农村水环境的质量直接关系到农业灌溉用水、农村饮用水的安全,为了密切配合“绿水青山”的国家战略,建设生态宜居美丽乡村,亟需开展农村区域水环境智能监测及预测方法研究工作。基于物联网研究农村区域水环境智能监测及预测方法,可以尽可能全面、实时地感知农村区域水环境数据,实现对水环境的准确、全面评价和对水质变化趋势的合理、有效预测,具有重要的理论研究意义和广泛的应用前景。论文面向农村区域水环境监测需求,围绕水环境监测所涉及的多个方面,在设计智慧水务总体架构的基础上,按照自底向上的顺序展开研究,主要研究了水环境监测网络体系结构、水环境监测无线传感器网络(Wireless Sensor Network,WSN)建模与性能分析方法(感知层)、基于专网通信的水环境监测系统及方法(传输层)、水环境监测WSN数据融合算法(处理层)和基于深度神经网络的水质预测模型(处理层)。论文主要工作及研究结果如下:(1)研究了基于物联网的水环境监测网络体系结构设计问题。设计了智慧水务总体架构,分析了智慧水环境监测网络面临的潜在挑战,设计了一种分布式、可扩展的智慧水环境监测网络体系结构,以满足其低时延、高带宽和移动性的要求。(2)研究了水环境监测WSN建模与性能分析问题。分析了农村区域的水环境监测WSN部署策略、覆盖要求及网络模型,提出了一种描述水环境监测网络系统并提取系统性能指标的方法。基于性能评估进程代数(Performance Evaluation Process Algebra,PEPA)对分簇式水环境监测WSN进行建模,根据真实的水质监测实例及传感器节点参数设定了系统参数,采用模拟求解法仿真模拟了分簇式水环境监测WSN的工作过程,对所构建网络的性能指标进行了提取及分析,讨论了不同设计方案对系统响应时间的影响。在此基础上,基于PEPA及流体逼近法对节点高速移动、拓扑动态变化的网络系统进行了建模及分析。研究结果表明,该方法可以将水环境监测网络大系统表示为各个子系统之间的交互,清楚地知道各个子系统的内在结构,并实现对系统性能指标的模拟或逼近,有助于优化系统设计方案。(3)研究了基于时分长期演进(Time-Division Long Term Evolution,TD-LTE)专网的水环境监测系统及方法设计问题。提出了一个以TD-LTE基站为中心的水环境监测专网组网方案,以及一种基于数据融合、机器学习的水环境智能监测方法。该系统和方法的提出满足了农村区域水环境保护工作人员对水环境监测系统共享化、智能化、一体化的需求,也能够很好地满足水环境应急监测的实时性要求。(4)研究了分簇式水环境监测WSN中的数据融合问题。设计了基于最小二乘的水环境监测WSN簇内数据融合模型,针对部分传感器节点数据缺失时,簇内数据融合模型中计算量大的问题,提出了一种基于递推最小二乘的数据融合算法。研究结果表明,所设计的算法减少了数据融合过程中的计算量,节省了簇首节点的存储空间和能量。(5)研究了基于长期短期记忆(Long Short-Term Memory,LSTM)深度神经网络的中长期水质预测问题。在对缺失水质数据进行预处理的基础上,设计了一种基于LSTM深度神经网络的水质单参数预测模型,构建了堆叠LSTM的神经网络架构,确定了神经网络单元参数的设置及样本建立、学习过程的处理方法,并将该模型用于6项饮用水水质参数的预测。研究结果表明,该模型收敛速度快,样本精度逼近高,泛化能力强。在预测步长m=10,20,30,60,90,180这6种情形下,该模型的溶解氧预测精度均优于自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)和支持向量回归(Support Vector Regression,SVR)时间序列预测模型,尤其是溶解氧的中长期预测精度,明显优于ARIMA和SVR,随着预测步长的不断增加,该模型的优势也逐步增大。基于对各饮用水水质参数的相关性分析,设计了一种基于LSTM深度神经网络的水质多参数中长期预测模型,对神经网络迭代次数不同时的模型预测精度进行了比较,在相同的神经网络结构及参数设置条件下,对比了单参数预测模型与多参数预测模型对溶解氧的预测效果。研究结果表明,在训练集、测试集划分方式合理的前提下,多参数水质预测模型在小样本数据(182组)预测的精度上更胜一筹,体现出利用多个水质参数之间的相关性进行水质预测的效果。而当样本数量足够(953组)时,两种水质预测模型的预测精度相当。