基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)

賀園園，胡小敏，梁騰飛

(西安交通工程學(xué)院 土木工程學(xué)院，西安 710300)

0 引言

工業(yè)持續(xù)快速發(fā)展，導(dǎo)致空氣污染現(xiàn)象逐漸嚴重，在空氣污染中，霾污染作為一種較為常見的空氣污染現(xiàn)象存在于人類生活中，而霾污染則會影響人類的日常生活，甚至對人體造成傷害[1]。在現(xiàn)代霾污染監(jiān)測環(huán)節(jié)中，一般采用遙感技術(shù)對霾污染進行實時監(jiān)控，在較為精準的程度上掌控霧霾的形成地點及形成原因，以此來進行霾污染的治理，在數(shù)據(jù)收集的過程中，由于其監(jiān)測范圍較為固定，所受人工外力影響較小，測量的結(jié)果相對準確，且數(shù)據(jù)偏于穩(wěn)定趨勢。在此基礎(chǔ)上，需要同時對其大氣覆蓋的地面進行有效研究，根據(jù)研究結(jié)果進行進一步的實驗分析與總結(jié)，保障監(jiān)測對象的存在完整性，加強數(shù)據(jù)系統(tǒng)操作，并輔助視野較廣泛的無人機進行高空監(jiān)測，獲取較為科學(xué)的霧霾污染信息[2]。為此，對于霾污染的監(jiān)測及治理逐漸得到人們的關(guān)注。

目前已有學(xué)者對霾污染監(jiān)測技術(shù)做出了研究，并取得了一定的成果。文獻[3]提出基于單片機的霧霾監(jiān)測系統(tǒng)。以STC12C5A60S2單片機為核心，分別設(shè)計了數(shù)據(jù)采集模塊、傳輸模塊及處理模塊。該方法精度較高，但對圖像收集的清晰度較低；文獻[4]提出基于VIRR傳感器的霾遙感識別方法，以監(jiān)測數(shù)據(jù)為基礎(chǔ)，采用可見光的反射率閾值方法對霧霾情況進行遙感識別。該方法能夠較為準確地完善數(shù)據(jù)信息，但對于信息采集方面的力度較小，無法保證收集的圖像數(shù)據(jù)的精準性，且耗費的監(jiān)測時間較長，投資成本較高。

為此，針對以上問題，本文提出一種基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)。通過對霾污染數(shù)據(jù)的收集進一步完善數(shù)據(jù)收集系統(tǒng)信息，加強對數(shù)據(jù)的整合與處理，強化中心系統(tǒng)的數(shù)據(jù)儲存能力，保證監(jiān)測數(shù)據(jù)來源的可靠性，在此基礎(chǔ)上對收集的數(shù)據(jù)進行處理，根據(jù)數(shù)據(jù)通道的不同將收集的數(shù)據(jù)信息進行劃分，同時加強系統(tǒng)過濾操作，進一步完善數(shù)據(jù)信息的準確性，最后對處理后的數(shù)據(jù)進行監(jiān)測操作，根據(jù)不同的監(jiān)測對象有針對性地進行實驗選擇，根據(jù)霾污染的各項特征進一步提升監(jiān)測系統(tǒng)的監(jiān)測力度，最終達到對霾污染監(jiān)測的目的。該技術(shù)在一定程度上實現(xiàn)了對數(shù)據(jù)的有效分析，完善了監(jiān)測系統(tǒng)的數(shù)據(jù)監(jiān)測能力，操作簡便，成本較低，能夠更好地為使用者所使用。

1 基于三維空間分布圖像的霾污染數(shù)據(jù)采集

由于霾污染的存在具有高度的特殊性，為此，需對其進行污染數(shù)據(jù)收集，并對其產(chǎn)生的地點進行精準劃分，以便操作能夠更好地進行。

本文利用監(jiān)測機器對霾污染生成地區(qū)的地形、地面設(shè)施以及空中狀況進行研究，并將臨近區(qū)域作為實驗地點，進一步追蹤霾污染數(shù)據(jù)存在的狀況及相關(guān)信息，對霾污染產(chǎn)生的不同季節(jié)與環(huán)境進行分析，根據(jù)不同時段的霾污染狀況進行類別分析，同時對不同時間段進行機器數(shù)據(jù)追蹤，其追蹤圖如圖1所示。

圖1 追蹤圖

將獲取的追蹤信息進行整合，同時劃分集合A作為數(shù)據(jù)的存儲集合，并在數(shù)據(jù)儲存的基礎(chǔ)上強化數(shù)據(jù)分析能力，將霾污染樣本與監(jiān)測數(shù)據(jù)相結(jié)合，并進行數(shù)據(jù)比較，分析其比較結(jié)果，同時對其進行性能研究，利用霾污染在不同濃度空間的存在結(jié)果分析，進一步研究其時空分布及分布規(guī)律，以此掌控霾污染可能存在的條件，多次進行機器飛行追蹤實驗，根據(jù)不同的污染項目組對霾污染進行數(shù)據(jù)監(jiān)測，將較為典型的數(shù)據(jù)放置在實驗區(qū)域的三維分布空間內(nèi)[5]。其三維分布空間如圖2所示。

圖2 三維分布空間圖

同時加大系統(tǒng)控制操作，找尋污染物存在的垂直分布規(guī)律，并將機器進行垂直分布組合操作，完善機器分布規(guī)律，進而實現(xiàn)對污染物的標(biāo)準獲取，在三維分布監(jiān)測過程中，監(jiān)測凌晨時間段以及太陽輻射能力最強時間段的霾污染程度，并將獲得的污染數(shù)據(jù)進行存儲操作，測量此種狀況下的大氣地面累積氣壓以及氣流狀況，并分析空氣流通情況，進一步完善水平方向的空間監(jiān)測系統(tǒng)，防止污染物的流動，保證數(shù)據(jù)完整[6]。

由于污染物受所處溫度的影響較大，為此，在監(jiān)測過程中應(yīng)不斷注意研究區(qū)域的溫度上升狀況，排除存在的特殊狀況，同時注重溫度存在對數(shù)據(jù)監(jiān)測的可行性影響，根據(jù)不同的航次數(shù)據(jù)對不同高度的溫度數(shù)據(jù)進行觀測，并保證在監(jiān)測過程中盡量縮減查詢范圍，降低監(jiān)測難度，從而保證監(jiān)測效率，延長監(jiān)測系統(tǒng)使用年限。降低污染物對于空氣流動的敏感程度，避免不必要因素對數(shù)據(jù)收集的影響，并加強系統(tǒng)收集的力度，強化中心系統(tǒng)的收集，進一步提升數(shù)據(jù)收集的圖像完整性，以便后續(xù)操作的進行[7]。

結(jié)合溫度垂直輪廓對數(shù)據(jù)進行分析，整合符合所需數(shù)據(jù)特征的數(shù)據(jù)，并將數(shù)據(jù)進行分類，集中研究分類后的數(shù)據(jù)信息，并生成數(shù)據(jù)庫，在生成的數(shù)據(jù)庫的基礎(chǔ)上完善數(shù)據(jù)分析研究，掌控霾污染生成的合理區(qū)間，在大氣層趨于穩(wěn)定的狀況下對霾污染數(shù)據(jù)進行再次集中收集操作，繪制三維空間圖，并不斷推測污染數(shù)據(jù)產(chǎn)生與溫度的關(guān)系，并觀察其遞減斜率與時間的關(guān)系，檢測關(guān)系數(shù)據(jù)是否符合預(yù)測目標(biāo)，同時將最終的收集數(shù)據(jù)整合至集中集合A中，以此進行下一步的數(shù)據(jù)處理操作[8]。

2 基于深度機器學(xué)習(xí)的霾污染數(shù)據(jù)處理

深度機器學(xué)習(xí)結(jié)合了深度學(xué)習(xí)和機器學(xué)習(xí)兩種算法，深度學(xué)習(xí)能夠通過迭代完成學(xué)習(xí)，尋到最優(yōu)解，而機器學(xué)習(xí)是將深度學(xué)習(xí)人工智能化的一種手段。深度智能學(xué)習(xí)是利用深度神經(jīng)網(wǎng)絡(luò)來解決特征表達的一種智能學(xué)習(xí)過程。為處理霾污染數(shù)據(jù)，引入深度智能學(xué)習(xí)算法，對霾污染數(shù)據(jù)進行收集，查詢數(shù)據(jù)類型，將不同類型的數(shù)據(jù)代入至神經(jīng)網(wǎng)絡(luò)作為輸入層數(shù)據(jù)，通深度過迭代得到興趣區(qū)域，通過規(guī)則處理合成數(shù)據(jù)，進一步進行角度處理，提升數(shù)據(jù)監(jiān)測處理效能，通過上述步驟完成對霾污染數(shù)據(jù)的監(jiān)測及處理。

首先根據(jù)霾污染數(shù)據(jù)的濃度信息以及深度機器學(xué)習(xí)的輸入數(shù)據(jù)類型對收集數(shù)據(jù)進行分類[9]。并對數(shù)據(jù)的適用范圍進行研究，同時不斷過濾產(chǎn)生的干擾數(shù)據(jù)，在數(shù)據(jù)生成的過程中加大處理力度，并經(jīng)過以下步驟完成對收集數(shù)據(jù)的預(yù)處理：

1)利用機器軟件對待處理數(shù)據(jù)進行讀取，并檢測其存在的狀況是否符合所需狀況，此時，機器軟件將自動打開處理系統(tǒng)對數(shù)據(jù)進行輻射矯正，并將矯正結(jié)果進行記錄與存儲，其矯正圖如圖3所示。

圖3 矯正圖

2)對數(shù)據(jù)的發(fā)射率通道進行數(shù)據(jù)類型查詢，并將查詢獲取的數(shù)據(jù)進行幾何矯正操作，使用機器軟件系統(tǒng)加強數(shù)據(jù)矯正處理。在矯正的過程中利用定位系統(tǒng)加大對數(shù)據(jù)的位置固定處理，同時建立地面控制點，選取標(biāo)準的發(fā)射率作為輻射數(shù)據(jù)處理通道，并以此作為數(shù)據(jù)處理標(biāo)準點對其他通道數(shù)據(jù)進行相應(yīng)的數(shù)據(jù)處理與操控，對產(chǎn)生的輻射率進行幾何矯正控制，根據(jù)發(fā)射率產(chǎn)生的數(shù)據(jù)傳輸功能加大對反射率文件的處理[10]。

3)進一步對興趣區(qū)域進行提取，并利用機器行政區(qū)域提升數(shù)據(jù)的興趣操控，并檢查行政區(qū)域圖像，利用語言軟件選擇相同的數(shù)據(jù)處理區(qū)間，根據(jù)不同的經(jīng)緯度范圍對數(shù)據(jù)進行確認，同時對數(shù)據(jù)發(fā)射率文件以及反射率文件進行處理，裁剪所需的數(shù)據(jù)信息，同時加強理論處理，在集中數(shù)據(jù)的同時掌控數(shù)據(jù)存在的必要條件，并根據(jù)存儲空間確定數(shù)據(jù)處理狀況，若區(qū)間提取的范圍一直，則認定處理的數(shù)據(jù)在一定程度上存在著相似性，且處理的數(shù)據(jù)圖像存在著相關(guān)性，將興趣區(qū)域進行合成操作，并將發(fā)射率通道的數(shù)據(jù)存儲至中心系統(tǒng)，并將發(fā)射率文件置于系統(tǒng)頂部，將反射率通道數(shù)據(jù)存儲至主系統(tǒng)中，并將反射率文件置于系統(tǒng)底部[11]。依次形成順序文件將數(shù)據(jù)進行處理分類，根據(jù)幾何矯正的數(shù)據(jù)特征分析數(shù)據(jù)處理所需條件，并將其與興趣區(qū)域提取的數(shù)據(jù)進行圖像合成操作，選擇適合的規(guī)則將圖像進行規(guī)則處理，最終獲得合成數(shù)據(jù)[12]。

4)將所獲取的合成數(shù)據(jù)進行進一步的角度處理，并設(shè)計其角度處理，如圖4所示。

圖4 角度處理圖

將數(shù)據(jù)的角度數(shù)據(jù)集系統(tǒng)打開，利用文件特征對其進行數(shù)據(jù)角度矯正，同時提取矯正后的裁剪角度數(shù)據(jù)，并根據(jù)不同的太陽仰角及俯角標(biāo)準度數(shù)對數(shù)據(jù)進行整合分析，同時按照衛(wèi)星所處頂角以及輻射角對數(shù)據(jù)進行角度處理研究，并按照大小將角度數(shù)據(jù)進行排列，重新組合數(shù)據(jù)，獲取新的向量數(shù)據(jù)組，并將數(shù)據(jù)組按照時間順序進行調(diào)整，進一步提升數(shù)據(jù)的事件處理效能，采用時間理論分類處理角度數(shù)據(jù)，按照中心系統(tǒng)指令完成數(shù)據(jù)圖像處理任務(wù)，以完善系統(tǒng)的綜合處理性能，并在處理過程中注重對系統(tǒng)自身監(jiān)測系統(tǒng)的保護，增強系統(tǒng)操作安全性，提升其可持續(xù)發(fā)展能力。經(jīng)過以上步驟，實現(xiàn)對霾污染數(shù)據(jù)的處理操作[13]。

3 霾污染纏身的條件種類及監(jiān)測技術(shù)

在完成對霾污染數(shù)據(jù)的處理后，進一步進行霾污染監(jiān)測操作，并將霾污染產(chǎn)生的種類與條件進行分類，精準監(jiān)測霾污染存在狀況。

本文將霾污染監(jiān)測分為以下幾種狀況：

1)對氣溶膠的厚度進行監(jiān)測。由于空氣污染中氣溶膠的含量較大，對其的監(jiān)測能夠更為直觀的反應(yīng)霾污染程度。環(huán)境中的氣溶膠的含量由其厚度所反映，為此，本文在天氣狀況不改變的條件下對氣溶膠的密度進行監(jiān)測，并將監(jiān)測數(shù)據(jù)單獨記錄，以避免與其余數(shù)據(jù)混合，并盡量在短時間內(nèi)完成對指定空間氣溶膠密度的檢測，并掌握其范圍信息，對霧霾產(chǎn)生的根源數(shù)據(jù)進行明確解析，并利用機器遙感對影像數(shù)據(jù)進行監(jiān)測，同時進行氣溶膠光學(xué)的厚度反應(yīng)，完成初始氣溶膠監(jiān)測操作。其遙感監(jiān)測圖如圖5所示。

圖5 遙感監(jiān)測圖

2)進一步對霾污染中具有毒性的二氧化硫及二氧化氮物質(zhì)進行監(jiān)測，以處理后的霾污染數(shù)據(jù)為起源點，將二氧化硫與二氧化氮進行雜質(zhì)比例對比，將環(huán)境中的植物接觸到二氧化硫及二氧化氮所產(chǎn)生的紅外線反射能力強弱作為監(jiān)測依據(jù)，觀察植物狀況，同時對其進行深度分析，分解數(shù)據(jù)監(jiān)測所需要求，結(jié)合不同圖像的生成需求對監(jiān)測范圍進行重新調(diào)整，在影像監(jiān)測的過程中綜合考慮圖像數(shù)據(jù)的重合類別，并將此些數(shù)據(jù)進行對比，有效分析霾污染中有害物質(zhì)的存在比例[14]。

3)對秸稈燃燒后的雜質(zhì)進行霾污染監(jiān)測，將排出的不同性質(zhì)的雜質(zhì)與處理數(shù)據(jù)進行對比，查找其存在的相似性，由于此些雜質(zhì)含有大量有毒物質(zhì)，為此，在監(jiān)測過程中應(yīng)不斷注意對雜質(zhì)發(fā)生源的集中處理，并固定霾污染監(jiān)測位置，以便簡化監(jiān)測操作，借助高溫像素元與背景像素元在不同長度的輻射段中的能量差異對地面產(chǎn)生的霾污染進行識別，進一步提升系統(tǒng)監(jiān)測的精準度，根據(jù)火點的位置明確霾污染發(fā)生地點，并集中實施監(jiān)測操作[15]。

4)對外界環(huán)境中的沙塵暴進行霾污染監(jiān)測，對大氣中漂浮的雜質(zhì)進行集中研究，同時對環(huán)境流場進行監(jiān)測，分析環(huán)境存在條件，對沙塵產(chǎn)生的各個階段進行集中分析，并總結(jié)出時段表，以便監(jiān)測時間的選擇。對未來一段時間內(nèi)的環(huán)境質(zhì)量進行預(yù)測，同時制定相應(yīng)的防控措施，明確其發(fā)展規(guī)律及產(chǎn)生范圍，較為清晰的觀察其影響范圍，并避免監(jiān)測失誤的產(chǎn)生，其范圍明確圖如圖6所示。

圖6 范圍明確圖

5)利用機器遙感技術(shù)進一步增強對工礦環(huán)境的霾污染監(jiān)測，將其中各種性質(zhì)的雜質(zhì)進行主要成分分析，避免監(jiān)測錯誤，對環(huán)境中的潛在因素進行整合，降低無關(guān)因素的干擾，提升監(jiān)測系統(tǒng)的監(jiān)測準確度。

在經(jīng)過以上的霾污染分類后，完成最終的霾污染監(jiān)測。

4 實驗與研究

4.1 實驗?zāi)康?/h3>

為了檢測本文基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)的監(jiān)測效果，與傳統(tǒng)基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)的監(jiān)測效果進行對比，并分析實驗結(jié)果。

4.2 基于深度機器學(xué)習(xí)的霾污染監(jiān)測環(huán)境

針對深度機器學(xué)習(xí)的技術(shù)特殊性以及霾污染監(jiān)測的復(fù)雜性，對其進行分析，基于深度機器學(xué)習(xí)的霾污染監(jiān)測環(huán)境如圖7所示。

圖7 基于深度機器學(xué)習(xí)的霾污染監(jiān)測環(huán)境

根據(jù)上述基于深度機器學(xué)習(xí)的霾污染監(jiān)測環(huán)境，進行實驗參數(shù)的設(shè)定，如表1所示。

表1 實驗參數(shù)表

4.3 實驗結(jié)果與分析

根據(jù)上述監(jiān)測模型進行實驗對比，將本文基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)的監(jiān)測效果與文獻[3]方法、文獻[4]方法的監(jiān)測效果進行比較，得到的監(jiān)測準確率對比圖及監(jiān)測圖像收集完整率對比如圖8所示。

圖8 監(jiān)測準確率對比圖

對比圖8可知，在相同的參數(shù)條件下，文獻[3]方法的監(jiān)測準確率平均為30%，文獻[4]方法的監(jiān)測準確率平均為50%，而本文基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)的監(jiān)測準確率較高，平均約為90%。造成此種差異的主要原因在于本文對霾污染數(shù)據(jù)進行收集，加強了對數(shù)據(jù)的掌控，同時在相同的條件下有利于對監(jiān)測實驗的開展，能夠更好地獲取有效數(shù)據(jù)，消除其他因素的干擾，減少不利因素的影響，最終獲取較為完善的監(jiān)測圖像，同時便于對監(jiān)測對象的研究，增強實驗集中性，降低監(jiān)測誤差，進一步提升監(jiān)測系統(tǒng)監(jiān)測性能，最終獲取較高的監(jiān)測準確率。而傳統(tǒng)方法對此方面的處理較差，初始數(shù)據(jù)處理不完善，監(jiān)測準確率較低。

對比圖9可知，在監(jiān)測樣本數(shù)量為100個時，文獻[3]方法的監(jiān)測圖像收集完整率為20%，文獻[4]方法的監(jiān)測圖像收集完整率為30%，而本文監(jiān)測技術(shù)的監(jiān)測圖像收集完整率為60%，在監(jiān)測樣本數(shù)量為200個時，文獻[3]方法的監(jiān)測圖像收集完整率為25%，文獻[4]方法的監(jiān)測圖像收集完整率為38%，本文監(jiān)測技術(shù)的監(jiān)測圖像收集完整率為68%，本文監(jiān)測技術(shù)的監(jiān)測圖像收集完整率平均值為82%，由于本文對收集的霾污染數(shù)據(jù)進行二次處理，利用輻射矯正以及幾何矯正的方法加強對數(shù)據(jù)的處理分析，根據(jù)發(fā)射率通道的數(shù)據(jù)進行集中整合矯正，進一步實現(xiàn)了對數(shù)據(jù)的大規(guī)模處理，提升處理的速率，加強對監(jiān)測圖像的完整度再現(xiàn)操作，完成數(shù)據(jù)的高度處理，強化圖像的清晰度，增加有用圖像數(shù)據(jù)的攝入，提升圖像收集的完整程度。

圖9 監(jiān)測圖像收集完整率對比圖

在此后的監(jiān)測中，隨著監(jiān)測樣本數(shù)量的不斷增加，本文監(jiān)測技術(shù)的監(jiān)測圖像收集完整率不斷提升，且一直位于傳統(tǒng)監(jiān)測技術(shù)之上。除以上原因外，本文提升對霾污染的監(jiān)測力度，從不同的方面闡述霾污染的監(jiān)測方式，進一步加強系統(tǒng)的監(jiān)測圖像收集能力，具備較高的數(shù)據(jù)收集性能，在處理的基礎(chǔ)上強化了中心監(jiān)測技術(shù)，加大對數(shù)據(jù)的監(jiān)測改造，減少無關(guān)圖像的干擾率，提升系統(tǒng)圖像收集相關(guān)性，獲取更加完整的監(jiān)測圖像數(shù)據(jù)信息。采取一定的系統(tǒng)自動清理措施，便于后續(xù)圖像的查詢。

經(jīng)過以上對比分析可知，本文基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)的監(jiān)測準確率與監(jiān)測圖像收集完整率均高于傳統(tǒng)監(jiān)測技術(shù)。在較高的程度上提升了系統(tǒng)的監(jiān)測性能，同時能夠更好地實現(xiàn)對監(jiān)測圖像的有效利用，完善監(jiān)測信息，具備較好的研究價值。

5 結(jié)束語

本文在傳統(tǒng)監(jiān)測技術(shù)的基礎(chǔ)上研究了一種新式基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)，首先對霾污染進行數(shù)據(jù)收集，根據(jù)不同的霾污染影響程度對數(shù)據(jù)進行分類收集，在收集的過程中加強過濾系統(tǒng)性能，減少不利因素的干擾，進一步增強系統(tǒng)自身收集能力，在數(shù)據(jù)收集的基礎(chǔ)上實現(xiàn)對收集數(shù)據(jù)的處理操作，根據(jù)輻射矯正及幾何矯正對數(shù)據(jù)圖像進行綜合分析，在獲取分析結(jié)果后，對分析數(shù)據(jù)信息進行監(jiān)測，以不同的霾污染方面作為監(jiān)測點，同時輔助信息查找及數(shù)據(jù)解析功能，進一步提升整體系統(tǒng)的監(jiān)測能力，在最終監(jiān)測中能夠增強中心系統(tǒng)的自主保護能力，實現(xiàn)對霾污染的準確監(jiān)測。

相較于傳統(tǒng)監(jiān)測技術(shù)，本文基于深度機器學(xué)習(xí)的霾污染監(jiān)測技術(shù)在較高程度上提升了中心系統(tǒng)的自主學(xué)習(xí)能力，增強系統(tǒng)監(jiān)測性能，能夠更好地為監(jiān)測中心提供準確的數(shù)據(jù)信息來源，具備更好的發(fā)展空間。