基于精細化管理的環境物聯網發展趨勢

李澤浩，常 杪，王東生，徐翀崎

1.清華大學環境學院，北京 100084 2.青島市生態環境監控中心，山東 青島 266003

物聯網在生態環境領域得到了廣泛應用。國務院辦公廳頒布的《生態環境監測網絡建設方案》[1]與原環境保護部辦公廳頒布的《生態環境大數據建設總體方案》[2]等要求運用現代信息技術創新環保工作，實現生態環境數據互聯互通和開放共享已成為社會共識。2020年3月中共中央辦公廳與國務院辦公廳印發的《關于構建現代環境治理體系的指導意見》[3]中要求全面提高監測自動化、標準化、信息化水平，加大監測技術裝備研發與應用力度，推動監測裝備精準、快速、便攜化發展。

環境物聯網關注生態環境管理對象，運用智能傳感器、遙感等非實驗室監測手段感知生態環境的變化，監控企業的排污行為[4]，對獲取的生態環境信息進行處理、整合，指導環境管理決策，以實現環境管理的目標。環境物聯網由下至上可分為感知層、傳輸層、應用層3層結構[5]。感知層使用射頻識別技術與傳感器技術等采集環境狀態數據和信息，射頻識別技術廣泛應用于固廢轉運、移動放射源等監管領域，而在環境質量分析和污染源監測等領域傳感器技術的應用更為普遍。傳輸層使用通訊技術將采集的數據傳輸到數據庫中。應用層將環境數據進行處理、整合分析以實現環境管理應用需求。近年來新技術的不斷涌現提供了解決環境物聯網現存問題的新手段，筆者分析環境物聯網的應用現狀及其與現階段應用需求之間的差距，結合環境物聯網的感知層、傳輸層與應用層發展情況，找出主要問題，結合物聯網與大數據新技術的研究進展，展望環境物聯網的未來發展方向。

1 環境物聯網在環境管理中的需求

構建環境物聯網能夠有效支撐以下環境管理業務：①環境質量管控：利用地面自動監測設備、手持便攜設備等全面感知和監測水、大氣、土壤、生態等環境要素，以全面評估生態環境質量；②環境質量預警預測：通過分析地面自動監測、無人機監測、衛星遙感監測等獲取的數據，研究并準確預測生態環境質量變化趨勢，識別敏感點位，預警并應對突發環境污染事故；③污染源管控與溯源：利用自動監測設備、視頻監控設備、無人機監測等，實現對各類污染源與污染物從生產過程到末端排放的全程監控，由事后應對為主的環境管理模式轉為事前預防，實現精細化監管；④形勢研判與治理決策：利用地面自動監測設備、垂直觀測塔、衛星遙感監測等技術，對背景點位跨區域傳輸、長時間跨度變化問題提供數據支撐，輔助制定系統性規劃與管理方案，科學治理區域性環境問題。

環境物聯網在近年來取得了長足發展，但在實踐過程中也存在一些不足。一些新政策對環境物聯網的應用提出了新的要求。生態環境部發布的《關于推進生態環境監測體系與監測能力現代化的若干意見(征求意見稿)》[6]《生態環境監測規劃綱要(2020—2035年)》[7]等提出要開展監測能力現代化達標建設，完善環境質量監測網絡，統籌構建污染源監管體系，提高溯源解析與風險監控能力，推動數據共享。結合上述政策文件中提及的管理目標，將環境物聯網在實際應用中存在的不足，與環境物聯網的感知層、傳輸層、應用層對應分類歸納，見表1。

表1 環境物聯網在環境管理應用中的不足[3,6-7]Table 1 Deficiencies in the application of environmental IoT in environmental management

2 環境物聯網發展現狀

2.1 環境物聯網感知層

當前環境物聯網感知層實現自動在線監測的指標主要集中在大氣6種污染物、水質五參數、化學需氧量和氨氮(湖庫還包含總氮和總磷)[8]，環境噪聲涉及的部分指標也已實現自動在線監測[9]。而其他指標更多地是根據本地環境問題，使用手持便攜設備、無人機監測設備等實現監測需求。筆者將從監測原理、信號轉化類型和監測方式等方面總結環境物聯網傳感器技術的現狀。

2.1.1 監測原理

按照信號產生原理可將傳感器技術方法分為物理方法、化學方法和生物方法。物理方法指直接或者依靠光、熱等外界能量作用來監測目標物質的質量、光譜學等特征以確定監測目標物質的含量的方法；化學方法通常是利用目標物質對化學反應產生的電信號或者對指示物光學或顏色等可識別特征的不同響應進行觀測的方法；生物方法則是利用酶、抗體等生物活性分子的特征反應或者活體細胞受到監測目標物質影響而改變表現型或狀態，進而轉化為便于觀測的光、電信號等進行檢測的方法[10]。相較而言，物理方法適用范圍較窄，可完成對選擇性要求不太高的物質的監測或者對精度要求不太高的宏觀尺度監測；化學方法的使用最為廣泛，成本也相對較低，選擇性、靈敏度、可重復性、準確度等指標表現也較好[11]；生物方法具有很好的選擇性，靈敏度表現較好，使用細胞時，還能夠實現對多種污染物的聯合監測和高通量現場檢測，但是檢測范圍較小，反應條件要求更為嚴格，環境變量對監測結果影響較大，響應時間也較慢，識別過程會影響儀器的使用壽命，增加運維難度[12]。

2.1.2 信號轉化類型

按照信號轉化類型可將傳感器技術方法劃分為光學方法，電化學方法和色譜/質譜[13]、質量、熱量方法等。其中光學方法和電化學方法屬于主流方法。光學方法使用的光譜類型包括發光、熒光、吸收、散射、反射、干涉光譜等，根據使用的光的頻段又可分為紅外、紫外、激光等[14]。電化學方法使用的傳感器類型包括電位、伏安、電流等電阻型傳感器，電極法以及半導體傳感器[15]。通常來看，色譜/質譜法和遙感監測儀器成本更高，使用光學方法(尤其是紫外、激光等技術)的能耗較電化學方法而言更高。不同監測方法適用的污染物種類見表2。

表2 不同監測方法適用的污染物種類Table 2 Types of pollutants that different monitoring methods are applied

2.1.3 監測方式

各種環境監測方式按照載體可劃分為固定點位監測和移動式監測，其中移動式監測包含手持、車載、船載、系留氣球、機載、星載等各種形式的監測(表3)。相較而言，固定點位監測自動化可減少人力投入，實現持久、固定頻率的環境監測，對于獲取相對高頻的環境狀態信息有重要意義。近年來監測站呈現出小型化、微型化的趨勢，在提高環境適應性的同時，降低了運維成本，既可以快速移動部署，高頻傳輸數據，又適合大范圍、高密度布設。移動式監測則需要一定的人力參與，犧牲了監測的頻密度但獲得了更多機動性，可幫助獲取環境狀態在時空分布上的變化趨勢，但是也需要解決載具的協調性、交互性與路線問題等[16]。多種載體監測方式的結合有助于形成多層次、立體式的環境監測網絡。以大氣環境管理為例，固定點位監測設備可滿足常規的環境質量監測、點源排放監控等需求；對于有污染溯源、應急監測或不定期監督抽查監測需求的敏感點位等，則可以根據監測任務的范圍選用手持、車載等監測設備；而面對區域性空氣污染問題識別與聯防聯控、重污染天氣研判等較大時空尺度的管理需求時，則可以使用機載、星載等監測設備獲取數據以輔助決策。

新疆醫科大學附屬中醫醫院作為新疆規模較大的教學基地之一，已形成臨床實習全過程質量管理體系，在該領域積累了不少寶貴的經驗。加強實習醫師的基本技能操作，科教科對實習生進行入院前崗前培訓，抽調全院教師參加培訓工作，崗前培訓的項目包括：四項基本技能（體格檢查、心肺復蘇、無菌操作、中醫針灸操作）的強化訓練。開展臨床理論培訓：加強實習醫師的理論及基本技能掌握，在實習醫師入院前[2-5]，科教科制定整個實習期間的培訓計劃，固定時間進行培訓，使實習醫師能較系統的掌握臨床的基本知識。

表3 不同載體的監測方式對比Table 3 Comparison of monitoring manners with different carriers

2.2 環境物聯網傳輸層

當前環境物聯網傳輸層采用的常見技術有短距離無線通信系統(藍牙[17]、ZigBee、Wi-Fi[18]等)及移動通信網絡技術(2G、3G、4G[19]等)，技術的選取由傳輸距離、傳輸速率與帶寬、傳輸安全級別、時延接受度、設備能耗等決定。通常，短距離無線通信系統可以滿足數十米范圍的數據傳輸需求(如工業園區內監測數據的傳輸)，而更大范圍(如數千米)的數據傳輸則由移動通信網絡補充(如野外環境監測數據的傳輸)[19]。短距離無線通信系統的技術比較見表4。移動通信網絡技術方面，環境物聯網蜂窩設備主要由3G和4G來承載，預計未來4G將成為蜂窩物聯網設備的主要承載者[20]。現有的傳輸技術能夠滿足常規監測數據的傳輸需求，但傳輸較大數據包(如視頻數據)的能力不足，且難以滿足未來監測時空密度不斷增加所帶來的數據傳輸需求。

表4 藍牙、ZigBee、Wi-Fi技術對比[17-18]Table 4 Comparison of Bluetooth,ZigBee and Wi-Fi

2.3 環境物聯網應用層

環境物聯網可以獲取多種環境狀態信息和數據，從而輔助實現多種環境管理需求。結合筆者分析，按照不同的環境管理應用需求對環境物聯網的應用層現狀進行梳理，見表5。當前物聯網應用層對數據的分析應用仍以傳統的統計分析為主，部分應用場景使用了機理模型與一些機器學習算法，總體數據分析應用能力還有待提升，輔助決策能力有待提高。

表5 環境物聯網管理應用現狀Table 5 Status of the application of environmental IoT in management

3 新技術特點及在環境精細化管理中的應用場景

3.1 傳感器技術的發展

傳感器的基礎創新周期較長，近年來傳感器技術逐漸成熟，成本持續下降，傳感器的創新方向主要是面向下游應用需求，包括監測設備的集成化、設備安全和信號后端處理穩定性等[20]。降低傳感器的成本和體積(如監測站小型化、手持便攜設備微型化)，提高傳感器的性能指標，減少環境因素的干擾將是傳感器改進的主要方向。此外，當前已經實現自動在線監測的指標包括物理參數和主要空氣或水體污染物，還需進一步完善自動在線監測所能覆蓋的監測指標類型。

從原理上看，光學、電化學方法目前仍是主流方法并得到了廣泛的應用[13]，生物方法也得到越來越多的關注[21]。從傳感器使用材料上看，新材料的引入將對改進傳感器的性能有很大幫助。膜[22]、半導體材料[23]可以提高傳感器的靈敏度，降低響應時間，且都已得到了成熟的應用；納米材料因其比表面積較大，有利于提高反應速率等而被關注(尤其是在生物傳感器中的應用[10])；此外還有硅化材料和超導材料等。新材料的開發和應用還需要考慮運維成本和實用性等因素。

此外，傳感器校準技術和算法的研究也有助于提高采集數據的精準度(如使用智能算法對傳感器采集結果進行校準，可以解決溫度等環境變量的影響問題[24]，還可以解決長期使用導致的老化、中毒等[25]使傳感器出現漂移的問題)。

在需要增設更多的監測指標、解決復雜環境問題的背景下，為減少重復建設，多污染物聯合監測、多功能集成的傳感器陣列研發成為重要的課題。難點是減少監測不同污染物的傳感器之間的相互影響。利用集成開發盡可能降低環境監測過程中儀器操作的復雜度，以便在使用較少設備數量的情況下實現復雜環境問題的監測需求，提高工作效率。對于使用不同原理的傳感器獲得的監測數據，要建立完善的數據質量評價標準體系，便于預警預測和污染源監管的應用。

3.2 傳輸層技術的發展

從環境物聯網傳輸層的技術現狀來看，當前環境物聯網傳輸層采用的技術不能滿足未來環境監測指標不斷增加、環境監測布點不斷加密的數據傳輸需求，同時也無法完成一些要求低時延的遠距離傳輸任務，因此需要結合網絡傳輸技術的一些新進展改進環境物聯網傳輸層以適應環境物聯網的應用新需求。

3.2.1 5G技術與低功耗廣域網技術

網絡傳輸技術近年來取得了許多突破。移動通信網絡技術方面，5G技術相較于4G在通信速率與承載設備數量等方面獲得較大提升；低功耗廣域網技術則在保持無線通信網絡傳輸速率的基礎上大幅擴大了傳輸覆蓋范圍，同時保持了較低的功耗。這些技術的突破都為環境物聯網數據傳輸提供了新的解決方案。

近年來5G的應用成為社會關注的焦點。在監測布點不斷加密的背景下，對于環境監測設備向云平臺傳輸日常監測中不斷產生的小數據包的場景，5G技術中的mMTC(海量機器類通信)與uRLLC(超可靠、低時延通信)[26]有著更為廣闊的應用前景。在污染源管控場景中對排污口等的視頻監控數據包和在環境應急監測現場監控中產生的數據包通常較大，使用5G技術可以解決現有技術在傳輸大量視頻數據方面的難題；5G更快的傳輸速率也有助于實現智能監測設備的實時控制。但5G信號容易衰減，需要布設較多的基站，建設成本較高。

近年來，低功耗物聯網因具有傳輸數據包小、大量用戶零星活動、上行傳輸為主、速率低、采集設備能耗低等特征[27]，在物聯網中的應用也備受關注。與移動通信網絡相比，低功耗廣域網在連接數量、信號覆蓋深度以及節能等方面更具優勢。低功耗廣域網技術中的典型技術SigFox、LoRa和NB-IoT的對比見表6。由于SigFox具有超窄帶的特點，其應用場景相對有限[28]，因此預計未來環境物聯網的低功耗廣域網傳輸將形成以NB-IoT為主的公共網絡與以LoRa為主的私有網絡共同發展的格局[20]。對于較難運維的監測設備以及數據包較小的數據傳輸，低功耗廣域網技術將有廣泛的應用前景(如輻射源、危險化學品監控等場景，需盡量減少人力投入，以保障安全；進行長期生態監測時，也需減少人為干擾；在污染源中間過程監控中，用水、用電數據容量通常較小，降低傳輸功耗可以增加設備續航，減少運維投入)。

表6 SigFox、LoRa、NB-IoT技術對比[20,26,28-29]Table 6 Comparison of SigFox,LoRa and NB-IoT

3.2.2 區塊鏈技術

區塊鏈是一個分布式共享數據集群，主要解決的是在不可信的網絡建立可信的信息交換[30]。區塊鏈在環境大數據和物聯網的應用場景主要包括物聯網數據的采集傳輸[31]與生態環境大數據的共享交換[32-33]。

區塊鏈技術具有不可篡改性，便于溯源和查驗[33]，因而適用于環境物聯網數據的采集傳輸，分布式的數據傳輸也利于監測數據的垂直管理。區塊鏈中每個區塊的區塊頭和區塊體信息十分明確，可以輔助環境數據資源的分類分級存儲和調用，有利于清晰劃分業務流程。數據無須經過中心服務器節點，而是在約定的數據共享開放規則下點對點地交換，減少數據共享過程的壁壘[33]。區塊鏈能備份上鏈同步的數據，并且對于部門業務職能變動等有較好的可拓展性[34]。

但是區塊鏈在環境物聯網的應用中還存在以下問題：①物聯網設備計算能力有限，掉線問題時有發生，節點的動態連接等問題容易產生大量網絡帶寬消耗[35]并提高終端設備能耗，物聯網設備可能不具備足夠的存儲空間應對區塊鏈持續延長所帶來的數據增長[33]；②區塊鏈技術的業務應用仍無法兼顧效率、分布式與安全的要求[33]，解決軟件版本更新帶來的分叉問題成本也較高；③目前區塊鏈產品不成熟，缺乏相關開發和運維體系，區塊鏈數據對鏈內用戶公開透明、智能合約責任主體缺失[34]，其多方協同治理也是難題。

3.3 應用層技術的發展

從環境物聯網應用層的現狀可以看出，當前環境物聯網采集的數據質量難以保證，數據應用主要基于傳統的統計分析與數值模型應用，對于時空數據與多源數據的分析應用仍然不足，導致智能化應用水平較低，輔助環境管理決策的能力仍有不足，因此需要結合大數據技術的一些新進展增強環境物聯網數據的應用能力以適應環境物聯網的應用新需求。

3.3.1 邊云協同

目前，中國政務云覆蓋率達到70%以上，超過90%的省(區、市)和70%的地市政務云平臺已建成或在建[36]。多地生態環境大數據平臺和相關業務系統也被要求統一上云，這為云計算提供了充分的發展平臺，但是僅依靠云計算實現環境大數據的處理分析任務仍有不足。云計算和邊緣計算的優劣勢分析見表7。邊云協同有利于兩者優勢互補，會逐漸發展成為物聯網平臺數據處理分析的重要技術。結合政務云平臺分級分地區建設的背景，可考慮將邊緣計算與云計算平衡協同發展，為環境物聯網提供新的解決方案。邊云協同可能的應用場景有低時延、快速響應的物聯網數據處理和更智能化、有交互的監測行為。

表7 云計算和邊緣計算的優劣勢對比[37-40]Table 7 Comparison of cloud computing and edge computing

低時延、快速響應的物聯網數據處理。對于一些突發的監測任務(如應急監測)，分散監測活動徒增，帶來大量數據處理壓力，從而對網絡和云平臺節點帶來沖擊[41]，只由終端設備進行分析又會影響終端設備的續航。視頻數據等數據包較大、含有較多冗余信息的數據傳輸可能會給中間節點數據處理帶來較大壓力[41]。因此可采用邊云協同技術，拆解數據處理任務，物聯網終端設備只負責完成數據的采集和打包發送，由邊緣節點完成數據的處理并將處理后的數據發送至云平臺，云平臺完成數據的后期處理和深層分析應用。

智能化、有交互的無人監測。無人監測設備的運行需要低時延的信息交互，若由云平臺進行實時控制，則可能由于網絡傳輸距離過長造成較長的時延，影響設備響應速度，或因為網絡波動而丟失指令，影響監測結果質量，甚至損壞終端硬件設備。因此可以由云端節點提前生成監測活動計劃和控制指令，并將實時控制部署于邊緣節點，從而縮短網絡鏈條，降低時延，保證無人監測設備工作過程中信息交互順暢，保證監測結果的質量[41]。

3.3.2 機器學習算法

機器學習作為新的技術手段，與傳統的信息處理和數據分析方式相比，可以對海量多源異構數據進行復合處理，做到多元感知數據的交互學習、時空模擬預測的尺度加密、機理模型與機器學習算法結果的比對和補充、目標管控與調控措施的深入聯動。機器學習算法在環境管理領域的應用研究主要涉及環境質量預測、環境質量評價和污染物識別等，主要方法有人工神經網絡、支持向量機、層次貝葉斯、K-means聚類、深度學習等。在環境質量預測方面，DI等[42]利用EM聚類和HC聚類等無監督機器學習算法分析時空污染特征，為地方政府的日常監控預警提供數據支撐；BURCHARD-LEVINE等[43]使用人工神經網絡替代傳統物理模型用于飲用水源保護的早期預警；KRISHAN等[44]利用LSTM算法預測印度德里地區的O3、NOx等污染物濃度以指導制定污染物削減調控措施。在環境質量評價方面，LI等[45]采用支持向量機分類模型對太湖流域苕溪水質進行分類評價；LI等[46]利用模糊算法對鄱陽湖水質進行分類評價。在污染物識別方面，LIU等[47]使用多目標優化算法優化污染源識別和污染事件檢測中的傳感器布點；WANG等[48]通過算法學習行業污染與水域水質之間的關聯規則并進行跟蹤預測，從而實現污染源管控目標。

總體來看，當前研究主要集中于機器學習算法優化環境質量相關模型的參數或構建新模型對環境質量進行綜合評價及預測分析，有關污染物追蹤、風險管控等方面的研究相對薄弱，相關研究內容仍缺乏與環境管控目標及調控方法的有機結合，缺乏實際聯動調控規則的反饋效果循環優化算法，可遷移性較弱。因此仍需進一步從環境管理者的實際需求出發，構建智能化的、多目標場景下的環境物聯網與機器學習算法的聯動調控規則體系，這對于提升環境管理的科學化水平，最終促進環境質量改善具有重大現實意義。

4 總結與展望

通過系統分析環境物聯網傳感器技術、無線網絡通信技術以及環境物聯網的應用場景，發現現階段環境物聯網在實際應用中存在的問題有以下方面：數據質量和精準度缺乏保證，數據傳輸能力存在瓶頸，數據共享還未打通，對數據的分析應用還有待提升。現有的環境物聯網的設計還無法完全滿足政策需求，筆者結合物聯網與大數據技術的最新進展，對環境物聯網的數據采集、傳輸與應用場景進行展望。傳感器創新的主要方向將是降低成本和體積、增加應用場景、提高性能指標。傳輸層方面將形成5G面向高通量、高速率、低延時數據傳輸，NB-IoT和LoRa面向小數據包傳輸的格局，區塊鏈技術的應用有助于生態環境大數據采集傳輸防篡改及開放共享。應用層方面，邊云協同與機器學習算法的應用有助于突破環境物聯網數據應用在算力和算法方面的瓶頸。只有充分考慮環境數據的特征和環境管理業務的需求，結合物聯網和大數據技術的研究進展，才能實現更精細化、精準化的環境管理，提升環境管理水平，為實現精細化管理與科學決策提供科學參考。