基于大數據分析的大氣網格化監測質控技術研究

王春迎，潘本峰，吳修祥，宋艷艷，張 玲，馬景金，孫 凱

1.河北先河環保科技股份有限公司，河北 石家莊 050035 2.中國環境監測總站,國家環境保護環境監測質量控制重點實驗室，北京 100012 3.中國環境保護產業協會，北京 100000

基于大數據分析的大氣網格化監測質控技術研究

王春迎1，潘本峰2，吳修祥1，宋艷艷1，張 玲1，馬景金1，孫 凱3

1.河北先河環保科技股份有限公司，河北 石家莊 050035 2.中國環境監測總站,國家環境保護環境監測質量控制重點實驗室，北京 100012 3.中國環境保護產業協會，北京 100000

基于對現階段中國環境空氣的污染特征及監測手段進行分析，研究了如何采用傳感器技術進行大氣污染防治網格化監測。對標物校準、訓化校準、自適應校準、傳遞校準等校準質控技術進行了充分研究并基于此建立了自主學習神經網絡算法的校準體系。為解決傳感器應用過程中零點漂移、溫度和濕度漂移、時間漂移等問題，利用大數據、基因算法成功開發出了智能數據修正模型，實現了低成本、高穩定、具有相當精度且可自動化運行的網格化監測體系。

大數據；傳感器；網格化監測；質控

近年來，針對中國環境污染情況，各地區采取了一定的措施，但改善的速度、幅度距離新的環境空氣質量標準要求和國際先進水平仍有一定差距。城市污染源主要來自于揚塵、工業生產、機動車排放、燃煤、餐飲等污染。大氣污染排放情況復雜多變，缺乏完整的動態污染源排放清單。因此，需要對區域內各類污染物來源進行更嚴格的管控，對環境實施精細化管理。

在國務院辦公廳《關于加強環境監管執法的通知》的要求下，許多地區采用人工監管方式對城市環境進行網格化管理，在大氣污染防治工作中取得了顯著成效，但人力、物力消耗巨大，且時效性與對突發污染事件的響應和判別存在較大不足。而傳統的監測設備由于價格昂貴、體積龐大，不能完全滿足網格化環境監管工作的需要，尤其在局部污染及污染細節監測方面的能力稍顯不足，難以滿足環境精細化管理需求[1]。傳感器技術憑借方便、快捷及待測物持續動態監測等特點，在北京市通州區、河北省石家莊市等地有了較為廣泛的應用，為各地政府進行網格化環境監管提供了科技支撐，促進當地政府治理大氣污染由憑經驗、憑感覺、粗放式向網格化、實時化、精準化治霾轉變，大幅提升治霾的工作效能，推動大氣質量持續改善。但是在實際應用過程中，若單純采用傳感器進行網格化建設時，仍存在很多問題。

1 大氣網格化監測網絡設計及問題

大氣網格化監測，通過大量應用傳感器技術，打破了傳統空氣質量評價監測的點位限制，建設并融合環境質量監控網格、重點污染源監控網格等不同監測網格，實現對監測區域的全覆蓋精準監控，消滅監測盲區，實時掌握區域內環境污染分布狀況及空氣質量變化趨勢，為實現區域環境空氣質量精細化管理提供支撐。但是如何克服傳感器固有的零漂、溫漂、時漂等缺陷，保證監測數據的準確、穩定、可靠，是目前開展大氣網格化監測網絡設計的難點。

1.1 大氣網格化監測網絡設計原則

為達到區域大氣污染防治精細化管理的目的，根據不同污染源類型及監控需求，在目標區域采用高密度網格點布設實測的方法進行網格化布點，對各點位相關污染物濃度進行實時監測，實現整個區域高時間分辨率、高空間分辨率和多參數的實時動態監測；反映整個城市、背景、邊界、傳輸通道、農村鄉鎮以及城鄉結合部等區域的空氣質量整體狀況和變化趨勢。

對區域內污染源重點監控，科學評估區域內主要固定污染源、工業園區、道路交通、無組織排放源的污染排放狀況及其對環境空氣質量的影響。

1.2 大氣網格化監測技術要求

大氣網格化監測技術是對傳統監測大氣環境監測技術的有效補充，在實際應用過程中，大氣網格化監測需滿足以下技術要求。

監測參數全面：按照《GB 3095—2016環境空氣質量標準》對環境空氣中空氣污染物一般項目的監測要求，大氣網格化監測系統，應能夠對環境大氣中的顆粒物(PM10、PM2.5)、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)及臭氧(O3)進行監測，在特殊地區，還應能對硫化氫、VOC等特征污染物進行監測。

多種環境下的數據準確性：大氣網格化監測技術可實現對整個區域的全覆蓋監測，包括居民區、商業區、道路交通、建筑工地、工業排放源等多種環境監測對象。不同監測對象間存在較大的環境差異性。大氣網格化監測技術必須保證在不同應用場景下，測量結果具有良好的一致性及可靠性。

時間分辨率較高：大氣污染物變化遷移始終是動態的，較高的時間分辨率可以捕捉到更多的空氣質量信息。在應用中，大氣網格化監測技術時間分辨率一般不大于15 min，較常規的空氣質量自動站提升了4倍。

穩定的數據傳輸：大氣網格化監測應采用實時連續監測，監測數據應實時匯集至數據中心進行處理。實時數據傳輸的最大延遲時間不應超過30 s。

1.3 傳感器技術在大氣網格化監測中的應用現狀與問題

傳感器是能夠感受規定的被測量信號并按一定規律轉換成可用輸出信號的器件或裝置的總稱，通常被測量是非電物理量，輸出信號一般為電量[2]。在環境空氣質量監測中，光學傳感器[3]通常利用光散射方法來監測空氣中顆粒物及粉塵的濃度，不改變浮游粉塵的物理化學性質，能夠自動連續監測空氣中的含塵濃度，但儀器的響應經常受到塵粒結構、形狀、粒度及光源波長等因素的影響[4]。研究表明，顆粒物的粒度分布對散射光強的影響較大，顆粒物的粒徑越大，測量的顆粒物濃度值會偏低；同時，水霧對光散射測量的影響也較大，測量的顆粒物在含有水霧的情況下，會導致測量結果偏大[5]。光散射方法測量環境空氣中的顆粒物濃度，尤其是空氣中大粒徑顆粒物的濃度，會有較大的偏差，不能直接用于環境空氣中顆粒物的監測[6]。

用于檢測碳氫化合物、羰基化合物、硫化物、硫氧化物、氮氧化物等[7]的電化學傳感器在實際應用中主要存在兩個問題：第一是交叉靈敏度問題，即一個傳感器同時對幾種氣體敏感，在混合氣體測量過程中容易產生交叉干擾現象；第二就是氣體傳感器的特性漂移問題，即輸入-輸出特性隨時間不斷發生緩慢變化。其中，導致電化學傳感器特性漂移的因素比較復雜，如傳感器本身的老化、環境因素的變化等，而且漂移往往是隨機的，沒有規律性，嚴重影響應用過程中的準確性。通過基于神經網絡預測器和系統辨識器的動態在線標定法，可實現傳感器特性漂移的判定，但此方法[8]僅在漂移幅度較大時比較有效，仍然不能完全解決傳感器的特性漂移問題。

為解決傳感器特性漂移的問題，部分研究人員采用標準氣體對傳感器進行校準[9]。但考慮到傳感器會受空氣成分組成及環境條件影響，因此國外標準機構要求在對電化學傳感器校準時，需使用空氣作為背景氣[10]。然而，即使用以空氣作背景氣進行標定、測量時沒發現誤差，但由于設備使用環境在不斷變化中，背景氣的代表性通常較差，也不能保證傳感器在實際應用場合下的測量準確性。

因此，為了提高傳感器在環境監測中的數據準確性與長期運行穩定性，迫切需要一種能有效修正環境背景中溫、濕度影響和交叉氣體干擾以及特性漂移的新技術和新方法。

2 大數據融合聯動修正質控技術設計及驗證

本文介紹了一種將傳感器技術與國標法技術聯合的“大數據融合聯動修正”技術，通過建立基于自主學習神經網絡算法[11]的四種校準體系即標物校準、訓化校準、大數據分析的實時校準(又叫自適應校準)與傳遞校準。解決了傳感器應用過程中零點漂移、溫度漂移、時間漂移等問題，提高了氣體傳感器在應用過程中的數據準確性和長期運行穩定性。

2.1 標物校準及訓化校準

首先，在實驗室進行氣體傳感器的標準物質校準，即采用多種標準氣體混合，在不同的混合比例、不同濃度梯度及不同環境條件下，對傳感器進行標定，并通過基因算法對氣體傳感器交叉干擾僅環境(溫、濕度)進行修正，并保證氣體傳感器在量程范圍內的線性。

其次，在室外，利用國家標準方法儀器(空氣自動站)對氣體傳感器進行訓化，并通過基因算法自動適應環境變化，保證氣體傳感器在不同環境條件下數據質量的一致性。

2.2 大數據分析的實時校準

由于氣體傳感器受空氣成分及環境條件的影響較大，不同地區環境條件及污染氣體成分差別較大，氣體傳感器在同一地點校準后，不適用于其他地區應用。為了解決這一問題，采用了氣體傳感器與國家標準方法儀器組合布點的方式，在一定區域范圍內，運用大數據平臺，使用國家標準方法儀器的監測數據實時監控傳感器的數據漂移情況，甄別異常設備；傳感器設備定期自動獲取規定區域的國家標準方法儀器的監測數據，從而自動開展運行的自適應校準，避免了環境差異、時間漂移、特征漂移造成數據不準問題，保證長期穩定的運行，保證監測結果的有效性和準確性。

此外，采用國標法設備對污染源區域進行監測，數據具有法律效力，可直接用于環境執法。

2.3 傳遞校準

對于在特殊環境下，如在工業園區、道路交通、餐飲集中區等污染特征明顯的區域安裝和使用的顆粒物傳感器與氣體傳感器，或者通過自適應校準不能完全保證傳感器的數據質量時，利用裝有國家標準方法儀器的移動校準車進行定期質控和校準，確保監測數據的準確和可靠。采用大數據管理平臺，自動識別傳感器的準確度，將偏離較大的傳感器設備報警提醒，售后服務人員采用移動校準車對現場的傳感器設備進行比對測試，并與移動校準車GPS自動匹配，實現非接觸傳遞校準，可解決化工園區、企業、特殊污染區域、特殊時段測量的偏差，保證系統數據長期準確性。

2.4 基于大數據分析技術對傳感器質控驗證試驗

2.4.1 訓化校準前后對比

本實驗采用經過標物校準與訓化校準后傳感器數據進行了分析。實驗用的5臺傳感器均在氣體標定實驗室內完成標物校準，并在空氣自動站附近進行比對，其中1#～4#的傳感器采用了自主學習神經網絡算法進行實時校準，5#傳感器未采取任何校準措施，實驗時間共2周(2016年2月1日至13日)。5臺傳感器與空氣自動站數據對比見表1，傳感器與空氣自動站數據相關性見表2。

表1 傳感器與空氣自動站周均值偏差 %

表2 傳感器與空氣自動站數據相關性

實驗結果表明，采用了自主學習神經網絡算法進行實時校準的1#～4#傳感器與空氣自動站數據一致性較高，數據相關性達0.75以上，最大周均值偏差小于10.51%；5#傳感器由于實驗過程中未采取連續的校準措施，實驗數據與空氣自動站偏差超過30%，除顆粒物外，其他氣體監測數據的相關性均低于60%。

2.4.2 自適應校準前后對比

實驗在衡水市進行了測試。傳感器室外環境連續運行3個月(2016年4月1日至6月30日)后，隨機抽取1#～4#設備返回空氣自動站附近進行連續一周(2016年5月27日至6月2日)的比對測試，并另選取5#未經校準的設備作為比較。5#僅使用了標物校準和訓化校準，未進行現場實時校準。數據比對結果見表3、表4。

表3 傳感器與空氣自動站周均值偏差 %

表4 傳感器與空氣自動站數據相關性

數據對比結果表明，1#～4#經過校準和質控設備的傳感器的測量均值與空氣自動站偏差小于4.1%，數據相關性大于0.81；可以滿足現場環境空氣質量監測的要求；未校準設備的傳感器，雖在運行前經過標準物質標定及現場訓化，但由于缺乏后期的連續質控和校準，數據偏差超過30%，已經不滿足于現場環境空氣質量監測的要求。

2.4.3 結果驗證

圖1為O3自適應前后傳感器與空氣自動站濃度的對比，由圖1可以看出，在經過標物校準、訓化校準而未經過自適應校準的傳感器設備與標準站監測濃度偏差很大，經過自適應校準后傳感器與空氣自動站濃度變化趨勢相一致。

圖1 O3自適應校準前后傳感器與空氣自動站濃度比較

圖2為O3自適應校準前后傳感器與空氣自動站濃度誤差的對比，由圖2可以看出，在經過標物校準、訓化校準而未經過自適應校準的傳感器設備與空氣自動站監測濃度誤差很大，經過自適應校準后傳感器與空氣自動站濃度誤差在±20 μg/m3。

圖2 O3自適應校準前后傳感器與空氣自動站濃度誤差比較

圖3為O3自適應校準前后與空氣自動站監測濃度相關性的對比圖，由圖3可以看出，經過校準后，傳感器與空氣自動站的數據相關性從0.779 7提高到0.93以上。

圖3 O3自適應校準前后傳感器與空氣自動站監測濃度相關性比較

綜上，采用傳感器與國標方法儀器即空氣自動站組合布設，可以在較大范圍內保證傳感器監測數據的準確性，提高監測水平。

3 結果與討論

氣體傳感器目前在環境監測領域應用非常廣泛，但氣體傳感器存在易受環境條件影響、氣體交叉干擾及特性漂移等問題，測量準確性較低，限制了其在環境空氣質量監測方面的應用效果。同時，對氣體傳感器僅采用標氣校準的方式，也無法保證其在室外實際應用場合下數據的準確性。通過分析基于傳感器技術在大氣污染防治網格化管理中的應用，可以得出如下結論：

以自主學習神經網絡算法為核心的四種校準體系即標物校準、訓化校準、大數據分析的實時校準(又叫自適應校準)與傳遞校準，可對氣體傳感器實時、連續的校準，有效提高氣體傳感器監測數據的準確性。

在環境空氣質量監測中，采用氣體傳感器與國標方法儀器的組合布點方式對傳感器進行實時的校準和質控，能有效消除氣體傳感器在室外環境中可能受到的溫、濕度影響和交叉干擾影響以及特性漂移問題，確保氣體傳感器的數據準確性和長期穩定性，對環境實施精細化管理具有重要意義。

[1] 王帥,王瑞斌,解淑艷,等.完善環境空氣質量評價方法推動大氣污染防治精細化管理[J].環境保護,2013,41(19):50-51.

[2] 谷有臣,孔英.傳感器技術的發展和趨勢綜述[J].物理實驗,2002,22(12):40-42.

[3] 邵紅艷,張義浜.傳感器技術在環境檢測中的應用研究進展[J].化學分析計量,2009,18(6):86-88.

[4] 田國政,孫繼平.光散射粉塵傳感器的塵染補償方法及光強分布的研究[J].煤炭學報,1997,22(6):632-636.

[5] 王自亮,趙恩標,呂銀莊,等.粉塵濃度光散射測量影響因素的分析[J].煤炭學報,2007,32(6):604-607.

[6] 崔延青,李少華,楊建虎,等.β射線法與光散射法顆粒物監測儀在揚塵監測中的應用[J].中國科技成果,2015(17):18-20.

[7] 趙趆.車內空氣質量與有害氣體探測方法的研究[D].北京:中國科學院大學,2012.

[8] 丁暉,劉君華,申忠如,等.氣體傳感器特性漂移抑制的研究[J].計量學報,2002,23(1):69-73.

[9] 張青云,秦偉山,祁澤剛,等.氣體傳感器的自動標定校準系統研究與設計[J].計測技術,2010,30(S1):152-154.

[10] Canadian Standards Association.CAN/CSA-Z433-M92,Portable Gas Monitors[S].Ottawa:CSA Group,1992:18.

[11] 賀同智.自主學習神經網絡算法研究[D].湖北:華中師范大學,2011.

Research on Quality Control of Atmospheric Grid Monitoring Based on Large Data Analysis

WANG Chunying1，PAN Benfeng2，WU Xiuxiang1，SONG Yanyan1，ZHANG Ling1，MA Jingjin1，SUN Kai3

1.Hebei Sailhero Environmental Protection Hi-tech Co.,Ltd., Shijiazhuang 050035, China 2.State Environmental Protection Key Laboratory of Quality Control in Environmental Monitoring, China National Environmental Monitoring Centre, Beijing 100012, China 3.China Association of Environmental Protection Industry, Beijing 100000, China

The pollution characteristics and monitoring methods of environmental air in China are analyzed, and how to adopt the sensor technology to monitor the air pollution prevention and control is studied. The calibration quality control technology, such as calibration, acclimation, adaptive calibration and transfer calibration, has been fully researched and a calibration system for autonomous learning neural network algorithm is established. In order to solve the problem of zero drift, temperature and humidity drift and time drift in the process of sensor application, this paper develops an intelligent data correction model using large data and genetic algorithm, and achieves low cost, high stability, accuracy and automatic operation of the grid monitoring system.

large data；sensor；grid monitoring；quality control

2016-10-08;

2016-10-25

王春迎(1982-)，女，河北張家口人，碩士，工程師。

孫 凱

X831

A

1002-6002(2016)06- 0001- 06

10.19316/j.issn.1002-6002.2016.06.01