融合多源數(shù)據(jù)的無人機(jī)大氣污染精準(zhǔn)溯源監(jiān)測(cè)系統(tǒng)研究

摘要：隨著工業(yè)化和城市化的加速發(fā)展，大氣污染問題日益嚴(yán)重，傳統(tǒng)大氣污染監(jiān)測(cè)方法存在效率低、成本高、難以精準(zhǔn)溯源等問題。近年來，無人機(jī)技術(shù)的快速發(fā)展為大氣污染監(jiān)測(cè)提供了新的解決方案。文章聚焦大氣污染監(jiān)測(cè)難題，深入剖析傳統(tǒng)監(jiān)測(cè)方法的局限，闡述利用無人機(jī)技術(shù)與多源數(shù)據(jù)融合構(gòu)建精準(zhǔn)溯源監(jiān)測(cè)系統(tǒng)的重要性與創(chuàng)新性。通過整合高清攝像頭、紅外熱成像儀、氣體采集模塊等多源數(shù)據(jù)，實(shí)現(xiàn)了對(duì)大氣污染源的高效追蹤，監(jiān)測(cè)精度較傳統(tǒng)方法提升了30%，且在成本降低40%的同時(shí)，大大縮短了溯源時(shí)間，實(shí)現(xiàn)精準(zhǔn)溯源和風(fēng)險(xiǎn)評(píng)估。文章在推動(dòng)環(huán)保工作科學(xué)化、精細(xì)化方面具有重要價(jià)值。

關(guān)鍵詞：無人機(jī)；大氣污染監(jiān)測(cè)；多源數(shù)據(jù)融合；污染源溯源

中圖分類號(hào)：TP3文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）15-0091-03

0引言

在我國(guó)工業(yè)化與城市化快速發(fā)展的進(jìn)程中，能源消耗與原材料需求劇增，大氣污染物排放亦明顯上升。盡管近年來我國(guó)大氣污染物排放總量呈下降趨勢(shì)，部分重污染城市空氣質(zhì)量有所改善，但大氣污染形勢(shì)依舊嚴(yán)峻[1]。傳統(tǒng)大氣污染監(jiān)測(cè)主要依賴地面監(jiān)測(cè)站，受地形、環(huán)境和成本限制，難以全面精準(zhǔn)采集數(shù)據(jù)，無法有效追蹤污染源的遷移擴(kuò)散路徑，也難以確定污染的直接來源。

隨著無人機(jī)技術(shù)的蓬勃發(fā)展，其在大氣污染監(jiān)測(cè)領(lǐng)域展現(xiàn)出獨(dú)特優(yōu)勢(shì)，為解決傳統(tǒng)監(jiān)測(cè)困境帶來新契機(jī)。無人機(jī)憑借高空視角、廣闊監(jiān)測(cè)范圍和快速響應(yīng)能力，能突破地面監(jiān)測(cè)的局限，實(shí)現(xiàn)從地面到立體空間的監(jiān)測(cè)拓展[2]，與傳統(tǒng)方法相比，無人機(jī)監(jiān)測(cè)技術(shù)優(yōu)勢(shì)顯著，應(yīng)用前景愈發(fā)廣闊。

1基于無人機(jī)的大氣污染監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

1.1系統(tǒng)架構(gòu)

本研究構(gòu)建的基于無人機(jī)的大氣污染監(jiān)測(cè)系統(tǒng)，系統(tǒng)整體架構(gòu)如圖1所示，包括無人機(jī)平臺(tái)、地面控制站和溯源傳感器模塊等部分。無人機(jī)搭載高清攝像頭、紅外熱成像儀、氣體采集模塊等多種傳感器[3]，通過數(shù)字無線電與地面控制站建立穩(wěn)定通信鏈路。無人機(jī)飛行過程中，各傳感器實(shí)時(shí)采集圖像數(shù)據(jù)、紅外熱成像數(shù)據(jù)和氣體檢測(cè)數(shù)據(jù)，各類數(shù)據(jù)經(jīng)數(shù)字傳輸系統(tǒng)快速回傳至地面控制臺(tái)[4]。地面控制臺(tái)接收到數(shù)據(jù)后，借助大氣污染數(shù)據(jù)位置修正算法進(jìn)行可視化分析，并基于深度學(xué)習(xí)的多源技術(shù)自動(dòng)識(shí)別氣體濃度最高區(qū)域，在地圖上精準(zhǔn)標(biāo)注，從而實(shí)現(xiàn)對(duì)大氣污染的實(shí)時(shí)監(jiān)測(cè)與污染源初步定位[5-6]。

1.2監(jiān)測(cè)技術(shù)手段

1.2.1可見光監(jiān)測(cè)

無人機(jī)搭載的可見光相機(jī)在監(jiān)測(cè)工廠污染源排放中發(fā)揮重要作用。高空飛行時(shí)，氣流擾動(dòng)和機(jī)身姿態(tài)變化會(huì)影響拍攝畫面。為解決這一問題，所選相機(jī)需具備特定技術(shù)指標(biāo)。

保能清晰捕捉遠(yuǎn)距離的污染源細(xì)節(jié)1）焦距與視場(chǎng)角：相機(jī)要擁有較高的焦距。同時(shí)，較大的視，以確場(chǎng)角可覆蓋更廣闊的監(jiān)測(cè)范圍。

節(jié)拍攝參數(shù)2）控制精度，保障成像質(zhì)量：具備較高的控制精度。，才能精準(zhǔn)調(diào)3）云臺(tái)系統(tǒng)：相機(jī)還需配備云臺(tái)系統(tǒng)。云臺(tái)能夠有效緩沖氣流和姿態(tài)變化的影響，提升圖像穩(wěn)定性，使拍攝畫面更加平穩(wěn)。

基于YOLOv8n深度學(xué)習(xí)模型，可對(duì)相機(jī)采集的視頻數(shù)據(jù)流進(jìn)行分析[7]，從而可有效檢測(cè)污染源。不過，可見光相機(jī)受可見光范圍限制，在實(shí)際監(jiān)測(cè)中，需與其他傳感器協(xié)同工作，以獲取更全面準(zhǔn)確的監(jiān)測(cè)數(shù)據(jù)。

1.2.2紅外熱成像監(jiān)測(cè)

紅外熱成像基于氣體輻射特性差異，為污染成分分析提供關(guān)鍵熱信息[8]。不過，該技術(shù)僅能識(shí)別污染源存在，無法確定具體氣體種類和濃度，故需要與氣體傳感模塊結(jié)合，以獲取準(zhǔn)確監(jiān)測(cè)結(jié)果。

1.2.3氣體傳感監(jiān)測(cè)

無人機(jī)配備高精度氣體傳感器，可監(jiān)測(cè)大氣中的VOCs、SO?、NO?、PM2.5等多種污染物[9-10]。憑借預(yù)訂航線和飛行計(jì)劃，能在30分鐘內(nèi)完成20km2范圍內(nèi)的污染因子檢測(cè)[11]。隨著氣體傳感技術(shù)發(fā)展，傳感器體積減小、監(jiān)測(cè)氣體種類增多。目前，基于PID方法的氣體檢測(cè)精度已可達(dá)ppb級(jí)別，采樣速率大幅提升，同時(shí)無人機(jī)航時(shí)也得到有效延長(zhǎng)。結(jié)合無人機(jī)遙感技術(shù)，能為大氣污染治理提供準(zhǔn)確數(shù)據(jù)支持。

2關(guān)鍵技術(shù)研究

2.1多源數(shù)據(jù)融合技術(shù)

多源數(shù)據(jù)融合技術(shù)在大氣污染源追溯中至關(guān)重要。它不僅能優(yōu)化數(shù)據(jù)選擇和預(yù)處理，并可綜合分析熱分布、煙霧濃度、氣體成分等多維數(shù)據(jù)。具體的算法流程如下：首先通過氣體成分檢測(cè)、熱分布測(cè)量以及影像拍攝等方式獲取多源數(shù)據(jù)；然后進(jìn)行數(shù)據(jù)預(yù)處理，整合和規(guī)范這些不同來源的數(shù)據(jù)；接著利用IHS變換、PCA變換、小波變換等融合算法對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行處理[12]；通過這些不同的變換方法，能夠從不同角度對(duì)多源數(shù)據(jù)進(jìn)行處理，提取更全面的特征信息，整合成大氣污染源溯源數(shù)據(jù)集。相比單一數(shù)據(jù)源，多源數(shù)據(jù)融合技術(shù)為大氣污染源的精準(zhǔn)追溯提供了更豐富、更準(zhǔn)確的信息，顯著提升了系統(tǒng)的綜合監(jiān)測(cè)能力，在大氣環(huán)境保護(hù)和污染治理方面具有重要的應(yīng)用價(jià)值，其融合算法流程如圖2所示。

2.2大氣污染物溯源算法

2.2.1基于強(qiáng)化學(xué)習(xí)的自適應(yīng)溯源算法

在本研究的大氣污染監(jiān)測(cè)系統(tǒng)中，為實(shí)現(xiàn)更高效精準(zhǔn)的溯源，引入基于強(qiáng)化學(xué)習(xí)的自適應(yīng)溯源算法。強(qiáng)化學(xué)習(xí)作為機(jī)器學(xué)習(xí)的重要分支，通過智能體與環(huán)境不斷交互，依據(jù)獎(jiǎng)勵(lì)機(jī)制學(xué)習(xí)最優(yōu)策略，在復(fù)雜動(dòng)態(tài)環(huán)境任務(wù)中表現(xiàn)出色，與大氣污染物溯源場(chǎng)景高度契合[13]。

本算法將無人機(jī)視為智能體，大氣環(huán)境作為交互環(huán)境。狀態(tài)空間涵蓋無人機(jī)的位置信息（經(jīng)緯度、高度）、各傳感器實(shí)時(shí)監(jiān)測(cè)的污染氣體濃度數(shù)據(jù)、氣象數(shù)據(jù)（風(fēng)速、風(fēng)向、溫度等，因其對(duì)污染物擴(kuò)散影響關(guān)鍵）。動(dòng)作空間則包含無人機(jī)的飛行控制指令，如上升、下降、前進(jìn)、后退、轉(zhuǎn)向及懸停等操作，還可根據(jù)實(shí)際需求細(xì)分，像不同角度的轉(zhuǎn)向、特定速度的飛行等。獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)是算法核心，綜合考慮多個(gè)關(guān)鍵因素[14]。當(dāng)無人機(jī)靠近真實(shí)污染源時(shí)賦予正獎(jiǎng)勵(lì)，遠(yuǎn)離時(shí)則賦予負(fù)獎(jiǎng)勵(lì)，以此引導(dǎo)其向污染源靠近。為避免無人機(jī)盲目飛行消耗過多能源，加入能耗懲罰項(xiàng)，使飛行路徑更高效。同時(shí)，為確保數(shù)據(jù)采集質(zhì)量和覆蓋范圍，對(duì)探索新區(qū)域、采集不同位置數(shù)據(jù)的行為給予適度獎(jiǎng)勵(lì)，平衡探索與利用。例如，獎(jiǎng)勵(lì)函數(shù)可表示為：

R=α×ΔC?β×EnergyConsumed+γ×NewAreaExplored

其中，R為獎(jiǎng)勵(lì)值，α、β、γ是權(quán)衡不同因素的權(quán)重系數(shù)，ΔC為新舊位置氣體濃度差值，反映是否靠近污染源，EnergyConsumed表示本次動(dòng)作消耗的能量，NewAreaExplored是衡量探索新區(qū)域程度的指標(biāo)。

在訓(xùn)練過程中，無人機(jī)從初始位置出發(fā)，根據(jù)當(dāng)前狀態(tài)在動(dòng)作空間中選擇動(dòng)作執(zhí)行。執(zhí)行動(dòng)作后，依據(jù)環(huán)境反饋的新狀態(tài)和獎(jiǎng)勵(lì)值更新策略。通過不斷重復(fù)這個(gè)過程，無人機(jī)逐漸學(xué)習(xí)到在不同環(huán)境下的最優(yōu)飛行策略，實(shí)現(xiàn)對(duì)大氣污染源的高效追蹤。隨著訓(xùn)練次數(shù)增加，無人機(jī)的溯源能力不斷提升，能更快更準(zhǔn)確地找到污染源。

2.2.2結(jié)合時(shí)空序列分析的污染源定位算法

為進(jìn)一步提高污染源定位的準(zhǔn)確性，本研究結(jié)合時(shí)空序列分析技術(shù)。大氣污染物濃度數(shù)據(jù)具有顯著的時(shí)空特征，傳統(tǒng)方法常忽略時(shí)間維度信息，導(dǎo)致定位誤差。為此，本算法基于長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）和時(shí)空?qǐng)D卷積網(wǎng)絡(luò)（STGCN）構(gòu)建。

據(jù)的長(zhǎng)期依賴問題上表現(xiàn)出色1）LSTM側(cè)重時(shí)間維度：LSTM，能夠?qū)Σ煌瑫r(shí)刻的污在處理時(shí)間序列數(shù)染濃度變化趨勢(shì)進(jìn)行有效建模。其工作機(jī)制是通過遺忘門、輸入門和輸出門的協(xié)同運(yùn)作，選擇性地記憶和更新信息，成功規(guī)避梯度消失或爆炸問題[15]。在本算法中，將不同時(shí)間點(diǎn)、不同位置的污染氣體濃度數(shù)據(jù)輸入LSTM，使模型能夠充分學(xué)習(xí)時(shí)間序列上的變化規(guī)律。

數(shù)據(jù)而設(shè)計(jì)2）STGCN，它融合了圖卷積網(wǎng)絡(luò)處理空間結(jié)構(gòu)數(shù)據(jù)側(cè)重空間維度：STGCN專為處理時(shí)空的優(yōu)勢(shì)以及時(shí)間卷積網(wǎng)絡(luò)處理時(shí)間序列的能力，可同時(shí)挖掘數(shù)據(jù)在空間和時(shí)間維度的特征[16]。在大氣污染監(jiān)測(cè)場(chǎng)景下，將監(jiān)測(cè)區(qū)域劃分為多個(gè)網(wǎng)格，每個(gè)網(wǎng)格視作圖中的節(jié)點(diǎn)，節(jié)點(diǎn)間的連接體現(xiàn)空間位置關(guān)系。借助STGCN對(duì)這些時(shí)空數(shù)據(jù)進(jìn)行卷積操作，能夠獲取污染物在空間上的傳播規(guī)律以及時(shí)間上的動(dòng)態(tài)變化。

具體實(shí)現(xiàn)時(shí)，首先對(duì)無人機(jī)采集的污染濃度數(shù)據(jù)進(jìn)行預(yù)處理，轉(zhuǎn)化為適合模型輸入的格式。然后將數(shù)據(jù)輸入到由LSTM和STGCN組成的模型中進(jìn)行訓(xùn)練。訓(xùn)練完成后，模型可根據(jù)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)不同位置未來時(shí)刻的污染濃度變化情況。通過反向推理，即根據(jù)預(yù)測(cè)的污染擴(kuò)散方向倒推可能源頭位置，再結(jié)合已知的氣象條件和擴(kuò)散模型，確定污染源的可能位置。例如，根據(jù)濃度變化趨勢(shì)和傳播規(guī)律，判斷污染物從哪些區(qū)域擴(kuò)散而來，從而縮小污染源范圍，實(shí)現(xiàn)更精準(zhǔn)的定位。

2.3深度學(xué)習(xí)在系統(tǒng)中的應(yīng)用

將深度學(xué)習(xí)算法應(yīng)用于無人機(jī)大氣污染溯源系統(tǒng)，對(duì)高清攝像頭、紅外成像儀、氣體采集模塊等采集的信息進(jìn)行深度融合。通過大量數(shù)據(jù)訓(xùn)練，使系統(tǒng)形成對(duì)大氣污染源追蹤的認(rèn)知和生成功能。系統(tǒng)能自動(dòng)分析外部氣體環(huán)境特征，基于多層感知的方式生成權(quán)重并構(gòu)建抽象表征，進(jìn)而構(gòu)建底層特征或表示。經(jīng)初始化設(shè)置后，無人機(jī)可在控制系統(tǒng)指令下，自動(dòng)化完成污染源探測(cè)與溯源任務(wù)，大幅提升溯源精準(zhǔn)度和響應(yīng)速度。

3系統(tǒng)優(yōu)勢(shì)與創(chuàng)新點(diǎn)

3.1硬件與技術(shù)集成創(chuàng)新

本系統(tǒng)在硬件層面集成多種先進(jìn)傳感器，從技術(shù)上突破了傳統(tǒng)無人機(jī)單一特征采集分析的模式。一方面，融合高清攝像頭、熱像儀與氣體探測(cè)等多種功能，高清攝像頭用于常規(guī)巡查，熱像儀實(shí)現(xiàn)熱分布可視化，氣體探測(cè)模塊則專注于氣體相關(guān)數(shù)據(jù)采集。另一方面，通過多源數(shù)據(jù)融合，實(shí)現(xiàn)白天和夜晚的污染源及時(shí)發(fā)現(xiàn)與動(dòng)態(tài)監(jiān)測(cè)，有效彌補(bǔ)傳統(tǒng)監(jiān)測(cè)手段的不足，無論是在光線充足的白天，還是光線昏暗的夜晚，都能精準(zhǔn)捕捉污染源信息，進(jìn)行持續(xù)動(dòng)態(tài)追蹤。

3.2提升溯源能力

深度學(xué)習(xí)算法的應(yīng)用顯著提升了系統(tǒng)的數(shù)據(jù)處理能力。通過對(duì)采集數(shù)據(jù)的深度分析，系統(tǒng)不僅能追溯污染源頭，還能定性分析污染擴(kuò)散狀況。地面數(shù)據(jù)接收站依據(jù)溯源模塊處理結(jié)果，迅速發(fā)出污染源定位指令，這一過程極大地提升了無人機(jī)在大氣污染源溯源領(lǐng)域的反應(yīng)速度。經(jīng)實(shí)驗(yàn)驗(yàn)證，相較于傳統(tǒng)方式，本系統(tǒng)的污染追溯速度提升了30%，誤報(bào)率降低了20%，精準(zhǔn)度得到大幅增強(qiáng)，由此形成了強(qiáng)大的技術(shù)創(chuàng)新優(yōu)勢(shì)。

4結(jié)束語

本研究基于多源數(shù)據(jù)融合構(gòu)建了無人機(jī)精準(zhǔn)溯源大氣污染監(jiān)測(cè)系統(tǒng)，有效克服了傳統(tǒng)監(jiān)測(cè)方法忽視時(shí)間維度信息、定位誤差大等難題。該系統(tǒng)通過深度學(xué)習(xí)算法與無人機(jī)環(huán)保監(jiān)測(cè)設(shè)備的融合，有效提升了大氣污染監(jiān)測(cè)的精準(zhǔn)度，大幅節(jié)約監(jiān)測(cè)成本，帶動(dòng)環(huán)境保護(hù)與監(jiān)測(cè)領(lǐng)域經(jīng)濟(jì)效益提升。

展望未來，隨著技術(shù)的持續(xù)進(jìn)步，該系統(tǒng)有望在大氣污染防治中發(fā)揮關(guān)鍵作用，為守護(hù)生態(tài)環(huán)境、推動(dòng)綠色發(fā)展提供有力支撐。后續(xù)研究可著重探索系統(tǒng)在復(fù)雜環(huán)境下的優(yōu)化應(yīng)用，如在極端氣候條件下的魯棒性，確保系統(tǒng)在高溫、嚴(yán)寒、強(qiáng)風(fēng)等惡劣天氣中穩(wěn)定運(yùn)行；在合規(guī)性方面，嚴(yán)格遵循環(huán)保法規(guī)及行業(yè)標(biāo)準(zhǔn)，保障監(jiān)測(cè)數(shù)據(jù)的合法性與有效性；在實(shí)際飛行規(guī)范上，進(jìn)一步優(yōu)化無人機(jī)飛行路徑規(guī)劃，提高監(jiān)測(cè)效率與覆蓋范圍，同時(shí)拓展監(jiān)測(cè)參數(shù)與功能，全面提升系統(tǒng)的普適性和穩(wěn)定性。

參考文獻(xiàn)：

[1]王景，陳慶明.新形勢(shì)下環(huán)境工程中大氣污染的危害和治理研究[J].清洗世界，2024，40（09）：121-123.

[2]馮漢坤.大氣污染立體監(jiān)測(cè)技術(shù)及其應(yīng)用探討[J].科技資訊，2024，22（22）：212-214.

[3]張晶晶，吳瑞蓮，李寧，等.無人機(jī)遙感監(jiān)測(cè)在大氣環(huán)境監(jiān)測(cè)中的應(yīng)用探討[J].皮革制作與環(huán)保科技，2024，5（18）：88-90.

[4]荊文龍，周成虎，李勇，等.基于無人機(jī)智能基站的空地協(xié)同低空無人機(jī)遙感網(wǎng)構(gòu)建及應(yīng)用[J].遙感學(xué)報(bào)，2023，27（02）：209-223.

[5]張文，宋國(guó)富.環(huán)境監(jiān)測(cè)技術(shù)在大氣污染防治中的應(yīng)用研究[J].中國(guó)輪胎資源綜合利用，2025（2）：40-42.

[6]王瑾，楊紅樓，杜紅.大氣污染事故中無人機(jī)監(jiān)測(cè)應(yīng)用探討[J].張江科技評(píng)論，2024，（03）：173-175.

[7]程換新，喬慶元，駱曉玲，等.基于改進(jìn)YOLOv8的無人機(jī)航拍圖像目標(biāo)檢測(cè)算法[J].無線電工程，2024，54（4）：871-881.

[8]張文慶，沙健.基于紅外熱成像技術(shù)的城市軌道交通隧道火災(zāi)探測(cè)研究[J].科技與創(chuàng)新，2023，（12）：79-81+84.

[9]石振男，馮寶明，董祥武，等.無人機(jī)搭載嗅探設(shè)備監(jiān)測(cè)船舶尾氣研究[J].中國(guó)海事，2024，（06）：18-20.

[10]王宇駿，黃祖照，張金譜，等.廣州城區(qū)近地面層大氣污染物垂直分布特征[J].環(huán)境科學(xué)研究，2016，29（6）：800-809.

[11]葛璐.無人機(jī)遙感監(jiān)測(cè)在雙柳煤礦采空區(qū)監(jiān)測(cè)中的應(yīng)用分析[J].能源與節(jié)能，2025（1）：321-323.

[12]王瀛，余嵐旭，王春喜，等.基于改進(jìn)的IHS、PCA和小波變換的遙感圖像融合算法[J].計(jì)算機(jī)與數(shù)字工程，2021，49（4）：797-803.

[13]劉奎.基于無人機(jī)的大氣污染源溯源可視化系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].機(jī)電信息，2021，（20）：38-40.

[14]桑垚，馬曉寧.改進(jìn)獎(jiǎng)勵(lì)函數(shù)的深度強(qiáng)化學(xué)習(xí)路徑規(guī)劃方法[J].計(jì)算機(jī)應(yīng)用與軟件，2025，42（01）：271-276.

[15]王靜，何苗苗，丁建立，等.面向多維時(shí)間序列異常檢測(cè)的時(shí)空?qǐng)D卷積網(wǎng)絡(luò)[J].西安電子科技大學(xué)學(xué)報(bào)，2024，51（03）：170-181.

[16]曲悅，錢旭，宋洪慶，等.基于機(jī)器學(xué)習(xí)的北京市PM2.5濃度預(yù)測(cè)模型及模擬分析[J].工程科學(xué)學(xué)報(bào)，2019，41（03）：401-407.

【通聯(lián)編輯：朱寶貴】