在智慧水务概念被逐渐“炒热”的今天，鲜见有人系统地去思考：当我们在谈论智慧水务的时候，我们在谈论什么？
老实说，很难有一个统一的答案。
在接下来的文章中，笔者旨在“谈论”有关智慧水务的三个问题：
智慧水务的定义；
智慧水务的层次；
智慧水务的维度。
【智慧水务的定义】
从专业领域的角度来看，应用信息通信技术（Information and Communication Technology, ICT）解决水环境问题，是水信息学（Hydroinformatics）专业领域的问题，这和当前智慧水务的内容是相契合的。由此引申出来的智慧水务的定义可以是：
Concerns the integrated use of information and communication technologies, modelling and decision support systems in solving problems related to the aquatic environment and involving relevant stakeholders.
专注于信息通信技术（ICT）、建模与决策支持系统的集成应用，以解决水环境相关的问题、以及涉及利益相关方所面临的问题。
值得注意的一点是，本公众号文章中所讨论的，是涵盖了水利、排水、供水在内的大水务范畴。尽管国内常常细分智慧水利、智慧水务，但在英文中都可以对应为Smart Water的范畴，为了表述方便，统称为智慧水务。
针对上述定义中的若干关键词，做一个简单说明：
【信息通信技术】智慧水务一定是结合了最新的信息通信技术的，包括物联网、云服务等技术在内的现代ICT，都可以辅助智慧水务的建设。
【建模】建模评估在智慧水务建设中占据重要地位。这里的模型，既包含了以水文水动力模拟为代表的、有明确物理意义的数学模型，也包含了以机器/统计学习为代表的数据驱动模型。
【决策支持系统】智慧水务的目标是辅助决策，包括应急决策、日常运维管理中的决策，等等。
【水环境问题】水环境问题是物理意义上的问题，例如：黑臭、洪涝等。
【利益相关方的问题】利益相关方的问题是社会/组织层面的问题，在解决水环境问题时，常涉及到一方受益、而另一方受损的情况。例如限制排污，则往往带来工厂企业的损失。这就涉及到多目标的利益最大化（最优化）。
只有界定了智慧水务的概念，我们才可以进一步去讨论：智慧水务发展的阶段层次是怎样的、哪些应用可以称得上是智慧水务的应用。
【智慧水务的层次】
下面我们将进一步讨论智慧水务的不同层次，又或者说，是不同的发展阶段。启发我对此进行思考的有两个方面：其一，太多人将智慧水务和所谓的水务信息化、水利信息化混作一谈；其二，则是其他行业关于智慧、关于人工智能的探讨。
先说第一点，智慧水务等同于搞水务/水利信息化吗？直觉告诉我，不是。信息化完成了底层基础数据的采集整理，完成了基本业务平台的搭建，是十分基础而重要的工作，但要说这就是“智慧”，有点牵强，总让人感觉“还不够”。
现实情况是，太多涉足智慧水务行业的同行们，把这二者混为一谈了。先甭管是不是真“智慧”，至少借着“智慧”的名号，什么产品都显得高级一点。如果我们随意从必应、百度上检索一下“智慧水务”这个词，不难看到如下的一些介绍：
“智慧水务云平台通过数据采集设备、无线网络设备、智能采集终端、水质检测传感器、压力传感器、流量计、智能...”
“智慧水务是指将传统水利与现代信息化技术进行深度融合,以提高水务的管理和服务水平…”
“该系统围绕智慧水务管控一体化战略发展目标,整合云计算、大数据和GIS地理信息、物联网技术,通过对从水源、水厂到管网、用户的监测数据采集监控感知智慧水务管控一体化…”
本质上都还是信息化的范畴。
这促使我深入思考，如果说智慧水务不等同于水务/水利信息化的话，那它们之间又有什么关系呢？
这就跳到第二个问题了，其他行业是怎么看待“智慧”一词的？
鲍捷老师在人工智能对银行推动的展望一文中的看法，对我启发很大。这里直接引用一段鲍老师的原文：
现在，大家在谈人工智能时都有过高的预期，觉得人工智能可以解决很多问题，特别是在AlphaGo之后。这可能也是我们今天坐在这儿的原因。但是我们要清楚人工智能不是万能的。在我们谈到人工智能的时候，其实我们指的是不同的东西。比如，智能灯泡、智能音箱、智能汽车这三个中文里都是智能，但其实讲的是完全不一样的东西。
第一个，智能灯泡是一种自动化，就是去完成一些人反反复复根本不用动脑子的重复劳动，这就是第一步自动化。
第二个，智能音箱做的是杀马特，Smart，就是小聪明。它可以完成几个人一起完成的一个事情，比如数据集成，数据查找这样一些事情。
第三个，智能汽车是一种更高级的智能，它可以进行预测，进行规划，进行一种洞察，需要长期的训练才能够拥有的这个智能，这也是我们所谓的Artificial Intelligence（AI）。
在真正进行领域应用的时候，我们通常并不是真的需要一定要到AI这个层面上，Robot和Smart这两个层面其实已经可以帮助我们完成很多工作。
第一个层次：比如，现在在每一个金融机构里，都会有一大堆实习生从PDF报表里面提取数据。这样的事情为什么让人类来做？这完全是对我们进化的一种侮辱！我们应该用机器来做这件事情，这就是Robot层面的事情。其实智能投顾（robot advisor）就是套公式，如果我们还仅仅用Excel进行计算的话，也是对我们的侮辱！所以应该用机器(Robot)来做，这是第一个层次。
第二个层次：是Smart，是对数据进行简单分析，按照一定规则进行的过滤。美国AlphaSense这样的公司就是这样在做规则的提取。当前的人工智能在这方面已经做得比较好了。我们现在可以比较有信心地说，“人工智能可以把大部分实习生干掉”这件事情应该是没有问题的。两年到三年之后，人工智能是可以把数据分析师的大部分重复劳动取代掉。
第三个层次：是真正的资深的或者中高级层面才能用的洞察力。这样的洞察力不但能够发现事实，还可以解释这是什么，并且进一步做出预测。但是这种预测不是简单的像量化投资那样的预测。量化投资的预测是属于短期的一种，时间序列分析就可以完成的，并不会涉及到事物本质的因果关系。我们真正想达到智能化，就需要去了解它的因果性，这也是目前只有中高级的分析师才能达到的。Kensho想达到这种目标，其实也还没有达到。在其他领域，我们也可以看到像Watson这样的系统，证明我们现有技术已经可以达到，但是在任何一个具体的垂直领域应用时，我们还需要进行人才、数据和市场的准备。这个在中国，包括美国在内，准备都不够充分。这也就是为什么今天讨论的，是smart bank而不是intelligent bank(智能银行)。因为目前的产业还接受不了这个事物，或者说成本太高做不了。那么我们应该循序渐进地去做当下的历史阶段能够做的事情。
鲍老师在提到所谓的人工智能的时候，将其划分为Robot、Smart、Intelligent三个层次，这一理念，引入水务行业，同样是可以借鉴使用的。以下是我所理解的智慧水务的三个层次。
智慧水务的第一个层次（阶段）：信息化
智慧水务的第一个层次是信息化，该阶段目的在于解放人的双手，替代人的重复性劳动。
其工作，首先是完成水环境系统中各类资产数据、监测数据的信息采集。例如，城市排水系统中的检查井、管道等的位置、大小、高程信息，通过物探等方式，录入地理信息系统（GIS）平台中，实现GIS化；又比如，通过物联网（IoT）等技术，将城市排水系统中关键节点的流量、液位、水质等信息，实时、自动地传输到数据库平台中，实现实时监测。
其次，结合GIS类数据、实时监测数据，根据水务行业调度应用的实际需求，开发业务平台。即，在数据信息化的基础上，结合使用者的需求，实现业务的信息化。
通过信息化，数据采集的流程得到了简化，业务处理的流程也得到了简化。
智慧水务的第二个层次（阶段）：智慧化
智慧水务的第二个层次是智慧化，该阶段，针对现有信息、数据的分析评估，将极大地辅助完成决策支持。
智慧化的核心是数据分析能力。在信息化阶段，只是完成了数据的采集，以及最简单的数据应用。例如利用实时监测数据，设置阈值，超过阈值进行“报警”，这样简单的应用。
数据分析主要通过建模实现，建模又可分为两类。
一类，是基于物理过程，利用数据搭建水文水动力模型。日常，水文水动力模型可用作规划设计的评估，或者辅助运维；出现紧急情况时，水文水动力模型又可以对接实时监测数据，辅助应急，进行实时预报预警。
另一类，则是数据驱动的模型，比较有代表性的，就是现在热门的机器学习模型。这类模型，一方面可以和水文水动力模型结合，以达到优化的目的。另一方面，也可以直接应用于实时监测数据，实现类似异常监测等功能。
智慧化阶段的数据分析，从所谓的水务“大数据”中提取出了有效的信息，既可以直接给到决策者，辅助他们做出决策，更进一步的，也可以同水环境系统中的实时控制模块相结合，辅助自动化控制。“厂网一体化，无人值守”就是一个很热的议题。
智慧水务的第三个层次（阶段）：智能化
智慧水务的第三个层次是智能化。在该阶段，人工智能技术将得到更加广泛的应用，通过人工智能的“洞察力”，事务的相关性、因果性将更加清晰，智能预测和智能决策，将深刻的改变水务行业的运营管理方式。这是超越现有历史阶段的东西，我们先不多提。
我们当前所处的阶段，是信息化和智慧化更迭的一个节点。
水务行业的信息化在过去5-10年里逐步开展，相信还会持续一段时间。类似NB-IoT的应用、GIS技术的应用，都是水务信息化发展的成果。
而水务行业的智慧化，随着水文水动力模型应用的普及，也逐渐兴起。机器学习模型虽然在工业界应用还不广泛，但我十分看好之后的发展前景。
可以说，无论是信息化还是智慧化，在未来相当长的一段时间里，都还有发展的空间。二者的融合，也一定会极大的促进智慧水务行业的发展。
【智慧水务的维度】
当谈论智慧水务的维度时，我想谈论的是，传统水务行业和信息通信技术（ICT）的常见的、潜在的结合点在哪里，或者说，应用的技术有哪些。从我个人的接触了解来说，结合点包括且不限于：
1、地理信息系统（GIS）和系统集成技术
2、实时监测和物联网技术（IoT）
3、基于物理过程的水文水动力建模技术
4、雷达技术
5、基于数据的人工智能技术
6、实时控制（RTC）技术
7、其他（欢迎补充）
地理信息系统（GIS）和系统集成技术
【基于GIS类数据的资产管理】
水务行业中的“资产”，通常指的是水务系统中能够提供相关服务的物理对象，例如：管道、检查井、阀门、泵、堰、调蓄池等等。对于这些资产，从规划、设计，到施工、运营，再到拆除、报废，一整个过程的全寿命周期管理（Full Life-Cycle Management），是一项非常重要、但事实上还不受重视的议题。资产管理（Asset Management）的理念，有待普及。
水务行业中，资产管理和ICT的结合，主要依托地理信息系统（GIS）实现。一些基于GIS类数据的专业资产管理软件，例如InfoNet，也有一定应用。
【基于GIS的业务平台】
辅助终端业主（如市政管理局、水务局、三防办）日常管理的业务平台，多为基于GIS服务的B/S或者C/S架构的平台。在做平台开发的过程中，实际上已经包含了上述提到的“资产”，只不过，由于资产管理的理念缺失，导致系统集成商还只是简单的将资产数据“放到”系统平台中去，而没有及时的更新和维护。
实时监测和物联网技术（IoT）
【实时监测】
如果说资产数据是相对“静态”的数据，水务行业中的实时监测，涉及的就更多是和水本身相关的时间序列数据。这些数据往往会反映水流状态，例如：流量、水/液位、各种水质参数、压力，等等。除此之外，还有一项比较重要的监测，是降雨信息的监测。
水务行业中，实时监测和ICT的结合，主要涉及底层的监测设备工艺以及物联网（IoT）技术的应用。
基于物理过程的水文水动力建模
【水文水动力建模】
水力建模，是在回答“What-If”的问题。例如：
假如某某片区，发生了一场XX年一遇的降雨，哪里会出现内涝积水的情况？
假如系统中的排涝泵站，按XX预案的方式运行，对内涝积水能带来多大的缓解作用？
假如我新建小区时，使用/不使用低影响开发设施，年径流总量控制率会发生什么变化？
等等。
因为这样的特性，水力建模评估，可大量用于规划、设计的评估。而现在，也越来越有发展用于日常运维、预报预警的趋势。
水务行业中，水力建模和ICT的结合，主要是由高性能计算机结合专业的水文水动力模型软件进行模拟来实现，它高度依托于资产数据以及历史监测数据。
雷达技术
【洪涝预报预警】
高精度的雷达技术应用于水务行业，已经成为可能。
这里仅举一例，广州市最新的X波段相控阵雷达，已经可以提供空间分辨率30米、时间间隔分钟级的降雨观测数据，以及0-6小时的短时临近降雨预报。这样的雷达技术，如果配合上水文水动力建模技术，有着非常好的进行洪涝预报预警的应用前景。
这里也多提一句，洪涝预报预警（Foreing and Early Warning）不是简单的“报警”，预报预警中的“预”字，强调的是提前。以排水为例，其核心是：利用一定提前期（例如3小时、6小时）的降雨预报，结合其他实时监测数据，利用水文水动力模型进行模拟，及早预知水系统中可能出现的异常问题（例如溢流、积水），并发出预警，尽可能早地进行应急。
当然，简单的利用实时监测信息进行“报警”，也是有其显著价值的。但是，在某些特定问题中，仅仅依托实时监测，并不能满足应急的需求。这一块之后会的文章中会详细展开说。
水务行业中，预报预警和ICT的结合，主要依托实时预报预警（模型/软件）系统和实时监测（尤其是雷达预报降雨）的应用，预报预警系统，则往往是基于水动力模型软件衍生而来。
基于数据的人工智能
【大数据分析】
水务行业的大数据分析针对的主要是上文提到的实时监测数据。尽管现在大数据挖掘的概念炒得火热，但在水务行业中，针对水务实时监测数据的信息挖掘，其实还相对匮乏。供水系统可能还稍微好一点（期待业内人士分享），排水系统我基本没有看到过任何一个成熟的解决方案。都是在炒概念。
当然，尽管如此，我还是十分看好这一块之后的前景。谁能做成一个好的解决方案，谁就能在市场中占据主动。
这里分享一则国外的研究案例：使用社交媒体及众包数据的城市内涝监测
以及知乎上@微调老师关于异常检测的介绍，我认为在水务行业也非常有前景：机器学习门下，有哪些在工业界应用较多，前景较好的小方向？（可见链接https://www.zhihu.com/question/57072166/answer/280824223）
相关的，也分享一则HR Wallingford和Simens合作的一则关于大坝安全监测、溃坝安全撤退模型的应用案例，里面也用到了异常检测技术：The use of smart infrastructure in dams to protect communities from flooding（http://eprints.hrwallingford.co.uk/1337/1/HRPP700_Smart_infrastructure_in_dams.pdf）
【数据驱动建模】
区别于水文水动力建模，数据驱动模型（Data-Driven Model）并不考虑物理过程，而主要依托数据。常用的建模技术是机器学习（Machine Learning）。
对于排水系统而言，一个很大的问题就是，缺少足够的、可用作数据驱动建模使用的数据。DHI的颜军老师近期提供了一个很好的思路（机器学习模型与传统机理模型的融合），即：利用一个率定好了的水文水动力模型，运行足够多的场次，然后以水文水动力模型的输入和输出数据作为样本数据进行“训练”。这样训练出来的模型，可以在毫秒级的时间生成和水文水动力模型精度相近的内涝积水结果，因此可用作洪涝快速预报预警。他在该项目中使用的机器学习技术是支持向量机（SVM）。
6、实时控制（RTC）技术
【实时控制】
实时控制（RTC）技术涉及到系统中泵、闸等可移动设施的自动化控制过程，实时控制的基础是实时监测数据。
目前国内涉及到的实时控制技术热点议题是厂网联动，厂（污水处理厂）、网（管网）间污水提升泵站的优化调度是一个十分有价值的问题。其余涉及到RTC的议题还包括洪涝预报预警中的调度问题、供水系统中的调度问题等等。
西班牙科学院的孙聪聪博士提供了一个国外模型+RTC的解决方案可供参考：智慧排水在城市内涝污染减排中的应用
后记：
以上所提的这些技术，最终的目的，都是为了辅助【决策支持】，现在很多智慧水务的参与方所提到的“决策支持系统”，其实还只是上面所提的基础业务平台而已。关于决策支持系统，后续也会做一定介绍。
延伸阅读：
2019年中国智慧水务行业市场现状及发展前景分析 新兴智能技术加速行业发展升级
