优化信息流，更好地管理水流
Steven Weijs博士现任英属哥伦比亚大学土木工程系助理教授。
没有数据，水资源管理者只是在黑暗中做决定。然而，我们所能获取的数据并不总是包含我们所需要的信息，而且很可能10年、20年、50年甚至100年前从事水资源管理工作的人并没有在我们现在最感兴趣的地方放置水监测仪器。
通过知情决策改善水资源管理
在我的研究中，我使用信息论来理解如何优化信息流，以便我们可以对水流和水资源做出明智的决定。
这种流动从我们的环境到我们的观察，然后通过模型进入预测，为最终再次影响环境的决策提供信息。
这类工作对计算机科学和统计学的借鉴不亚于对水文学的借鉴——这是现实世界不受学科界限定义的又一个例子。当我们建立监测系统时，在测量什么、何时何地有很多选择。这些选择对信息流至关重要。
例如，我目前正在做一个项目BC省环境部规划全省河流监测网络的未来发展——基本培育了我省水智能的神经系统。
模型把我们从数据带到预测。要做到这一点，模型需要提取模式，我认为这是压缩形式的观察。因此，有一些关于数据压缩和创建既不太简单也不太复杂的模型的问题需要问。
预测模型被用来做决定，而这些决定涉及不确定性。虽然决策者可能想要清晰的预测和明确的答案，但结果是不确定的。最好是沟通不确定性，并强调所有可能的情况，这样就可以根据人们能够容忍的风险与降低风险的成本来做出决定。
水文和数据分析
学生在综合水管理MEL在我的课堂上探索一些关于水文学和数据分析的问题。
例如，他们完成的两个主要项目之一，要求他们在决定河流水力发电厂的位置和规模时，遵循信息流。如果工厂太大，将很难收回投资成本，因为工厂将无法满负荷运行。如果工厂太小，你就不能利用可用的水来充分利用你的投资。
决定在哪里建立工厂需要有关该地点随时间和季节变化的可用水的数据。理想情况下，您需要许多代的数据，但情况总是如此，100年前的人们不太可能有远见地在今天的项目计划的理想位置安装测量设备。
开发可持续的水管理解决方案
第二个项目让学生们自由地选择一个水文学主题，并在一个研究问题上进行团队合作。我鼓励学生探索创新的观察技术，并对现有的数据来源和预测模型中使用的假设和敏感性形成健康的怀疑态度。他们在毕业时也拥有使用大型数据集和Jupyter notebook等工具的经验。
本课程和综合水资源管理课程的成果为学生提供了开发所需的工具可持续水资源管理解决方案．
该行业将越来越依赖机器学习和人工智能，就像目前的预测模型一样，这些工具只有在基于可靠、准确的数据时才有价值。所有这些都使得现在在数据收集方面进行明智的投资变得更加重要，这样我们就可以自信地使用产生的信息来做出决策水资源管理未来的决定。
