大数据技术在大气监测中的应用

侯毓 王春艳

摘要：如今大数据与公共服务的充分结合成为了当前社会发展潮流。现阶段，我国越来越重视环境保护工作，而为了更好地带动大气监测工作的开展，就有必要积极合理地应用大数据技术。

关键词：大数据技术;大气监测;环境保护

中图分类号：X831 文献标识码：A 文章编号：2095-672X（2019）09-00-02

DOI：10.16647/j.cnki.cn15-1369/X.2019.09.044

Application of big data technology in atmospheric monitoring

Hou Yu， Wang Chunyan

（Tongliao Municipal Environmental Monitoring Station，Tongliao Inner Mongolia 028000，China）

Abstract：The combination of big data and public services has become the current trend of social development. At this stage， China is paying more and more attention to environmental protection work， and in order to better promote the development of atmospheric monitoring， it is necessary to actively and rationally apply big data technology.

Keywords：Big data technology;Atmospheric monitoring;Environmental protection

1 大氣环境监测中大数据技术应用的意义

我国已经全面进入了信息时代，每天都会产生大量的信息数据，同时信息数据也可借助传媒通道与通讯技术传递到社会的多个数据节点和层面当中，从而为人们提供更加方便的服务。现如今开发出了较多的新型软件，在软件开发的过程中也丰富了信息储存的形式。在环境保护中，相关部门与系统所产生的信息可应用在环境监测中，且在实践中充分利用大数据解析技术可有效提高信息采集、统计计算、系统模拟以及参数识别等工作效率，促进了大气环境监测工作的顺利进行。

2 大数据解析技术在大气环境监测中的应用

2.1 应用目标和内容

大数据解析技术对复杂关系数据处理有着较为理想的效果，其以数据分析原理为基础，采用多种处理方式处理不同类型的问题。

首先要确定大数据分析技术应用的基本目标和实际内容。本次研究的主要内容是区域PM2.5浓度测算，在城市中采用单元网格划分的形式，以G（g1，g2，…，gn）描述不同的单元网格，其中g主要应用于1km?范围描述，同时C（cg1，cg2，…，cgn）来描述每一个单元网格PM2.5浓度。在本次研究当中取J（Ci）表示大数据解析的目标函数，函数当中Ci可分为两大类，一类是大气自动监测站的设置，PM2.5浓度为已知量，利用C1描述;另外一类是无监测站且浓度为未知数据的情况，以C2描述，以此为基础开展数据分析。

2.2 确定特征量与数据类

因为C2并未设置监测站，同时PM2.5的浓度为未知数，为了保证数据解析的有效性，应及时确定特征量和数据类。以可能和需要为原则来选择数据类，可能指的是确定有数据后选择数据类，而需要则是指分析单个数据类的基础上选择与J（Ci）函数有关的数据类。以环境的视角来分析，大多数数据类均为非线性关系，且其关系的多样性也较为明显，而数据类的非线性关系也使得数据解析更加困难。为了更加准确地测出PM2.5的浓度值，应科学利用环境科学领域的知识内容，在现有条件的基础上，确定数据类。数据类主要分为以下几种类型，分别为PM2.5历史数据、交通情况数据、网格内的空气污染数据、网格内的道路数据和坐标位置等。

确定上述数据类后，需做好特征量选择，结合历史数据求得PM2.5浓度的平均值，求出的平均值即为特征量。气象条件数据的特征量较多，如风速、气压、气温和相对湿度等。人群活动数据类主要以人数为特征量。平均车速、高速公路长度为交通情况数据类，公园、车站、工厂等的数量是空气污染相关数据类的特征量，上述特征量属性存在较大差异，部分特征量在时间变化的条件下也发生了较大转变。在应用大数据解析技术的过程中，要对特征量进行科学分类，其主要分为空间相关数据集，以分类器完成函数预算，从而获得准确的预算结果，判断其是否影响目标函数。一类是时间变化条件下产生变化的数据集。在目标函数计算中主要选取时间分类器。

2.3 时间分类器的选择

解决随时间变化量的过程中，要科学利用时间分类器，在交通状况数据类当中，平均车速、车辆总数是主要的特征量，在气象条件当中，主要的特征量有风速、气压和气温。人数是人群流动的特征量。设某网格点与某特征量为i、j，则xij为该类特征量，t代表时刻，则X={x1，x2，…，xn}，x1={xi1，xi2，…，xij，t}。

又如在大气污染浓度测算中，时间变化后数据也随之变化，因此可将其视作特征量，以yi表示，i表示某网格点，则Y={y1，y2，…，yn}，其主要指某一时刻下待测污染物的浓度值。如特征量X容易确定，则yi与其相邻yi-1有关，i-y表示变量相邻，P表示概率。则P=（Yi/X，Yj，i≠j）。如已知特征量X的序列条件，如出现y值，则可判断其为正态分布函数，状态特征函数以exp（u·s（yi，xi，i））表示。状态向i移动时，函数exp（λ·t（yi-1））。函数中的u与λ为待定参数，满足上述条件后方可求解。

在求解时，应用大数据解析技术可保证求解的准确性。为了达到此目的，要对条件概率函数进行转化处理，从而确定u与λ的数值。创建TC的过程也是解析条件随机场的过程，其将重点放在了函数是否符合解析的要求上，进而得出最终结果。此外，在应用大数据解析技术的过程中，需要采取有效措施加强特征值解析和推演的准确性，让SC与TC处于最佳状态。

2.4 空间分类器选择

空气分类器通常也被人们称为SC，特征量不会随时间的变化产生变化，数据结果也不会发生变化。特征量对目标函数的影响下，节点传递呈明显的线性特征，因此，SC也具备了静态神经网络的结构特征。研究人员将神经网络视为一种复杂的系统，其也成为了大数据解析中的辅助性工具。

在本次研究中，采用配合人造神经网络ANN，进行网格PM2.5预测，输入部分IG构建的SC分类器。IG可充分满足ANN输入自值的需要，应用监测站的网格，随机选取两个坐标，l1与l2，c1与c2表示污染物浓度，利用f11/f21/f12/f22描述特征量，在分析數据生成流程时，要合理应用数据表达式，P表示特征量距，进而构建ANN数据输入。

则Pi1x=Pearson_Cor（f1i，f1x）;Pi2x=Pearson_Cor（f2i，f2x）

ANN在取得数据后可通过神经网络节点传递数据，从而对目标值进行适度调整。在当前的大气环境监测工作中，采用神经网络创建空间分类器时，要结合实际采取合适的神经网络，从而有效确保大气污染浓度计算的准确性与合理性。如在神经网络当中，应将非线性函数的变换、神经节点感知偏移和节点权重等作为重点问题，采取有效的控制策略。

对此，要采用BP法，该方式将目标锁定在实测值和估算值的分配上，以此为基础采用推演的方式在不同的权重上做好残差分配处理，从而确保权重分配的科学性。在应用SC时，应利用模拟训练有效减小残差，从而优化SC模型，提高特征量分析的准确性。

3 大数据解析技术在大气环境监测的应用要点

筛选关联数据是大气环境监测工作中应用大数据技术的重要环节，以此为基础可选择数据类特征量，然后利用数学分析方法对特征量进行分析和计算，总结各特征量之间的关系。大数据解析技术可保证非线性因素和多元关系的处理效果，故而其在多个行业的发展中均得以广泛应用。在本次的研究当中以大气环境监测为例，虽然在详尽的计算后获得了精确的监测结果，但是在监测的过程中也要把控好以下几点注意事项：

首先要保证基础数据收集与处理的质量。基础数据的数量较多，因此人们通常无法以直接的手段获取数据，所以，需要采取有效的统计学方法来获取部分特征量。其次是要保证特征量选取的合理性。在选取特征量时，有关人员需研究不同类型的问题，同时在数据与数据类的基础上结合实际选择特征量。最后是大数据解析技术当中涵盖了多种多样的技术和不同类型的运算方式。为此，监测人员需要做好数据收集与处理工作，从而有效提高数据处理的质量，为数据监测提供强大的技术支持。

4 结束语

大气污染问题是环境问题当中的重要组成部分，而在大气环境监测的过程中，监测数据之间存在着复杂的关系，同时监测中也需要跨越多种障碍，采用大数据解析技术的过程中，应当全面了解并掌握监测的要点及准确的监测流程，不断改善数据收集、特征量选取和数据工具设计等方面的质量，进而为大气监测工作的顺利开展奠定坚实基础。

参考文献

[1]刘新禹，杨力.数字化监测系统在大气监测中的应用分析[J].绿色环保建材，2018（07）.

[2]张凯雄.数字化监测系统在大气监测中的应用研究[J].环境与发展，2018（07）.

收稿日期：2019-05-23

作者简介：侯毓（1971-），男，汉族，本科学历，高级工程师，研究方向为大气污染治理。