曹升國，王勝奧，耿姝萌

(江蘇大學計算機與通信工程學院,江蘇 鎮(zhèn)江 212013)

0 引 言

隨著社會經(jīng)濟的不斷發(fā)展，環(huán)境污染問題愈演愈烈，空氣污染和噪音污染已經(jīng)成為城市污染中最常見的問題，嚴重危害人們的身心健康。傳統(tǒng)的污染監(jiān)測由靜態(tài)的監(jiān)測站完成，這些監(jiān)測基站之間常間隔數(shù)公里，對周圍環(huán)境很難做到全面覆蓋。Santamouris[1]的研究表明，即便是只隔數(shù)米，所獲得的環(huán)境參數(shù)也會大不相同，因此傳統(tǒng)的污染監(jiān)測手段無法對城市內(nèi)部的污染數(shù)據(jù)進行細微的測量。此外由于城市土地的可用性低以及高昂的設(shè)備維護費用，建設(shè)這種監(jiān)測基站有很大的限制。目前的城市污染檢測主要依賴于城市中部署的專業(yè)傳感設(shè)備，如攝像頭、空氣檢測器、聲級計等，但這些設(shè)備存在覆蓋范圍有限、投資和維護成本過高等問題，導(dǎo)致了部分地區(qū)無法獲得精確的實時數(shù)據(jù)。為了解決傳統(tǒng)污染監(jiān)測技術(shù)帶來的弊端，移動群智感知應(yīng)運而生。

移動群智感知是一種結(jié)合眾包思想和移動設(shè)備感知能力的新的數(shù)據(jù)獲取模式，其獲取數(shù)據(jù)無需專業(yè)的人員或設(shè)備，只需將大量的普通用戶作為目標人群，利用目標人群隨身攜帶的移動智能終端形成大規(guī)模的數(shù)據(jù)收集網(wǎng)絡(luò)，再將數(shù)據(jù)匯總至特定的中央平臺,并將經(jīng)過處理后的數(shù)據(jù)反饋給用戶。移動群智感知具有部署經(jīng)濟靈活、數(shù)據(jù)多源異構(gòu)、覆蓋范圍廣、擴展性和通用性強等優(yōu)點。基于這些優(yōu)點，環(huán)境監(jiān)測領(lǐng)域的研究層出不窮，如“commen sence[2]”利用手持感知設(shè)備收集監(jiān)測空氣中的一氧化碳(CO)、二氧化硫(SO2)等成分，并通過藍牙設(shè)備與手機進行信息共享。此外許多以環(huán)境為中心的應(yīng)用程序都是基于群智感知發(fā)展而來的，如交通監(jiān)控[3]和噪音地圖[4]等。

本文的主要工作在于對近年來基于群智感知技術(shù)的污染數(shù)據(jù)收集工作進行總結(jié)和對比分析，對涉及的關(guān)鍵技術(shù)加以闡述，總結(jié)歸納其優(yōu)缺點和適用場景，旨在為未來的研究人員應(yīng)用群智感知技術(shù)收集污染數(shù)據(jù)提供相應(yīng)的解決方案。

1 歷史演變

技術(shù)的發(fā)展使得污染數(shù)據(jù)收集方式不斷更新，一些發(fā)達國家在研究城市污染管理和污染控制預(yù)測方面已有多年的歷史，我國在污染監(jiān)測方面起步則相對較晚。目前，污染收集技術(shù)的發(fā)展可大致分為3個階段：固定基站收集、可移動傳感器收集和移動終端收集。

1.1 固定基站收集

基站收集一般依靠固定的監(jiān)測站點完成數(shù)據(jù)收集，該技術(shù)已被應(yīng)用于多個國家和地區(qū)。早在1994年，馬德里市就已建成世界首個由監(jiān)測站組成的噪聲自動監(jiān)測系統(tǒng)，并成功繪制出馬德里市的噪音圖；新加坡投入200萬新元建設(shè)了一個由18個監(jiān)測點組成的城市環(huán)境噪聲自動監(jiān)測網(wǎng)；雅典在雅典奧運會前建設(shè)了一個由8個子站組成的道路噪聲監(jiān)測系統(tǒng)；英國倫敦于2004年完成了城市的噪聲自動監(jiān)測，公民可以在網(wǎng)絡(luò)上查詢所在地區(qū)的噪聲污染狀況[5]。2018年美國監(jiān)管機構(gòu)通過組建的固定基站監(jiān)測網(wǎng)絡(luò)完成了標準污染物濃度的收集[6]。我國部分城市地區(qū)也開展了相關(guān)工作，例如北京市在各區(qū)縣安裝了67個噪聲監(jiān)測站點，實時監(jiān)測周圍環(huán)境噪聲數(shù)據(jù)[7]。這些研究對全世界噪音污染的監(jiān)控和治理規(guī)劃都起到積極的作用，但是污染收集裝置本身維護成本高且需要專業(yè)人員操作，同時各站點之間通常相隔較遠，這導(dǎo)致大多數(shù)基站監(jiān)測覆蓋率較低，無法大范圍使用。

1.2 可移動傳感器的收集

可移動傳感器具有可靠性高、使用靈活、適用惡劣環(huán)境等優(yōu)點，且價格適中，適合大批量使用。Sensordrone、Variable Senors、Alphasense等諸多公司都在提供這樣的商業(yè)傳感器。這些小型傳感器可以通過藍牙連接到智能手機，并作為移動通信接口，將收集到的污染數(shù)據(jù)通過智能手機傳輸?shù)街醒霐?shù)據(jù)聚合服務(wù)器中。如便攜式傳感器CitiSense[4]，使用者可通過藍牙獲得周圍空氣質(zhì)量的實時數(shù)據(jù)。此外傳感器也可與其他工具組合使用，例如將HazeWatch[8]傳感器安裝在汽車底盤上以檢測空氣質(zhì)量；Hasenfratz[9]利用安裝在公共交通車輛上的移動傳感器繪制出高分辨率城市空氣污染地圖；CanarinⅡ[10]則是將傳感器與自行車結(jié)合實現(xiàn)污染數(shù)據(jù)的收集。但與固定基站收集方式相比，可移動傳感器存在數(shù)據(jù)準確度不高且會隨著時間推移而出現(xiàn)數(shù)據(jù)質(zhì)量降低的情況[11]。

1.3 移動終端收集

隨著部署在移動終端上的傳感器(如GPS、麥克風、相機、空氣質(zhì)量檢測器)越來越多，研究者結(jié)合群智感知的理念，讓普通用戶可以使用這些移動設(shè)備，通過互聯(lián)網(wǎng)進行協(xié)作，從而實現(xiàn)傳感數(shù)據(jù)的采集。其中較早的產(chǎn)品有CreekWatch[12]，這是一款由美國IBM公司研發(fā)的移動應(yīng)用程序，用于監(jiān)測水質(zhì)，用戶在經(jīng)過河流時可以使用手機收集水質(zhì)數(shù)據(jù)，如流量、流速、垃圾數(shù)量等。在空氣污染監(jiān)測方面，文獻[13]利用移動群智感知設(shè)計了一個細粒度城市PM2．5三維監(jiān)測系統(tǒng)BlueAer。此外，由于安卓平臺擁有豐富的傳感器，基于群智感知的城市噪聲監(jiān)測系統(tǒng)[14]可以通過手機自帶的聽筒進行環(huán)境噪聲的錄制、存儲和上傳。隨著智能手機的更新?lián)Q代，相機拍攝的照片也可用于確定空氣質(zhì)量，如AirTick[15]可以使智能手機成為空氣污染監(jiān)測傳感器，其使用圖像分析和深度學習技術(shù)對空氣質(zhì)量進行精準預(yù)測。雖然現(xiàn)在大多數(shù)的智能手機還沒有配備環(huán)境傳感器，但有研究人員已經(jīng)開發(fā)出集成環(huán)境傳感器的便捷式外部硬件[16]，此外配備小型低成本環(huán)境傳感器的智能手機[17]也即將問世。

2 污染數(shù)據(jù)收集

2.1 空氣污染

根據(jù)收集工具的不同，空氣污染收集系統(tǒng)可分為3種：基于相機、基于便攜式傳感器和基于移動工具。這些系統(tǒng)為利用眾包的方式在智能手機上實現(xiàn)空氣污染感知提供了多種解決方案。

2.1.1 基于相機的數(shù)據(jù)收集系統(tǒng)

隨著技術(shù)的發(fā)展，通過分析相機拍攝的圖片可以確定空氣中部分環(huán)境污染指數(shù)。Liu等人[18]提出一種基于深度學習的方法，即利用智能手機的攝像頭來精準預(yù)測環(huán)境中PM2.5的濃度。該方法使用一系列照片和靜態(tài)的PM2.5傳感器數(shù)據(jù)來訓(xùn)練預(yù)測模型。對從圖片中提取出的特征進行線性最小二乘回歸，可得到預(yù)測PM2.5濃度所需的系數(shù)。Third-Eye[19]是一款手機應(yīng)用程序，可以使智能手機成為高水平的PM2.5監(jiān)控器，此外用戶可獲得指定區(qū)域內(nèi)PM2.5的實時濃度。污染數(shù)據(jù)來源于用戶智能手機拍攝的圖片，通過處理圖像中光線的強度完成對空氣中顆粒物濃度的檢測。此外，Third-Eye使用聚類檢索和網(wǎng)絡(luò)爬行的技術(shù)構(gòu)建大型數(shù)據(jù)集，包括天氣數(shù)據(jù)和空氣污染數(shù)據(jù)，用于智能手機的戶外拍攝。Wong等人[20]基于從材料表面測量的反射成分與大氣中氣溶膠的特征進行回歸分析，研究出一種算法，利用網(wǎng)絡(luò)攝像機來量化空氣質(zhì)量并記錄PM質(zhì)量濃度的時間發(fā)展和空間分布，利用先進陸地觀測衛(wèi)星(ALOS)圖像繪制了研究區(qū)域的PM質(zhì)量濃度圖。

通過對比上述研究可以發(fā)現(xiàn)，這些系統(tǒng)的結(jié)構(gòu)類似，不同之處在于對圖片的處理技術(shù)、相機傳感器數(shù)據(jù)精度技術(shù)、PM濃度在地圖上的顯示方式不同。

通過表1所示的基于圖像處理的應(yīng)用案例比較可以發(fā)現(xiàn)，這類污染數(shù)據(jù)收集技術(shù)不需要額外的外部傳感器，成本低且容易獲得數(shù)據(jù)，缺點是夜間精度不高且所能檢測的污染僅有顆粒物PM一項，其他的不可見污染物如SO2、CO、O3等均無法檢測。

表1 基于圖像處理的應(yīng)用案例比較

2.1.2 基于便攜式傳感器的數(shù)據(jù)收集系統(tǒng)

便攜式傳感器的出現(xiàn)使得監(jiān)測更小范圍內(nèi)空氣污染數(shù)值的能力大幅上升。AirSense[21]與傳統(tǒng)的基于群智感知的空氣質(zhì)量監(jiān)測系統(tǒng)不同，AirSense只需少量群眾參與即可。在AirSense中，用戶使用一種先進、輕便且低成本的空氣質(zhì)量管理設(shè)備AQMD完成數(shù)據(jù)的收集，用戶可以通過智能手機上的AirSense應(yīng)用程序獲得附近位置的空氣質(zhì)量指數(shù)(Air Quality Index, AQI)以及附近城市的AQI地圖。借助群體感知模式，AirSense可以提供時間和空間分辨率更高的空氣質(zhì)量數(shù)據(jù)，因此AirSense可以低成本監(jiān)測整個城市的空氣污染情況。Oletic等人[22]介紹了一種可充電的穿戴式傳感器節(jié)點的設(shè)計。該節(jié)點配備了溫度傳感器、濕度傳感器、大氣壓傳感器和電化學氣體傳感器，可以實現(xiàn)一氧化碳(CO)、二氧化硫(SO2)和二氧化氮(NO2)這3種污染物濃度的檢測，同時配備了藍牙，可實現(xiàn)無線通信功能。W-Air[23]是一款可穿戴的個人多污染監(jiān)測設(shè)備，為減少用戶行為對污染數(shù)據(jù)造成的影響，該系統(tǒng)使用了傳感器融合的校準方案，以得到高質(zhì)量的環(huán)境污染物濃度數(shù)據(jù)。

通過表2所示的基于便攜式傳感器的應(yīng)用案例比較可以發(fā)現(xiàn)，此類系統(tǒng)的體系結(jié)構(gòu)是相似的，即移動設(shè)備通過藍牙與外部傳感器進行通信，但如何消除用戶行為對采集到的數(shù)據(jù)的影響才是此類系統(tǒng)研究的重點和難點。與基于相機的收集系統(tǒng)相比，便攜式傳感器具有可集成多種污染傳感器設(shè)備、可以監(jiān)測不同的空氣成分的優(yōu)點。

表2 基于便攜式傳感器的應(yīng)用案例比較

2.1.3 基于移動工具的數(shù)據(jù)收集系統(tǒng)

相較于其他傳感器工具，利用移動工具(如自行車、汽車)作為監(jiān)測探針具有高流動性的優(yōu)勢，可以獲得更多實時性的數(shù)據(jù)。如哥本哈根車輪[10]，這是一個可以存儲能量的自行車輔助工具，此外其最大的亮點在于可以實現(xiàn)城市空氣質(zhì)量的移動監(jiān)控，它可以監(jiān)測路面和周圍的空氣環(huán)境信息并通過藍牙將信息傳輸?shù)绞謾C上實現(xiàn)共享。SmartBike[24]系列產(chǎn)品創(chuàng)建了一個物聯(lián)網(wǎng)平臺，使用自行車作為數(shù)據(jù)收集設(shè)備，提供的服務(wù)包括自行車防盜、自行車遠程實時定位、出行路線規(guī)劃和空氣污染監(jiān)測。其中央服務(wù)器負責匯總收集到的空氣污染信息并提供Web界面將數(shù)據(jù)可視化。Hu等人[25]研究出部署在汽車上的空氣收集裝置，可以通過少量的傳感節(jié)點收集大范圍內(nèi)的CO2濃度信息。每一輛實驗車均配備了CO2傳感器、GPS、GSM模塊和Jennic板，利用CO2傳感器和GPS獲得污染信息，并利用GSM短信服務(wù)實現(xiàn)數(shù)據(jù)收集。表3提供了基于移動工具的應(yīng)用案例的比較和分析。

表3 基于移動工具的應(yīng)用案例比較

2.2 噪音污染

噪音污染作為城市污染的一種，其污染數(shù)據(jù)收集方式也是多種多樣。除了利用傳統(tǒng)的基站收集以及利用無線傳感器網(wǎng)絡(luò)收集[26-27]外，近年來還出現(xiàn)了許多新的收集方式，例如利用無線通信和虛擬儀器[28-29]收集噪音以及利用智能手機內(nèi)置傳感器[30-35]收集噪音。這些噪音數(shù)據(jù)收集方式同樣為利用群智感知技術(shù)解決城市噪聲污染問題提供了許多思路。

2.2.1 基于無線通信和虛擬儀器

移動互聯(lián)網(wǎng)的迅速發(fā)展，使得WiFi日益普及。利用WiFi傳輸速度快、可靠性高、覆蓋范圍廣等優(yōu)點以及虛擬儀器軟件Labview強大的數(shù)據(jù)處理能力，文獻[29]開發(fā)了一種不需要現(xiàn)場測量的嵌入式噪聲監(jiān)測系統(tǒng)，主要由噪聲采集單元、主控電路、存儲單元、WiFi模塊及監(jiān)控中心組成。噪聲提取電路將數(shù)據(jù)通過單片機控制器處理后輸出到與其相連接的存儲器中，并通過WiFi模塊輸出，監(jiān)控中心通過無線接入點(Access Point， AP)接收噪聲數(shù)據(jù)，利用虛擬儀器軟件對噪聲數(shù)據(jù)進行解析和實時顯示。該噪聲檢測系統(tǒng)相對于基站收集方式具有功耗低、通信速率高、抗干擾性好等優(yōu)點，未來可以通過激勵大量的終端用戶參與到群智感知中，實現(xiàn)大范圍的噪音數(shù)據(jù)感知。

2.2.2 基于參與式傳感器

采用參與式傳感器的一大優(yōu)勢是用戶可以使用手機收集感知數(shù)據(jù)，上傳至服務(wù)器。智能手機上的移動眾包為收集城市這類大范圍地區(qū)的上下文感知數(shù)據(jù)提供了一種新的范例，通過利用基于互聯(lián)網(wǎng)的大眾化協(xié)同、大規(guī)模協(xié)作，實現(xiàn)覆蓋千萬級人群的群體感知、協(xié)同與演化。

在國內(nèi)群智感知技術(shù)領(lǐng)域，文獻[31]介紹了基于群智感知的城市噪聲檢測和噪聲地圖生成系統(tǒng)(Crowd Sensing based Noise-map System， CSNS)。該系統(tǒng)以參與式智能手機為感知終端采集噪聲污染數(shù)據(jù)。系統(tǒng)計算麥克風采集到的聲音的分貝值，并獲取用戶GPS位置信息生成噪音記錄。其創(chuàng)新在于考慮到了群智感知方式下，不同參與者收集的噪聲數(shù)據(jù)在時間和空間分布上的隨意性，但存在數(shù)據(jù)不完整或者數(shù)據(jù)冗余的情況，在噪聲數(shù)據(jù)恢復(fù)重建時采用了一種基于壓縮感知的數(shù)據(jù)采樣和重建算法，以獲得更加精準的噪聲地圖。

國外最先利用便攜式傳感器收集污染數(shù)據(jù)的是巴黎索尼計算機科學實驗室研究的手機噪音監(jiān)測程序NoiseTube[32]。NoiseTube作為一個城市噪聲監(jiān)測平臺，采用了眾包的方式，用戶可將其安裝在手機上，以此將手機作為傳感設(shè)備使用。該應(yīng)用程序可以從不同的傳感器(如噪聲、GPS坐標、時間、用戶輸入)收集本地信息，并將其發(fā)送到服務(wù)器，從而對數(shù)據(jù)進行集中處理。人們可以在谷歌地球上查看處理得到的噪聲地圖，了解自己每天的噪聲暴露量。

此外，Schweizer等人[33]參考NoiseTube利用參與式傳感繪制了準確、實時的噪聲圖。其為安卓開發(fā)的應(yīng)用程序NoiseMap收集噪音污染的響度數(shù)據(jù)，并將數(shù)據(jù)傳輸至da_sense平臺。da_sense不僅收集來自參與性傳感器的數(shù)據(jù)還有無線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)，且允許用戶使用Web服務(wù)或JavaScript API訪問和控制數(shù)據(jù)，并生成實時噪聲圖和數(shù)據(jù)圖。Noisemap的一大優(yōu)勢是使用了橫向模型和模擬工具外推得到噪聲數(shù)據(jù)，且通過參與式的傳感器提高了空間和時間數(shù)據(jù)分辨率。在該系統(tǒng)中還增加了對收集數(shù)據(jù)的控制和信息的激勵，以獲得更多精準可靠的噪聲數(shù)據(jù)。

除以上2種利用群智感知收集噪音污染的系統(tǒng)外，NoiseSense系統(tǒng)[34]除了記錄噪音數(shù)據(jù)，添加記錄的時間和GPS位置信息外，還具有單用戶模式和組模式2種不同的收集方式。在單用戶模式下，用戶可以直接上傳數(shù)據(jù)到云端；在組模式下，數(shù)據(jù)則會先收集到組長的手機中進行預(yù)處理后再上傳，其收集過程如圖1所示。此外，該系統(tǒng)還能感知手機的使用場景，當系統(tǒng)檢測到用戶正在撥打電話，或通過近距離傳感器檢測到手機在口袋時，系統(tǒng)會提示相應(yīng)信息，以減少不同使用環(huán)境帶來的影響，提高收集噪音數(shù)據(jù)的準確性。

圖1 NoiseSense收集過程

在調(diào)用智能手機傳感器時，Lee等人[35]開發(fā)的噪音資源管理器應(yīng)用程序則證明了使用校準過的智能手機監(jiān)測環(huán)境噪聲數(shù)據(jù)眾包的可行性。該研究的核心是基于文獻[36]中的校準方法，可在Android和IOS端校準智能手機并記錄噪聲數(shù)據(jù)，其收集噪音的過程如圖2所示。系統(tǒng)保存下來的噪聲數(shù)據(jù)文件可用于進一步分析潛在緩解噪音污染的措施，以及作為一個地方的聲學遺跡。用戶還可將手機中的WAV文件和校準文件上傳到指定網(wǎng)址，用來生成噪音圖、平均頻譜和頻譜圖。

圖2 噪音資源管理器收集噪音過程

表4對所有基于參與式傳感器的收集方式進行了對比，并分析了各自的優(yōu)缺點。

表4 基于參與式傳感器收集方式對比

3 關(guān)鍵技術(shù)

群智感知需要大量終端用戶的參與，雖然移動終端普及率的提高給群智感知在手機上的應(yīng)用提供了可行性，但在進行數(shù)據(jù)感知時，仍需要解決智能手機獲取數(shù)據(jù)精準性差、可靠性不足等問題。污染源定位、噪聲數(shù)據(jù)校準、系統(tǒng)架構(gòu)等都是研究的重點。

3.1 污染源定位

針對污染事件的精準定位問題，基于智能手機多傳感器融合的目標定位技術(shù)是污染源定位的研究重點之一。利用手機上集成的GPS、加速度傳感器、地磁傳感器等進行數(shù)據(jù)采集，計算目標位置與手機間的距離，同時采集二者間的方向信息，進一步計算目標的位置。智能手機定位技術(shù)可分為自定位技術(shù)和目標定位技術(shù)。自定位技術(shù)是指通過一定的技術(shù)手段確定手機自身的位置。目標定位技術(shù)則是通過手機來確定與之有一定距離的目標位置。

3.1.1 自定位技術(shù)

傳統(tǒng)的自定位方式有GPS定位、基于WiFi定位和基站定位等幾種方式。GPS定位系統(tǒng)是利用衛(wèi)星在全球范圍內(nèi)進行實時定位和導(dǎo)航的系統(tǒng)，是目前應(yīng)用最廣泛的定位方式之一。GPS具有全天候、全球覆蓋、三維定速定時高精度、快速省時、高效率和應(yīng)用廣泛等諸多特點。隨著無線網(wǎng)絡(luò)的快速發(fā)展，基于WiFi的定位技術(shù)逐漸成熟。WiFi定位技術(shù)的原理是每一個無線AP都有一個全球唯一的MAC地址，且一般來說無線AP在一段時間內(nèi)不會移動，設(shè)備在開啟WiFi的情況下即可掃描并接收周圍的AP信號，無論是否加密、是否連接，設(shè)備都可以得到AP廣播出來的MAC地址。設(shè)備將這些可以標識AP的數(shù)據(jù)發(fā)送至位置服務(wù)器，服務(wù)器檢索出每一個AP的地理位置，結(jié)合信號的強弱程度，計算出設(shè)備的地理位置，同時將位置信息返回到用戶設(shè)備。此外由于無線AP不同于基站塔，具備可移動性，因此位置服務(wù)商需要不斷更新、補充相關(guān)WiFi信息庫，以保證數(shù)據(jù)的正確性。同時WiFi定位功耗較低，能夠彌補GPS在室內(nèi)信號差的問題。

針對室內(nèi)定位，以上幾種技術(shù)都具有一定的局限性。GPS定位常常因為室內(nèi)信號差導(dǎo)致定位失敗，同時由于室內(nèi)場景位置復(fù)雜，利用WiFi定位以及基站定位精度低時，容易定位到其他的房間。此外，當用戶處于多樓層的環(huán)境中時無法精準定位到用戶所在的房間。近年來出現(xiàn)了許多針對室內(nèi)定位方面的研究，SurroundSense[37]利用室內(nèi)周圍環(huán)境的指紋信息進行室內(nèi)定位,利用手機收集室內(nèi)的WiFi信號特征、聲音特征、圖像信息、光強特征等，建立與其相應(yīng)空間對應(yīng)的指紋庫，利用多種信息匹配用戶所處的空間。以其中的圖像信息為例，從圖像中提取地板主色、亮度等信息，進行聚類分析，從而將類似特征的圖像信息歸類。此外，王小輝等人[38]利用RFID技術(shù)或低功耗藍牙節(jié)點獲取數(shù)據(jù)計算位置信息。當手機在室內(nèi)靠近節(jié)點時，會與節(jié)點進行通信，從而實現(xiàn)室內(nèi)場景下的定位。

3.1.2 目標定位技術(shù)

目標定位方法在近幾年才出現(xiàn)。如iSee[39]，它要求用戶站在不同地點，在智能手機屏幕上劃出目標事件的方向。服務(wù)器端分析手機的當前位置和目標的方向，利用聚類分析等方法對數(shù)據(jù)進行處理計算得到目標的位置。OPS[40]要求用戶在多個地點對目標進行拍攝，采集圖像。通過從圖像中提取關(guān)鍵點，對多張圖像中的多組關(guān)鍵點進行匹配，進行空間推理，構(gòu)建與目標物體近似的3D模型，并應(yīng)用手機傳感器來縮放和旋轉(zhuǎn)這個3D模型到其絕對構(gòu)型，然后對殘余誤差進行非線性優(yōu)化，最終估計出目標的GPS位置。與前者不同，CamLoc[41]則利用了手機凸透鏡成像原理。用戶首先對目標進行拍照，再向后移動并對目標再次拍照。CamLoc通過計算2張圖像中的目標縮放比，利用手機傳感器計算手機移動過程中的位移,從而通過凸透鏡成像原理計算用戶與目標間的距離，最后將手機自身位置信息和傳感器采集到的目標方向結(jié)合，計算出目標的位置。Smart Measure[42]是一款基于Android平臺的測量工具軟件,可以用來測量目標與用戶間的距離。它要求用戶輸入當前身高，并通過攝像頭取景器瞄準目標的底部。軟件推算出手機的高度，并測量手機向下的傾角，利用直角三角形原理得出目標與用戶間的距離。表5為不同的定位技術(shù)應(yīng)用案例的對比。

表5 不同定位技術(shù)應(yīng)用案例對比

3.2 噪聲數(shù)據(jù)校準

在調(diào)用智能手機內(nèi)置麥克風時，直接計算智能手機麥克風接收的音頻數(shù)據(jù)得到噪音級別，因為有其固定的參考框架，產(chǎn)生的數(shù)據(jù)不具代表性，甚至可能具有誤導(dǎo)性。為了使應(yīng)用程序能夠準確地計算處理音頻數(shù)據(jù)，正確報告聲壓水平和頻譜，就必須根據(jù)參考麥克風進行校準。校準方法主要有按不同噪聲級別系數(shù)校準、單整體校準系數(shù)校準以及按頻率法校準3種。

3.2.1 不同噪聲級別的校準系數(shù)

一些報告在智能手機上利用噪聲映射計算城市噪聲水平，使用智能手機進行校準和噪聲映射的第一個綜合性研究成果是NoiseTube[32]。其設(shè)計原理是利用智能手機噪聲水平和參考麥克風之間的線性映射進行校準。噪聲級或響度的測量一般是測量等效連續(xù)聲級即Leq。Leq捕捉恒定噪聲源在時間間隔T上的聲壓級，該時間間隔T具有與在同一間隔內(nèi)的實際變化聲級壓力相同的聲能。此外，人類的耳朵對響度的感知取決于聲音的頻率。標準的“加權(quán)尺度”頻率函數(shù)如公式(1)，反映了人類的感知，特別是A-加權(quán)尺度。

(1)

公式(1)中，p為記錄的SPL(SPL代表聲壓級)，P0為最小SPL。該移動應(yīng)用程序包含一種實時信號處理算法，在選定的間隔內(nèi)記錄環(huán)境聲音(22500 Hz，16位)的響度水平。然后將A-加權(quán)濾波器應(yīng)用于記錄的聲音和等效聲級(Leq)2。

3.2.2 單整體校準系數(shù)

NoiseMap[33]和Ear-phone[43-44]通過單整體校準因子進行麥克風校準。NoiseMap對輸入的音頻進行采樣，將離散的數(shù)字信號轉(zhuǎn)換為dB全尺度值(dBFS，dB full值)。而dBFS必須轉(zhuǎn)換為dBSPL(SPL為聲壓級)。SPL是相對于給定聲壓值的參考系統(tǒng)，聲壓值通常是人類聽力的閾值20 μPA。在將dBFS轉(zhuǎn)換為dBSPL時，必須添加一個校準值，因此dBSPL=dBFS+Xcai。噪聲地圖包含一個校準工具，會計算出一個恒定的粉紅色噪聲Xcai。這種校準方法的優(yōu)點是相對容易實現(xiàn)且不存在較大誤差。

在Ear-phones中信號處理模塊則是將環(huán)境噪聲測量為A加權(quán)等效連續(xù)聲級或LAeq，T。A加權(quán)通常用于測量環(huán)境噪音和工業(yè)噪聲，以及評估所有聲音水平的潛在聽力損害和其他健康影響。LAeq，T以A加權(quán)分貝測量，在時間間隔內(nèi)捕獲恒定噪聲源的A加權(quán)聲壓級別，其同一間隔內(nèi)的聲能量與實際變化聲壓電平相同。A加權(quán)等效聲級LAeq，T由等式(2)定義：

(2)

其中，vA(t)可由其設(shè)計的一個10階數(shù)字濾波器計算，其頻率響應(yīng)與0 kHz～8 kHz范圍內(nèi)的A加權(quán)信號相匹配。有關(guān)計算算法的詳細信息LAeq，T請參閱文獻[44]。

3.2.3 按頻率法

不同于以往研究中提到的2種精確校準智能手機麥克風的方法：單整體校準因子[33]和一組不同噪音水平的校準因子[32]，Garg等人[36]提出了一種按頻率法校準。他們的方法校準智能手機麥克風不僅可以得到等效的連續(xù)聲壓水平，而且能計算頻譜，并且不需要依靠如氣管室、信號發(fā)生器或?qū)I(yè)揚聲器系統(tǒng)等專業(yè)科學設(shè)備，只需要借助參考麥克風在室外環(huán)境中現(xiàn)場校準即可。

這種校準方法不僅提高了數(shù)據(jù)的有效性、精確性，且對于同一型號的智能手機可以采用同一份校準文件進行校準。通過該方法測量的噪聲數(shù)據(jù)，其精度可控制在±1 dB，并且可以用來計算聲壓水平和頻譜。表6對不同的校準方法進行了對比，并提出了相應(yīng)的適用場景。

表6 噪聲數(shù)據(jù)校準方法對比

3.3 系統(tǒng)架構(gòu)

系統(tǒng)架構(gòu)是污染數(shù)據(jù)收集的關(guān)鍵技術(shù)之一。縱觀近年來污染收集的各項研究工作，系統(tǒng)架構(gòu)均大同小異，本文分析一個相對基礎(chǔ)的架構(gòu)，研究者大多以此架構(gòu)為基礎(chǔ)，采用不同的污染收集技術(shù)實現(xiàn)污染監(jiān)測。

基礎(chǔ)架構(gòu)如圖3所示，為得到所希望的系統(tǒng)，需要完成2個解決方案：1)通過傳感器網(wǎng)絡(luò)網(wǎng)關(guān)(CCI)相互連接的幾個模塊完成自定義遞送解決方案(CDS)；2)可在云端使用的ThingSpeak[45]解決方案。兩者都提供了REST API[46]應(yīng)用程序接口以提供移動應(yīng)用程序的功能，并且在之后扮演著“其他設(shè)備”的角色。

圖3 系統(tǒng)架構(gòu)

CDS通過利用發(fā)布/訂閱模式使用數(shù)據(jù)收集器可處理多個傳感器，傳感器將數(shù)據(jù)發(fā)布到傳感器網(wǎng)關(guān)CCI，通過數(shù)據(jù)記錄器將數(shù)據(jù)保存在數(shù)據(jù)庫中。ThingSpeak可以在云中使用，傳感器可通過不同的協(xié)議(如HTTP、MTQQ等)與中央平臺進行交互，使用API便可以進行數(shù)據(jù)的提交和訪問。

通過分析可以看出系統(tǒng)架構(gòu)可分為3個部分，包括數(shù)據(jù)的收集、數(shù)據(jù)的處理與存儲、數(shù)據(jù)的分析和報告。數(shù)據(jù)收集階段，數(shù)據(jù)從特定的傳感器節(jié)點讀取所需污染信息并存放在數(shù)據(jù)收集器中。數(shù)據(jù)的處理與存儲會將第一階段收集到的數(shù)據(jù)傳輸?shù)絺鞲衅骶W(wǎng)關(guān)。傳感器網(wǎng)關(guān)CCI控制來自于不同傳感器的數(shù)據(jù)流并將其通過數(shù)據(jù)記錄器保存在SQL數(shù)據(jù)庫中。數(shù)據(jù)的分析與報告由REST API完成，并控制著移動應(yīng)用程序與“其他設(shè)備”之間的通信。移動應(yīng)用程序是開發(fā)者和用戶交互的聚集地，開發(fā)者從此處獲取用戶收集上報的污染信息，同時開發(fā)者獲取信息后結(jié)合從其他來源獲取到的數(shù)據(jù)，通過分析比對，對污染數(shù)據(jù)進行綜合處理，處理后的數(shù)據(jù)可以通過多種方式呈現(xiàn)給用戶，如實時污染狀況、污染地圖、指定地區(qū)污染狀況的統(tǒng)計等。此外應(yīng)用程序允許對用戶指定的監(jiān)測地區(qū)進行每日、每周、每月的污染統(tǒng)計和對比，用戶可以更直觀地看到周邊污染的變化趨勢。

4 結(jié)束語

群智感知可以進行大范圍的數(shù)據(jù)感知。出于成本和空間的考慮，未來在智能手機上開發(fā)的環(huán)境監(jiān)測系統(tǒng)可以代替多種專業(yè)設(shè)備進行城市污染監(jiān)測。這些聯(lián)網(wǎng)、低成本和易于使用的環(huán)境監(jiān)測系統(tǒng)的出現(xiàn)，使污染監(jiān)測領(lǐng)域的模式發(fā)生了轉(zhuǎn)變。利用群智感知獲取的污染數(shù)據(jù)正逐漸被各地方政府和機構(gòu)所采用，并通過這些數(shù)據(jù)作出相關(guān)污染防治的決策。需要指出的是，目前在研究此類檢測系統(tǒng)時,研究者們很少考慮數(shù)據(jù)的完整性和系統(tǒng)的安全性，這可能造成嚴重的后果，如果環(huán)境數(shù)據(jù)遭到破壞和污染，可能會讓人工神經(jīng)網(wǎng)絡(luò)得到錯誤的結(jié)果從而誤導(dǎo)用戶和政府決策者，因此對數(shù)據(jù)和系統(tǒng)的保護[47]將是未來研究的重點方向之一。另一方面，在智能手機上調(diào)用專業(yè)傳感器仍有很多問題需要解決。例如，在生成眾包噪聲地圖時，不光要考慮校準智能手機測量噪聲水平的準確性，還要解決在時間和空間尺度上數(shù)據(jù)精密度不足、用戶上傳虛假信息等問題。對此，一個可行的研究方向是利用深度學習對圖像和聲音數(shù)據(jù)進行分析處理，通過鑒別用戶上傳數(shù)據(jù)的真?zhèn)?，提高所獲數(shù)據(jù)的準確性。

在利用眾包優(yōu)勢收集數(shù)據(jù)時，相應(yīng)的激勵機制也是要考慮的。當污染數(shù)據(jù)難以收集時，則需要使用大量的激勵手段來促進用戶對監(jiān)測系統(tǒng)的使用。對于數(shù)據(jù)需求者，只需要在相應(yīng)的平臺上面發(fā)布任務(wù)并設(shè)置懸賞，其他用戶便可以領(lǐng)取和完成任務(wù)，并按照工作量來領(lǐng)取報酬。合理的激勵機制[48-49]將激勵更多的用戶參與到污染監(jiān)測任務(wù)中來。此外，在通過群智感知獲取高質(zhì)量數(shù)據(jù)的同時，也不可避免地涉及部分用戶的敏感信息，比如地理位置等，因此保護不同用戶的隱私數(shù)據(jù)安全也是未來的研究重點之一。