衛星AOD數據驅動的區域電力污穢等級評估方法

熊　宇，陳孝明，阮　羚，黃俊杰，張天浩，朱忠敏，韓　舸

(1. 國網湖北省電力公司電力科學研究院，湖北 武漢 430077； 2. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 3. 武漢大學國際軟件學院，湖北 武漢 430079)

?

衛星AOD數據驅動的區域電力污穢等級評估方法

熊宇1，陳孝明1，阮羚1，黃俊杰1，張天浩2，朱忠敏2，韓舸3

(1. 國網湖北省電力公司電力科學研究院，湖北 武漢 430077； 2. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 3. 武漢大學國際軟件學院，湖北 武漢 430079)

bySatellite-derivedAOD

傳統污穢等級評估方法存在高成本、低效率、區域不均衡及包含主觀性等問題。衛星遙感以其大覆蓋和高重訪的優點特別適合需要時相特征的大范圍地物監測，同時20年來遙感定量化和自動化的發展產生了大量性能優異的機器學習算法，能夠很好地避免人為主觀因素的干擾。本文提出了一種基于衛星遙感數據及粗糙集、支持向量機等數據處理算法的區域電力污穢評估方法。數據挖掘試驗表明，最少只需獲取AOD、污染源目錄、降雨和地形高程4種數據即可實施污區等級評估工作。在此基礎上的分類試驗表明，基于支持向量機的分類方法總體分類精度高達70%，適用于全局污穢等級的評定和污區等級分布圖的制訂；而最大似然的分類方法對高等級污穢的評估精度高達80%，適用于對污穢閃絡事故的預警。

污穢閃絡；污區圖；粗糙集；圖像分類

附著于輸電系統絕緣裝置上的污染物被稱為電力污穢。過量的電力污穢會導致絕緣裝置失效，從而引起事故性放電甚至大面積停電，嚴重威脅電網的安全，影響電網的可靠運行。進行電力污穢評估是調整絕緣水平避免上述事故的最主要依據。

目前，我國的電力污穢等級評估主要依靠人工定點的地面監測，導致電力污區圖繪制成本極高，因此難以進行高時間分辨率的繪制，同時其評估結果也具有較大的主觀性。此外，由于采樣測量點主要集中在城市和重點電力項目區域的周圍，基于此的區域性(省級)評估結果缺乏足夠的空間代表性，無法用于新架設電力線路的污穢風險預評估工作。而且現行標準中等級的衡量方式較為模糊，缺乏明晰的數值—類別轉換關系，造成現有污區圖中污穢的評定具有一定的主觀性[1]。受制于上述因素，現行的電力污區圖以1～3年為周期進行更新，其更新速度已經無法滿足發展的需求[2]。

針對現行污穢評估方法存在的問題，本文首次提出利用衛星遙感獲得的大氣氣溶膠光學厚度(AOD)產品作為主要驅動因子，并引入數據挖掘和圖像分類技術，構建一種新型的大面積低成本電力污穢評估方法。衛星遙感數據具有時效性強和覆蓋面廣等優點，不僅能完美解決污區圖制訂過程中存在的空間代表性差的問題，還能大幅降低其監測評估的工作量和成本[3]。同時利用成熟的遙感數據處理方法進行基于多源數據的關鍵要素選擇和監督分類，能更全面地考慮多種污穢相關影響因子，也可避免污穢等級評估中存在主觀性[4-6]。最后，依據混淆矩陣的精度評價結果，分別提出針對污區圖制訂和污穢閃絡預警的不同分類算法選擇方案，使其適用于不同目的的污穢評估工作。本文選取湖北省作為研究區，綜合利用2014年的多源衛星和地面觀測資料，實現所提方法并評估反演結果的精度。

一、方案設計

圖1展示了利用遙感數據進行區域性電力污穢等級評估流程。為了盡可能全面地考慮各種因素對污穢積累的影響，首先將獲取的多源遙感原始數據，通過相應的處理方法轉換為多種產品，進而實施時空配準，產生時空一致的輸入變量集。出于科研目的，更多的觀測指標有望得到更好的評估結果，但是考慮到實際應用時輸入集越完備其完整性就越難以保證，而且計算資源消耗也會過大，不利于該方法的全面推廣。因此，本文同時利用粗糙集對輸入變量的重要性進行評定，確定出對污區等級評級最重要的觀測指標。在此基礎上，將人工測量點的評估結果作為目標集合，嘗試利用最大似然分類、支持向量機和馬氏距離法3種常見分類方法實施監督分類，以得到不同的污區評估結果，最后利用現有污區圖評價所得結果的精度。

圖1　方案流程

二、數據源

AOD作為衛星能夠直接反演的物理量，是一種很好的大氣污染指示物，并且可以有效地監測地面污染物的分布情況[7-8]。

植被覆蓋指數(NDVI)以遙感數據為數據源，由波段反射率計算得到，能夠相當精確地反映地表植被綠度及光合強度等，是評價植被情況的良好指標，對于目標區域的生態環境評價及污穢等級有重要的現實意義[9]。

數字高程模型(DEM)是輸電線路污穢研究不可或缺的重要地理信息之一，人類工程活動往往與地形地貌存在復雜的聯系，而人類工程活動會明顯影響絕緣子的積污速率。

氣象數據中的降雨和風速可能與污穢累積速率存在一定聯系，因此搜集了分布于湖北省21個氣象站的上述數據。

污染源數據來源于對輸電線附近的詳細調查，包含了臨近現有輸電線的大部分主要污染企業。該數據比較粗糙，只包含了地理信息，沒有排放強度信息，因此只能將各電源的強度視為一致的。

三、試驗結果及討論

1. 粗糙集評定

粗糙集理論是繼概率論和模糊集后又一個處理不確定性的數學工具[10]，它作為一種較新的軟計算方法，是目前人工智能理論的研究熱點之一，已被成功應用于諸多科學與工程領域[11]。本研究收集了2014年覆蓋湖北全境的環境和大氣和氣象監測數據，包括NDVI、AOD、坡度、坡向、高程、溫度、濕度、降雨量、風速和污染源強度等。其中，NDVI部分為旬度數據；AOD、DEM、溫濕風、降雨量為日度數據；污染源為年度統計數據。首先，由于各數據時間間隔不等，需要統一時間間隔；其次粗糙集只能處理類別型數據，因此對于數值型監測值需要進行量化處理。本文參考空氣污染等級對AOD等級進行分類[12]；參考植被覆蓋程度對NDVI等級進行分類；坡度等級依據地勢坡度角進行分類；坡向依據地理朝向進行分類；高程等級依據地理景觀類型進行分類；溫度、濕度、風速及降水量數據依據國家氣象局公布的氣象等級進行等級劃分；污染源數據依據環保部門給出的廢氣排放等級進行分級。經預處理后，參與污穢等級預測模型的輸入變量包括：植被覆蓋度、大氣光學厚度等級、坡度、坡向、高程、溫度、濕度、降雨等級、風速、污染源強度等級。

輸入變量集經粗糙集處理后共得到15個約簡集，表1為10個輸入變量在這些約簡集中出現的頻率，其一定程度上反映了不同變量對預測污穢等級的貢獻能力。在這15個約簡集中輸入項最少者僅含4個：AOD、高程、降雨和污染源等級。這表明僅用這4個變量就能夠取得在目前條件下的最優結果，進一步改進則依賴于其他新數據的引入。由此大大簡化了需要收集的數據集，后續分類將依賴這4類指標的數值型記錄。

表1　輸入變量在約簡集中出現的頻率

表2為4個入選變量的重要性情況，其中POSi表示屬性集去除變量i后的決策能力，即變量i的次要性。POStotal-POSi表示整體決策能力與變量i次要性之差，即變量i的重要性。為了對各變量的重要性進行對比分析，本文對重要性進行歸一化處理，得到表2中的評價指標(1-POSi)/max(1-POSi)，即為變量i的歸一化重要性。這里需要說明的是，本文所使用的3個評價指標只有POSi和POStotal-POSi是具備數學或物理意義的，而歸一化重要性只能在該試驗中與各變量橫向對比分析。

表2　選中約簡集中各變量重要性情況

由表2可見，AOD最為關鍵，其次是污染源等級、降雨和高程。這一結果顯示污穢累積程度與當地大氣污染情況有著緊密的關系，而利用AOD和當地污染源等級來表征大氣污染情況則是進行大面積污穢等級的基礎。降雨對污穢洗刷作用也被考慮進來，而且可以發現其作用不可忽視，相對而言風的作用似乎小了許多。高程對污穢的影響很可能不是直接的：有研究表明AOD和高程存在一定的負相關；同時，高程對污染物的擴散可能存在一定影響；另外，高海拔地區人類活動相對減少也可能減輕污穢的累積。因此，綜合考慮，高程對污穢的積累存在某種非直接但是比較明顯的作用。

2. 污穢等級評估

根據上述粗糙集的結果，本文確定AOD、污染源強度、降雨和DEM(高程)4種指標是最重要的關鍵參量，它們的組合對于污穢等級評價而言能夠包含等價于全部數據集的信息。在此基礎上，對于上述選出的關鍵因子產品進行后處理，主要包括時間分辨率的歸一化和空間配準，從而生成時空一致的數據集。為客觀評價不同算法對污穢等級評估的效果，選取3種不同的方法：最大似然法、支持向量機方法和馬氏最小距離。最大似然法基于遙感影像光譜特性，利用概率判別函數和貝葉斯判別規則完成最優分類，被廣泛應用于遙感影像的分類處理。支持向量機方法以統計學習理論為基礎，基于結構風險最小化的原則，折衷考慮經驗風險和置信范圍完成最優分類。馬氏距離分類與最大似然分類相似，也基于多元正態分布理論，但假定所有類的協方差相等，使用先驗概率與體積的比為同一常數的概率判決函數完成分類。

本文使用2014年覆蓋湖北省的大氣和遙感數據，參照2014年國家電網官方公布的湖北省電力污區圖數據，分別使用3種算法進行訓練，并利用訓練結果進行評估，評估效果如圖2所示。宿志一等通過對各種環境和測量指標量將電力污區圖分為4個等級，本文在此基礎上將分類的結果可視化。

圖2　3種評估方法對于污穢等級的預測同污區圖的結果對比

總體上看，3種評估方法對于污穢等級低地區的預測同污區圖的結果相比是非常接近的，特別是支持向量機和最大似然法的結果與污區圖基本一致。對于污穢等級最低區域的估算，支持向量機體現出比較明顯的優勢，但是支持向量機算法似乎容易低估污穢等級，較少出現較嚴重區域。而最大似然法和馬氏最小距離法則傾向于高估污穢等級。對3種結果的準確評價需要依賴于獨立的實地調查，其中一個關鍵的考察區域在于湖北省中部地區。可以發現，在中部地區有調查的區域，污穢等級程度比較高，而中部地區有大量缺乏實際采樣的結果，對這些地區的評價，污區圖往往傾向于認為污染不大。相反，基于遙感數據的評估顯示在這些區域污穢的等級可能超過一般的估計。這種矛盾需要后續深入的實地調查，以確定最終的實際情況。

表3給出了3種方法結果和污區圖中不同等級出現的頻率。a級在4種產品中都不存在。b級的差別相對較小，都在30%附近。同污區圖最接近的是支持向量機(SVM)輸出的產品，在c、e兩個級別都非常接近，d級出現的較少。總體而言，SVM有將污染等級評估偏低的傾向。最大似然和馬氏距離與污區圖相比的最大特點是e級出現的頻率大幅上升。馬氏距離有明顯地將污染等級向嚴重方向估計的傾向。相對而言，最大似然的評估結果在SVM和馬氏距離之間，但是也呈現出將污染等級往嚴重方向估計的特征。本文采用十折交叉驗證的方法來評價等級分類的結果，以污區圖為真實正確結果并將其隨機分成10組，每次使用其中9組進行訓練，剩下的1組作為測試樣本來驗證分類結果。將3種方法的評估結果分別與其按地理位置一一對比，10次平均可以得到混淆矩陣，見表4—表6。

表3　污區等級評價對比　(%)

表4　最大似然法精度評價混淆矩陣

表5　支持向量機精度評價混淆矩陣

表6　馬氏最小距離精度評價混淆矩陣

從以上精度評價混淆矩陣看，SVM的總體精度最高，可以達到70%以上，主要原因可能是SVM的特征維數僅為四維，因此其預測的魯棒性較好；另外兩種方法的精度則只有50%左右，而主要出現誤分類的區域集中在湖北中部地區。但是具體到每個子類，可以發現SVM的高精度源于其對b、c兩種占大部分區域但污染等級稍低情況的準確評定。而在實際應用中，從電網運維的安全考慮， 往往會重視高預警等級，此時d、e兩種情況會更為重要，SVM對這兩個等級評定的精度就不如最大似然和馬氏距離的效果好，尤其是最大似然分類方法對最高等級e的分類精度高達80%。

綜合考慮上述分析和評價指標，本文認為在國家電網對污區圖的等級修訂時，可以采取支持向量機的分類方法，結合AOD、污染源強度、降水和高程數據來高效地制訂全省污區圖的原型；而在對絕緣子污穢閃絡事故進行評估甚至預測時，則建議采用最大似然或馬氏最小距離的分類方法，結合相應衛星和地面實測數據來對高等級的污染區域進行預警，以保證電網運維的安全性，保障國家和人民的財產安全。

四、結　論

本文以衛星遙感影像和湖北省地面在線監測多源數據為基礎，將粗糙集算法和多種遙感影像分類算法引入電力污區圖的制訂過程中，從而實現了基于遙感手段的區域性電力污穢等級評估工作。試驗結果表明：

1) 4種指標是評估污穢等級的不可或缺要素，它們的重要性排名依次為AOD、污染源強度、降雨和高程。

2) 3種分類方法對污區等級的評估同污區圖的結果影響是非常相似的，但支持向量機算法容易低估污穢等級，而最大似然和馬氏最小距離則傾向于高估污穢等級。

3) 總體上SVM算法能夠實現總體精度超過70%的污區等級評估，而最大似然法對于重度污穢區的評估具備顯著優勢。

綜上所述，國家電網對污區圖修訂具體實施的過程可以結合MODIS衛星AOD數據、STRM衛星DEM高程數據、中國氣象局提供的降水數據和環保部門提供的污染源數據，采用支持向量機的方法不僅很好地解決了污區制訂過程中空間代表性的問題，而且也避免了污穢評估過程中一些主觀因素的影響；采用最大似然法來進行評估有利于對高等級的污穢區域進行預警，及時對該區域桿塔線路上的絕緣子進行污穢閃絡評定，以保證電網運維的安全性。此外，基于遙感手段的污區評估工作也將大幅減少工作量，有利于縮短污區圖的更新周期。進一步優化所提方法，提高評估結果精度，同時實施大規模野外驗證工作將是未來研究的重點，也是全面推行該方法的前提條件。

[1]PACIOREKCJ,LIUY.LimitationsofRemotelySensedAerosolasaSpatialProxyforFineParticulateMatter[J].EnvironHealthPerspect, 2009, 117(6): 904-9.

[2]宿志一, 李慶峰. 我國電網防污閃措施的回顧和總結 [J]. 電網技術, 2010, 34(12): 124-30.

[3]RUANL,HANG,ZHUZ,etal.SpatialandTemporalCharacteristicsofInsulatorContaminationsRevealedbyDailyObservationsofEquivalentSaltDepositDensity[J].Sensors, 2015, 15(2): 3023-40.

[4]LUNETTARS,JOHNSONDM,LYONJG,etal.ImpactsofImageryTemporalFrequencyonLand-coverChangeDetectionMonitoring[J].RemoteSensingofEnvironment, 2004, 89(4): 444-54.

[5]鐘燕飛, 張良培, 李平湘. 遙感影像分類中的模糊聚類有效性研究 [J]. 武漢大學學報(信息科學版), 2009, 34(4): 391-4.

[6]許曉婷, 隋立春, 李芹芳,等. 基于GIS的山區農用地定級方法研究 [J]. 測繪通報, 2014(11)：46-49.

[7]KAUFMANYJ,FRASERRS,FERRARERA.SatelliteMeasurementsofLarge-scaleAirPollution:Methods[J].JournalofGeophysicalResearch:Atmospheres(1984—2012), 1990, 95(D7): 9895-909.

[8]李成才, 毛節泰, 劉啟漢, 等.MODIS衛星遙感氣溶膠產品在北京市大氣污染研究中的應用 [J]. 中國科學(D輯), 2005, 35(S1): 177-186.

[9]YUEWZ,XUJH,XULH.AnAnalysisonEco-environmentalEffectofUrbanLandUseBasedonRemoteSensingImages:ACaseStudyofUrbanThermalEnvironmentandNDVI[J].ActaEcologicaSinica, 2006, 26(5): 1450-60.

[10]韓舸, 龔威, 吳婷, 等. 利用粗糙集的滑坡分階段位移預測方法以白家包滑坡為例 [J]. 吉林大學學報(地球科學版), 2014(3): 925-931.

[11]PAWLAKZ.RoughSets:TheoreticalAspectofReasoningaboutData[M].Dordrecht：KluwerAcademicPublishers，1991.

[12]夏麗華, 王芳, 王德輝. 基于MODIS數據的城市光化學污染預警系統及預警等級研究 [J]. 地理科學, 2006, 26(6): 712-716.

中海達三維激光建模軟件首次加入測繪技能競賽

[本刊訊]近日，由四川省教育廳主辦、成都理工大學承辦的“中海達杯”第二屆四川省大學生測繪技能競賽在成都理工大學舉行，3天緊張激烈的比賽精彩紛呈，各參與高校都有優秀表現。

本次競賽吸引了四川省內23所高等院校，共19支專業組和30支非專業組參賽。每個團隊由1名領隊和4～6名參賽隊員組成，其中每個參賽隊還配有1～4名指導老師。比賽總共分為四個環節：水準測量、導線測量、1∶500數字化測圖與建庫和三維激光點云建模，其中三維激光點云建模的比賽首次被引入測繪技能競賽中，這是此次技能大賽中最具亮點的環節。共24支隊伍參加三維激光點云建模比賽，海達數云利用HS系列高精度三維激光掃描儀采集了兩組對稱建筑物的數據，參賽隊員經三維激光點云數據提取、點云轉換、紋理提取、建模貼圖等步驟完成比賽，整個流程要求參賽隊員對前期培訓內容進行過深入的消化和吸收，不僅要精通軟件，還要能快速操作軟件。

經大賽裁判組、組委會核分、評審，共評出“水準測量”“導線測量”“數字化測圖”“三維激光點云建模”和“數據入庫”5個單選的專業組一等獎7個，二等獎14個，三等獎22個；非專業組一等獎11個，二等獎22個，三等獎33個；優秀指導教師18人。其中東道主成都理工大學收獲頗豐，包攬了專業組和非專業組的團體總分第一名。

(本刊編輯部)

A Novel Evolution Method for Contamination Level of Power System Driven

XIONG Yu，CHEN Xiaoming，RUAN Ling，HUANG Junjie，ZHANG Tianhao，ZHU Zhongmin，HAN Ge

2015-11-10

熊宇(1989—)，男，碩士，助理工程師，主要從事狀態信息系統建設及高級應用研究等。E-mail：hbdky@sina.cn

朱忠敏。E-mail：zhongmin.zhu@whu.edu.cn

P237

B

0494-0911(2016)08-0039-05

引文格式：熊宇，陳孝明，阮羚，等.衛星AOD數據驅動的區域電力污穢等級評估方法[J].測繪通報，2016(8)：39-43.DOI:10.13474/j.cnki.11-2246.2016.0252.