近日，南方科技大学环境科学与工程学院教授郑一课题组在国际水文水资源研究学术期刊Water Resources Research上同期（2021年第11期）发表两篇论文，分别解决了水资源研究中的一个新、老难题。

数据众包（data crowdsourcing）为水资源大数据的生产与应用提供了全新思路。近年来，水文观测的数据众包技术成为一个研究热点。然而，水文众包数据的误差特征及其对管理决策的影响尚未引起重视，缺乏系统、定量的研究。针对这一问题，课题组前瞻性地开发了基于监督和无监督机器学习算法的降雨众包数据质量控制（CSQC）模型。该模型可自动识别并去除由固定（如安防摄像头）或移动传感器（如汽车或行人搭载的传感器）所采集的高时空分辨率降雨众包数据中的噪声。通过噪声去除，CSQC模型可显著降低总降雨量估计的偏差。研究结果还显示，基于神经网络算法（MLPs）的质量控制模型在迁移应用方面表现出色，在不同气候类型的美国芝加哥和迈哈密地区均可显著降低雨量场的估计误差。该成果为水文众包数据的采集与应用提供了重要技术保障，对于大数据、人工智能、物联网技术在智慧城市建设中的推广应用具有重要科学启示。

图1.基于机器学习的降雨众包数据质量控制模型

上述工作以“Automatic Quality Control of Crowdsourced Rainfall Data With Multiple Noises: A Machine Learning Approach”为题发表。论文第一作者为南科大-北大联培博士生牛庚，郑一和伊利诺伊大学香槟分校（UIUC）博士后杨盼为共同通讯作者。该研究得到国家自然科学基金、深圳市科技创新委员会及国家留学基金委的资助。

灌溉效率悖论（paradox of irrigation efficiency，即更高的灌溉效率未必导致区域灌溉量减少，甚至反而增加）在上个世纪就为学界所关注。学界对于“悖论”存在与否、背后的机理等一直存在争议。除自然环境与社会经济的地理差异外，导致争议的一个重要原因是灌溉效率本身的定义没有形成共识，且流域尺度上的灌溉效率缺乏科学、严谨的计算方法。课题组提出了一个物理意义明确的流域尺度灌溉效率指标，直接表征导致灌溉效率尺度效应的回水（return flow）过程和作物利用地下水过程。同时，在多尺度水平衡方程推演的基础上，提出了一种基于地表水-地下水耦合模拟定量计算流域尺度灌溉效率的新方法。应用新指标、新方法，课题组对地处河西走廊核心地带的张掖盆地进行了实证研究，揭示了典型内陆河流域灌溉效率的时空变化特征及其影响机制。这项研究为解决关于灌溉效率悖论的一系列争议提供了科学基础和全新视角。

图2. 基于地表水-地下水耦合模拟的流域尺度灌溉效率计算 

上述研究成果以Improving the Scientific Understanding of the Paradox of Irrigation Efficiency: An Integrated Modeling Approach to Assessing Basin-Scale Irrigation Efficiency为题在Water Resources Research发表。论文第一作者为南科大-港科大联培博士生熊睿，郑一为通讯作者。南科大是论文第一单位。该研究得到国家自然科学基金项目、中国科学院战略先导研究计划及国家环境保护流域地表水-地下水污染综合防治重点实验室的资助。

论文链接：

1、 https://doi.org/10.1029/2020WR029121 

2、 https://doi.org/10.1029/2020WR029397 

供稿：环境科学与工程学院

通讯员：晏梓添

主图：丘妍

编辑:朱增光