大氣環境監測中大數據解析技術的運用

王建國，趙 婧

（內蒙古環境監測中心站，呼和浩特 010011）

1 大數據解析技術的優點

大氣環境監測中，在應用大數據解析技術的時候，可開展可視化操作，同時也能實現數據的收集、數據的整理、數據的記錄以及數據的挖掘，還可以預測大氣環境。具體來說包括：第一，開展可視化操作。若想要有效確保大氣環境監測的效果與質量，就要對多方面因素進行仔細分析，若是單純進行數據記錄，便很難準確反映大氣環境確切、真正的變化規律。面對這樣的問題，可以采取大數據解析這一先進、科學的技術措施，將經過圖像化處理的數據展示出來，實現可視化操作，同時，還可以與氣象平臺有機結合起來，來進行數據發布，根據氣象平臺上發布的大氣環境信息，人們便可以有計劃地開展各項活動。第二，關于數據的相關工作。大數據解析技術，顧名思義是一種關于數據的技術，在大氣環境監測過程中應用這種技術措施，便可以更好地收集、整理、記錄、挖掘大氣環境數據，并構建數據檔案，根據一段時間內收集到的數據，便可以對大氣環境變化的實際規律情況進行探討與分析，并可以以此為根據，開展大氣環境預測，促進預測結果準確性的提高。第三，還可以預測大氣環境。對大氣環境數據進行處理之后，便可以通過對大數據解析技術進行應用，來分析數據之間的聯系，總結數據規律，并結合運用氣象公式、針對性編程，充分考慮歷史同期數據與生態環境因素等，便可以有效預測大氣環境。

2 大數據解析技術在大氣環境監測中的運用

現以城市局部PM2.5平均濃度計算為例，探討大數據解析技術在大氣環境監測中的運用策略。首先，按照規格為1千米×1千米單元網格，對目標城市進行劃分。基于此，用G（g1，g2，…，gi，…，gn）代表研究對象；用Gi 代表城市中1平方千米范圍內的地區；用C（Cg1，Cg2，…，Cgi，…，Cgn）代表研究內容；用Cgi 代表城市局地網格中PM2.5平均濃度。應用大數據解析技術的時候，研究內容又可以叫做目標函數，以J（Ci）進行代表，其有C1、C2兩種類型，C1是PM2.5平均濃度已知的設有大氣自動監測站的網格；C2是PM2.5平均濃度未知的未設大氣自動監測站的網格。在對C2的PM2.5濃度進行計算的過程中，需要采取大數據解析。

2.1 數據類與特征量的選擇

在應用大數據解析技術對C2的PM2.5平均濃度進行計算的過程中，為實現計算精準度的提高，需要收集C2的相關數據。在數據選擇的時候，應采取“可能”與“需要”的原則，前者是指相關數據存在，后者是對各類數據進行分析，保證J（Ci）目標函數與所選數據類存在相關性。收集到的C2相關數據有：人群活動情況、交通狀況、氣象條件、各網格坐標等相關數據，加油站、工廠、餐飲業等與空氣污染有關的特征單位方面的數據，PM2.5平均濃度的歷史數據。在實踐應用大數據解析的時候，應注意J（Ci）目標函數所受到的各種數據的特征量的影響。包括：交通狀況中的總車輛數、不同車速下的車輛數、平均車速及平均車速方差；氣象條件中的氣溫、氣壓、風速、相對濕度；PM2.5平均濃度的歷史數據。選擇各個特征量后，便可采取下述公式（1）、公式（2）、公式（3）來對各個特征量進行歸一化處理：

式中，下標ik是第k 個特征量；`xk 是其平均值；下標i 是其第i 個數值；n 是其數據個數；Sk是其標準差；X’ik是特征量k 歸一化后的第i 個數據。

對上述特征量進行分析，可以看出存在兩種特征量，即隨時間變化、不隨時間變化兩種特征量，目標函數也在一定程度上受到兩種特征量的影響，在對目標函數進行解析的過程中，解析途徑也有所不同。這樣的情況下，對于空間相關的數據集，可應用空間分類器來進行目標函數運算，經過運算之后便可以得到預期結果；可對時間分類器進行運用，針對時間相關的數據集，開展目標函數運算，從而獲得預期結果。隨時間變化的數據集包括氣象條件、交通狀況、人群活動情況以及PM2.5平均濃度的歷史數據。與空間相關數據集包括網格道路狀況、坐標數據以及與空氣污染密切相關的特征單位數據。

2.2 空間分類器

其所包含的特征量處于靜態過程，同時不受時間影響。目標函數受到其所包含特征量的干擾，為多層、多節點的傳遞過程，其結構特征為靜態神經網絡。空間分類器局地網格PM2.5平均濃度預測，主要組成部分包括人造神經網絡部分（ANN）、輸入部分（IG），空間分類器IG 主要負責利用各種空間特征量，來構建ANN 的輸入值，其數據生成流程如圖1所示。研究過程中，應在設有大氣自動監測站的C1隨機選擇兩個局部坐標標記為11、12，根據圖2，可以采取反演法，解決神經網絡中的非線性函數變換問題，結合Widrow-Hof 學習規則，對空間分類器進行不斷反復訓練，來滿足大數據解析技術的實際應用要求。

圖1 空間分類器IG的數據生成流程

圖2 神經網絡節點輸入輸出流程

2.3 時間分類器

局部地區大氣污染物濃度是隨時間變化的特征量，將其用yi表示，某網格點某特征量用Xij表示，則X={x1，x2，…xn}，xi={xi1，xi2，…，xij，t}，t 為某一時刻。X 確定的前提下，隨機變量yi 僅僅與相鄰yi-1存在關系，由此得出公式（4）：

P 是概率，i～j 是給定域中i 狀態變量和狀態變量相鄰。進一步對其進行分析，可得出公式（5）：

Z（x）代表的是條件概率函數的權重；λ 代表的是訓練過程中的待估參數。對線性函數參數估值法進行應用之后，便可以得到權重參數估值。

城市局部地區PM2.5平均濃度計算中應用大數據解析技術，可應用公式（6），并應用趨于最優的時間分類器、空間分類器，得出未知網格PM2.5平均濃度的計算。

3 結束語

復雜性、多樣性是大氣環境問題的顯著特征，大氣環境監測中，不同類型的大氣環境數據，相互之間的關系為非線性關系、多元化關系。這樣的背景下，大氣環境監測工作的實際開展過程中，在分析、利用數據信息的時候，面臨著諸多方面的制約。因此，必須加大對大數據解析技術的研究與應用，以便于更好地開展大氣環境監測。