基于大密度部署傳感器的大氣污染監控及管理方法及系統的制作方法
【技術領域】
[0001] 本發明設及物聯網及污染物監控技術領域,特別設及一種基于大密度部署傳感器 的大氣污染監控及管理方法及系統。
【背景技術】
[0002] 近幾年,大眾對大氣污染的關注日漸提升,從關注污染數據到家庭和自身的安全 防護。政府和環保部口則更快、更早地將大氣污染治理劃入到工作范疇之內。早在2012年 環保部與31個省(區、市)聯合簽署的《大氣污染防治目標責任書》中已明確指出,北京、 天津、河北將一體化全面分析和治理,預計在2017年實現PM2. 5年均濃度下降25%的目標。 由此可見,大眾和相關政府部口對大氣污染,特別是霧靈治理都提出了很高的要求和標準, 如何落實運些標準和要求便是重中之重。
[0003] 在霧靈防治中,首先需要清楚霧靈的成因和來源。運就需要建立起廣泛密集的監 測網絡。在大氣顆粒物污染,尤其是PM2. 5的監測領域中,目前的做法有流動巡檢,公共監 測站,衛星遙感,無人機監測等。
[0004] 具體來說,公共監測站雖然可W給出相應的統計分析及展示結果,比如常見的污 染天數統計,污染趨勢統計與預測判斷等,但其部署密度的稀疏性使得其在監測場景的多 樣性、微環境的細化監測方面存在固有不足。衛星遙感通過氣象衛星每天兩次對大氣云層 進行拍照,然后運用圖像學知識進行數據分析,但是只能獲得大尺度污染信息,無法真實反 映低空的真實污染狀況,同時每天兩次的掃描及數據處理使得數據實時性較差。無人機監 測適用于大氣污染應急事件,難W滿足全天候監測需求。
[0005] 此外,現有的大氣污染監控中傳感器的布設密度低且缺乏科學性。具體地,現有方 式是在一個大范圍區域內隨機布設若干個傳感器,缺乏對傳感器布設點的規劃,導致采集 到的數據缺乏代表性,無法準確反映當前區域的大氣污染數據。
[0006] 綜上,現有的各種霧靈監測手段各自均存在一定的問題,無法滿足精細化管理的 需求,監控精度和監控效率均有限。
【發明內容】
[0007] 本發明的目的旨在至少解決所述技術缺陷之一。
[0008] 為此,本發明的目的在于提出一種基于大密度部署傳感器的大氣污染監控及管理 方法及系統,可W實現實時監測取證,量化評級及精細化管理的目標,提供完善的可視化顯 示,包括完善的分級管理體系和有效的聯防聯控機制,通過各個機構及模塊的協同合作,實 現污染源監測發現,證據取證,協作執法等一體化管理。
[0009] 為了實現上述目的,本發明一方面的實施例提供一種基于大密度部署傳感器的大 氣污染監控及管理方法,包括如下步驟:
[0010] 步驟S1,獲取部署區域的狀態信息,根據所述部署區域的狀態信息,在該部署區域 大密度部署多個傳感器;
[0011] 步驟S2,獲取所述多個傳感器的傳感器數據,基于所述多個傳感器的精度、空間位 置和氣象信息的差異,對所述傳感器數據進行聯合校正,得到已部署傳感器位置點的大密 度微環境下大氣污染物數據;
[0012] 步驟S3,根據所述已部署傳感器位置點的大密度微環境下大氣污染物數據,利用 高斯推斷模型在空間上推斷出未部署傳感器位置點的大氣污染物數據;
[0013] 步驟S4,采用時間序列中的預測模型對已部署傳感器位置點和未部署傳感器位置 點的大氣污染物數據進行預測分析,W進行對整個區域的大氣污染預警;
[0014] 步驟S5,將所述已部署傳感器位置點和未部署傳感器位置點的大氣污染物數據發 送至監控中屯、,W由監控人員實時監控整個區域內的大氣污染狀態。
[0015] 進一步,所述部署區域的狀態信息包括:地理狀態信息、交通狀態信息和氣象人文 f目息。
[0016] 進一步,在所述步驟S1中,所述根據部署區域的狀態信息,在該部署區域大密度 部署多個傳感器,包括如下步驟:
[0017] 根據所述部署區域的狀態信息,在所述部署區域進行一期部署多個傳感器;
[0018] 獲取一期部署的傳感器返回的傳感器數據,根據所述氣象人文信息和返回的傳感 器數據對所述部署區域進行二次加密部署多個傳感器。
[0019] 進一步,在所述步驟S2中,采用神經網絡模型和高斯推斷模型對所述傳感器數據 進行聯合校正,包括如下步驟:
[0020] 對所述傳感器數據進行離線訓練,包括:采用神經網絡模型對所述傳感器數據進 行單點校正,動態獲取訓練后的傳感器數據;
[0021] 對所述訓練后的傳感器數據進行在線校準,包括:采用高斯推斷模型對所述訓練 后的傳感器數據進行多點校準,得到已部署傳感器位置點的大密度微環境下大氣污染物數 據。
[0022] 進一步,所述神經網絡模型采用BP神經網絡。
[0023] 進一步,采用基于無向圖模型的條件隨機場模型對所述大氣污染物數據進行預測 過程中,W溫度、濕度、風速、風向、降雨強度和時間作為輸入特征值,WPM2. 5數值作為輸 出預測值,其中,所述輸入特征值和輸出預測值均為離散型數值。
[0024] 進一步,在所述步驟S4之后,還包括如下步驟:采用因果分析和張量分析方法對 所述已部署傳感器位置點和未部署傳感器位置點的大氣污染物數據進行統計分析,W獲取 空間層面上污染物的源頭和傳播路徑,并將所述空間層面上污染物的源頭和傳播路徑發送 至所述監控中屯、。
[00巧]本發明實施例還提出一種基于大密度部署傳感器的大氣污染監控及管理系統,包 括:于部署區域進行大密度部署的多個傳感器,數據處理中屯、和監控中屯、,其中,每個所述 傳感器與所述數據處理中屯、進行通信,所述數據處理中屯、與所述監控中屯、進行通信,所述 數據處理中屯、用于獲取所述多個傳感器的傳感器數據,基于所述多個傳感器的精度、空間 位置和氣象信息的差異,對所述傳感器數據進行聯合校正,得到已部署傳感器位置點的大 密度微環境下大氣污染物數據,并根據所述已部署傳感器位置點的大密度微環境下大氣污 染物數據,利用高斯推斷模型在空間上推斷出未部署傳感器位置點的大氣污染物數據,W 及采用時間序列中的預測模型對已部署傳感器位置點和未部署傳感器位置點的大氣污染 物數據進行預測分析,w進行對整個區域的大氣污染預警,所述數據處理中屯、進一步將所 述已部署傳感器位置點和未部署傳感器位置點的大氣污染物數據發送至所述監控中屯、;所 述監控中屯、用于接收所述已部署傳感器位置點和未部署傳感器位置點的大氣污染物數據, 并呈現給監控人員查看,W由監控人員實時監控整個區域內的大氣污染狀態。
[00%] 進一步,所述多個傳感器根據部署區域的狀態信息進行大密度部署,包括:首先根 據所述部署區域的狀態信息,在所述部署區域進行一期部署多個傳感器,然后所述數據處 理中屯、獲取一期部署的傳感器返回的傳感器數據,根據所述氣象人文信息和返回的傳感器 數據對所述部署區域進行二次加密部署多個傳感器。
[0027] 進一步,所述部署區域的狀態信息包括:地理狀態信息、交通狀態信息和氣象人文 信息。
[0028] 進一步,所述數據處理中屯、采用神經網絡模型和高斯推斷模型對所述傳感器數據 進行聯合校正,包括:
[0029] 所述數據處理中屯、采用神經網絡模型對所述傳感器數據進行單點校正,動態獲取 訓練后的傳感器數據,并采用高斯推斷模型對所述訓練后的傳感器數據進行多點校準,得 到已部署傳感器位置點的大密度微環境下大氣污染物數據。
[0030] 進一步,所述神經網絡模型采用BP神經網絡。
[0031] 進一步,所述時間序列中的預測模型采用基于無向圖模型的條件隨機場模型。
[0032] 進一步,所述數據處理中屯、采用基于無向圖模型的條件隨機場模型對所述大氣污 染物數據進行預測過程中,W溫度、濕度、風速、風向、降雨強度和時間作為輸入特征值,W PM2. 5數值作為輸出預測值,其中,所述輸入特征值和輸出預測值均為離散型數值。
[0033] 進一步,所述數據處理中屯、還用于采用因果分析和張量分析方法對所述已部署傳 感器位置點和未部署傳感器位置點的大氣污染物數據進行統計分析,W獲取空間層面上污 染物的源頭和傳播路徑,并將所述空間層面上污染物的源頭和傳播路徑發送至所述監控中 屯、。
[0034] 根據本發明實施例的基于大密度部署傳感器的大氣污染監控及管理方法及系統, 通過在區域內大密度部署傳感器,并對返回的傳感器數據采用云端算法進行聯合校正,使 得數據的精確度得到大幅提高,并進一步采用高斯推斷模型推斷出未部署傳感器的位置點 的污染數據,再將上述已部署和未部署的數據統一反饋給監控中心進行監控和管理。本發 明可W實現實時監測取證,量化評級及精細化管理的目標,提供完善的可視化顯示,包括完 善的分級管理體系和有效的聯防聯控機制,通過各個機構及模塊的協同合作,實現污染源 監測發現,證據取證,協作執法等一體化管理。
[0035] 本發明附加的方面和優點將在下面的描述中部分給出,部分將從下面的描述中變 得明顯,或通過本發明的實踐了解到。
【附圖說明】
[0036] 本發明的上述和/或附加的方面和優點從結合下面附圖對實施例的描述中將變 得明顯和容易理解,其中:
[0037] 圖1為根據本發明實施例的基于大密度部署傳感器的大氣污染監控及管理方法