气候变化凸显了保护淡水资源的重要性。
有效管理城市基础设施对于保护水资源至关重要。
实时传感器网络结合机器学习，能够更有效地预测和排查漏水问题。
水或许是地球上最独特的自然资源。作为储量最大的自然资源，水覆盖了地球表面约71%，但淡水中仅有1.2%可供饮用。因此，可饮用水如同某些稀有金属一样稀缺且珍贵。
河流和溪流中的淡水可用于商业、生活、应急和工业等多种用途。由于用途广泛，加之气候变化导致淡水日益稀缺，在城市人口不断增长的国家和城市，淡水已成为争议焦点。为确保稳定供水、实现良好的城市治理和增强城市韧性，城市必须拥有稳健的供水基础设施。
完善的供水管网至关重要
供水管网是城市供水基础设施的关键组成部分。高效的供水管网能够以最少甚至零损耗满足饮用水需求。管网损耗及其造成的供需缺口（尤其是在城市）的一大原因是漏水。
供水网络的输送、处理、分配或储存等任何环节都可能发生漏水。在一定程度上，城市已通过多种方式应对漏水问题，尤其是因为减少非收益水（输送过程中流失的水量）有助于改善城市的社会经济、环境、健康和安全状况。
城市通常通过水管理系统查明漏水源头并评估漏水规模。总体而言，这些管理系统着重于量化水量损失、发现漏水热点，以及有效控制当前和未来的漏水水平。
尽管采取了这些措施，据世界银行称，发展中国家每天约有4500万立方米的水流失。这些水已经抽取，却在输送过程中流失或未计入账目，每年造成的损失最高可达30亿美元。即使能够挽回其中一半的损失，也足以为至少9000万人提供充足的供水。这一数额相当可观，尤其对印度这样的国家而言。根据一份印度国家转型委员会（NITI Aayog）报告，到2030年，其供水需求预计将增长一倍。
亟需改进漏水管理
有三个主要原因表明，必须摒弃传统和现有的漏水管理方法。
首先，现有方法大多是补救性的，而非预测性的。当前供水管网中的预测环节是预测性维护，但这类维护需要预先安排、人工执行，且耗时较长。即使是为了采取措施修复较严重的漏水，供水系统的大部分区域也往往需要停运，这会对居民的日常生活造成不利影响，尤其是那些本就无法获得不间断供水的人。
其次，城市漏水规模各不相同，但大多数补救措施针对的是较严重的漏水，而较小的漏水往往长期得不到处理。因此，规模较小且未处理的漏水也会造成大量水量和收入损失。市政机构在五年内可能损失10万至100万美元的收入。
第三，在更严重的情况下，主要输水管道漏水还可能导致高压电缆短路，对广大民众构成致命威胁。这些局限表明，我们需要更高效、更有效的水管理系统，同时具备补救和预测能力。
一种可行方案——结合机器学习的实时传感器网络
城市普遍认可的一种漏水检测与控制方案，是运行结合机器学习（ML）的实时传感器网络。实时传感器网络主要由传感器、网络监控、云存储和配套应用等部分组成。
实时传感器网络可实时监测水流；与机器学习模型相结合后，便能够预测异常（漏水），并在供水管网中准确检测出异常。该系统可为城市带来多方面的益处。
首先，城市可以更准确地预测漏水的规模和复杂程度。这对供水管网老化、因而更容易发生漏水的城市尤为有益。准确预测漏水的规模和复杂程度，有助于及时、准确地确定漏水位置，进而减少水量损失并增加城市收入。
其次，准确、及时地定位漏水点可以加快排查速度，提高排查效率。当供水管网的整个区段往往需要停运以寻找漏水点时，缩短漏水处理时间至关重要。此外，这也能减少挖掘或重建道路以定位地下管道漏水所产生的附带成本。
第三，后续处理漏水效率的提升将减少供水系统停运时间，从而提高供水可靠性和水质。对于夏季或用水高峰时段面临严重水危机、且经济活动高度依赖水资源的城市，这一点尤其重要。
最后，实时传感器网络和机器学习系统成本相对较低，实施也较为简便。该系统还可帮助地方政府、市政府和居民预判供水限制情况，并采取节水措施。采用此类系统有助于推动预期的城市转型。
采用结合机器学习的实时传感器网络，能够带来显而易见的社会经济、环境、健康和安全效益。此外，随着城市化快速推进、水价上涨、水源日渐枯竭，若要避免城市水资源压力进一步加剧，部署机器学习等先进技术解决方案已刻不容缓。
