第12章 智能化前沿技术

本章导读

本章是全书由“业务与架构”转入“技术与趋势”的第一站。第 11 章解决了数据怎么组织、服务怎么分层，本章要回答一个更急迫的问题：面对八类前沿技术，哪些已经能够工程化、哪些只适合小范围试点、哪些应当谨慎观望。全章按感知、定位、建模、认知的顺序推进：12.1 至 12.4 讨论怎样把现实世界测准、量全，覆盖光学与 SAR 遥感、时序 InSAR 形变、物联网感知、北斗定位、无人机与移动测量（表12-1 至表12-4）；12.5 至 12.7 讨论怎样把测到的数据组织成可计算的三维底板与可解释的知识规则（表12-5 至表12-7）；12.8 把视角抬到数据要素与合规边界。读完后你应当能为每一项技术写出“用不用、何时用、先备什么”的判断，并用业务指标而不是演示效果去验收技术投入。

学习目标

读完本章，你应当能够：

• 区分光学遥感、SAR 与时序 InSAR 三类数据源在水务中的分工，说出各自最容易失效的天气或地表条件；
• 解释智能水表、噪声记录仪、压力与流量仪表、视频识别四类感知设备的价值为什么取决于安装位置、采集时段与校准记录，而不是设备数量；
• 对照表12-3 说明北斗、网络 RTK、蓝牙与超宽带、惯性导航为什么必须组合使用，并指出定位数据与业务对象关联失败会造成什么后果；
• 判断一个三维项目属于地形级、城市级还是部件级底板，并说明它是否具备参与计算所需的语义（表12-5）；
• 列出大模型在制度问答、工单辅助、报告生成、视频识别、智能体执行五类场景中的关键风险与对应控制措施（表12-6）；
• 用“解决哪个业务问题、数据从哪里来、谁使用与如何验证”三个问题，为一项拟投入的新技术写出立项前的适用性判断。

智能化技术进入水务行业的速度，比多数管理者预期的快，但真正产生业务价值的场景仍然集中。技术选型的难点不在理解原理，而在判断适用条件与投入节奏。遥感与物联网解决“看得见、测得到”，北斗与移动测量解决“定位准、建模快”，数字孪生与大模型则试图解决“算得清、答得准”。这些技术不是彼此替代的关系，而是同一条空间数据链条上的不同环节：没有稳定的感知数据，再强的模型也只能做演示；没有业务闭环，再新的技术也无法固化成效。本章按感知、定位、建模、认知的顺序梳理八类前沿技术，重点说明每类技术的适用边界、落地条件、常见失败原因与投入判断，帮助读者在技术选型时避开概念陷阱，把有限的预算投向真正能改变业务动作的环节。

12.1 遥感与 InSAR

光学遥感是水务行业最容易获得、也最容易被误用的空间数据源。高分辨率光学影像可以识别河道范围内的房屋与堆土、岸线附近的施工扰动、水源保护区内的新增建设用地，也可以通过多期影像提取水面范围与蓝藻水华分布。它的优势是直观、易判读、成果可以直接作为执法与整改的依据；局限同样明显：受云雨影响，南方多雨地区有效观测窗口有限，夜间与雾霾天气无法成像，阴影与季节性植被变化会制造大量伪变化。

变化检测是把遥感影像转化为业务清单的关键步骤。常用方法有两期影像差值、分类后比较与基于深度学习的语义分割，前者实现简单但受成像条件影响大，后者对样本质量依赖高。工程上更可靠的做法是“自动提取候选斑块加人工复核”：算法负责把可能的变化圈出来并按面积、形状、位置排序，业务人员结合审批资料与现场照片逐条确认。若直接把算法结果推送给执法部门，误检会迅速消耗基层信任，最终导致系统被弃用。

合成孔径雷达（SAR）弥补了光学遥感的天气短板。SAR 主动发射微波，能够全天时、全天候成像，对水体、建筑与地表的介电特性敏感，适合汛期洪涝淹没范围提取、水体边界识别与地面形变监测。SAR 影像的判读门槛高于光学影像，斑点噪声、几何畸变与阴影需要专业处理；对于缺乏遥感团队的水务企业，更现实的方式是采购已处理好的水体提取产品或与专业机构建立长期服务关系，而不是自建处理链路。

合成孔径雷达干涉测量（InSAR）是近年最值得水务行业关注的技术之一，其中时序分析利用同一区域多期 SAR 影像的相位差，提取地表微小形变，在相干性良好的城区可以分辨毫米级至厘米级的年均沉降。对供水与排水企业而言，沉降本身不是目的，沉降与设施的叠加分析才有价值：把形变速率图与管线、阀门井、堤防、泵站叠加，可以识别沉降速率较高且设施密集的路段，形成地面塌陷与管道错口的风险清单，再安排探地雷达、水准测量或现场开挖核实。

业务闭环决定遥感项目成败。合理的流程是：按季度或半年获取影像与形变产品，由信息化部门完成坐标统一与设施叠加，生成按风险等级排序的核查清单，推送至管网或排水部门的巡查工单，核查结果回写并标注处置方式，年终统计核查命中率与处置率。这个链条中，遥感只是起点，真正的工作量在清单核实与处置。若没有工单承接，形变图再精细也只能停留在汇报材料里。

遥感应用还有三类常见失败原因。其一是只买影像不做解译，数据躺在服务器里无人使用；其二是解译成果没有置信度与版本信息，业务部门无法判断哪一块可以采信；其三是影像与设施数据坐标系不一致，叠加后出现系统性偏移，把风险点标到了马路对面。此外，影像的版权、保密与使用范围需在采购合同中明确，涉及敏感设施的高分辨率影像不应在公有云或公开平台处理。

表12-1 遥感手段与水务应用场景

12.2 物联网与新型感知

智能水表是水务物联网中规模最大、数据价值最直接的一类终端。窄带物联网（NB-IoT）智能水表按日或按小时上报累计流量与状态，支撑远程抄表、异常用水识别与分区计量。它的业务价值不止于减少人工抄表：连续的低流量记录可以帮助识别暗漏，夜间最小流量（MNF）异常可以缩小漏损范围，长期零用水可以触发空置房与表具故障核查。实际效果取决于三个条件：通信覆盖是否稳定，尤其是地下表井与老旧小区；电池寿命是否满足五到八年的更换周期；表具与用户、小区、独立计量区（DMA）的对应关系是否准确。

噪声记录仪是主动检漏的重要工具。管道漏口喷射会产生特定频段的噪声，记录仪在夜间用水低谷时段采集音频，通过相关分析判断漏点位置。布点密度与管网材质直接影响效果：金属管传播距离较远，塑料管衰减较快，需要更密的布点；记录仪之间需要时间同步，否则相关计算失效。实践中常见的问题是“装了不分析、分析了不核查”，设备长期在线但无人查看结果，或者报警阈值设置过低导致误报泛滥，最终被运维人员屏蔽。

压力、流量与水质仪表构成管网运行的基础感知。压力计用于监测分区压力与爆管前后的压力骤降，流量计用于水量平衡与分区计量，水质仪表用于余氯、浊度、pH 等指标的在线监测。三类仪表的安装位置比数量更重要：压力测点应布设在管网末梢与地形高点，流量计应安装在分区边界且满足直管段要求，水质仪表应布设在出厂水、管网中途与二次供水入口。仪表需要定期校准，缺乏校准的数据只能用于趋势判断，不能用于考核与结算。

人工智能（AI）视频识别正在排水与河湖场景快速普及。典型应用包括排水口异常排污识别、河道漂浮物与蓝藻识别、下穿隧道与低洼路段的积水深度估计、井盖缺失与移位报警、施工工地裸土覆盖检查。视频识别的优势是复用既有摄像头、响应实时；难点在于场景差异大、夜间与雨雾天气效果下降、误报会快速消耗值班人员注意力。较稳妥的方案是在边缘侧完成初步识别，只上传事件片段与结构化结果，并设置置信度阈值与人工复核环节。

感知数据的质量取决于设备管理，而不是算法。设备台账应记录安装位置、所属设施、通信方式、电池更换日期与校准记录；数据入库时应完成时间同步、量程校验与坏点标识，离线补传的数据要标注补传时间；报警应分级，区分设备故障、数据异常与业务告警，避免所有消息涌向同一个值班群。报警疲劳是物联网项目失败的前兆：当值班人员每天收到大量无意义提示，真正重要的告警也会被忽略。

投资判断上，应先解决计量与通信的基础问题，再谈智能分析。一个分区如果连总表与户表的水量都对不上，漏损分析就无从谈起；一个泵站如果连压力与流量的连续记录都不完整，调度优化就没有输入。合理的顺序是：完善计量点与通信覆盖，建立设备与设施的正确关联，保证数据完整率与时间同步，再逐步引入漏损定位、压力优化与水质预警等算法。颠倒顺序的项目，往往在演示阶段热闹，在运营阶段沉默。

表12-2 感知设备与数据特征

【实践观察】从噪声记录仪到检漏闭环 噪声记录仪用于检漏，常见的失败并不是设备不灵，而是用法不对：白天采集，数据杂乱；记录仪之间不对时，相关分析失效；生成了疑似漏点清单，却没有人去现场核实。较有效的做法是夜间用水低谷时段连续采集，严格对时，每周生成按相关度排序的疑似漏点清单，由检漏班组携带听漏仪逐点核实，核实结果回写设备编号与管段。运行一段时间后，班组形成“先看清单、再跑现场”的作业习惯，报警阈值也根据历史误报情况动态调整。这一过程说明，感知设备的价值不在数量，而在采集时段、时间同步与核查闭环三个细节；缺少任何一个，数据都无法转化为检漏效率。

12.3 北斗与高精度定位

施工机械定位是北斗在供水管网场景中最直接的价值点。挖掘机、顶管机、打桩机安装定位终端后，系统可以实时判断机械是否进入管线保护范围，一旦越过电子围栏即向司机与值班人员报警，并把位置、时间与机械编号推送到巡线人员手机。与传统的“电话交底加现场旁站”相比，电子围栏不依赖人的记忆，能够覆盖夜间施工与临时进场机械。其效果取决于两个前提：管线位置本身足够准确，电子围栏才有意义；定位精度与围栏缓冲距离匹配，否则频繁误报会让司机直接关闭终端。

人员与车辆定位解决的是作业监管问题。巡线人员、抢修队伍、水质采样人员携带定位终端或使用移动应用，管理者可以查看轨迹、到岗时间、停留时长与事件上报位置。车辆定位用于抢修车、送水车、吸污车的调度与作业监管。这类应用的技术门槛不高，难点在管理边界：轨迹数据涉及员工隐私，应明确采集时段、使用范围与保留期限，避免把安全管理异化为全天候监控。制度设计应先于系统上线，否则容易引发抵触。

北斗高精度定位在形变监测中发挥的作用更为专业。大坝、堤防、边坡、桥梁与大型泵站的关键部位布设监测站，通过载波相位差分获得毫米级至厘米级的三维位移，配合加速度计、裂缝计与雨量计，形成结构安全监测网。与 InSAR 相比，北斗监测站提供连续、单点的时序数据，适合重点部位的实时预警；InSAR 提供面状覆盖，适合发现未知风险区域。两者结合，才能既看全局又盯重点。

技术边界需要提前说清。卫星定位在室内、地下与高楼密集区信号弱，管道内部、泵房地下室与隧道段不能依赖北斗；网络实时动态差分（RTK）需要基准站与通信链路，偏远山区可能没有连续覆盖；多路径效应会使城市峡谷中的定位结果漂移。工程上通常采用组合方案：室外用卫星定位，室内用蓝牙、超宽带或惯性导航补盲，并在数据模型中标明定位来源与精度等级，避免把不同精度的坐标混在一起做分析。

定位数据的价值在于与业务对象关联。一个坐标只有落到具体的管段、阀门、施工项目或巡检任务上，才能触发业务动作。因此系统设计时应要求定位终端上报的不仅是经纬度，还包括任务编号、作业类型与设施编码；后台在入库时完成坐标转换与设施匹配，匹配失败的数据进入待处理队列，而不是直接丢弃。定位精度可以逐步提升，关联关系一旦断裂却很难补救。

表12-3 常用定位技术对比

12.4 无人机与移动测量

倾斜摄影是实景三维建模的主流手段。无人机搭载多镜头相机按航线拍摄，通过空三加密与密集匹配生成带纹理的三维模型，可用于厂站改造方案比选、施工进度监管、河道岸线调查与应急现场快速建模。它的优势是成本相对可控、成果直观；局限是模型只有表面纹理，没有对象语义，难以直接用于空间分析。要让倾斜摄影成果进入业务系统，还需要做单体化与属性挂接，把建筑、道路、河道等地物从“一张皮”变成可查询的对象。

机载激光雷达（LiDAR）弥补了摄影测量在植被覆盖区的不足。激光点云可以穿透树冠，获取真实地面高程，适合河道断面测量、堤防形变检查、植被覆盖下的地形建模与土方量计算。点云数据量大，处理流程长，需要专业的分类与滤波算法区分地面点、植被点与建筑点。对水务企业而言，LiDAR 更适合作为年度或专项测绘手段，用于重点河段与堤防，而不是全城范围的常规更新。

管道机器人是排水管网检测的核心装备。闭路电视（CCTV）检测机器人携带摄像头进入管道，记录内壁裂缝、错口、脱节、沉积与异物；声呐用于满水管道的水下部分检测；潜望镜用于快速普查。检测成果应按照 CJJ 181-2012《城镇排水管道检测与评估技术规程》进行缺陷判读与等级评定，并把缺陷位置与管段编码、里程桩号关联，形成可查询的管道健康档案。若检测视频只存硬盘、缺陷只写在报告里，几年后便无法与管网数据对应。

同步定位与建图（SLAM）技术让移动测量进入室内与地下空间。操作人员手持或背负激光扫描设备在泵房、隧道、地下管廊中行走，设备实时构建点云并计算自身位置，无需卫星信号。成果可用于既有设施的三维重建、改造前的现状测绘与隐蔽空间的可视化管理。SLAM 的精度受行走路径与场景特征影响，长距离走廊与空旷空间容易累积误差，需要通过闭合环路或控制点校正。

移动测量成果进入业务系统前，必须完成坐标转换、精度评定与轻量化处理。坐标系应统一到 CGCS2000（2000 国家大地坐标系），高程统一到 1985 国家高程基准；精度评定要区分平面精度与高程精度，并在元数据中注明测量方式；模型需转换为三维瓦片并做几何压缩，才能在浏览器与移动端流畅加载。无人机飞行还需遵守空域管理规定，涉及敏感设施的影像应限制传播范围。

表12-4 移动测量手段对比

12.5 数字孪生与 CIM/实景三维

数字孪生水利的政策框架已经比较清晰。2022 年 3 月，水利部印发《关于大力推进数字孪生流域建设的指导意见》，并配套《数字孪生流域建设技术大纲（试行）》《数字孪生水网建设技术导则（试行）》《数字孪生水利工程建设技术导则（试行）》，明确以数据底板、模型平台、知识平台为基本构成，以流域、水网、工程为对象推进建设。对水务企业而言，这一框架的借鉴意义在于“三板斧”的划分：数据底板解决“看得见、对得上”，模型平台解决“算得准”，知识平台解决“决策有依据”。

城市信息模型（CIM）基础平台为城市级三维底板提供了标准依据。CJJ/T 315-2022《城市信息模型基础平台技术标准》对平台的分级、数据构成、服务接口与安全要求作出规定，实景三维中国建设则为地形级、城市级与部件级三维数据提供了统一的生产与汇交要求。水务设施作为城市生命线的重要组成部分，其三维模型应纳入城市级底板，而不是另建一套孤立的“水务三维”。纳入的好处是共享地形、建筑与道路底板，减少重复投入；难点在于设施模型的精度、更新频率与权属边界需要与城市平台协商。

三维底板通常分为三个层级。地形级底板由数字高程模型（DEM）与数字正射影像（DOM）构成，覆盖全域，用于宏观分析与汛情推演；城市级底板由倾斜摄影或白模构成，覆盖建成区，用于城市尺度漫游与空间关系判断；部件级底板由精细模型与建筑信息模型（BIM）构成，聚焦厂站、泵房与关键节点，用于设备级运维与改造设计。三个层级的精度、成本与更新周期差异很大，项目应按业务需求选择层级，而不是一味追求“全城精细”。三维底板能否用于业务，取决于语义化程度：每个对象要有类型、编码与属性，能与管段、设备、工单关联，否则只是带纹理的模型。

水务数字孪生有三种形态，价值依次提升。展示型以三维漫游与数据看板为主，解决“看得直观”，投入相对可控，但难以支撑决策；仿真型接入水力模型、降雨模型与调度规则，可以模拟爆管、内涝与调度方案，解决“算得清”，需要模型率定与实时数据支撑；控制型与 SCADA、泵站控制、阀门调节联动，可以在仿真基础上给出控制建议甚至自动执行，解决“控得住”，对安全与可靠性要求最高。多数企业应从展示型起步，但必须把仿真型作为明确目标，否则三维建设容易停留在“数字沙盘”。

模型与数据的持续更新是数字孪生的生命线。水力模型需要依据实测压力、流量与用户用水量定期率定，管网改造后应同步更新拓扑与参数；三维模型在厂站改造、道路施工后需要修模；实时数据需要做质量控制与时间对齐。缺乏更新机制的数字孪生，在上线一年后就会与实际运行脱节，最终沦为参观通道。更新责任应落到设施主人，更新成本应纳入年度预算，更新结果应可审计。

失败的数字孪生项目有几个共同特征：以三维视觉效果为验收标准，没有定义业务场景与决策动作；模型精度追求“照片级”，却缺少对象语义与属性，无法查询与分析；数据底板由多家单位分头建设，坐标系与编码不统一；上线后无人维护，模型与数据逐渐陈旧。避免这些问题的办法并不复杂：在立项时明确“用孪生解决哪一个具体决策”，在验收时考核业务使用率而不是模型面数，在运营时把更新纳入日常运维。

表12-5 三维底板分级与适用场景

12.6 AI 大模型与智能体

大模型的能力边界需要被准确理解。它擅长语言理解、文本生成、多模态识别与工具调用，可以显著降低知识检索与文档处理的成本；它不擅长精确计算、实时数据查询与事实保证，输出内容可能看似合理却与事实不符。对水务企业而言，大模型最适合的位置是“副驾驶”：辅助人完成检索、起草、分类与核对，而不是替代人做调度决策、对外发布政策口径或直接操作设备。

知识问答是最容易落地的场景。企业内部有大量规章制度、操作规程、应急预案、水质标准与设备手册，过去靠老师傅记忆或翻找文件夹。基于检索增强生成的方式，可以把文档切片、建立向量索引，用户提问时先检索相关段落再生成回答，并在答案后附上原文出处。关键设计是“无出处不回答”：当检索不到足够相关的段落时，系统应明确告知无法回答，而不是编造条款。对于涉及安全的操作规程，回答必须引导用户查阅原文并联系责任人。

工单辅助是投入产出比较高的方向。大模型可以根据用户描述自动分类报修类型、提取地址与设施信息、推荐处置班组，并给出相似历史工单供参考；客服坐席可以用它生成回复草稿，抢修人员可以用语音输入现场情况并自动生成工单记录。这类应用的价值在于减少重复录入与查找时间，衡量指标应是工单一次派发准确率、平均处理时长与返工率，而不是模型参数或对话轮次。与工单系统的深度集成比模型本身更重要，若回答无法回填工单，价值就止步于演示。

报告生成与多模态巡检是另外两个方向。报告生成把日报、月报、汛情简报的模板与实时数据结合，自动生成初稿，由业务人员修改后发布；多模态巡检利用视频与图像识别管道缺陷、排口异常、河道漂浮物与施工违规，把识别结果转为结构化事件。两类应用都需要人工复核环节：报告中的数据应可追溯到源头，识别结果应标注置信度与截图证据。完全自动发布的报告与完全自动立案的事件，都会带来难以承受的错误成本。

幻觉与可信问题是落地的主要障碍。控制手段包括：建立覆盖本企业术语与场景的评测集，上线前量化准确率与拒答率；要求答案引用原文并支持跳转；对高风险问题设置人工确认；按角色控制数据权限，避免普通用户通过提问获取敏感信息；记录完整对话日志供审计；采用灰度发布，先在小范围试用再推广。模型版本升级会改变输出行为，每次升级都应重新跑评测集，而不是默认“新版本一定更好”。

智能体把大模型从“回答问题”推进到“执行任务”。通过工具调用，智能体可以查询管网数据、发起工单、生成报表、预约会议，但每增加一个工具就增加一份风险。设计原则是最小权限、白名单工具、高危操作二次确认、全过程留痕。例如查询用户用水数据需要明确业务事由并记录，发起停水通知必须经过人工审批，调整阀门指令不应开放给语言模型。智能体的价值在于把多步操作串起来，而不是取代审批与责任。

表12-6 大模型应用场景与风险控制

12.7 知识图谱与专家规则

知识图谱把分散的设施、事件与经验组织成可计算的关系网络。在水务场景中，实体包括水厂、泵站、管段、阀门、用户、监测点、工单与事件，关系包括连接、供给、影响、隶属与因果。图谱的价值不在于画出一张漂亮的关系图，而在于支持多跳查询：某个水厂停产后，哪些泵站需要切换、哪些小区会降压、哪些大用户需要提前通知，这些问题沿供给关系与拓扑关系逐层展开，比人工翻阅图纸快得多。

调度规则是专家经验形式化的重点。水厂清水池液位低于阈值时如何调整泵组、分区压力过高时如何调阀、夜间最小流量异常时如何安排检漏，这些经验长期存在于调度员头脑中。规则化的工作是把“看情况”拆成条件、动作与优先级：条件包括液位、压力、流量、时段与设备状态，动作包括启停泵、调节阀门、发出告警，优先级用于处理规则冲突。规则引擎的优势是可解释、可审计，缺点是维护成本高，管网变化后规则需要同步调整。

故障推理是知识与规则结合最紧密的场景。爆管发生后，系统可以基于拓扑关系推算关阀方案与影响范围，基于历史工单推荐抢修资源，基于压力变化定位疑似爆管点；水质异常时，可以沿供水路径反向追溯可能的污染源，结合二次供水设施与用户分布缩小排查范围。推理结果应给出依据与置信度，而不是一个黑箱结论。对于影响范围大的事件，系统应提示人工会商，避免自动方案在复杂工况下失效。

知识图谱的建设应从高频、边界清晰的场景切入。先做“设施—用户—事件”的基础关系，支撑影响范围分析与工单关联；再逐步补充调度规则、故障案例与处置经验。本体设计不宜追求大而全，实体与关系的数量应控制在业务人员能够理解和维护的范围内。图谱的更新必须与主数据同步，设施新增、报废、权属变更都要反映到关系中，否则图谱很快会变成一张过时的快照。

这类项目最常见的失败原因是“建了不用”。图谱由项目团队建设，业务部门没有参与，上线后无人查询；规则由专家一次性梳理，之后无人维护，工况变化后规则失效；知识来源单一，只收录了规程而忽略了实际处置经验。可行的做法是把图谱查询嵌入现有工作流，例如在工单详情页展示该设施的历史事件与关联用户，在调度界面上展示规则命中情况，让使用成为工作的自然组成部分。

表12-7 规则类型与示例

12.8 时空大数据与数据要素

数据资产化是近年政策与行业共同关注的方向。2024 年 1 月，国家数据局等 17 部门印发《“数据要素×”三年行动计划（2024—2026 年）》，提出在工业制造、城市治理等重点领域发挥数据要素作用。对水务企业而言，数据资产化的第一步不是估值，而是登记：把管网、监测、营收、工单等数据编成目录，明确权属、来源、更新频率、质量状况与使用范围。没有清晰的目录与权属，后续的共享、授权与交易都缺乏基础。

可信数据空间与隐私计算为跨主体数据协作提供了技术路径。联邦学习之类的方案允许各方在不交换原始数据的前提下联合建模，适合跨区域水务集团、政企之间联合分析漏损规律或内涝风险。技术并非万能：隐私计算会带来性能损耗与工程复杂度，参与方的数据质量与口径不一致时，联合建模的结果仍然不可靠。较现实的做法是先在小范围、明确场景中试点，例如在集团内部不同水司之间做漏损影响因素分析，验证收益后再扩大。

公共数据授权运营为水务数据的对外利用提供了制度通道，但边界必须清楚。可开放的多为聚合后的统计与风险信息，例如区域用水强度、内涝风险等级、供水保障能力评价；涉及用户个人信息、关键设施精确位置与运行参数的数据，不应进入授权运营范围。授权运营需要明确授权主体、运营主体、收益分配与安全责任，并接受审计与监督。把“数据变现”作为项目目标，往往会导致合规风险与公众质疑。

水务数据产品的设计应围绕真实需求。面向政府，可以提供城市内涝风险图、供水管网健康度评价、重点用户用水保障分析；面向企业客户，可以提供区域用水效率对标、用水异常提醒；面向公众，可以提供停水通知、水质公示与节水建议。产品化的前提是数据脱敏、口径稳定与服务可计量。若数据本身质量不足、更新不及时，包装成产品只会放大问题。

数据要素化需要冷静判断。不少水务企业的数据规模有限、应用场景集中在内部管理，短期内难以形成可交易的数据产品；更有价值的路径是把数据用于提升自身运营效率与服务水平，在此基础上再探索对外服务。合规、质量与安全是三条底线：个人信息不得随意出境或交易，重要数据需按规定评估，涉密地理信息严禁进入市场化流程。数据要素的价值来自长期积累与可信治理，而不是一次性的交易设计。

本章小结

前沿技术的共同点是把空间信息从“静态图纸”变成“动态证据”。遥感提供面状观测，物联网提供高频点位，北斗与移动测量提供精确位置与三维形态，数字孪生把这些证据组织成可计算的场景。技术本身不产生价值，只有当它嵌入巡查、调度、抢修、服务等具体业务动作，并形成闭环，才会转化为效率与安全。

选择技术时应先问三个问题：它解决哪一个具体业务问题，数据从哪里来、质量是否足够，结果由谁使用、如何验证。三个问题回答不清，技术越新，失败成本越高。遥感与三维最容易陷入“看得好看”，大模型最容易陷入“答得流畅”，二者都需要用业务指标而非演示效果来检验。

智能化不是一次性工程。感知设备会老化，模型会漂移，规则会过时，知识会陈旧。企业需要建立持续运营机制：设备台账与校准计划、模型率定与版本管理、规则复核与知识更新、算法评测与灰度发布。把这些机制写进预算与考核，比追加一个新技术模块更能决定长期成效。

思考与练习

1. 概念辨析：行业中常有三句话——“遥感影像分辨率越高越好”“三维模型越精细越好”“大模型参数越大越准”。请任选其中两句，用本章给出的适用边界说明它们错在哪里，并为每句各写一条更可检验的替代标准。
2. 计算题：某区供水管网长 120 千米，计划用噪声记录仪开展主动检漏。若金属管段按每 200 米布设一台、塑料管段加密到每 100 米，且塑料管占全部管长的 40%，请估算需要多少台设备；再说明夜间采集、设备对时、现场核实三个环节中，缺少哪一个会让这笔投入最大程度地失效，为什么。
3. 现场作业：找出本单位（或本地水司）最近一次遥感解译、InSAR 形变或三维建模成果，核查三件事：有没有置信度与版本信息、坐标系是否与设施数据一致、有没有对应的核查工单与回写记录。把结论写成一张三行的体检表，标出最致命的一项缺失。
4. 对照表12-6：某水司准备把大模型接入工单派发。请写出必须设置的三道控制、两类不应开放给模型的操作，并说明验收指标应当选“工单一次派发准确率”还是“对话轮次与用户满意度”，依据是什么。
5. 跨章关联：第 11 章的主数据与数据质量规则，如何决定第 12 章数字孪生、知识图谱与大模型的上限？请举两个具体失效例子（例如设施编码不唯一会让多跳查询返回什么结果），并说明应当先补哪一项。
6. 推演与取舍：假设预算只够做一件事，备选是“再采购一期亚米级影像”“为 20 个 DMA 补装压力与流量计”“为一个水厂建部件级三维模型”。请写出你的选择、理由，以及三年后用来复盘的三项指标。