鄭 淏，薛惠鋒，李養(yǎng)養(yǎng)，楊偉偉，張佳音，王 斐

1.西北工業(yè)大學自動化學院，陜西 西安 710072 2.陜西省環(huán)境監(jiān)測中心站，陜西 西安 710054 3.中國環(huán)境監(jiān)測總站，國家環(huán)境保護環(huán)境監(jiān)測質量控制重點實驗室，北京 100012

近年來，我國的生態(tài)環(huán)境監(jiān)測網(wǎng)絡快速發(fā)展，環(huán)境監(jiān)測實現(xiàn)了從手工到自動、從粗放到精準、從間斷到連續(xù)的重大轉變。目前，我國已建成覆蓋338個地級及以上城市的1 436個空氣自動監(jiān)測站，2018年將建成覆蓋全部重點流域的2 050個水質自動站。隨著自動監(jiān)測技術和標準的成熟，自動監(jiān)測網(wǎng)絡日趨完善，伴隨海量環(huán)境監(jiān)測數(shù)據(jù)的生產(chǎn)、存儲和傳輸，基于多環(huán)境要素的環(huán)境質量評價越來越多地被應用于環(huán)境管理決策中。

環(huán)境監(jiān)測網(wǎng)絡實時產(chǎn)生大量監(jiān)測數(shù)據(jù)，解決了傳統(tǒng)環(huán)境監(jiān)測方法面對復雜大環(huán)境時信息片面和數(shù)據(jù)失真的問題。然而，面對海量、多源的監(jiān)測數(shù)據(jù)，多維度、深層次的分析技術應用還亟待加強，以適應大數(shù)據(jù)時代下，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、計算機技術和信息技術的快速發(fā)展，20世紀70年代，“數(shù)據(jù)融合”這一概念首先在軍事領域中被提出，即把多個傳感器獲取的數(shù)據(jù)信息進行融合處理，得到比單一傳感器更加準確和有用的信息數(shù)據(jù)融合技術。Klein[1]定義數(shù)據(jù)融合是“多層次、多方面處理自動檢測、聯(lián)系、相關、估計以及來源的信息和數(shù)據(jù)的組合過程，并且其數(shù)據(jù)可由一個或多個信息源提供”。羅俊海等[2]結合自動控制相關理論定義數(shù)據(jù)融合為一種有效的方法，把不同來源和不同時間點的信息自動或半自動地轉化成一種形式，這種形式為人類提供有效支持或者做出自動決策。

與軍事領域的數(shù)據(jù)融合相類似，環(huán)境監(jiān)測網(wǎng)絡數(shù)據(jù)融合充分利用不同時間與空間的數(shù)據(jù)資源，主要有各類傳感器系統(tǒng)，如電化學、光敏、生物、激光、壓力、溫濕度、震動、位移等傳感器系統(tǒng)，也包括環(huán)境觀測信息獲取系統(tǒng)，如遙感影像、氣象條件、GIS、監(jiān)測模型、數(shù)據(jù)庫等信息系統(tǒng)以及生物感知、經(jīng)驗判斷等，采用計算機技術對一定準則下(如時間序列、空間分布等)獲得的環(huán)境監(jiān)測數(shù)據(jù)進行分析、綜合、支配和使用的過程，進而獲得與被測對象一致性解釋與描述，最終實現(xiàn)科學的決策和估計。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)測網(wǎng)絡運行主要依托于無線傳感器網(wǎng)絡(WSNs)技術，而WSNs存在大量傳感器節(jié)點，且單位傳感器節(jié)點電池電量、處理能力、存儲容量、通信帶寬等方面資源有限，網(wǎng)絡不間斷運行勢必會造成潛在的沖突和數(shù)據(jù)冗余傳輸，導致部分傳感器節(jié)點壽命縮短，網(wǎng)絡整體性能降低[6-8]。數(shù)據(jù)融合作為解決WSNs中資源限制的關鍵技術，通過融合來自不同信息源的數(shù)據(jù)，去除冗余信息、減小數(shù)據(jù)傳輸量，從而達到節(jié)省能量、延長監(jiān)測網(wǎng)絡生命周期、提高數(shù)據(jù)準確性的目的[9]。因此，為增強網(wǎng)絡運行效能，延長網(wǎng)絡壽命，在數(shù)據(jù)傳輸過程中，首先應當減少通信需求，將傳感器數(shù)據(jù)進行融合處理，發(fā)送融合后的結果，能有效減少消息數(shù)量、避免網(wǎng)絡沖突并節(jié)約能量[10-11]。

1.3 數(shù)據(jù)融合的級別

根據(jù)對輸入信息的抽象或融合輸出結果的不同，各國學者和研究機構先后提出了多種數(shù)據(jù)融合的功能模型，將數(shù)據(jù)融合分為不同的級別。JDL模型[12-15]源于在軍事領域的應用，并基于數(shù)據(jù)的輸入和輸出將融合過程分為對象、狀態(tài)、影響、優(yōu)化4個遞進的抽象層級。Kokar等[16]在JDL模型基礎上提出了一個較為完善的數(shù)據(jù)融合框架，包括數(shù)據(jù)融合、特征融合、決策融合、關系信息融合，體現(xiàn)了多源數(shù)據(jù)處理的過程和能力，為數(shù)據(jù)融合系統(tǒng)的標準化和自動化發(fā)展應用明確了方向。根據(jù)環(huán)境監(jiān)測WSNs自身特點，數(shù)據(jù)融合可根據(jù)傳感器節(jié)點處理層次、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)測網(wǎng)絡數(shù)據(jù)融合實現(xiàn)了數(shù)據(jù)源和數(shù)據(jù)應用的銜接，其數(shù)據(jù)源通常具備結構化的數(shù)據(jù)特征，按照數(shù)據(jù)獲取-傳輸-應用的處理流程，可將環(huán)境監(jiān)測數(shù)據(jù)融合分為數(shù)據(jù)級數(shù)據(jù)融合、特征級數(shù)據(jù)融合和決策級數(shù)據(jù)融合[18-20]，數(shù)據(jù)融合結構見圖1。三級模型的綜合應用，能夠在獲取大量現(xiàn)場監(jiān)測數(shù)據(jù)的同時，通過數(shù)據(jù)的預處理減少數(shù)據(jù)傳輸帶寬要求，降低通信容量，并根據(jù)實際需求，調(diào)整網(wǎng)絡資源開展預測估計和精細處理等。

2 數(shù)據(jù)融合方法

2.1 數(shù)據(jù)級融合

數(shù)據(jù)級融合屬于底層融合過程，即在數(shù)據(jù)采集層上對原始監(jiān)測數(shù)據(jù)進行融合分析，通過特征提取和特征選擇傳輸有價值信息。環(huán)境監(jiān)測網(wǎng)絡運行所產(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和手工監(jiān)測的結果，各種監(jiān)測儀器設備運行時所產(chǎn)生的運行記錄和儀器參數(shù)；各類環(huán)境質量監(jiān)測及污染源監(jiān)測點位信息；與環(huán)境監(jiān)測數(shù)據(jù)相關的氣象、水文信息和遙感影像等[21-22]。

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

數(shù)據(jù)級融合在環(huán)境監(jiān)測網(wǎng)絡中應用廣泛，融合對象通常為結構化數(shù)據(jù)。如大氣環(huán)境監(jiān)測網(wǎng)絡每個站點的監(jiān)測設備能夠實時監(jiān)測PM10、PM2.5、NO2、O3、SO2、CO濃度和站點環(huán)境信息，并將全部監(jiān)測數(shù)據(jù)和儀器設備運行信息存儲在本地數(shù)據(jù)庫中，而各監(jiān)測站點向數(shù)據(jù)的應用層(即環(huán)境監(jiān)測主管部門管理系統(tǒng)平臺)發(fā)送5 min監(jiān)測數(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)測設備實時測量所得，而是通過簡單的算術平均計算而來，這一過程依靠數(shù)量巨大的傳感器采集信息，并按照網(wǎng)絡功能篩選傳輸數(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，但由于站點較多，地理分布廣泛，存在融合計算量大、耗時較長、實時性差的缺點。加權平均[23-25]、卡爾曼濾波[26-27]等是進行原始數(shù)據(jù)處理、提升網(wǎng)絡傳輸效率的常用方法。

2.1.1 加權平均

加權平均是環(huán)境監(jiān)測數(shù)據(jù)處理過程中最常見的方法之一，包括算術加權平均、幾何加權平均和平方加權平均。在環(huán)境監(jiān)測網(wǎng)絡進行數(shù)據(jù)級融合時，最常用到算術加權平均，即對不同的監(jiān)測指標和數(shù)據(jù)信息賦予不同的權重后計算其平均值的方法，計算公式：

2.1.2 卡爾曼濾波

卡爾曼濾波(KF)主要用于處理數(shù)據(jù)層中實時動態(tài)多傳感器數(shù)據(jù)冗余及失真問題。在實際監(jiān)測過程中, 常因重復監(jiān)測、數(shù)據(jù)傳輸中斷、監(jiān)測設備維修更換、人為因素造成數(shù)據(jù)失真，導致數(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題，已有的處理方法是進行簡單的剔除、抽樣或插值計算等，可以解決一部分數(shù)據(jù)丟失和數(shù)據(jù)冗余帶來的影響[32-34]。而在對環(huán)境監(jiān)測網(wǎng)絡的某些關鍵節(jié)點進行數(shù)據(jù)分析時，由于特定時間段內(nèi)樣本數(shù)據(jù)量有限，或數(shù)據(jù)特征明顯等原因，無法對缺失數(shù)據(jù)進行省略或替代，若數(shù)據(jù)序列中缺失數(shù)據(jù)比例較大或連續(xù)缺失點較多時, 傳統(tǒng)的剔除、抽樣等方法就難以取得可靠的結果[35-36]。

針對數(shù)據(jù)異常問題，為進一步減少過程噪聲和測量噪聲對監(jiān)測數(shù)據(jù)的影響，提高環(huán)境監(jiān)測網(wǎng)絡的傳輸數(shù)據(jù)精度，基于KF的數(shù)據(jù)融合方法越來越多地被應用到研究中[37-40]。在顆粒物在線監(jiān)測過程中，由于持續(xù)大流量采樣，高速運動的氣流會使濾膜受到一定的壓力波動，對顆粒物的測量精度造成影響。盧志浩等[41]將顆粒物采樣稱重過程抽象描述為一個線性離散控制過程，通過KF算法補償了壓力波動對稱重模塊的影響，剔除了由于稱重采集器不穩(wěn)定和外界因素影響導致的異常數(shù)據(jù)，有效提高了顆粒物稱重準確度。唐曉等[42]基于集合KF方法建立了京津冀區(qū)域空氣質量資料同化系統(tǒng)，開展臭氧觀測資料的同化實驗，綜合考慮NOx和VOCs排放源、垂直擴散系數(shù)以及NO2光解系數(shù)的誤差，有效減小預報過程中臭氧初始場的誤差。

2.2 特征級數(shù)據(jù)融合

特征級數(shù)據(jù)融合屬于中級融合過程，通常作用于系統(tǒng)的網(wǎng)絡層和數(shù)據(jù)層。在環(huán)境監(jiān)測網(wǎng)絡中，從數(shù)據(jù)層中提取原始信息的目標特征，提取的特征信息應是原始信息的充分表示量或充分統(tǒng)計量，然后按特征信息對多源數(shù)據(jù)進行分類、聚集和綜合，產(chǎn)生特征矢量，采用一些基于特征級融合方法處理這些特征矢量，并進行屬性說明。環(huán)境監(jiān)測網(wǎng)絡用戶端操作平臺所顯示的信息主要是對網(wǎng)絡層輸出的數(shù)據(jù)進行特征級融合之后的結果，這些信息可以是結構化的，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，超標倍數(shù)、排放總量等；也可以是非結構化的，如地理信息、圖片影像及與人群活動相關的環(huán)境信息，包括GIS數(shù)據(jù)、視頻監(jiān)控、遙感影像、設備概況、方法標準以及各類環(huán)境質量報告等。目前，隨著計算機技術、信息技術的快速發(fā)展，為進一步挖掘環(huán)境監(jiān)測網(wǎng)絡數(shù)據(jù)價值，人工智能的方法越來越多地被應用到環(huán)境監(jiān)測網(wǎng)絡數(shù)據(jù)融合過程中。

人工智能是以計算機技術、信息技術為理論基礎，結合各領域研究方向，模擬人類思維方式解決問題的技術科學。在環(huán)境監(jiān)測網(wǎng)絡數(shù)據(jù)融合前沿技術研究中，人工神經(jīng)網(wǎng)絡[43-45]、遺傳算法[46-47]、支持向量機[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

人工神經(jīng)網(wǎng)絡(ANNs)是一種模仿人腦結構、能夠并行處理數(shù)據(jù)的信息系統(tǒng)(見圖2，x1，x2，…，xn為網(wǎng)絡的輸入向量；wij、wki為各層級間的權值；αi、βk為神經(jīng)元的閾值；y1，…，ym為網(wǎng)絡的輸出向量)，具有較強的自適應、自組織、自學習能力，在污染物組分研究、數(shù)值預測與環(huán)境評價中廣泛應用[50-52]。

圖2 人工神經(jīng)網(wǎng)絡結構Fig.2 Structure of ANNs

同一層級中的神經(jīng)元無關聯(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)元通過權值(wij、wki)和閾值(αi、βk)連接，閾值的取值范圍通常為(-1,1)。

SANTOS等[53]對法國北部Dunkerque城大氣顆粒物中重金屬的組分進行研究，通過連續(xù)3個月對 PM10的采樣分析，運用ANNs和主成分分析法構建數(shù)據(jù)預測模型，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價技術。琚振闖等[54]針對黃河含沙量大、水環(huán)境動力學條件復雜等特性以及水質預測工作復雜、模糊、高度非線性的特征，設計了采用L-M數(shù)值優(yōu)化算法的3層BP神經(jīng)網(wǎng)絡，利用黃河內(nèi)蒙古河段上游3個監(jiān)測斷面監(jiān)測數(shù)據(jù)對下游1個斷面的COD進行預測，實驗結果預測精度較高，能夠為地表水水質監(jiān)測和污染控制提供技術支撐。AMANOLLAHI等[55]利用Landsat-8衛(wèi)星中的陸地成像儀(OLI)遙感數(shù)據(jù)對伊朗Zarivar湖水質類別進行評價，分別采用ANNs和線性回評價模型，實測結果表明，ANNs模型估計總懸浮物、總溶解固體、濁度和葉綠素a等平均濃度誤差較小，相關性較高。

2.2.2 遺傳算法

2.2.3 支持向量機

支持向量機(SVM)屬于有監(jiān)督的學習模型，通常用來進行模式識別、分類以及回歸分析，主要通過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)進行回歸運算，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算速度。郭飛等[59]提出了一種基于改進變精度粗糙集的SVM預測方法，采用熵權值理論對SVM輸入變量預處理，并利用2016年沈陽市氣象數(shù)據(jù)對同期AQI進行預測，實驗預測準確率77.83%，空報率和漏報率明顯下降。王平等[60]將PM10濃度預測過程描述為一個易受排放源、氣象數(shù)據(jù)、地形特征、相關污染物濃度影響的非線性動態(tài)系統(tǒng)，并建立了wavelet-SVM 模型對太原市PM10時空分布特點進行分析，實驗結果表明，SVM預測模型作為高維非線性學習算法用于PM10濃度時序數(shù)據(jù)預測精度較高。

2.3 決策級數(shù)據(jù)融合

決策級數(shù)據(jù)融合屬于高層融合過程，其優(yōu)點在于對信息傳輸帶寬要求低、通信容量小、抗干擾能力強，涉及態(tài)勢認識與評估、影響評估、融合過程優(yōu)化以及最優(yōu)決策等。在環(huán)境監(jiān)測網(wǎng)絡中，決策級數(shù)據(jù)融合是從具體環(huán)境問題的需求出發(fā)，充分利用特征融合所提取的監(jiān)測對象的各類特征信息，采用適當?shù)娜诤霞夹g進行定性、定量描述或進行管理決策支持的過程，其結果直接為管理、控制、決策提供依據(jù)。目前，在環(huán)境監(jiān)測網(wǎng)絡決策級數(shù)據(jù)融合前沿技術研究中，貝葉斯網(wǎng)絡[61-62]、專家系統(tǒng)[63-64]、證據(jù)理論[65-66]等應用廣泛。

2.3.1 貝葉斯網(wǎng)絡

貝葉斯網(wǎng)絡(BN)是一種概率關系的圖像描述，利用定性與定量分析相結合的方法來表達實際應用系統(tǒng)中變量間的不確定關系，目的是使多個管理目標達到最優(yōu)，適用于解決環(huán)境管理中具有不確定性的多目標決策問題，如環(huán)境空氣質量預報、水環(huán)境管理決策等。王勤耕等[67]分析了城市空氣環(huán)境質量潛勢預報、統(tǒng)計預報、數(shù)值預報的特征，針對城市大氣環(huán)境的復雜巨系統(tǒng)特征和不確定性，提出一種基于BN的城市大氣污染預報系統(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、概率預報、高實效性、組網(wǎng)靈活的特點。王明芳等[68]利用BN在不確定性表示、推理方面的優(yōu)勢，結合多傳感器數(shù)據(jù)融合技術，研究了室內(nèi)空氣質量識別評級模型，實驗證明模型算法準確直觀。

水環(huán)境管理決策是典型的動態(tài)復雜系統(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)具有隨機性，生活污水及生產(chǎn)廢水的排放規(guī)律隨經(jīng)濟社會發(fā)展波動變化，污染物在水體中的擴散、稀釋、分解、沉淀及在物理、化學、生物作用下的降解也存在不確定性變異的特征。運用BN能夠針對水環(huán)境管理中的不確定問題提供解決思路。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)民收入增加為目標變量，以政府補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。為應對突發(fā)水環(huán)境污染事件，楊海東等[70]用BN進行突發(fā)水污染溯源，推導出污染源強度、位置和排放時刻等未知參數(shù)的后驗概率密度函數(shù)，并結合微分進化和蒙特卡羅模擬方法對后驗概率分布進行采樣，進而估計出這些未知參數(shù)，確定污染源項，為解決突發(fā)水污染事件中的追蹤溯源難點問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、知識等為基礎，根據(jù)某一領域一個或多個專家提供的經(jīng)驗和專業(yè)知識，提取生成專家規(guī)則，通過人機交互界面輸入事實信息，并與專家規(guī)則進行匹配，通過計算機程序實現(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，設計了飲用水處理技術ES，實現(xiàn)了工藝查詢、技術更新、水質判定等功能。韓小錚等[72]針對我國環(huán)境應急體系技術支撐薄弱、技術指南欠缺等問題，將規(guī)則推理(RBR)和案例推理(CBR)的ES應用于環(huán)境污染事故應急處理決策，通過CBR式推理得到與現(xiàn)行案例類似的既往案例，同時RBR式推理相關危險化學品MSDS信息和應急處理步驟，為環(huán)境污染應急監(jiān)測提供技術支持。

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)測網(wǎng)絡安全態(tài)勢評估，網(wǎng)絡異常檢測，數(shù)據(jù)異常監(jiān)測[75-76]，以及環(huán)境信息融合、網(wǎng)絡輿情評估等方面[77]。

3 問題和建議

3.1 面臨的問題

環(huán)境監(jiān)測網(wǎng)絡數(shù)據(jù)融合技術近年來發(fā)展迅猛，但多數(shù)技術仍未應用到管理實際中，主要存在以下問題：

一是數(shù)據(jù)處理技術不成熟，主要包括：數(shù)據(jù)缺陷，監(jiān)測過程受測量噪聲影響，或儀器運行不穩(wěn)定導致數(shù)據(jù)缺失，現(xiàn)有優(yōu)化算法只能針對特定區(qū)域、特定特征的測量噪聲予以識別和剔除，難以滿足全網(wǎng)絡數(shù)據(jù)采集優(yōu)化需求；數(shù)據(jù)沖突，實際環(huán)境的模糊性和不一致性會導致數(shù)據(jù)沖突(如PM2.5、PM10監(jiān)測數(shù)據(jù)倒掛等)，現(xiàn)有的算法可以識別但難以分類處理違反常理的結果；網(wǎng)絡結構，集中式數(shù)據(jù)處理流程產(chǎn)生過多的冗余信息，給網(wǎng)絡數(shù)據(jù)傳輸帶來較大壓力，對于分布式數(shù)據(jù)處理使用較少，忽略了單一站點的監(jiān)測信息。

二是基于數(shù)據(jù)融合的環(huán)境質量評價體系不完善，包括：基礎評價指標較少，歷史數(shù)據(jù)不全，導致評價結果往往難以全面、客觀、真實的反應環(huán)境質量現(xiàn)狀，影響監(jiān)測數(shù)據(jù)的多元化應用和相關決策支持；標準化程度較低，環(huán)境監(jiān)測網(wǎng)絡目前收集并分析的均為相同類別數(shù)據(jù)，而對圖像、影像、人類聽覺、視覺、觸覺測量等異質信息無法納入統(tǒng)一的評價體系；充分運用海量監(jiān)測數(shù)據(jù)對環(huán)境質量趨勢研判、重點區(qū)域流域環(huán)境風險預警和環(huán)境污染追因溯源能力仍不足。

三是環(huán)境監(jiān)測數(shù)據(jù)質量有待提高，主要包括：針對海量監(jiān)測數(shù)據(jù)的質控手段較少，難以實時監(jiān)控并及時修正每個監(jiān)測站點數(shù)據(jù)采集過程中的問題；影響監(jiān)測數(shù)據(jù)質量的因素較多，僅通過例行檢查和飛行檢查等手段，難以掌握全部問題；以監(jiān)測人員為主體的現(xiàn)場質控模式難以滿足全網(wǎng)絡、大范圍的質控管理需求。

3.2 建議

隨著環(huán)境監(jiān)測網(wǎng)絡結構不斷優(yōu)化、技術不斷創(chuàng)新，監(jiān)測數(shù)據(jù)多元、復雜、龐大、實時的特征逐漸凸顯，環(huán)境監(jiān)測網(wǎng)絡也會向分布式處理、多元化分析、智能化決策的方向發(fā)展。從數(shù)據(jù)發(fā)展和應用的角度來看，將環(huán)境監(jiān)測網(wǎng)絡數(shù)據(jù)融合充分應用于實際工作的建議如下：

1)提升數(shù)據(jù)采集效率，提升原始監(jiān)測數(shù)據(jù)采集效率和準確度，按實際需求對環(huán)境信息進行識別分類和預測評價，規(guī)避單一傳感器或站點故障產(chǎn)生的誤差，實時記錄儀器運行參數(shù)，自動識別失真數(shù)據(jù)，提高監(jiān)測數(shù)據(jù)質量。

2)優(yōu)化監(jiān)測網(wǎng)絡結構，將監(jiān)測數(shù)據(jù)由集中式存儲轉為分布式存儲，提升網(wǎng)絡可靠性和信息處理效率，增設區(qū)域數(shù)據(jù)傳輸節(jié)點，加強單一站點和固定區(qū)域的監(jiān)測數(shù)據(jù)使用率。

3)推進監(jiān)測數(shù)據(jù)公開，建設環(huán)境監(jiān)測大數(shù)據(jù)平臺，統(tǒng)一方法標準和數(shù)據(jù)格式，實現(xiàn)各級各類監(jiān)測數(shù)據(jù)互聯(lián)互通，通過終端軟件、新媒體等形式發(fā)布環(huán)境質量信息并收集個人感官數(shù)據(jù)，真實、準確、全面、客觀評價環(huán)境質量。

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

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)境質量綜合評價指標體系，充分運用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)測數(shù)據(jù)質量，通過分析現(xiàn)有的監(jiān)測數(shù)據(jù)，歸納總結影響監(jiān)測數(shù)據(jù)或導致數(shù)據(jù)失真的數(shù)據(jù)特征，降低檢查成本，提升質控效率。

4 結論

按照環(huán)境監(jiān)測網(wǎng)絡的信息處理流程，歸納了數(shù)據(jù)、特征、決策3層數(shù)據(jù)融合級別。數(shù)據(jù)級融合適用于環(huán)境監(jiān)測網(wǎng)絡原始數(shù)據(jù)處理，實現(xiàn)冗余數(shù)據(jù)剔除、特征提取、網(wǎng)絡優(yōu)化等功能。加權平均法使用廣泛，能有效降低數(shù)據(jù)傳輸量，節(jié)約網(wǎng)絡資源，并體現(xiàn)各個監(jiān)測指標的權重。KF在環(huán)境監(jiān)測中尚處于研究階段，主要用于識別并剔除異常數(shù)據(jù)，解決數(shù)據(jù)缺失和信息失真等問題。特征級數(shù)據(jù)融合結合人工智能技術可進行復雜條件下的環(huán)境質量評價和污染物濃度預測。ANNs絡屬于深度學習模型，適用于大數(shù)據(jù)分析，但模型訓練依賴大量樣本數(shù)據(jù)。SVM基于統(tǒng)計學習理論，在污染物濃度預測研究中具有良好的泛化能力，但預測結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、并行計算等特點，可用于函數(shù)組合優(yōu)化，提升系統(tǒng)運行效率；決策級數(shù)據(jù)融合的協(xié)同應用創(chuàng)新能夠實現(xiàn)環(huán)境監(jiān)測數(shù)據(jù)的多元化應用，反映環(huán)境質量和污染狀況以及生態(tài)系統(tǒng)格局、結構、功能、脅迫等狀況。BN和D-S證據(jù)理論適用于環(huán)境污染應急管理決策、污染源清單調(diào)查和環(huán)境風險防控等。ES結合知識庫和推理機，在環(huán)境監(jiān)測領域的應用不斷擴大。

數(shù)據(jù)融合技術在環(huán)境監(jiān)測領域中應用并取得了很多成果，但仍沒有一種融合方法能滿足環(huán)境監(jiān)測網(wǎng)絡的全部需求。因此，充分考慮環(huán)境監(jiān)測網(wǎng)絡結構、監(jiān)測數(shù)據(jù)特征和環(huán)境管理需求的數(shù)據(jù)融合技術具有很大的研究空間。針對實際應用不斷優(yōu)化網(wǎng)絡結構，合理分配數(shù)據(jù)資源，多領域技術交叉協(xié)同，才能助力實現(xiàn)科學監(jiān)測、智慧環(huán)保的目標。