國藍中天：人工智能驅動的藍天保衛戰

政府空氣污染治理中的科技需求

2013年初，中國遭遇大范圍的嚴重霧霾天氣，哈爾濱、北京、上海、甚至南方的三亞等城市無一幸免。據統計，2013年中國平均霧霾天數創下近52年的新高。PM2.5細顆粒物，即空氣中直徑小于等于2.5微米的顆粒物，首次進入公眾視野，并成為空氣污染的代名詞。污染天氣是人民群眾的“心肺之患”，對人民群眾的健康有著不可忽視的影響，自2013年起各地政府開始高度重視空氣質量，“空氣污染治理”成為各地政府極為關注的戰略任務。

在宏觀政策層面，國務院牽頭制定并推動實施了系列空氣污染防治計劃。比如，2013年實施《大氣污染防治行動計劃》，部署大氣污染防治十條措施（簡稱“大氣十條”）；2017年政府工作報告提出《打贏藍天保衛戰三年行動計劃》；2023年，國務院印發《空氣質量持續改善行動計劃》，要求各地方政府持續深入打好藍天保衛戰，切實保障人民群眾身體健康，以空氣質量持續改善推動經濟高質量發展。由此可見，治理污染空氣，保衛藍天行動是各地方政府必須要解決的至關重要的戰略任務。實踐中，政府在空氣污染治理過程中主要扮演兩類角色：一是政策激勵者角色，通過頒布各類規制和激勵性政策督促企業改變傳統發展模式，加快重點行業落后產能的退出，支持綠色環保產業的快速發展，進而推動全國企業實現綠色轉型升級，從根本上杜絕空氣污染源的產生；二是污染治理者角色，確保重污染空氣的應急治理。在重污染空氣質量出現后，政府需要科學精準應對重污染天氣，要精準排查到污染源，然后對污染源進行應急減排，以確保空氣質量的回升，切實保護人民群眾的生命健康。

在空氣污染應急治理方面，傳統治理模式側重在城市重點區域安裝傳感器和監測設備，根據監測數據預警來判斷是否需要進行應急治理。一旦重污染天氣出現，政府各級部門通常采用“人海戰術”，即動用大量人力對轄區內可疑污染源進行逐一實地排查。“人海戰術”模式雖然結合了監測數據和人力排查的雙重優勢，但實踐過程中依然存在很多弊端：一是政府需要在各區域大規模部署傳感器和空氣監測設備，但這些監測設備成本非常高，給地方財政帶來較大資金壓力，從而使得空氣污染治理成為地方政府的沉重負擔；二是政府部門僅關注監測數據是否超過空氣質量紅線，并未對空氣質量數據進行深度分析，導致花費高額成本部署的監測設備產生的海量空氣質量大數據并未得到有效利用；三是“人海戰術”依賴政府工作人員實地摸排可疑污染源，這不僅耗費時間長，而且難以精準定位到污染源，容易導致“一刀切”式的關停管控治理措施，對企業的正常生產運營帶來負面影響。因而，當遭遇嚴重霧霾天氣時，地方政府投入了大量人力、財力和時間，但是空氣污染治理效率和成效方面的短板已經非常明顯，迫切需要科技創新的賦能。

相比于國內其他地方，四川省生態環境廳對于科技賦能空氣污染治理的需求更為明顯。這是因為四川地處盆地，空氣擴散較為困難，比國內其他城市更容易遭遇嚴重霧霾天氣，空氣污染治理難度更大。為提高空氣污染治理效率，四川省生態環境廳達成共識，要將科技手段應用到空氣質量監測和執法全過程，實現精準化、科學化、規范化治理，減少對企業生產經營的干擾。因而，成都市生態環境局準備布局衛星遙感系統、空氣質量檢測設備、特定污染源采集設備以及交通傳感系統等關鍵設備采集空氣質量數據、交通運行數據和企業運營數據，旨在通過構建多來源多維度大數據來提高空氣污染治理效率。然而，如何籌集部署各類數據采集設備所需要的巨額資金？數據采集過后如何將不同來源的數據進行匯總融合？如何基于多源數據進行人工智能算法開發與優化？以及如何利用算法模型為空氣污染治理進行精準賦能，政府部門依然缺乏行之有效的辦法。2019年初，當成都經濟開發區多次遭遇嚴重霧霾天氣，地方政府迫切需要技術支持時，一個海歸創業者基于多源交通、生產和商業大數據構建的“Alpha MAPS生態大腦”引起了他們的注意。

回國創業：海歸科學家的科技創業

韓科，2013年獲得美國賓夕法尼亞州立大學數學博士學位，而后在倫敦帝國理工學院從事交通系統的建模、仿真與優化工作，其研究領域聚焦于交通與環境的交叉領域，側重通過理論建模和大數據分析對城市交通的規劃、管理、控制和應急進行優化以減少污染排放并提高空氣質量，實現交通和環境的雙重效益。研究過程中，韓科團隊意識到空氣污染是一個極其復雜的社會問題，僅從交通維度切入是遠遠不夠的，現實中影響空氣質量的因素除了交通，還有企業生產和居民生活要素。如果能夠將生產、生活、氣象和交通等方面的數據進行融合，構建出一個多來源多維度的空氣治理大數據體系，再應用人工智能算法進行深度學習，則有望大大提高空氣污染治理的效率和精度，為全球空氣污染治理難題提供創新解決方案。

韓科團隊聯合人工智能與大數據領域的專家，著手研發涵蓋大氣物聯感知、多源大數據融合、空氣質量推斷與預測等模塊的創新算法體系，初步構建了“Alpha MAPS生態大腦” （見圖1）。“Alpha MAPS生態大腦”融合了人工智能、數據科學、運籌優化、交通工程等多學科前沿技術，具備對多來源多維度的海量數據進行快速準確的分析和處理能力，精準識別空氣污染類型和污染源，有潛力為政府空氣污染治理提供精準的推斷與預測。隨著“Alpha MAPS生態大腦”算法模型日漸成熟，韓科團隊開始尋求商業化的可能。據韓科介紹，“城市空氣質量監測和治理是全球可持續發展過程中面臨的重大社會難題，我們意識到‘Alpha MAPS生態大腦’是一個利國利民的技術創新，不愿讓它止步于實驗室和論文中，而是致力于讓它真正服務于社會，為社會難題提供創新解決方案。”

要實現“Alpha MAPS生態大腦”的商業化，需要找到一個能夠提供多源大數據的空氣污染治理場景，用來自真實世界的數據不斷迭代和進化算法系統，使其從理論上的人工智能算法轉變為真正為空氣污染治理場景提供決策支持的智慧大腦。韓科團隊花了很多時間在英國各地調研，試圖找到一個合適的落地城市，然而調研過后發現英國不少城市雖然也面臨著較為嚴重的空氣污染，但是政府在空氣質量監測方面的技術設備投入不夠，導致多來源多維度的空氣質量大數據體系難以建立。為什么不回國看看呢，韓科決定回國發展。

2019年初韓科回到家鄉四川成都，創立“國藍中天數據實驗室”，與西南交通大學共建“未來交通與智慧城市創新技術產學研聯合實驗室”，開始為Alpha MAPS生態大腦”的商業化落地尋找合適的應用場景。

場景落地：提升空氣污染治理效率

2019年初，許多城市遭遇嚴重霧霾天氣，各地政府在空氣污染治理方面普遍面臨著較大壓力。傳統的“人海戰術”在空氣污染治理方面顯得極為被動，成都市生態環保部門和區級領導正在積極尋求科技創新路徑以提升空氣污染治理效率。通過深入溝通，韓科團隊與政府工作人員共同意識到，空氣污染治理的需求為人工智能算法的成效檢驗與迭代提供了天然場景，雙方從而順利達成合作協議。

“Alpha MAPS生態大腦”場景落地首先要解決的是如何獲取精確且完整的空氣質量數據。在空氣質量監測方面，當地政府將557平方公里的區域面積劃分為634個1千米乘1千米的網格，擬布局634個傳感器，以開展網格化大氣監測。但是單個傳感器投入成本過高，而且每過1.5-2年需要更換配件，當地政府猶豫是否需要投入巨資布局這些傳感器。韓科團隊經過研判，認為實現大范圍的空氣質量監測和感知，關鍵在于把握空氣污染的時空演變趨勢以及結合多源大數據的推演，不需要太多固定空氣質量傳感器。于是，項目團隊僅部署了100個傳感器，其中20個為固定位置傳感器，安裝在污染傳輸通道和重點污染區域；80個為流動傳感器，安裝在出租車和公交車上，通過車輛的移動實現更廣泛和靈活的區域覆蓋。此外，公司購買了一定數量的巡檢車，并通過內部算法調度使其在特定時空執行補充性數據采集任務。這種固定與流動相結合的傳感器布局，不僅能夠實時采集空氣中的污染物濃度（如PM2.5、PM10、NOx等）、氣象參數（如風速、風向、濕度等）以及地理信息數據，而且投資成本尚不及傳統網格監測模式的六分之一，很大程度上減輕了地方政府財政壓力，增強了地方政府使用科技進行空氣污染治理的信心和主動性。獲取空氣質量檢測數據后，國藍中天還通過商業采購和政府部門協調獲得了成都市生產、交通、用地等城市多源大數據，以及衛星遙感地理數據和氣象監測數據的使用權，初步構成了“Alpha MAPS生態大腦”所需要的算法數據底座。通過多次實地驗證和算法迭代，“Alpha MAPS生態大腦”實現了空氣質量六參數（PM2.5、PM10、NO2、CO、SO2、O3）在千米級、小時級時空細粒度的網格化感知功能，整體準確率突破至80%以上。“用六分之一的成本實現八成精度的全量信息，這正是大數據和人工智能技術所帶來的城市治理革新”，韓科表示。

“ A l p h a MAPS生態大腦”提升空氣污染治理的工作機理是“智能預警+現場聯動”，即先通過“Alpha MAPS生態大腦”的算法系統精準推算城市網格區域的空氣污染質量數據，一旦區域空氣質量觸及安全紅線，立即發布預警并派員實地排查污染源。以往“人海戰術模式”的空氣質量預警區域范圍通常較為寬泛，不夠精準，而“Alpha MAPS生態大腦”則可以對城市小尺度的網格區域的空氣質量實現精準推斷，實現空氣污染的AI小尺度溯源（見圖2）。項目實施初期，“AlphaMAPS生態大腦”推送的污染源信息準確率僅為14%，遠低于預期。經過項目團隊反復討論，發現其原因在于：一方面，空氣污染溯源地點偏遠，工作人員現場驗證難度大，缺少算法系統與現場查驗人員的聯動；另一方面，政府在空氣質量監測設備更新和維護方面存在滯后，導致空氣污染預警信息無法及時反映污染源的實際狀態。對此，項目團隊總結經驗并優化算法，綜合考慮污染時效性、點位可達性、事件典型性進行推送，準確率迅速提高至60%左右。隨后，項目團隊引入了更加復雜的人員調度優化算法和基于規則的信息過濾機制，并進一步加強與現場巡查人員的聯動效率，使得現場驗證準確率提升至70%。相較于傳統“人海戰術”的地毯式排查方案耗時兩周、且準確率不足17%的狀況，國藍中天通過“智能預警+現場聯動”的新范式，將響應時效壓縮至2小時以內，降低了39%～61%的運營成本，實現治理效率和資源利用率的雙重突破。

在與政府合作的過程中，國藍中天深知建立信任是推進算法系統逐步迭代創新的關鍵。通過不斷展示技術實力和服務成效，國藍中天贏得了更多的數據訪問權限和資源支持。國藍中天從最初依賴生態環境部門安裝的少量傳感器數據，逐步構建起一個整合空氣質量、氣象、污染源、人員調度等多源數據的大型數據平臺。其自主研發的算法集群不僅能夠精準推測空氣質量，還能高效溯源并實現現場巡查監管的實時調度。這些技術創新顯著提升了政府與企業在環境管理決策中的質量與效率，為后續市場拓展奠定了堅實基礎。

場景深化：從污染監測到治理執行

在成功實施首個智能化監測項目后，國藍中天迅速將經驗復制并拓展至更大范圍，先后承接了多個城市的大氣智能化監測治理項目。隨著項目范圍的不斷擴大，企業面臨的不僅是監測密度與覆蓋精度的挑戰，更需應對空氣污染治理中不斷演化的復雜情境與技術壁壘。

在污染應急響應與減排執行監管中，政府部門的目光已超越單純的“哪里污染”，更聚焦于“污染是否正在被有效治理”。尤其在重污染天氣期間，相關部門需要實時掌握污染企業是否按照要求減產或停產，而原有的人工巡查和報表備案方式，信息嚴重滯后，難以客觀、量化地反映企業實際執行情況。國藍中天建議可以通過電力使用大數據來間接判斷企業的生產狀態，進而實現精準執法。然而，由于電力數據中普遍存在錯接、漏接及“一表多戶”等現象，且總表數據無法細化到具體企業用電數據，導致單純依賴原始數據難以支撐治理所需的精度要求。這為國藍中天帶來了新的算法挑戰，也提供了構建更深層次政企協同合作創新的機會。

韓科帶領團隊敏銳捕捉到政府對企業電力精準數據的迫切需求，主動提出以算法模型破解電力數據解析難題的創新思路。團隊依托“Alpha MAPS生態大腦”平臺，逐步構建出以“智能預警+現場聯動”為核心的企業電力監測與執法流程。首先，團隊開發了電表歸屬識別算法，結合時段負荷模式與地理空間關系，解決了“一表多戶”難題，實現對企業主體的精準識別。其次，在生產過程識別層面，公司自主研發了子系統電力消耗模型，通過學習不同產業和生產工藝時段的用電特征，實現對關鍵排放環節的智能拆解與行為識別。電力算法模型并非孤立運行，每一輪輸出結果均通過監管平臺推送至執法人員現場驗證，并將現場驗證結果實時反哺算法模型進行迭代調整。這一過程不僅極大縮短了應急調度響應時間，還通過逐步優化算法權重與誤報率，實現了模型的持續學習與精準度提升。

“智能預警+現場聯動”的工作機理也被拓展至建筑施工治理領域。在應對建筑工地渣土車難管理、夜間施工難監控、揚塵點位難發現、偷拉偷倒難識別等治理難題時，韓科率團隊自主研發核心算法，對14000余輛渣土運輸車輛的GPS軌跡進行分析挖掘，可綜合判斷出揚塵污染源，并能研判該點位的作業類型，包括工地、傾倒場、砂石場、重型車輛停放點等。算法系統最快可做到首次開挖3個小時后即被發現并呈現在可視界面上。據統計，該系統自上線以來，已自動發現并核實了上千個土石方作業位，識別準確率達到95%左右。相較于傳統“人海戰術”地毯式摸排污染源的模式，該智能算法系統大大提升了監管效率，擴大了監測覆蓋面，降低了治理成本。

場景拓展：未來發展方向

隨著系統準確率與響應效率不斷提升，國藍中天已逐步從城市監測服務商轉型為綜合治理方案提供者。公司董事長牟華僑強調，“我們要通過‘以點帶面’的推廣策略，向全國多個城市復制治理模型，并探索智慧水務、智慧園區、低空平臺等場景的技術遷移與模式創新，構建起一個以算法平臺為支撐的可持續城市環境治理體系”。然而，對這個剛剛成立不足5年的創業企業來說，雖然智能數據采集和人工智能算法技術都不成問題，但是多個環境治理場景的拓展需要的不僅僅是數據，還需要對環境治理特定場景的深度理解，需要人工智能技術人員對業務實踐的精準理解和判斷能力。因而，國藍中天未來場景拓展的關鍵在于：在確保人工智能算法技術具有可遷移性的基礎上，深入理解不同環境治理場景的業務特征，進而有針對性地開發適配多場景的人工智能算法引擎，為提升中國環境治理效率提供科技驅動力。