淺談人工智能在環境工程中的應用

摘 要 當今的人工智能不斷發展，技術理論不斷創新，應用范圍不斷擴大。計算機視覺以及機器學習對環境工程目前的發展的推動作用比較明顯。本文將從環境工程角度出發，基于人工智能的計算機視覺和機器學習兩個技術核心的應用，探索研究人工智能及其相關融合技術在環境工程領域中的創新應用。

關鍵詞 人工智能;環境工程;計算機視覺;機器學習;神經網絡

隨著我國城市化進程的不斷加快以及生活物質水平的穩步提高，大氣、水、土壤污染等城市環境問題日益突出，僅僅靠人力監測、治理環境問題已不能滿足當前發展需求。為了更好地滿足人民群眾對優美生態環境的需求，實現環境與經濟協調發展，國家逐步加大環境保護力度，相繼出臺《“互聯網”+綠色生態三年行動實施方案》《生態環境大數據建設總體方案》《關于深化環境監測改革提高環境監測數據質量的意見》，加快推動大數據、互聯網、物聯網等新一代信息技術在環境治理、污染防治等工作中的應用，“智能+環保”也因此應運而生[1]。

人工智能的技術核心分為計算機視覺、機器學習、自然語言處理、語音識別等方面[2]。其中，計算機視覺以及機器學習方向，由于其技術特點，對環境工程目前的發展推動作用比較明顯。本文將從生態環保角度出發，基于人工智能的計算機視覺和機器學習兩個技術核心的應用，探索研究人工智能及其相關融合技術在環境工程領域的創新應用。

1計算機視覺在環境工程中的應用

人類認知世界絕大部分信息來源渠道是通過視覺來實現的。計算機視覺分五大技術：圖像分類、對象檢測、目標跟蹤、語義分割和實例分割。發展計算機視覺的目標，是想讓計算機能夠像人一樣通過“視覺+認知”來認識人類世界。目前計算機視覺技術領域中，應用最廣的是人臉識別和圖像識別。

計算機視覺在深度學習算法的幫助下，在近幾年迎來的飛速發展。在權威的計算機視覺競賽（ILSVR）中，千類物品識別最低錯誤率從 2010 年的 25.8%，降低至 2017年的2.251%。目前的垃圾分類領域主要應用的就是計算機視覺技術。實現垃圾分類的前提和基礎是垃圾的識別，傳統的垃圾分揀技術主要應用的是磁性和重量等傳感設備，來根據垃圾的一些物理特性進行簡單的分類，當垃圾類型比較復雜時，其分類效果比較差。目前世界上出現了很多針對垃圾分類領域基于計算機視覺的軟件和設施，例如中國阿里巴巴公司推出的垃圾識別軟件，美國Bangbelly? Solar 公司推出的智能垃圾桶等。在垃圾分揀領域中，如中城綠建、芬蘭澤恩機器人公司等開發的基于計算機視覺的垃圾分揀機器人等[3]。隨著算法的優化和計算機算力的提高，計算機視覺技術的日漸成熟，使得垃圾識別的準確性及識別速度大大提升。

計算機視覺技術不斷發展，使得在大范圍空間尺度上，針對城市環境評價基于街景圖像數據的研究成為一種研究思路。對于城市環境評價來說，傳統方法是利用現場調研，人工采集較小規模的數據來進行分析評價。其缺點是難以在大范圍、精細化的尺度上進行評估。而街景全景已經在全球范圍內廣泛應用，我國國內常用的街景圖像數據源有：百度街景（Baidu Street View，BSV）和騰訊街景（Tencent Street View，TSV）。BSV和TSV的數據涵蓋了中國大部分的大中型城市。我們可以通過從BSV和TSV各自的公共API，請求獲取大量的街景圖像[4]。街景圖像覆蓋面廣，數據采集成本低，為城市環境評價研究提供了超大樣本數據源。與單純的用現場觀測采集到的數據相比較，分析街景圖像用于評價城市環境是一種效率更高的方法，且可實現超大規模空間范圍的城市環境評價，而且不同空間、不同時間的街景數據也可以通過比較結果來進行科學研究。

目前，計算機視覺在機器學習與高性能計算幫助下，使快速、準確的處理海量的圖像數據以及提取有用信息成為可能。基于人工智能技術的發展，環境工程研究領域內的超大范圍時空圖像處理及物理特征提取和圖形化表達等新方法利用，可以為環境工程領域內的一些問題提供新的研究思路。

2機器學習在環境工程中的應用

機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑。機器學習中需要解決的最重要的4類問題是預測、聚類、分類和降維。機器學習的特征是隨著訓練樣本的不斷增多，其模型輸出也愈發準確，類似于人類個體自然成長的學習認知過程。

神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互連接構成。每個節點代表一種特定的輸出函數，稱為激勵函數。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。神經網絡模型作為一種重要的手段被廣泛應用于數學計算、物理建模、水文模擬、環境預測、人工智能等研究領域。

在環境工程領域中，利用人工神經網絡為核心的算法，通過對大量的輸入數據進行處理，可以實現對諸如運行工況、實驗數據等方面的準確預測，以期對設備運行條件以及數據分析結果進行優化。誤差反向傳播算法（error back propagtion ，BP）是人工神經網絡模型中的一種，它能夠建立輸入量與輸出量之間全局性非線性映射關系的分析方法。從已知數據中自動歸納規則并獲得數據的內在規律。如利用人工神經網絡的數據預測功能，基于中國氣象局霧-霾數值預報系統 CUACE、北京區域環境氣象數值預報系統BREMPS和華東區域大氣環境數值預報系統WRF-Chem三個環境氣象模式預報產品，利用BP神經網絡方法建立多模式集成預報模型[5]。預測的結果表明，集成模型預報的PM2.5濃度的演變趨勢和實況基本相符，證明了利用人工神經網絡預測的可行性。人工神經網絡技術還可用來分析水環境承載力，其基本思想是從閾值角度出發，建立了基于人工神經網絡的區域水環境承載力評價模型，并將其應用于水環境承載力評價，通過模型計算得到該水環境承載能力指數。其評價結果可以直觀地反映區域水環境承載狀態[6]，可以為接下來對此水域生物和環境保護的研究提供數據支持和新的研究思路。

人工神經網絡模型可以利用有限的監測指標，建立非線性映射關系，通過函數計算和預測其他指標，可以減小監測成本的同時，也能彌補因監測指標不足而導致研究結果的片面性，為研究結果的準確性和優化相關設備運行工況等提供數據參考和決策支持。

3結束語

隨著計算機算力提升以及人工智能的發展，人工智能與環境工程領域的技術融合還有很大的發展空間。邊緣計算、深度學習等關鍵技術的演進發展，加上新一代5G通訊與人工智能技術的相互成就，其將產生融合效應，人工智能技術將快速應用在各個環保領域，成為環境信息全面深度監測、環境數據傳輸匯聚、應用場景智能高效的利器，全面提升生態環境智能決策和處理水平。

參考文獻

[1] 費彥肖，吳俊星.5G與AI融合技術在智慧環保領域的應用研究[J].智能城市，2020，6（7）：152-153.

[2] 崔雍浩，商聰，陳鍶奇，等.人工智能綜述： AI 的發展[J].無線電通信技術，2019，45（3）： 225-231.

[3] 周馮琦，張文博.垃圾分類領域人工智能應用的特征及其優化路徑研究[J].新疆師范大學學報（哲學社會科學版），2020（4）：1-10. https：//doi.org/10.14100/j.cnki.65-1039/g4.20200122.002，2020-05-29.

[4] 張麗英，裴韜，陳宜金，等.基于街景圖像的城市環境評價研究綜述[J].地球信息科學學報，2019，21（1）：46-58.

[5] 張恒德，張庭玉，李濤，等.基于BP神經網絡的污染物濃度多模式集成預報[J].中國環境科學，2018，38（4）：1243-1256.

[6] 王儉，孫鐵珩，李培軍，等.基于人工神經網絡的區域水環境承載力評價模型及其應用[J].生態學雜志，2007（1）：139-144.

作者簡介

馬思遠（1990-），男，內蒙古人;畢業院校：天津大學研究生在讀，專業：計算機技術，學歷：碩士研究生在讀，現就職單位：中國華電科工集團有限公司，研究方向：智能環保，計算機視覺。