Wang ^b ,
Ming Xu ^c ,
Yutao Wang ^d ,
Jinju Geng ^e ,
Fengjun Yin ^a

Author information +

文章历史 +

Received	Accepted	Published
2024-01-29	2024-03-28
Issue Date
2024-11-21

PDF (5374K)

摘要

水质系统信息学（WQSI）是以系统控制论为指导，收集与水质有关的数据并将其数字化的新兴交叉学科。它涉及监测影响水质的物理、化学和生物过程，以及水质系统内的生态影响和相互联系。WQSI深度融合水质工程、信息工程和系统控制工程的理论与方法，以实现水质系统的智慧管控。这种整合以更高的精度和更高的分辨率彻底革新了我们对水质系统的理解和管理。WQSI是数字化时代推动环境工程学科发展的一个新阶段。本文探讨了WQSI的基本概念、研究内容与方法，以及它的学科特征和前景展望等。WQSI的创新和发展对于推动我国产业形态数字化与智能化转型，使我国在环境工程学科乃至生态环境研究领域走在世界前列，具有十分重要的战略意义。

Abstract

Water quality system informatics (WQSI) is an emerging field that employs cybernetics to collect and digitize data associated with water quality. It involves monitoring the physical, chemical, and biological processes that affect water quality and the ecological impacts and interconnections within water quality systems. WQSI integrates theories and methods from water quality engineering, information engineering, and system control theory, enabling the intelligent management and control of water quality. This integration revolutionizes the understanding and management of water quality systems with greater precision and higher resolution. WQSI is a new stage of development in environmental engineering that is driven by the digital age. This work explores the fundamental concepts, research topics, and methods of WQSI and its features and potential to promote disciplinary development. The innovation and development of WQSI are crucial for driving the digital and intelligent transformation of national industry patterns in China, positioning China at the forefront of environmental engineering and ecological environment research on a global scale.

关键词

水质系统 / 水质系统信息学 / 环境工程学科 / 新兴交叉学科 / 研究模式

Key words

Water quality system / Water quality system informatics / Environmental engineering / Emerging interdisciplinary / Research pattern

Highlight

• The implications of WQSI are proposed.

• Water quality systems and their control and simulation technology are analyzed.

• Research content and methods of WQSI are discussed.

• The interdisciplinary characteristics of WQSI are pointed out.

引用本文

引用格式 ▾

刘鸿,陈昭明,王志伟,徐明,王玉涛,耿金菊,殷逢俊. 水质系统信息学——环境工程的新兴交叉学科[J]. 工程（英文）, 2024, 43(12): 121-130 DOI:10.1016/j.eng.2024.03.018

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

环境工程学科是生物、化学、材料、市政、水利等多学科交叉融合的重要成果，已经成为支撑我国社会、经济、生态协调发展不可或缺的战略性学科[1]。随着人工智能（AI）和大数据学科的融合，环境工程学科的跨学科交叉融合趋势愈发强劲，其学科体系的进一步丰富和发展有了新的源泉和驱动力。

在人与自然和谐共生的中国式现代化建设中，系统思维已成为指导环境工程进步的关键方法。例如，Moser [2]在系统工程实践中引入了系统思维，Rodenas和Jackson [3]将系统思维应用于水环境管理，Nguyen和Bosch [4]团队使用系统思维研究生物圈保护区的可持续发展，Monat和Gannon [5]使用系统思维来解决复杂的工程问题。然而，环境工程的研究往往缺乏全面的视角，因为现有的研究范式主要聚焦于系统中某单一环节的精确描述和调控。因此，各组成部分之间的动态关系和相互作用往往被忽视，阻碍了研究人员对丰富的系统信息的深入挖掘和利用，导致学术成果与工程实践彼此脱节。因此，采用系统思维方法，整合数据科学和人工智能的最新理论和技术方法，对于变革环境工程现有的研究范式、路径和方法至关重要。这一变革将构建相应的基础理论、技术方法和创新解决方案，从而开启该领域创新发展的新阶段。

在传统的水质信息化研究和应用中，虽然可利用传感器技术和网络通信等远程传输技术，实现水温、pH值、溶解氧和各种污染物浓度等水质数据的远程采集和传输[6‒8]，但对这些单个水质参数或单项指标的研究难以确定水质系统的整体运行特性和规律。随着现代信息技术的快速发展，人们开始探索水质系统内多变量多参数之间的耦合关系，研究多个水质参数变化对水质系统整体运行效能的影响。例如，运用大数据分析技术和人工智能算法[9‒11]来挖掘多源数据间的关系，从而揭示水质数据的潜在模式，并预测未来的水质趋势；通过分析水质系统内多工艺参数间的相互作用关系，应用智能控制设备实现水质指标的综合调控，以提高水质管理的整体运行效果[12‒13]。这将为环境工程决策提供科学依据，有助于实现水质管理的智能化和可持续发展。

水污染控制科学作为环境工程学科的重要组成部分，核心内容是研究水质的转化规律及控制方法，其研究范式也面临着系统思维不足和系统信息挖掘利用不足等突出问题。因此，以水污染控制科学为切入点，探索环境工程学科研究范式的变革途径，不失为切实有效之举，由此而催生的一门新兴交叉学科，我们命名为水质系统信息学（water quality system informatics, WQSI）。

2 基本概念

2.1 水质

水质是指为了满足一定功能所必需的水的品质，由表征水的物理、化学、生物、生态学性状及其时域变化趋势的参数集合

Q

来描述，

Q = {q 1 (t), q 2 (t), ⋯, q n (t)}

，

q i (t)

表示第

i

个随时间变化的水质参数。

Q

有时还包括空间变量。一般而言，在人为划定的物理空间内，一定数量的水分子集合往往包含有若干杂质，杂质的种类与多寡，决定着水质的优劣程度。水质概念中引入时间维度，就将水质从传统的孤立数据发展为时间的连续或离散函数，这不但赋予了水质概念的系统性和动态性内涵，而且提供了从数学上描述这些内涵的可能性。

2.2 水质系统

水质系统是由水质存续状态或变化过程中各部分各环节构成的、相互依赖且具有特定功能的一个整体，表示为

E w = f 1 (L 1, L 2, ⋯, L m)

，

L i

表示系统中第

i

个部分或环节，

i = 1,2, ⋯, m

；

f 1 (·)

表示系统作用函数，描述各部分各环节之间的相互依存关系。水质系统既包括小微尺度的各类实验系统，也包括较大尺度的工程系统（如市政管网输送系统、市政污水处理反应系统），还包括人工或天然的河流、沟渠、池塘、水库等城乡水质系统。若干较小的简单水质系统可以相互连接成更大、更复杂的水质系统；一个庞大且复杂的水质系统也可以分解成若干相对较小且简单的子系统。

2.3 水质系统状态及状态变量

水质系统状态是指由一组最少数量、相互之间不能线性表示的时域变量集合来描述的水质系统的运动状态。它受外部输入因素和内部过程因素的共同作用，表示为

S m (t + 1) = f [S m t, I r t, P c t]

，

S m t

为水质系统在t时刻的运动状态；

I r t

为外部输入项，

r = 1,2, ⋯ α

，如污染物输入、工艺操作参数等；

P c t

为内部过程项，

c = 1,2, ⋯ β

，如生物降解、化学反应、除碳过程、氮转化过程等的特征参数。这种描述水质系统状态的变量集合，称为水质系统的状态变量。

2.4 水质信息

水质信息是指帮助人们增强对水质系统认识的确定性、对水质系统运动状态管控的精准性的一切信息，如数据、文字、图像、音频、视频等。水质信息主要包括水质的量化指标、水质变化的物理、化学和生物化学反应过程、机制与效应，以及能够描述水质系统各部分各环节相互作用的动态关系等内容。水质信息可分为水质系统的状态信息和过程信息、内部信息和外部信息等。

2.5 水质信号

是指承载水质信息的物理信号，如电、光、声、热等，是时间变量的函数f ₂(t)。若包括空间变量，则为f ₂(t;x,y,z)。对于非电量的水质信息须转换成电信号，以便于分析和利用。水质信号是水质信息的物理载体工具，是人们认识和控制水质系统的前提条件和数理手段；水质信息是水质信号所运载的具体内容，是水质系统状态的反映。水质信息和水质信号在水质系统中占据着基础性的核心地位。

水质信号通常包括模拟水质信号和数字水质信号。模拟水质信号是由各种传感器、检测仪器等设备识别与获取的连续时间信号，如溶解氧、pH值、浊度等随时间连续变化的参数。当水质信号只在某些不连续的规定时刻有函数值，而在其他时刻没有定义时，被称为离散信号。模拟水质信号通过采样、保持、量化、编码等步骤转化为一种特殊的离散信号，称为数字水质信号，通常用二进制数来表示，以便于计算机系统存储、传输和处理。

2.6 水质系统信息学

水质系统信息学是以系统控制论为指导，在研究水质的存续状态、水质变化的物理、化学和生物过程以及水质的生态效应等基础上，将系统各部分各环节动态依存关系等信息进行信号化和数字化，并实现水质系统智慧管控的学科。水质信息挖掘、水质信号利用、水质系统性质与模型、水质系统状态智慧管控等是WQSI的核心内容。

3 水质系统的调控

3.1 输入-输出映射

水质系统是WQSI的基本概念之一，体现了理解和管理水质的系统性思维方法，它是与水质相关的信号进行传输和转换的机构。对水质系统的认识与控制，可从建立输入（信号）与输出（信号）之间的映射关系入手，如图1所示。

输入信号是由外界向水质系统施加的物质、能量或某种物理形式的激励或扰动，输出信号则是水质系统在输入信号作用下所表现出的物质、能量或某种物理形式的响应，也可能包含与输入信号无关的随机扰动。只有对水质系统产生显著影响的信号，如改变化学反应或生化反应的热力学状态或动力学速率控制步骤的信号，才能成为输入信号，包括物料投加量、进水流量、曝气量和回流比等工艺参数的时域变化函数[14]。由输入信号激励引起的水质系统状态参数或其他预设物理量变化的函数，均可作为水质系统的输出信号，包括各种水质参数和物理量，如氧化还原电位的时域函数等[15]。

输入信号和输出信号通常用时域函数进行描述，两者可通过时频转换得到频域函数，以实现频域分析。根据函数关系、人为定义的规则或模型等方法所确定的水质系统输入与输出之间的对应关系，构成了水质系统的输入-输出映射。输入和输出之间可以建立直接映射，以实现对水质系统的外部描述，也可以通过水质系统的运动状态建立间接映射，以实现水质系统的内部描述。对任意水质系统，输入-输出映射是线性映射与非线性映射之和。

3.2 线性水质系统

一切水质系统本质上是一个非线性系统，为了简化分析，在主要物理意义得以保持的前提下，常将其处理为线性水质系统。某污水处理反应器若遵循一级反应动力学规律，则被认为是线性水质系统。从数学上讲，线性水质系统是指其物理、化学、生物过程达到定常态，描述水质系统的方程或模型是同时满足齐次性和叠加性[16]的线性方程，包括单输入单输出（SISO）线性水质系统、多输入多输出（MIMO）线性水质系统。

3.2.1 单输入单输出线性水质系统

当水质系统仅包含单一输入x(t)和单一输出y(t)且满足线性特性时，称为单输入单输出线性水质系统h(t)，x(t)、y(t)、h(t)均为时域函数，如图2所示。如果输入输出水质信号还满足时不变特性（即输出不随输入的时间起点而改变），则可进一步简化为线性时不变水质系统。

对于连续时间线性水质系统，可以推导出以下常系数线性微分方程来描述输入与输出之间的动态关系：

a n d n d t n y (t) + a n - 1 d n - 1 d t n - 1 y (t) + . . . + a 1 d d t y (t) + a 0 y (t) = b m d m d t m x (t) + . . . + b 1 d d t x (t) + b 0 x t

（1）

式中，系数

a i (i = 0,1, ⋯, n)

和

b j (j = 0,1, ⋯, m)

均为实数。

n ≥ m

，且均表示函数导数的阶数。式（1）等号左边反映了由物理、化学或生物过程，与各物理参数决定的水质系统的固有属性，式（1）等号右边则反映了输入信号与水质系统之间的作用方式。微分方程是研究线性水质系统的重要工具，如果是离散信号，则运用差分方程描述。

式（1）表示，尽管水质系统有不同的类型，但其基本规律是有普遍性的，即都可以用式（1）这种微分方程加以描述。对于不同的系统阶数、不同输入激励x(t)的函数形式，得到的系统输出响应各不相同，从而区分水质系统类型及系统内部结构特性。因此，水质系统内部的物理、化学、生物机制的综合表现，就体现在水质系统的输入与输出之间的这种关系上，而且可以采用统一的数学方程加以描述，如式（1）。就线性水质系统而言，水质系统的过程机制与水质系统的外部信号之间，是微观与宏观之间的关系，也是原因与结果之间的关系。这种关系是环境工程科学从技术科学发展到工程科学，再跨越到系统科学的理论基础，是水质信息学研究范式不同于常规技术科学研究范式的主要特征。

如图2所示，如果输入信号

x (t)

为单位冲激信号

δ (t)

，则

y (t)

和

x (t)

经拉普拉斯变换后的比值称为水质系统的传递函数

H (s)

，这是描述线性水质系统结构的基本数学工具，也是研究线性水质系统的主要方法。对线性水质系统，如果采用水质信息学的方法加以研究，则有可能带来新的发现。式（1）中，当

n = 1

时，则可称为一阶水质系统，当

n = 2

时，则为二阶水质系统。常见的水质系统，特别是试验系统，都可以简化为一阶或二阶水质系统。对一阶水质系统，经系数整理得：

d d t y (t) + k y (t) = q x t

（2）

式中，

k 、 q

均为常数，齐次通解为：

y (t) = y 0 e - k t

（3）

式（3）恰好是化学反应的一级反应动力学方程，

k

为速率常数；

y 0

为反应物数量的初始值。进一步考虑方程右边输入信号的不同形式，如正弦信号、阶跃信号、脉冲信号等，再模拟其信号响应的输出结果，可以据此优化输入函数，从而获得最佳的投药、曝气等控制模式。这种方法是传统的环境工程科学研究方法无法企及的。对于二阶水质系统，也可利用此方法进行研究，只是数学求解过程更为复杂。除了这种时域方法，还可以采用频域方法进行研究，从而获取水质系统的零极点配置图，并实现精准控制。对三阶及以上高阶水质系统，则利用状态方程的方法加以研究。

3.2.2 多输入多输出线性水质系统

对于这类高阶水质系统，可用状态方程来描述系统的状态变量和输入之间的动态关系，用输出方程来描述输出与状态变量和输入之间的关系。相对于单输入单输出水质系统微分方程仅仅考虑系统的外部特征，状态方程和输出方程的组合充分考虑了水质系统的内在特性，称为水质系统的状态空间表达式、状态空间描述或状态方程[17]。它与传递函数矩阵[18]共同构成研究多输入多输出线性水质系统的重要工具。状态空间表达式既可用于研究高阶线性水质系统，又能用于分析非线性和时变水质系统。

一个多输入多输出线性水质系统的状态空间表达式可以表示为一个向量矩阵形式[17]：

q ˙ = A q + B x y = C q + D x

（4）

式中，

x 和 y

均为列向量；

q

是 n 维状态向量；

q ˙

表示

q

的一阶导数；

A

为

n × n

维系统矩阵（系统内各状态变量之间的耦合关系）；

B

为

n × r

维输入矩阵（反映各输入量对各状态变量的影响）；

C

为

m × n

维输出矩阵（状态变量对输出的转换关系）；

D

为

m × r

维直联矩阵（输入对输出的直接作用，常为零阵）。如果为时变水质系统，则

A 、 B 、 C 、 D

中某些元素是时间的函数。相对于单输入单输出线性系统来讲，多输入多输出线性水质系统的结构更加复杂，因此需要特别注意其能控性和能观测性的研究。能控性是指控制作用对被控系统状态进行控制的可能性，更有意义的是对输出的能控性问题；能观测性则是指系统输出的量测值是否能够确定系统状态。

在一个多输入多输出线性水质系统中，当需要测量一个输入量对系统状态变量的影响时，通常可以采用以下方法。一是敏感性分析，即通过计算状态变量对每个输入的偏导数（即灵敏度）来实现。二是控制体积分析，即将系统划分为不同的控制体积，然后分析在每个控制体积中每个输入变量对系统状态变量的影响。这可以通过数学建模和仿真来实现，以便定量评估每个输入对状态变量的影响。三是系统识别方法，即通过对系统输入和输出数据进行分析来估计系统的状态空间模型，从而评估不同输入对系统状态变量的影响。通过以上方法，可将单个输入对系统状态变量的影响进行量化和分析，从而帮助理解系统行为并进行系统控制和优化。

虽然线性水质系统模型在面对实际的非线性水质系统时存在局限性，但在某些情况下，它仍然可以提供有用的近似值和启发。例如，在稳定的环境条件下，线性模型可能能够较好地描述水质参数的变化，此时，线性模型可以用于预测水质参数的变化趋势。又比如，虽然水质系统可能是非线性的，但某些污染源的影响可能在一定程度上表现为线性关系。在这种情况下，线性模型可以用于识别主要污染源，并为进一步采取措施提供指导。此外，在实际应用中，受限于数据的可用性和计算资源，在对水质系统进行建模和分析时，可采用线性模型对水质系统进行参数估计或模型简化，以便进行快速分析和决策。因此，尽管线性模型可能并不能完全描述非线性系统行为，但在某些情况下，它仍然具有一定的可行性和实用性。

3.3 非线性水质系统

非线性水质系统是指其物理、化学、生物过程中某一环节尚未达到定常态，不能用线性方程进行描述的水质系统。在这些系统中，污水处理反应器的输出响应已不是输入激励的简单线性函数，而是可能包含各种非线性项，如幂函数、三角函数、指数函数等。非线性水质系统不满足齐次性和叠加性，即整体作用不等于部分作用之和，无法利用传递函数来描述系统的输入-输出关系。同时，非线性水质系统的稳定性除受到其系统结构属性限制外，还和初始条件等有关系。非线性水质系统的内部往往包含局部的稳定运动和不稳定的运动，二者可以分解，然后对局部稳定性加以研究。

目前，现有研究对非线性水质系统的认识还十分有限。在工程应用中，很难求出非线性水质系统的精确输出过程，通常主要考虑系统是否稳定，系统是否产生自激振荡。对非线性水质系统的分析也要复杂得多，适用于线性系统的拉普拉斯变换和傅里叶变换等数学工具不再适用，数学方程一般没有解析解，代之的主要有基于图解的相平面分析法、基于频率响应的描述函数法，以及李雅普诺夫法等[19‒20]。

3.4 水质系统的管控

对于线性水质系统，在多源信息基础上，列写质量守恒、电荷守恒和能量守恒等主控方程，以及相关边界条件和初始条件约束方程，可构建出反映变量间相互关系的管控模型。对于非线性水质系统，往往很难建立起通用性的数学机理模型，管控的难度要大得多。

大数据科学的快速发展，为非线性水质系统管控的数据驱动模型构建提供了数据支持。在掌握水质系统线性规律基础上，采用机器学习、深度学习等方法，从大量数据中挖掘出水质系统的非线性规律和特征，从而建立相关数据驱动模型。然而，这类模型的可解释性有待增强，全局最优方案有时难以获得。因此，把机理控制模型与数据驱动模型相耦合，构建复合管控模型（图3），是水质系统管控技术的重要发展方向。

构建复合管控模型，通常是为了综合利用机理模型与数据驱动模型的优势，以更好地揭示水质系统的非线性特征，提高模型的预测性和适应性。这种结合可以采用不同的方法来构建：

（1）混合建模：在这种方法中，机理模型可以提供对系统物理过程的深刻理解，而数据驱动模型可以捕捉系统中的复杂非线性关系。通过对两者的合理组合，可以获得更全面、准确的控制模型。

（2）嵌套模型：在这种复合模型中，将机理模型作为主体，用来描述系统的整体行为，而数据驱动模型则嵌套在其中，用于捕捉系统中的局部变化或非线性关系。

（3）参数修正：在这种模型中，使用数据驱动模型对实时数据进行学习，从而便于修正和优化机理模型的参数，从而提高模型的适应性和准确性。

3.5 水质系统中的信息获取与模拟

水质系统的信息获取是认识和管控水质系统的前提条件和重要内容，需要深入研究系统内部的各种规律与机制，并从传感层、数据层、特征层等维度，开展这些信息的表示、提炼、转换、融合利用等[21]，然后建立起这些信号与传感方法和设备之间的联系，实现信号的功能化利用（图4）。概括起来，就是需要各学科知识的深入交叉与有机融合，着力解决“机制-信号-设备”三者的融合难题。大多数水质信息是由多源异构数据构成的，存在重叠性、多维度、异构性及动态性特征，需要进行数据清洗、融合、传输等操作，从而准确判断水质系统的属性。

传统的水质信息获取，局限于对当前时刻水质过程及相关参数的度量，缺乏对水质系统未来变化趋势的全面刻画。数字孪生技术能够以较小的代价来模拟水质演变规律并预测水质系统性能，同时以图表、动画等形式显示各状态参量的变化情况，输出的信息更加详尽逼真，已逐步成为水质系统的工艺设计、运行管理、综合评价甚至新技术研发的重要工具[22]。

近年来，网络技术、云计算、虚拟仿真等信息融合技术的快速发展，为数字孪生技术在水质系统中的仿真应用奠定了基础。通过数字孪生技术可在虚拟空间实现水质系统（物理实体）的同步运行、虚实交互与迭代优化[23]，进而利用动态图像来反映水质系统的运行状况、变化趋势（图5），实现对水质系统状态的感知、分析、决策、执行等精细化过程的直观管控。水质数字孪生技术主要基于水质系统的全面数字化和实时可视化，进而实现水质系统状态全过程的智慧化管控。

然而，由于水质系统的复杂性，现有仿真方法及专业仿真软件对水质系统各环节间的相互作用通常进行了简化处理，结果精度尚待提升。不断发展水质系统数字孪生新技术，持续提高模拟预测精度和预测效率，以满足水质系统时空模拟和动态调控仿真的实际应用需求，是未来WQSI亟待发展的重要内容。

3.6 水质系统的标准化

水质系统的信息采集、传输、存储、处理、系统管控等环节采用统一的技术标准体系，最大限度地实现水质系统信息资源共享，可以避免重复开发建设，大大提高经济性。标准化对水质系统的工程化应用和发展具有深远意义。

水质系统标准不仅包括信息技术标准，还包括应用信息技术和智慧管控等领域的相关标准。目前，水质系统多源信息普遍缺乏统一的标准，需要整合现有水质系统信息指标体系，形成信息存储、传输、共享及软件开发等基础共性标准和关键信息技术标准。加强水质系统标准化建设，构建有效、先进和适用的水质系统标准体系，也是WQSI未来发展的重要内容之一。

4 WQSI的研究内容和研究方法

WQSI的研究内容包括五个方面，重点在于如何获取多源异构水质信息，并据此构建水质系统的信息学表达方式和管控模型（图6）。

4.1 水质系统的信息学表达

信息学表达涉及描述单输入单输出水质系统的微分方程或差分方程、传递函数（频响函数）与零极点图、信号流图等，也涉及描述多输入多输出水质系统及非线性水质系统的状态空间表达式，此外，它还包括分析线性水质系统的能控性和能观测性，提出最优控制方法等。

4.2 水质系统的信息获取

信息获取既包括运用各类传感、遥感等测量技术来采集水质信息数据，也包括运用现代分析仪器来获得水质系统中各种污染物的浓度数据，还涉及水质系统仿真模拟过程提取的仿真数据。同时，对获取的海量水质信息数据，从采集点传输到分析处理平台所涉及的数据传输协议、数据云存储及数据库管理方法也是重要的研究内容。

4.3 水质系统的信息分析处理

信息分析处理涉及数据噪声去除、数据异常值检测等各类数据预处理技术，以确保采集的海量数据的准确性和可用性。它也涉及数据挖掘、机器学习等实时数据分析和智能化数据处理方法，以便从大量数据中提取有用信息和深入分析水质系统的动态性质。此外，它还涉及水质数据的可视化，以便用户更容易理解水质数据，辅助决策者和研究人员快速识别水质演变趋势。

4.4 水质系统的建模仿真

建模仿真不仅涉及水质系统的物理过程建模（主要采用数学方程来描述水质系统的水温分布、水体混合等物理过程），还涉及水质系统中化学、生物反应过程建模，需要考虑化学反应动力学、生态模型等来描述水质系统中污染物质的浓度变化、微生物相互作用过程等。对于采集的海量水质数据还可构建数据驱动的管控模型，通过机器学习和时间序列分析来预测水质未来变化。此外，还涉及运用计算流体动力学（CFD）或有限元分析等数值方法进行模拟仿真，以便模拟不同场景下的水质变化过程。

4.5 水质系统的标准化建设

标准化建设不仅涉及水质系统信号描述标准体系、水质数据采集和存储标准化方法，还涉及水质系统智慧管控指标及评价等技术标准体系、水质系统操作的标准化程序及水质数据共享标准，以确保水质数据采集分析过程的一致性和共用水质数据的可访问性。

传统水质科学的研究方法主要依赖于牛顿运动定律、化学反应质量守恒定律、电荷守恒定律、生化反应规律等[24]，属于传统物质科学研究的方法体系。相比于传统水质科学的研究方法，WQSI研究方法体系的独特性在于它基于系统论、控制论、信息论等研究思想，融合了数据科学、运筹学、信息学、控制科学、管理科学等研究方法，以及在线传感与装备研制相关技术，由此不断发展出自身的基础理论、研究方法和技术体系。因此，WQSI是对水质系统的认知方式、研究范式和管控模式的重要突破。

这些研究内容与方法之间彼此关联、相互影响，形成一个完整的研究体系。高质量水质信息的获取，是开展信息分析和建模仿真的基础。水质信息表达的规范化，有助于进行数学运算与信息处理，还有助于信息获取及信息分析的数据一致性，从而提高水质系统建模及仿真的准确性。水质信息的分析方法可用于校准模型和提高模拟的准确度，也为水质系统标准化建设提供数据质量保证。标准化建设可确保水质数据的可比性和一致性，也可降低水质信息获取、信息分析以及推广应用的费效比。

5 WQSI的学科特征及意义

WQSI属于环境工程学科，它不但融合了水污染控制科学既有的理论与技术方法，还融合了系统论、控制论、信息论等学科的理论和技术方法，学科交叉特征十分突出，如图7所示。

首先，WQSI强调对水体的系统性和全局性认识，需要考虑系统中各环节各部分之间的相互关联作用及过程，这将有助于更深刻地认识水质系统的动态行为和相互作用关系，因而具有显著的系统化特征。其次，WQSI运用信息论的技术方法来量化和管理水质数据，包括对水质数据的采集、传输、处理等，从而提高数据利用效率和可靠性，因而具有突出的信息化特征。再次，WQSI依赖大量的数据，包括监测采样数据、实验分析数据、模型仿真数据，并运用机器学习和数据挖掘等数据科学的技术来分析和解释这些数据，因而具有显著的数据化特征。最后，WQSI运用反馈控制、最优控制、自适应控制等控制手段实现对水质系统的实时调节和自动优化，确保水体满足特定的质量标准，因此也具有突出的智能化特征。

WQSI与其他学科的交叉融合过程如图7所示。首先，WQSI的数据来源是通过传感、检测等技术获得的，因此它与测试计量、仪器等学科紧密相连。其次，水质信息的传输处理过程离不开信号分析、信息通信等技术，因而与信息工程、通信工程学科密切相关。再次，通过对水质信息的分析，可以开展水质处理工艺参数的调节，这又与控制学科、自动化学科相互融合。最后，水质信息处理的结果有助于改进水质监测、更好地管理水资源和水环境，这就与环境工程学、生态学等相互关联。由此可见，WQSI的发展离不开其他相关学科的发展与技术支持，同时也会促进其他学科的发展并带动相关技术的进步。这也是不同学科之间进行交叉融合发展的意义所在。

目前，对WQSI的研究还处于萌芽阶段。文献[25]出现了水质信息学的概念，但仅用于扩展水质指标的计算与评估技术，并不涉及本文提出的水质系统信息学的内容，更没有涉及水质的系统性和动态性内涵及其数学描述、系统控制等关键问题。因此，系统研究WQSI，不仅可促进与其他学科有效交叉融合，而且有助于指导环境工程学科的进一步发展。

经过数十年探索积累，环境工程学科内在逻辑已演进到新的发展阶段，具备了新的认知视野、思维方法和技术手段。WQSI的提出和建立，体现了环境工程学科的系统性、整体性、绿色化、智慧化、装备化的学科价值观，“信息化”的时代特征也更加清晰[1]。因此，在我国建设和发展WQSI，是国家产业形态数字化与智能化转型赋能的内在要求，有助于抢占国际环境工程学科领域的制高点。

6 WQSI的前景展望

WQSI尚处于萌芽阶段，但可预见其广阔的发展前景。在理论基础层面，“数据-信息-知识”逻辑框架内的水质信息理论、水质系统控制论、水质系统管理科学等，将构成WQSI的理论框架。在技术方法层面，水质信息感知技术与装备、水质仿真模拟技术、复杂水质系统智慧管控技术等，将是支撑WQSI发展的技术方法及装备体系。在工程应用层面，WQSI将迈向复杂水质系统优化运行的智慧决策及风险水平智慧化管控阶段。

特别地，在学科发展层面，WQSI具有边界清晰、内涵丰富和学科交叉的典型特征，在数据和智能化驱动的研究范式变革时代浪潮下，它将是环境工程学科新的增长点。“双碳”目标对环境工程提出了挑战，WQSI的目标是能够加深对河流水质系统、小微水体系统碳源和碳汇的属性认识，特别是各种类型（尤其是大型减污降碳）水质系统的分析和管控方面，将针对性发展出复杂水质巨系统的理论知识和技术方法，并在提升系统运行的经济性与可靠性等方面，发挥关键作用。例如，利用水质系统信息学提供的高分辨率监测数据，可以帮助政府和企业更准确地评估碳排放的情况，并监测碳排放的变化趋势；也可以对排放源进行精细化管理和优化处理工艺，以降低能耗和减少碳排放；还可以通过信息学方法建立碳排放数据的监管和交易平台，促进碳交易市场的发展，为碳减排提供经济激励机制。有理由相信，WQSI将有力地促进环境工程各细分领域的基础研究，也可为水资源、水环境等其他学科发展奠定理论基础。

7 结语

WQSI是在系统控制论的指导下，由水质工程、信息工程和控制工程深度融合渗透而诞生的新兴交叉学科，是水质系统智慧管控新方法新技术发展的科学基础。WQSI的发展将有助于水质系统的信息挖掘和利用，解决实际水质系统的非线性、时变性及不确定性等难题，进而实现复杂水质系统的智能化高级管控。

为促进WQSI的发展，一方面要加强基础理论研究，进一步增强相关学科之间的融合渗透，建立和完善理论与技术方法体系；另一方面要围绕水质系统智慧管控的应用场景需求，深度融合信息技术的最新成果，开展技术创新、标准创制及应用开发，不断提高水质系统智慧管控的技术装备水平。

在我国建设和发展这一新兴交叉学科，是国家产业形态数字化与智能化转型赋能的内在要求，有利于抢占环境工程学科乃至于生态环境领域的国际制高点，具有十分重要的战略意义。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Yang J. The development of environmental engineering disciplinary in context of National Natural Science Foundation of China. Chin J Environ Eng 2022;16(4):1055‒62.

[2]	Moser H. Systems engineering, systems thinking, and learning: a case study in space industry. Berlin: Springer; 2013. . 10.1007/978-3-319-03895-7_2

[3]	Rodenas MA, Jackson MC. Lessons for systems engineering from the Segura River reclamation project: a critical systems thinking analysis. Syst Res Behav Sci 2021;38(3):368‒76. . 10.1002/sres.2789

[4]	Nguyen NC, Bosch OJH. A systems thinking approach to identify leverage points for sustainability: a case study in the Cat Ba Biosphere Reserve, Vietnam. Syst Res Behav Sci 2013;30(2):104‒15. . 10.1002/sres.2145

[5]	Monat JP, Gannon TF. Applying systems thinking to engineering and design. Systems 2018;6(3):34.

[6]	Ewuzie U, Aku NO, Nwankpa SU. An appraisal of data collection, analysis, and reporting adopted for water quality assessment: a case of Nigeria water quality research. Heliyon 2021;7(9):e07950. . 10.1016/j.heliyon.2021.e07950

[7]	Campos Ribeiro HM, Almeida ADC, Rocha BRPD, Krusche AV. Water quality monitoring in large reservoirs using remote sensing and neural networks. IEEE Lat Am T 2008;6(5):419‒23. . 10.1109/tla.2008.4839111

[8]	Cao Q, Yu G, Qiao Z. Application and recent progress of inland water monitoring using remote sensing techniques. Environ Monit Assess 2023;195(1):125. . 10.1007/s10661-022-10690-9

[9]	Zhu X, Guo H, Huang J, Tian S, Xu W, Mai Y. An ensemble machine learning model for water quality estimation in coastal area based on remote sensing imagery. J Environ Manage 2022;323:116187. . 10.1016/j.jenvman.2022.116187

[10]	Grbčić L, Družeta S, Mauša G, Lipić T, Vukić Lušić D, Alvir M, et al. Coastal water quality prediction based on machine learning with feature interpretation and spatio–temporal analysis. Environ Modell Softw 2022;155(9):105458.

[11]	Mohammed H, Michel Tornyeviadzi H, Seidu R. Emulating process-based water quality modelling in water source reservoirs using machine learning. J Hydrol 2022;609:127675. . 10.1016/j.jhydrol.2022.127675

[12]	Liu Y, Liu X, Duan B, Yu Z, Cheng T, Yu L, et al. Polymer–water interaction enabled intelligent moisture regulation in hydrogels. J Phys Chem Lett 2021;12(10):2587‒92. . 10.1021/acs.jpclett.1c00034

[13]	Du Y, Zhou Z, Zhao J. Multiregional building energy efficiency intelligent regulation strategy based on multi-objective optimization and model predictive control. J Clean Prod 2022;349:131264. . 10.1016/j.jclepro.2022.131264

[14]	Fan XY, Li HQ, Yang P, Lai B. Effect of C/N ratio and aeration rate on performance of internal cycle MBR with synthetic wastewater. Desalination Water Treat 2015;54(3):573‒80. . 10.1080/19443994.2014.884942

[15]

Bourgin M, Borowska E, Helbing J, Hollender J, Kaiser HP, Kienle C, et al. Effect of operational and water quality parameters on conventional ozonation and the advanced oxidation process O₃/H₂O₂: kinetics of micropollutant abatement, transformation product and bromate formation in a surface water. Water Res 2017;122(1):234‒45. . 10.1016/j.watres.2017.05.018

[16]	Sravani D. Watershed modelling using SWAT for hydrology and water quality: a review. J Indian Water Works Ass 2021;53(2):123‒7.

[17]	Hu H, Wang CX, Ren NF. Modern control system. Beijing: Tsinghua University Press; 2014. Chinese.

[18]	Hu SS. Automatic control principles. 7th ed. Beijing: Science Press; 2022. Chinese.

[19]	Fang YC, Lu GZ. Nonlinear system theory. 2nd ed. Beijing: Tsinghua University Press; 2022. Chinese.

[20]	Kerschen G, Worden K, Vakakis AF, Golinval JC. Past, present and future of nonlinear system identification in structural dynamics. Mech Syst Signal Process 2006;20(3):505‒92. . 10.1016/j.ymssp.2005.04.008

[21]	Kim SY, Kim JH, Jeong T, Kim KB, Kim HJ, Nam KM, et al. Accelerated decomposition of Bi₂S₃ nanorods in water under an electron beam: a liquid phase transmission electron microscopy study. Nanotechnology 2021;32(19):195702. . 10.1088/1361-6528/abe150

[22]	Yang W, Song J, Higano Y, Tang J. Exploration and assessment of optimal policy combination for total water pollution control with a dynamic simulation model. J Clean Prod 2015;102:342‒52. . 10.1016/j.jclepro.2015.05.011

[23]	Grieves M, Vickers J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems. In: Transdisciplinary perspectives on complex systems: new findings and approaches. Berlin: Springer; 2017. p. 85‒113. . 10.1007/978-3-319-38756-7_4

[24]	Li Z, Yu E, Zhang K, Gong W, Xia Y, Tian J, et al. Water treatment effect, microbial community structure, and metabolic characteristics in a field-scale aquaculture wastewater treatment system. Front Microbiol 2020;11:930. . 10.3389/fmicb.2020.00930

[25]	Blessing NR, Benedict S. Computing principles in formulating water quality informatics and indexing methods: an ample review. J Comput Theor Nanosci 2017;14(4):1671‒81. . 10.1166/jctn.2017.6531