智慧水利“教学+科创+竞赛”协同体系构建

刘泽 张智韬 许景辉

摘    要：水利行业的高质量发展亟需智慧元素的融入，构建紧密结合智慧元素与专业的智慧类课程体系是智慧水利专业建设的必然步骤。文章在深入分析智慧水利“人工智能与机器学习”课程建设中存在问题的基础上，提出在教学过程中将抽象理论知识形象化、注重理论算法从头实现及课程体系与大学生科创实践有机融合等措施，构建了 “教学+科创+竞赛”协同体系，为“智慧+专业”复合型人才培养提供范例。

关键词：智慧水利；课程体系；教学改革；大学生科创；复合型人才

中图分类号：G642          文献标识码：A          文章编号：1002-4107（2024）04-0089-03

为了加快智慧水利建设，推动新阶段水利高质量发展，2021年10月，水利部制定了《关于大力推进智慧水利建设的指导意见》《智慧水利建设顶层设计》及《十四五智慧水利建设规划》，确定了建设数字孪生流域，实现具有预报、预警、预演、预案功能的智慧水利体系[1]。鉴于智慧水利在促进水资源优化配置、水利工程智能建造及水灾害防治等方面表现出的独特优势，目前智慧水利已成为全国各大水利部门的研发热点，但是智慧水利复合型人才的稀缺，严重阻碍了智慧水利的发展速度和研发进度。通过对中国电建集团西北勘测设计研究院有限公司、南水北调中线干线工程建设管理局、大禹节水集团股份有限公司、陕西省宝鸡峡引渭灌溉管理局等近20家农业、水利、水电及相关行业代表性企事业单位及政府部门的调研发现，目前对智慧水利科学与工程的人才需求呈逐年上升态势。

传统水利人才熟悉水利工程的规划、设计和建设，但是在信息化、智能化领域涉猎不足，难以对大型水利工程进行信息化设计与管理。而信息技术人才精通算法和计算机技术，却对水利工程的核心建设和管理要素理解不够深入，导致设计的产品与实际生产需要存在偏差。因此，建设智慧水利专业，培养既具备水利专业知识，又掌握智能生产技术的复合型专业人才，是解决我国智慧水利研发人员严重匮乏，提高我国智慧水利领域创新能力和国际竞争力的重要举措，对于创制具有自主知识产权产品以及促进我国水利智能化发展具有重要现实意义[2]。

为了响应新时代国家水安全戰略，2022年，西北农林科技大学、河海大学和南昌工程学院率先开设了智慧水利专业，该专业以现代信息科学技术为基础，以智慧水务、智慧灌溉、数字孪生流域、水利工程的智慧设计、建造、管理为重点，培养具有扎实的数学、力学、计算机科学和地理信息学基础，具备水利工程智能设计与建造、安全智能监控与运行管理、水利大数据分析与智能辅助决策、智慧灌区设计与管理、水资源智能调度等专业技能，系统掌握水利信息自动采集与解析、智能决策与智能控制知识于一体的高级专门人才。

“人工智能与机器学习”是智慧水利专业的专业基础课程之一，是智慧水利分析与决策的重要基础，一般设置在大三第一学期，该课程对学生、教师以及智慧水利学科发展都有重要的影响。从学生的角度来看，“人工智能与机器学习”课程讲授机器学习建模的理论及应用方法，是开发智慧水利应用决策系统必不可少的知识基础，该课程对于学生学习兴趣的培养意义重大，很大程度上也决定了学生对后续专业学习的态度及对智慧水利学科的认识。从教师角度上来看，“人工智能与机器学习”课程对于教师教学与科研素养的提升具有积极作用，该课程教学涵盖内容较多，知识点分布十分密集，且相关理论还在快速发展当中。因此，要求教师要时刻紧跟学术前沿，掌握最新的理论与算法。此外，从学科发展的角度上来看，“人工智能与机器学习”是实现智慧水网与智慧灌区设计与管理的核心。

为积极响应国家“智慧+”转型的战略需要，从2019年起，西北农林科技大学水利与建筑工程学院在专业建设的过程中，就积极融入了智慧元素，其中“人工智能与机器学习”课程已经在水文与水资源工程、水利水电工程、能源与动力工程和电气工程及其自动化专业开课。经过多年的探索，已经形成了较为成熟的课程教学体系，但其中存在的问题也日益凸显，本文在综合分析“人工智能与机器学习”课程教学现状的基础上，将教学过程中的潜在问题进行分析总结，并提出了相应的解决对策，以期为智慧水利专业“人工智能与机器学习”课程建设提供可参考的经验[3-4]。

一、智慧水利背景下“人工智能与机器学习”课程教学过程中的潜在问题

（一）课程涉及知识面广且抽象难懂

“人工智能与机器学习”课程涉及“概率论”“线性代数”“统计学”“逼近论”“凸分析”“最优化及算法复杂度理论”等多门课程，学生在学习“人工智能与机器学习”课程的时候，可能只先修了“概率论”“线性代数”及“统计学”等课程，而像“凸分析”“逼近论”及“最优化及算法复杂度理论”等偏数学的课程，部分学生可能完全没有基础，这就导致学生在上课时，感到课程内容抽象难懂。例如，在线性回归算法的学习过程中，为了确定线性回归模型的参数，使用了基于最小二乘法来进行模型求解，并通过令损失函数的梯度为零求解模型的最佳参数。但是为什么损失函数梯度为零的点是最佳参数，如果不讲清楚背后的数学原理，学生学完会感到一头雾水。因此，必须在讲解的过程中，补充讲解凸充分性定理，阐明若目标函数是凸函数的话，则其最优解一定是其损失函数梯度为零的点。只有这样，学生才能理清算法的来龙去脉。此外，对于“概率论”与“线性代数”等课程，学生虽然有一定基础，但是由于课程设置缺乏连续性，导致“人工智能与机器学习”开课时，学生学习的知识已经遗忘。例如，在主成分分析算法的讲解过程中，涉及特征值与特征向量的计算，学生在“线性代数”课程中都学过，但是如果跳过计算过程，而直接给出结果，很多学生则难以理解其中的原理。

（二）理论学习与算法实现跨度大

“人工智能与机器学习”课程主要讲授线性回归、决策树、支持向量机及神经网络等经典算法，课上主要以理论讲解为主，引导学生深入理解算法的理论基础，但是由于从理论学习到算法实现需要学生具有较强编程能力，且需要掌握数据结构和算法实现等知识，其中的跨度仍然较大。许多学生虽然系统地学习了相关理论知识，但对如何实现相应算法，如何利用算法解决应用问题仍然存在困难。目前，有很多集成的机器学习软件包可以使用，例如，可利用sklearn进行算法实现，该软件包封装了众多分类、回归、聚类、降维及算法评估的函数，只需要将数据集准备好，就可以方便学生进行机器学习。但是，由于这些软件包都封装成了函数，学生看不到算法的实现细节，无法学习从理论知识到算法实现的过程。因此，从零开始实现算法对学生深入学习机器学习理论，提高算法实现能力非常有必要。

（三）课程教学与实际应用脱节

人工智能在图像处理、自动驾驶及自然语言处理等领域取得了巨大成功，极大地推动了社会的信息和智慧化发展。在智慧水利方面，机器学习已经被用于“河湖四乱”治理、水质监测及排污口识别等方面，并创造了一定的社会价值。因此，“人工智能与机器学习”课程教学不能仅停留在理论和算法实现的层面上，应当学以致用，使得学生能够运用学习的理论知识解决实际问题。现有的课程体系中，机器学习课程只有32个理论学时，但是需要讲授分类、回归、降维和聚类等机器学习主干内容，其中每个子内容又包含若干个算法，且各个算法还较为复杂难懂，课堂学时几乎只够讲解理论知识。此外，在课程考核上，也主要是基于平时成绩和期末考试成绩对学生的知识掌握情况进行考察。学生考试成绩的高低，并不能真实地反映学生是否已经具备了运用机器学习解决实际问题的能力。因此，如何实现课程教學与实际应用有机融合，是“人工智能与机器学习”课程教学过程中的重要课题[5-6]。

二、“教学+科创+竞赛”协同体系建设研究

（一）抽象机器学习理论知识形象化，弥补数理基础短板

“人工智能与机器学习”课程涉及学科较多，因此在上课的过程中，需要对必要的数理知识进行补充，如牛顿法、梯度下降及拉格朗日乘子法等方法，但是如果只是生硬地将数学课本上的知识搬运过来，学生可能会对枯燥的数理知识感到反感，进而影响教学效果。因此，在“人工智能与机器学习”课程教学过程中，可以通过创设问题情境，巧妙地创设问题情境能激活学生大脑的兴奋细胞，激发学生学习的兴趣，对即将学习的新知识产生浓厚的兴趣。例如，在讲授线性回归模型的时候，可以采用学生学习时间与考试分数的关系讲解一元线性模型。在此基础上，引导学生思考考试分数还可能跟学习能力、复习程度及考试时间等多个因素相关，进而引出多元线性模型；在讲授聚类的例子时，可以根据学生的兴趣爱好对学生进行聚类，比如可按喜欢体育运动、看综艺节目及电子游戏对学生进行聚类，这种形象贴切的例子，使学生对所学习算法理解更为深刻，并对可能应用的场景有一定认识。

（二）强化实验环节，注重算法实现

由于课程学时的限制，“人工智能与机器学习”课程主要以理论知识讲授为主，在算法实现上只能结合sklearn进行简单的讲解，对算法实现细节难以展开讲解，且如果在“人工智能与机器学习”理论课程中设置实验课，可能会存在实验课时不足和学生重视程度不够的问题。因此，为了算法实现过程学习，有必要单独设立“人工智能与机器学习”实验课程，针对理论课程中讲解的算法，从头开始学习算法的实现过程。西北农林科技大学的“人工智能与机器学习”实验课程同样为32课时，课上对理论课程中每个算法的实现过程进行教学。在实验课前，让学生书写预习报告，对每次实验涉及的理论算法知识进行回顾；由于让非计算机专业学生从头实现每一个算法难度很大，因此在上实验课时，会向学生提供从头实现的代码，学生通过调试工具对算法的实现流程进行分析，在此基础上，利用所学习的算法解决一个具体问题；在实验课后，要求学生在书写实验报告的时候，画出程序流程图考察学生对算法实现过程的掌握程度，并通过思考题，加深学生从理论到算法的理解。在基础实验做完以后，设置综合实验环节，要求学生运用所学习的知识，系统解决一个紧密结合水利工程专业背景的实际问题，并增加实验验收环节，考察学生对算法的掌握情况。

（三）课程体系与大学生科创有机融合

机器学习具有很强的应用性，目前已经在很多领域得到了成功的应用，教师要引导学生灵活巧妙地把学到的知识应用到生活中，去解决生活中的实际问题，让机器学习知识应用于生活，服务于生活，体现机器学习的价值。西北农林科技大学一直重视大学生创新创业训练，设置了大学生国家级、省级及校级科创项目，并提供一定的经费支持，此外，每年还支持学生参加程序设计、人工智能及水利创新等学科竞赛。如果能够将“人工智能与机器学习”课程中学到的内容应用到大学生科创或者学科竞赛中，可以提高项目的科技水平，并且进一步巩固机器学习的知识掌握和应用能力。大学生在科创实践过程中，锻炼了自身提出问题，并运用机器学习算法解决问题的能力。但是，本科生的主要任务是学习专业基础知识，因此在提出问题时，需要教师站在领域前沿进行引领，并对学生需要掌握哪些知识有针对性地进行指导，使学生直面问题，解决问题，而不是花费大量时间在寻找问题和学习基础知识上。通过将课程与大学生科创实践体系融合，学生更加重视对“人工智能与机器学习”课程的学习，且如果能够在大学生科创或学科竞赛中取得成绩，将会为学生就业、升学等提高核心竞争力。

三、课程中的应用

为了有机地构建“教学+科创+竞赛”协同体系，从2018年开始，西北农林科技大学水利与建筑工程学院开始着手“人工智能与机器学习”课程体系构建，并制定了相应的课程质量标准，在四年的教学过程中，开课5次，教授学生共计214人次，已形成较为完善的课程体系，有机地将数理知识融入课程教学过程。在实验教学过程中，已形成了面向“人工智能与机器学习”较为系统的实验指导书，覆盖“人工智能与机器学习”理论教学过程中的大部分算法实现过程，课程达成度较高。在此基础上，课程组有机地将“人工智能与机器学习”课程与大学生科创实践体系结合起来，指导大学生创新创业项目17项，其中已结题10项，获得优秀4项；以本科生为第一作者发表SCI三区论文2篇，登记软件著作权6项，获得中国大学生程序设计大赛西北地区二等奖1项；已毕业科创负责人分别进入浙江大学、西安交通大学、香港大学继续深造；指导本科生毕业设计34人，其中获得校级优秀6人，排名前15% 10人。

四、结论

在新工科背景下，人工智能与传统专业融合是高等教育面临的重要课题。“人工智能与机器学习”课程作为智慧水利、智慧农业及智慧城市等新工科专业建设过程中必不可少的基础课程，在智慧决策过程中起到至关重要的作用。本文分析了“人工智能与机器学习”课程在实施过程中可能遇到的问题，并提出了将教学改革、大学生科创和学科竞赛整合起来的课程建设思路，构建了“教学+科创+竞赛”协同体系。在西北农林科技大学水利与建筑工程学院的教学实践过程中，该课程体系有效地提升了学生的学习效果，并激发了学生探索科学原理的兴趣，取得了一定的教学成果。实践表明，该课程体系协同建设模式可以为我国“智慧+专业”建设提供借鉴经验。

参考文献：

[1]  蔡阳.以数字孪生流域建设为核心构建具有“四预”功能

智慧水利体系[J].中国水利，2022（20）.

[2]  宋鸽，许燕.“一带一路”倡议背景下高校“俄语+专业”

复合型人才培养潜在问题及对策研究[J].黑龙江教育（高

教研究与评估），2022（11）.

[3]  张新长，李少英，阮永俭.“智慧城市”线上线下混合式一

流课程建设与探索[J].地理信息世界，2022（29）.

[4]  王晖，黄晓媛.大数据时代“旅游学概论”智慧型课程建

设与改革创新[J].教育教学论坛，2018（41）.

[5]  寇志伟，刘利强，王刚.面向新工科的“电磁场理论”课程

建设与实践[J].黑龙江教育（高教研究与评估），2022（11）.

[6]  孙志坚，俞自涛，郑梦莲，等.学科交叉复合的“智慧能源

系统理论与应用”课程建设研究[J].高等工程教育研究，

2019（1）.