數(shù)據(jù)融合技術(shù)在環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)中的應(yīng)用與思考

鄭 淏，薛惠鋒，李養(yǎng)養(yǎng)，楊偉偉，張佳音，王 斐

1.西北工業(yè)大學(xué)自動(dòng)化學(xué)院，陜西 西安 710072 2.陜西省環(huán)境監(jiān)測(cè)中心站，陜西 西安 710054 3.中國(guó)環(huán)境監(jiān)測(cè)總站，國(guó)家環(huán)境保護(hù)環(huán)境監(jiān)測(cè)質(zhì)量控制重點(diǎn)實(shí)驗(yàn)室，北京 100012

近年來(lái)，我國(guó)的生態(tài)環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)快速發(fā)展，環(huán)境監(jiān)測(cè)實(shí)現(xiàn)了從手工到自動(dòng)、從粗放到精準(zhǔn)、從間斷到連續(xù)的重大轉(zhuǎn)變。目前，我國(guó)已建成覆蓋338個(gè)地級(jí)及以上城市的1 436個(gè)空氣自動(dòng)監(jiān)測(cè)站，2018年將建成覆蓋全部重點(diǎn)流域的2 050個(gè)水質(zhì)自動(dòng)站。隨著自動(dòng)監(jiān)測(cè)技術(shù)和標(biāo)準(zhǔn)的成熟，自動(dòng)監(jiān)測(cè)網(wǎng)絡(luò)日趨完善，伴隨海量環(huán)境監(jiān)測(cè)數(shù)據(jù)的生產(chǎn)、存儲(chǔ)和傳輸，基于多環(huán)境要素的環(huán)境質(zhì)量評(píng)價(jià)越來(lái)越多地被應(yīng)用于環(huán)境管理決策中。

環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)實(shí)時(shí)產(chǎn)生大量監(jiān)測(cè)數(shù)據(jù)，解決了傳統(tǒng)環(huán)境監(jiān)測(cè)方法面對(duì)復(fù)雜大環(huán)境時(shí)信息片面和數(shù)據(jù)失真的問(wèn)題。然而，面對(duì)海量、多源的監(jiān)測(cè)數(shù)據(jù)，多維度、深層次的分析技術(shù)應(yīng)用還亟待加強(qiáng)，以適應(yīng)大數(shù)據(jù)時(shí)代下，智慧環(huán)保的各類需求。

1 數(shù)據(jù)融合的原理

1.1 數(shù)據(jù)融合的概念

隨著傳感器技術(shù)、計(jì)算機(jī)技術(shù)和信息技術(shù)的快速發(fā)展，20世紀(jì)70年代，“數(shù)據(jù)融合”這一概念首先在軍事領(lǐng)域中被提出，即把多個(gè)傳感器獲取的數(shù)據(jù)信息進(jìn)行融合處理，得到比單一傳感器更加準(zhǔn)確和有用的信息數(shù)據(jù)融合技術(shù)。Klein[1]定義數(shù)據(jù)融合是“多層次、多方面處理自動(dòng)檢測(cè)、聯(lián)系、相關(guān)、估計(jì)以及來(lái)源的信息和數(shù)據(jù)的組合過(guò)程，并且其數(shù)據(jù)可由一個(gè)或多個(gè)信息源提供”。羅俊海等[2]結(jié)合自動(dòng)控制相關(guān)理論定義數(shù)據(jù)融合為一種有效的方法，把不同來(lái)源和不同時(shí)間點(diǎn)的信息自動(dòng)或半自動(dòng)地轉(zhuǎn)化成一種形式，這種形式為人類提供有效支持或者做出自動(dòng)決策。

與軍事領(lǐng)域的數(shù)據(jù)融合相類似，環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)融合充分利用不同時(shí)間與空間的數(shù)據(jù)資源，主要有各類傳感器系統(tǒng)，如電化學(xué)、光敏、生物、激光、壓力、溫濕度、震動(dòng)、位移等傳感器系統(tǒng)，也包括環(huán)境觀測(cè)信息獲取系統(tǒng)，如遙感影像、氣象條件、GIS、監(jiān)測(cè)模型、數(shù)據(jù)庫(kù)等信息系統(tǒng)以及生物感知、經(jīng)驗(yàn)判斷等，采用計(jì)算機(jī)技術(shù)對(duì)一定準(zhǔn)則下(如時(shí)間序列、空間分布等)獲得的環(huán)境監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析、綜合、支配和使用的過(guò)程，進(jìn)而獲得與被測(cè)對(duì)象一致性解釋與描述，最終實(shí)現(xiàn)科學(xué)的決策和估計(jì)。多種信息源為數(shù)據(jù)融合處理提供了必要條件，使系統(tǒng)獲得比它的各組成部分更充分的信息[3-5]。

1.2 數(shù)據(jù)融合的意義

環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)運(yùn)行主要依托于無(wú)線傳感器網(wǎng)絡(luò)(WSNs)技術(shù)，而WSNs存在大量傳感器節(jié)點(diǎn)，且單位傳感器節(jié)點(diǎn)電池電量、處理能力、存儲(chǔ)容量、通信帶寬等方面資源有限，網(wǎng)絡(luò)不間斷運(yùn)行勢(shì)必會(huì)造成潛在的沖突和數(shù)據(jù)冗余傳輸，導(dǎo)致部分傳感器節(jié)點(diǎn)壽命縮短，網(wǎng)絡(luò)整體性能降低[6-8]。數(shù)據(jù)融合作為解決WSNs中資源限制的關(guān)鍵技術(shù)，通過(guò)融合來(lái)自不同信息源的數(shù)據(jù)，去除冗余信息、減小數(shù)據(jù)傳輸量，從而達(dá)到節(jié)省能量、延長(zhǎng)監(jiān)測(cè)網(wǎng)絡(luò)生命周期、提高數(shù)據(jù)準(zhǔn)確性的目的[9]。因此，為增強(qiáng)網(wǎng)絡(luò)運(yùn)行效能，延長(zhǎng)網(wǎng)絡(luò)壽命，在數(shù)據(jù)傳輸過(guò)程中，首先應(yīng)當(dāng)減少通信需求，將傳感器數(shù)據(jù)進(jìn)行融合處理，發(fā)送融合后的結(jié)果，能有效減少消息數(shù)量、避免網(wǎng)絡(luò)沖突并節(jié)約能量[10-11]。

1.3 數(shù)據(jù)融合的級(jí)別

根據(jù)對(duì)輸入信息的抽象或融合輸出結(jié)果的不同，各國(guó)學(xué)者和研究機(jī)構(gòu)先后提出了多種數(shù)據(jù)融合的功能模型，將數(shù)據(jù)融合分為不同的級(jí)別。JDL模型[12-15]源于在軍事領(lǐng)域的應(yīng)用，并基于數(shù)據(jù)的輸入和輸出將融合過(guò)程分為對(duì)象、狀態(tài)、影響、優(yōu)化4個(gè)遞進(jìn)的抽象層級(jí)。Kokar等[16]在JDL模型基礎(chǔ)上提出了一個(gè)較為完善的數(shù)據(jù)融合框架，包括數(shù)據(jù)融合、特征融合、決策融合、關(guān)系信息融合，體現(xiàn)了多源數(shù)據(jù)處理的過(guò)程和能力，為數(shù)據(jù)融合系統(tǒng)的標(biāo)準(zhǔn)化和自動(dòng)化發(fā)展應(yīng)用明確了方向。根據(jù)環(huán)境監(jiān)測(cè)WSNs自身特點(diǎn)，數(shù)據(jù)融合可根據(jù)傳感器節(jié)點(diǎn)處理層次、融合前后的數(shù)據(jù)信息量、信息抽象層次的不同而劃分為不同的型式[17]。

環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)融合實(shí)現(xiàn)了數(shù)據(jù)源和數(shù)據(jù)應(yīng)用的銜接，其數(shù)據(jù)源通常具備結(jié)構(gòu)化的數(shù)據(jù)特征，按照數(shù)據(jù)獲取-傳輸-應(yīng)用的處理流程，可將環(huán)境監(jiān)測(cè)數(shù)據(jù)融合分為數(shù)據(jù)級(jí)數(shù)據(jù)融合、特征級(jí)數(shù)據(jù)融合和決策級(jí)數(shù)據(jù)融合[18-20]，數(shù)據(jù)融合結(jié)構(gòu)見(jiàn)圖1。三級(jí)模型的綜合應(yīng)用，能夠在獲取大量現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)的同時(shí)，通過(guò)數(shù)據(jù)的預(yù)處理減少數(shù)據(jù)傳輸帶寬要求，降低通信容量，并根據(jù)實(shí)際需求，調(diào)整網(wǎng)絡(luò)資源開展預(yù)測(cè)估計(jì)和精細(xì)處理等。

2 數(shù)據(jù)融合方法

2.1 數(shù)據(jù)級(jí)融合

數(shù)據(jù)級(jí)融合屬于底層融合過(guò)程，即在數(shù)據(jù)采集層上對(duì)原始監(jiān)測(cè)數(shù)據(jù)進(jìn)行融合分析，通過(guò)特征提取和特征選擇傳輸有價(jià)值信息。環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)運(yùn)行所產(chǎn)生的原始數(shù)據(jù)主要包括：大氣、水、土壤、噪聲等環(huán)境要素和污染源自動(dòng)和手工監(jiān)測(cè)的結(jié)果，各種監(jiān)測(cè)儀器設(shè)備運(yùn)行時(shí)所產(chǎn)生的運(yùn)行記錄和儀器參數(shù)；各類環(huán)境質(zhì)量監(jiān)測(cè)及污染源監(jiān)測(cè)點(diǎn)位信息；與環(huán)境監(jiān)測(cè)數(shù)據(jù)相關(guān)的氣象、水文信息和遙感影像等[21-22]。

圖1 數(shù)據(jù)融合結(jié)構(gòu)Fig.1 Structures of Data Fusion

數(shù)據(jù)級(jí)融合在環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)中應(yīng)用廣泛，融合對(duì)象通常為結(jié)構(gòu)化數(shù)據(jù)。如大氣環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)每個(gè)站點(diǎn)的監(jiān)測(cè)設(shè)備能夠?qū)崟r(shí)監(jiān)測(cè)PM10、PM2.5、NO2、O3、SO2、CO濃度和站點(diǎn)環(huán)境信息，并將全部監(jiān)測(cè)數(shù)據(jù)和儀器設(shè)備運(yùn)行信息存儲(chǔ)在本地?cái)?shù)據(jù)庫(kù)中，而各監(jiān)測(cè)站點(diǎn)向數(shù)據(jù)的應(yīng)用層(即環(huán)境監(jiān)測(cè)主管部門管理系統(tǒng)平臺(tái))發(fā)送5 min監(jiān)測(cè)數(shù)據(jù)的算數(shù)平均值。發(fā)送的數(shù)據(jù)信息并不是監(jiān)測(cè)設(shè)備實(shí)時(shí)測(cè)量所得，而是通過(guò)簡(jiǎn)單的算術(shù)平均計(jì)算而來(lái)，這一過(guò)程依靠數(shù)量巨大的傳感器采集信息，并按照網(wǎng)絡(luò)功能篩選傳輸數(shù)據(jù)，能夠消除大量的冗余數(shù)據(jù)，有效降低數(shù)據(jù)傳輸帶寬需求，但由于站點(diǎn)較多，地理分布廣泛，存在融合計(jì)算量大、耗時(shí)較長(zhǎng)、實(shí)時(shí)性差的缺點(diǎn)。加權(quán)平均[23-25]、卡爾曼濾波[26-27]等是進(jìn)行原始數(shù)據(jù)處理、提升網(wǎng)絡(luò)傳輸效率的常用方法。

2.1.1 加權(quán)平均

加權(quán)平均是環(huán)境監(jiān)測(cè)數(shù)據(jù)處理過(guò)程中最常見(jiàn)的方法之一，包括算術(shù)加權(quán)平均、幾何加權(quán)平均和平方加權(quán)平均。在環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)級(jí)融合時(shí)，最常用到算術(shù)加權(quán)平均，即對(duì)不同的監(jiān)測(cè)指標(biāo)和數(shù)據(jù)信息賦予不同的權(quán)重后計(jì)算其平均值的方法，計(jì)算公式：

2.1.2 卡爾曼濾波

卡爾曼濾波(KF)主要用于處理數(shù)據(jù)層中實(shí)時(shí)動(dòng)態(tài)多傳感器數(shù)據(jù)冗余及失真問(wèn)題。在實(shí)際監(jiān)測(cè)過(guò)程中, 常因重復(fù)監(jiān)測(cè)、數(shù)據(jù)傳輸中斷、監(jiān)測(cè)設(shè)備維修更換、人為因素造成數(shù)據(jù)失真，導(dǎo)致數(shù)據(jù)冗余、數(shù)據(jù)不完整、數(shù)據(jù)缺失和不等間隔采樣的問(wèn)題，已有的處理方法是進(jìn)行簡(jiǎn)單的剔除、抽樣或插值計(jì)算等，可以解決一部分?jǐn)?shù)據(jù)丟失和數(shù)據(jù)冗余帶來(lái)的影響[32-34]。而在對(duì)環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)的某些關(guān)鍵節(jié)點(diǎn)進(jìn)行數(shù)據(jù)分析時(shí)，由于特定時(shí)間段內(nèi)樣本數(shù)據(jù)量有限，或數(shù)據(jù)特征明顯等原因，無(wú)法對(duì)缺失數(shù)據(jù)進(jìn)行省略或替代，若數(shù)據(jù)序列中缺失數(shù)據(jù)比例較大或連續(xù)缺失點(diǎn)較多時(shí), 傳統(tǒng)的剔除、抽樣等方法就難以取得可靠的結(jié)果[35-36]。

針對(duì)數(shù)據(jù)異常問(wèn)題，為進(jìn)一步減少過(guò)程噪聲和測(cè)量噪聲對(duì)監(jiān)測(cè)數(shù)據(jù)的影響，提高環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)的傳輸數(shù)據(jù)精度，基于KF的數(shù)據(jù)融合方法越來(lái)越多地被應(yīng)用到研究中[37-40]。在顆粒物在線監(jiān)測(cè)過(guò)程中，由于持續(xù)大流量采樣，高速運(yùn)動(dòng)的氣流會(huì)使濾膜受到一定的壓力波動(dòng)，對(duì)顆粒物的測(cè)量精度造成影響。盧志浩等[41]將顆粒物采樣稱重過(guò)程抽象描述為一個(gè)線性離散控制過(guò)程，通過(guò)KF算法補(bǔ)償了壓力波動(dòng)對(duì)稱重模塊的影響，剔除了由于稱重采集器不穩(wěn)定和外界因素影響導(dǎo)致的異常數(shù)據(jù)，有效提高了顆粒物稱重準(zhǔn)確度。唐曉等[42]基于集合KF方法建立了京津冀區(qū)域空氣質(zhì)量資料同化系統(tǒng)，開展臭氧觀測(cè)資料的同化實(shí)驗(yàn)，綜合考慮NOx和VOCs排放源、垂直擴(kuò)散系數(shù)以及NO2光解系數(shù)的誤差，有效減小預(yù)報(bào)過(guò)程中臭氧初始場(chǎng)的誤差。

2.2 特征級(jí)數(shù)據(jù)融合

特征級(jí)數(shù)據(jù)融合屬于中級(jí)融合過(guò)程，通常作用于系統(tǒng)的網(wǎng)絡(luò)層和數(shù)據(jù)層。在環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)中，從數(shù)據(jù)層中提取原始信息的目標(biāo)特征，提取的特征信息應(yīng)是原始信息的充分表示量或充分統(tǒng)計(jì)量，然后按特征信息對(duì)多源數(shù)據(jù)進(jìn)行分類、聚集和綜合，產(chǎn)生特征矢量，采用一些基于特征級(jí)融合方法處理這些特征矢量，并進(jìn)行屬性說(shuō)明。環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)用戶端操作平臺(tái)所顯示的信息主要是對(duì)網(wǎng)絡(luò)層輸出的數(shù)據(jù)進(jìn)行特征級(jí)融合之后的結(jié)果，這些信息可以是結(jié)構(gòu)化的，如描述生態(tài)環(huán)境狀況和污染排放的數(shù)據(jù)，包括AQI、WQI、污染物平均濃度、優(yōu)良天數(shù)等，超標(biāo)倍數(shù)、排放總量等；也可以是非結(jié)構(gòu)化的，如地理信息、圖片影像及與人群活動(dòng)相關(guān)的環(huán)境信息，包括GIS數(shù)據(jù)、視頻監(jiān)控、遙感影像、設(shè)備概況、方法標(biāo)準(zhǔn)以及各類環(huán)境質(zhì)量報(bào)告等。目前，隨著計(jì)算機(jī)技術(shù)、信息技術(shù)的快速發(fā)展，為進(jìn)一步挖掘環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)價(jià)值，人工智能的方法越來(lái)越多地被應(yīng)用到環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)融合過(guò)程中。

人工智能是以計(jì)算機(jī)技術(shù)、信息技術(shù)為理論基礎(chǔ)，結(jié)合各領(lǐng)域研究方向，模擬人類思維方式解決問(wèn)題的技術(shù)科學(xué)。在環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)融合前沿技術(shù)研究中，人工神經(jīng)網(wǎng)絡(luò)[43-45]、遺傳算法[46-47]、支持向量機(jī)[48-49]是3類最常用的人工智能方法。

2.2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(ANNs)是一種模仿人腦結(jié)構(gòu)、能夠并行處理數(shù)據(jù)的信息系統(tǒng)(見(jiàn)圖2，x1，x2，…，xn為網(wǎng)絡(luò)的輸入向量；wij、wki為各層級(jí)間的權(quán)值；αi、βk為神經(jīng)元的閾值；y1，…，ym為網(wǎng)絡(luò)的輸出向量)，具有較強(qiáng)的自適應(yīng)、自組織、自學(xué)習(xí)能力，在污染物組分研究、數(shù)值預(yù)測(cè)與環(huán)境評(píng)價(jià)中廣泛應(yīng)用[50-52]。

圖2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of ANNs

同一層級(jí)中的神經(jīng)元無(wú)關(guān)聯(lián)，其傳遞函數(shù)是連續(xù)可微的非線性函數(shù)，通常采用S形的對(duì)數(shù)或正切函數(shù)，如logsig函數(shù)和logsig函數(shù)。而層與層之間的神經(jīng)元通過(guò)權(quán)值(wij、wki)和閾值(αi、βk)連接，閾值的取值范圍通常為(-1,1)。

SANTOS等[53]對(duì)法國(guó)北部Dunkerque城大氣顆粒物中重金屬的組分進(jìn)行研究，通過(guò)連續(xù)3個(gè)月對(duì) PM10的采樣分析，運(yùn)用ANNs和主成分分析法構(gòu)建數(shù)據(jù)預(yù)測(cè)模型，較好地估算了顆粒物中鉛、鎳、錳、釩的平均濃度，并且其模型已經(jīng)被歐盟采納作為空氣中金屬組分評(píng)價(jià)技術(shù)。琚振闖等[54]針對(duì)黃河含沙量大、水環(huán)境動(dòng)力學(xué)條件復(fù)雜等特性以及水質(zhì)預(yù)測(cè)工作復(fù)雜、模糊、高度非線性的特征，設(shè)計(jì)了采用L-M數(shù)值優(yōu)化算法的3層BP神經(jīng)網(wǎng)絡(luò)，利用黃河內(nèi)蒙古河段上游3個(gè)監(jiān)測(cè)斷面監(jiān)測(cè)數(shù)據(jù)對(duì)下游1個(gè)斷面的COD進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果預(yù)測(cè)精度較高，能夠?yàn)榈乇硭|(zhì)監(jiān)測(cè)和污染控制提供技術(shù)支撐。AMANOLLAHI等[55]利用Landsat-8衛(wèi)星中的陸地成像儀(OLI)遙感數(shù)據(jù)對(duì)伊朗Zarivar湖水質(zhì)類別進(jìn)行評(píng)價(jià)，分別采用ANNs和線性回評(píng)價(jià)模型，實(shí)測(cè)結(jié)果表明，ANNs模型估計(jì)總懸浮物、總?cè)芙夤腆w、濁度和葉綠素a等平均濃度誤差較小，相關(guān)性較高。

2.2.2 遺傳算法

2.2.3 支持向量機(jī)

支持向量機(jī)(SVM)屬于有監(jiān)督的學(xué)習(xí)模型，通常用來(lái)進(jìn)行模式識(shí)別、分類以及回歸分析，主要通過(guò)非線性映射將輸入量映射到高維空間，然后在高維空間中利用線性函數(shù)進(jìn)行回歸運(yùn)算，從而得到原空間的回歸效果，具有較好的非線性擬合功能和較快的計(jì)算速度。郭飛等[59]提出了一種基于改進(jìn)變精度粗糙集的SVM預(yù)測(cè)方法，采用熵權(quán)值理論對(duì)SVM輸入變量預(yù)處理，并利用2016年沈陽(yáng)市氣象數(shù)據(jù)對(duì)同期AQI進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)預(yù)測(cè)準(zhǔn)確率77.83%，空?qǐng)?bào)率和漏報(bào)率明顯下降。王平等[60]將PM10濃度預(yù)測(cè)過(guò)程描述為一個(gè)易受排放源、氣象數(shù)據(jù)、地形特征、相關(guān)污染物濃度影響的非線性動(dòng)態(tài)系統(tǒng)，并建立了wavelet-SVM 模型對(duì)太原市PM10時(shí)空分布特點(diǎn)進(jìn)行分析，實(shí)驗(yàn)結(jié)果表明，SVM預(yù)測(cè)模型作為高維非線性學(xué)習(xí)算法用于PM10濃度時(shí)序數(shù)據(jù)預(yù)測(cè)精度較高。

2.3 決策級(jí)數(shù)據(jù)融合

決策級(jí)數(shù)據(jù)融合屬于高層融合過(guò)程，其優(yōu)點(diǎn)在于對(duì)信息傳輸帶寬要求低、通信容量小、抗干擾能力強(qiáng)，涉及態(tài)勢(shì)認(rèn)識(shí)與評(píng)估、影響評(píng)估、融合過(guò)程優(yōu)化以及最優(yōu)決策等。在環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)中，決策級(jí)數(shù)據(jù)融合是從具體環(huán)境問(wèn)題的需求出發(fā)，充分利用特征融合所提取的監(jiān)測(cè)對(duì)象的各類特征信息，采用適當(dāng)?shù)娜诤霞夹g(shù)進(jìn)行定性、定量描述或進(jìn)行管理決策支持的過(guò)程，其結(jié)果直接為管理、控制、決策提供依據(jù)。目前，在環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)決策級(jí)數(shù)據(jù)融合前沿技術(shù)研究中，貝葉斯網(wǎng)絡(luò)[61-62]、專家系統(tǒng)[63-64]、證據(jù)理論[65-66]等應(yīng)用廣泛。

2.3.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)(BN)是一種概率關(guān)系的圖像描述，利用定性與定量分析相結(jié)合的方法來(lái)表達(dá)實(shí)際應(yīng)用系統(tǒng)中變量間的不確定關(guān)系，目的是使多個(gè)管理目標(biāo)達(dá)到最優(yōu)，適用于解決環(huán)境管理中具有不確定性的多目標(biāo)決策問(wèn)題，如環(huán)境空氣質(zhì)量預(yù)報(bào)、水環(huán)境管理決策等。王勤耕等[67]分析了城市空氣環(huán)境質(zhì)量潛勢(shì)預(yù)報(bào)、統(tǒng)計(jì)預(yù)報(bào)、數(shù)值預(yù)報(bào)的特征，針對(duì)城市大氣環(huán)境的復(fù)雜巨系統(tǒng)特征和不確定性，提出一種基于BN的城市大氣污染預(yù)報(bào)系統(tǒng)，以氣象要素、環(huán)境特征、污染源資料、污染狀態(tài)等為輸入變量，輸出污染物濃度和污染發(fā)生概率，兼具多源信息融合、概率預(yù)報(bào)、高實(shí)效性、組網(wǎng)靈活的特點(diǎn)。王明芳等[68]利用BN在不確定性表示、推理方面的優(yōu)勢(shì)，結(jié)合多傳感器數(shù)據(jù)融合技術(shù)，研究了室內(nèi)空氣質(zhì)量識(shí)別評(píng)級(jí)模型，實(shí)驗(yàn)證明模型算法準(zhǔn)確直觀。

水環(huán)境管理決策是典型的動(dòng)態(tài)復(fù)雜系統(tǒng)，其不確定性通常表現(xiàn)在自然環(huán)境因素(氣溫、降水等)和自身的水文條件(流速、流態(tài)、流量等)具有隨機(jī)性，生活污水及生產(chǎn)廢水的排放規(guī)律隨經(jīng)濟(jì)社會(huì)發(fā)展波動(dòng)變化，污染物在水體中的擴(kuò)散、稀釋、分解、沉淀及在物理、化學(xué)、生物作用下的降解也存在不確定性變異的特征。運(yùn)用BN能夠針對(duì)水環(huán)境管理中的不確定問(wèn)題提供解決思路。盧文喜等[69]將BN引入水資源管理中，以水體硝酸鹽濃度下降和周邊農(nóng)民收入增加為目標(biāo)變量，以政府補(bǔ)償款范圍為決策變量，以作物類型、農(nóng)藥用量、農(nóng)業(yè)收入為狀態(tài)變量，建立BN模型，為管理決策提供支持。為應(yīng)對(duì)突發(fā)水環(huán)境污染事件，楊海東等[70]用BN進(jìn)行突發(fā)水污染溯源，推導(dǎo)出污染源強(qiáng)度、位置和排放時(shí)刻等未知參數(shù)的后驗(yàn)概率密度函數(shù)，并結(jié)合微分進(jìn)化和蒙特卡羅模擬方法對(duì)后驗(yàn)概率分布進(jìn)行采樣，進(jìn)而估計(jì)出這些未知參數(shù)，確定污染源項(xiàng)，為解決突發(fā)水污染事件中的追蹤溯源難點(diǎn)問(wèn)題提供了新的思路和方法。

2.3.2 專家系統(tǒng)

專家系統(tǒng)(ES)是一種以專家經(jīng)驗(yàn)、知識(shí)等為基礎(chǔ)，根據(jù)某一領(lǐng)域一個(gè)或多個(gè)專家提供的經(jīng)驗(yàn)和專業(yè)知識(shí)，提取生成專家規(guī)則，通過(guò)人機(jī)交互界面輸入事實(shí)信息，并與專家規(guī)則進(jìn)行匹配，通過(guò)計(jì)算機(jī)程序?qū)崿F(xiàn)推理判斷。王欣等[71]歸納分析了東北地區(qū)飲用水處理工藝，設(shè)計(jì)了飲用水處理技術(shù)ES，實(shí)現(xiàn)了工藝查詢、技術(shù)更新、水質(zhì)判定等功能。韓小錚等[72]針對(duì)我國(guó)環(huán)境應(yīng)急體系技術(shù)支撐薄弱、技術(shù)指南欠缺等問(wèn)題，將規(guī)則推理(RBR)和案例推理(CBR)的ES應(yīng)用于環(huán)境污染事故應(yīng)急處理決策，通過(guò)CBR式推理得到與現(xiàn)行案例類似的既往案例，同時(shí)RBR式推理相關(guān)危險(xiǎn)化學(xué)品MSDS信息和應(yīng)急處理步驟，為環(huán)境污染應(yīng)急監(jiān)測(cè)提供技術(shù)支持。

2.3.3 D-S證據(jù)理論

Dempster-Shafer 證據(jù)理論(D-S證據(jù)理論)，最早應(yīng)用于ES中，是一種多源信息融合方法，具有處理不確定信息的能力。D-S證據(jù)理論是對(duì)貝葉斯推理方法的推廣，主要適用于信息融合、專家系統(tǒng)、情報(bào)分析、多屬性決策分析等[73-74]。D-S證據(jù)理論可用于環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估，網(wǎng)絡(luò)異常檢測(cè)，數(shù)據(jù)異常監(jiān)測(cè)[75-76]，以及環(huán)境信息融合、網(wǎng)絡(luò)輿情評(píng)估等方面[77]。

3 問(wèn)題和建議

3.1 面臨的問(wèn)題

環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)近年來(lái)發(fā)展迅猛，但多數(shù)技術(shù)仍未應(yīng)用到管理實(shí)際中，主要存在以下問(wèn)題：

一是數(shù)據(jù)處理技術(shù)不成熟，主要包括：數(shù)據(jù)缺陷，監(jiān)測(cè)過(guò)程受測(cè)量噪聲影響，或儀器運(yùn)行不穩(wěn)定導(dǎo)致數(shù)據(jù)缺失，現(xiàn)有優(yōu)化算法只能針對(duì)特定區(qū)域、特定特征的測(cè)量噪聲予以識(shí)別和剔除，難以滿足全網(wǎng)絡(luò)數(shù)據(jù)采集優(yōu)化需求；數(shù)據(jù)沖突，實(shí)際環(huán)境的模糊性和不一致性會(huì)導(dǎo)致數(shù)據(jù)沖突(如PM2.5、PM10監(jiān)測(cè)數(shù)據(jù)倒掛等)，現(xiàn)有的算法可以識(shí)別但難以分類處理違反常理的結(jié)果；網(wǎng)絡(luò)結(jié)構(gòu)，集中式數(shù)據(jù)處理流程產(chǎn)生過(guò)多的冗余信息，給網(wǎng)絡(luò)數(shù)據(jù)傳輸帶來(lái)較大壓力，對(duì)于分布式數(shù)據(jù)處理使用較少，忽略了單一站點(diǎn)的監(jiān)測(cè)信息。

二是基于數(shù)據(jù)融合的環(huán)境質(zhì)量評(píng)價(jià)體系不完善，包括：基礎(chǔ)評(píng)價(jià)指標(biāo)較少，歷史數(shù)據(jù)不全，導(dǎo)致評(píng)價(jià)結(jié)果往往難以全面、客觀、真實(shí)的反應(yīng)環(huán)境質(zhì)量現(xiàn)狀，影響監(jiān)測(cè)數(shù)據(jù)的多元化應(yīng)用和相關(guān)決策支持；標(biāo)準(zhǔn)化程度較低，環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)目前收集并分析的均為相同類別數(shù)據(jù)，而對(duì)圖像、影像、人類聽(tīng)覺(jué)、視覺(jué)、觸覺(jué)測(cè)量等異質(zhì)信息無(wú)法納入統(tǒng)一的評(píng)價(jià)體系；充分運(yùn)用海量監(jiān)測(cè)數(shù)據(jù)對(duì)環(huán)境質(zhì)量趨勢(shì)研判、重點(diǎn)區(qū)域流域環(huán)境風(fēng)險(xiǎn)預(yù)警和環(huán)境污染追因溯源能力仍不足。

三是環(huán)境監(jiān)測(cè)數(shù)據(jù)質(zhì)量有待提高，主要包括：針對(duì)海量監(jiān)測(cè)數(shù)據(jù)的質(zhì)控手段較少，難以實(shí)時(shí)監(jiān)控并及時(shí)修正每個(gè)監(jiān)測(cè)站點(diǎn)數(shù)據(jù)采集過(guò)程中的問(wèn)題；影響監(jiān)測(cè)數(shù)據(jù)質(zhì)量的因素較多，僅通過(guò)例行檢查和飛行檢查等手段，難以掌握全部問(wèn)題；以監(jiān)測(cè)人員為主體的現(xiàn)場(chǎng)質(zhì)控模式難以滿足全網(wǎng)絡(luò)、大范圍的質(zhì)控管理需求。

3.2 建議

隨著環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)不斷優(yōu)化、技術(shù)不斷創(chuàng)新，監(jiān)測(cè)數(shù)據(jù)多元、復(fù)雜、龐大、實(shí)時(shí)的特征逐漸凸顯，環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)也會(huì)向分布式處理、多元化分析、智能化決策的方向發(fā)展。從數(shù)據(jù)發(fā)展和應(yīng)用的角度來(lái)看，將環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)融合充分應(yīng)用于實(shí)際工作的建議如下：

1)提升數(shù)據(jù)采集效率，提升原始監(jiān)測(cè)數(shù)據(jù)采集效率和準(zhǔn)確度，按實(shí)際需求對(duì)環(huán)境信息進(jìn)行識(shí)別分類和預(yù)測(cè)評(píng)價(jià)，規(guī)避單一傳感器或站點(diǎn)故障產(chǎn)生的誤差，實(shí)時(shí)記錄儀器運(yùn)行參數(shù)，自動(dòng)識(shí)別失真數(shù)據(jù)，提高監(jiān)測(cè)數(shù)據(jù)質(zhì)量。

2)優(yōu)化監(jiān)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)，將監(jiān)測(cè)數(shù)據(jù)由集中式存儲(chǔ)轉(zhuǎn)為分布式存儲(chǔ)，提升網(wǎng)絡(luò)可靠性和信息處理效率，增設(shè)區(qū)域數(shù)據(jù)傳輸節(jié)點(diǎn)，加強(qiáng)單一站點(diǎn)和固定區(qū)域的監(jiān)測(cè)數(shù)據(jù)使用率。

3)推進(jìn)監(jiān)測(cè)數(shù)據(jù)公開，建設(shè)環(huán)境監(jiān)測(cè)大數(shù)據(jù)平臺(tái)，統(tǒng)一方法標(biāo)準(zhǔn)和數(shù)據(jù)格式，實(shí)現(xiàn)各級(jí)各類監(jiān)測(cè)數(shù)據(jù)互聯(lián)互通，通過(guò)終端軟件、新媒體等形式發(fā)布環(huán)境質(zhì)量信息并收集個(gè)人感官數(shù)據(jù)，真實(shí)、準(zhǔn)確、全面、客觀評(píng)價(jià)環(huán)境質(zhì)量。

4)強(qiáng)化數(shù)據(jù)綜合分析，培養(yǎng)數(shù)據(jù)分析人才，著力提升監(jiān)測(cè)數(shù)據(jù)綜合集成、深度挖掘、智能分析、模型應(yīng)用等方面能力。

5)提升決策支持能力，依托各類數(shù)據(jù)分析模型、算法，建立統(tǒng)一的環(huán)境質(zhì)量綜合評(píng)價(jià)指標(biāo)體系，充分運(yùn)用BN、ES、證據(jù)理論等決策方法，為環(huán)境管理決策提供可量化、可追溯的方案。

6)保障監(jiān)測(cè)數(shù)據(jù)質(zhì)量，通過(guò)分析現(xiàn)有的監(jiān)測(cè)數(shù)據(jù)，歸納總結(jié)影響監(jiān)測(cè)數(shù)據(jù)或?qū)е聰?shù)據(jù)失真的數(shù)據(jù)特征，降低檢查成本，提升質(zhì)控效率。

4 結(jié)論

按照環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)的信息處理流程，歸納了數(shù)據(jù)、特征、決策3層數(shù)據(jù)融合級(jí)別。數(shù)據(jù)級(jí)融合適用于環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)原始數(shù)據(jù)處理，實(shí)現(xiàn)冗余數(shù)據(jù)剔除、特征提取、網(wǎng)絡(luò)優(yōu)化等功能。加權(quán)平均法使用廣泛，能有效降低數(shù)據(jù)傳輸量，節(jié)約網(wǎng)絡(luò)資源，并體現(xiàn)各個(gè)監(jiān)測(cè)指標(biāo)的權(quán)重。KF在環(huán)境監(jiān)測(cè)中尚處于研究階段，主要用于識(shí)別并剔除異常數(shù)據(jù)，解決數(shù)據(jù)缺失和信息失真等問(wèn)題。特征級(jí)數(shù)據(jù)融合結(jié)合人工智能技術(shù)可進(jìn)行復(fù)雜條件下的環(huán)境質(zhì)量評(píng)價(jià)和污染物濃度預(yù)測(cè)。ANNs絡(luò)屬于深度學(xué)習(xí)模型，適用于大數(shù)據(jù)分析，但模型訓(xùn)練依賴大量樣本數(shù)據(jù)。SVM基于統(tǒng)計(jì)學(xué)習(xí)理論，在污染物濃度預(yù)測(cè)研究中具有良好的泛化能力，但預(yù)測(cè)結(jié)果精確度受輸入變量的影響較大。GA具有高效啟發(fā)式搜索、并行計(jì)算等特點(diǎn)，可用于函數(shù)組合優(yōu)化，提升系統(tǒng)運(yùn)行效率；決策級(jí)數(shù)據(jù)融合的協(xié)同應(yīng)用創(chuàng)新能夠?qū)崿F(xiàn)環(huán)境監(jiān)測(cè)數(shù)據(jù)的多元化應(yīng)用，反映環(huán)境質(zhì)量和污染狀況以及生態(tài)系統(tǒng)格局、結(jié)構(gòu)、功能、脅迫等狀況。BN和D-S證據(jù)理論適用于環(huán)境污染應(yīng)急管理決策、污染源清單調(diào)查和環(huán)境風(fēng)險(xiǎn)防控等。ES結(jié)合知識(shí)庫(kù)和推理機(jī)，在環(huán)境監(jiān)測(cè)領(lǐng)域的應(yīng)用不斷擴(kuò)大。

數(shù)據(jù)融合技術(shù)在環(huán)境監(jiān)測(cè)領(lǐng)域中應(yīng)用并取得了很多成果，但仍沒(méi)有一種融合方法能滿足環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)的全部需求。因此，充分考慮環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)、監(jiān)測(cè)數(shù)據(jù)特征和環(huán)境管理需求的數(shù)據(jù)融合技術(shù)具有很大的研究空間。針對(duì)實(shí)際應(yīng)用不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，合理分配數(shù)據(jù)資源，多領(lǐng)域技術(shù)交叉協(xié)同，才能助力實(shí)現(xiàn)科學(xué)監(jiān)測(cè)、智慧環(huán)保的目標(biāo)。