卫星AOD数据驱动的区域电力污秽等级评估方法

熊　宇，陈孝明，阮　羚，黄俊杰，张天浩，朱忠敏，韩　舸

(1. 国网湖北省电力公司电力科学研究院，湖北 武汉 430077； 2. 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079； 3. 武汉大学国际软件学院，湖北 武汉 430079)



卫星AOD数据驱动的区域电力污秽等级评估方法

熊宇1，陈孝明1，阮羚1，黄俊杰1，张天浩2，朱忠敏2，韩舸3

(1. 国网湖北省电力公司电力科学研究院，湖北 武汉 430077； 2. 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079； 3. 武汉大学国际软件学院，湖北 武汉 430079)

bySatellite-derivedAOD

传统污秽等级评估方法存在高成本、低效率、区域不均衡及包含主观性等问题。卫星遥感以其大覆盖和高重访的优点特别适合需要时相特征的大范围地物监测，同时20年来遥感定量化和自动化的发展产生了大量性能优异的机器学习算法，能够很好地避免人为主观因素的干扰。本文提出了一种基于卫星遥感数据及粗糙集、支持向量机等数据处理算法的区域电力污秽评估方法。数据挖掘试验表明，最少只需获取AOD、污染源目录、降雨和地形高程4种数据即可实施污区等级评估工作。在此基础上的分类试验表明，基于支持向量机的分类方法总体分类精度高达70%，适用于全局污秽等级的评定和污区等级分布图的制订；而最大似然的分类方法对高等级污秽的评估精度高达80%，适用于对污秽闪络事故的预警。

污秽闪络；污区图；粗糙集；图像分类

附着于输电系统绝缘装置上的污染物被称为电力污秽。过量的电力污秽会导致绝缘装置失效，从而引起事故性放电甚至大面积停电，严重威胁电网的安全，影响电网的可靠运行。进行电力污秽评估是调整绝缘水平避免上述事故的最主要依据。

目前，我国的电力污秽等级评估主要依靠人工定点的地面监测，导致电力污区图绘制成本极高，因此难以进行高时间分辨率的绘制，同时其评估结果也具有较大的主观性。此外，由于采样测量点主要集中在城市和重点电力项目区域的周围，基于此的区域性(省级)评估结果缺乏足够的空间代表性，无法用于新架设电力线路的污秽风险预评估工作。而且现行标准中等级的衡量方式较为模糊，缺乏明晰的数值—类别转换关系，造成现有污区图中污秽的评定具有一定的主观性[1]。受制于上述因素，现行的电力污区图以1～3年为周期进行更新，其更新速度已经无法满足发展的需求[2]。

针对现行污秽评估方法存在的问题，本文首次提出利用卫星遥感获得的大气气溶胶光学厚度(AOD)产品作为主要驱动因子，并引入数据挖掘和图像分类技术，构建一种新型的大面积低成本电力污秽评估方法。卫星遥感数据具有时效性强和覆盖面广等优点，不仅能完美解决污区图制订过程中存在的空间代表性差的问题，还能大幅降低其监测评估的工作量和成本[3]。同时利用成熟的遥感数据处理方法进行基于多源数据的关键要素选择和监督分类，能更全面地考虑多种污秽相关影响因子，也可避免污秽等级评估中存在主观性[4-6]。最后，依据混淆矩阵的精度评价结果，分别提出针对污区图制订和污秽闪络预警的不同分类算法选择方案，使其适用于不同目的的污秽评估工作。本文选取湖北省作为研究区，综合利用2014年的多源卫星和地面观测资料，实现所提方法并评估反演结果的精度。

一、方案设计

图1展示了利用遥感数据进行区域性电力污秽等级评估流程。为了尽可能全面地考虑各种因素对污秽积累的影响，首先将获取的多源遥感原始数据，通过相应的处理方法转换为多种产品，进而实施时空配准，产生时空一致的输入变量集。出于科研目的，更多的观测指标有望得到更好的评估结果，但是考虑到实际应用时输入集越完备其完整性就越难以保证，而且计算资源消耗也会过大，不利于该方法的全面推广。因此，本文同时利用粗糙集对输入变量的重要性进行评定，确定出对污区等级评级最重要的观测指标。在此基础上，将人工测量点的评估结果作为目标集合，尝试利用最大似然分类、支持向量机和马氏距离法3种常见分类方法实施监督分类，以得到不同的污区评估结果，最后利用现有污区图评价所得结果的精度。

图1　方案流程

二、数据源

AOD作为卫星能够直接反演的物理量，是一种很好的大气污染指示物，并且可以有效地监测地面污染物的分布情况[7-8]。

植被覆盖指数(NDVI)以遥感数据为数据源，由波段反射率计算得到，能够相当精确地反映地表植被绿度及光合强度等，是评价植被情况的良好指标，对于目标区域的生态环境评价及污秽等级有重要的现实意义[9]。

数字高程模型(DEM)是输电线路污秽研究不可或缺的重要地理信息之一，人类工程活动往往与地形地貌存在复杂的联系，而人类工程活动会明显影响绝缘子的积污速率。

气象数据中的降雨和风速可能与污秽累积速率存在一定联系，因此搜集了分布于湖北省21个气象站的上述数据。

污染源数据来源于对输电线附近的详细调查，包含了临近现有输电线的大部分主要污染企业。该数据比较粗糙，只包含了地理信息，没有排放强度信息，因此只能将各电源的强度视为一致的。

三、试验结果及讨论

1. 粗糙集评定

粗糙集理论是继概率论和模糊集后又一个处理不确定性的数学工具[10]，它作为一种较新的软计算方法，是目前人工智能理论的研究热点之一，已被成功应用于诸多科学与工程领域[11]。本研究收集了2014年覆盖湖北全境的环境和大气和气象监测数据，包括NDVI、AOD、坡度、坡向、高程、温度、湿度、降雨量、风速和污染源强度等。其中，NDVI部分为旬度数据；AOD、DEM、温湿风、降雨量为日度数据；污染源为年度统计数据。首先，由于各数据时间间隔不等，需要统一时间间隔；其次粗糙集只能处理类别型数据，因此对于数值型监测值需要进行量化处理。本文参考空气污染等级对AOD等级进行分类[12]；参考植被覆盖程度对NDVI等级进行分类；坡度等级依据地势坡度角进行分类；坡向依据地理朝向进行分类；高程等级依据地理景观类型进行分类；温度、湿度、风速及降水量数据依据国家气象局公布的气象等级进行等级划分；污染源数据依据环保部门给出的废气排放等级进行分级。经预处理后，参与污秽等级预测模型的输入变量包括：植被覆盖度、大气光学厚度等级、坡度、坡向、高程、温度、湿度、降雨等级、风速、污染源强度等级。

输入变量集经粗糙集处理后共得到15个约简集，表1为10个输入变量在这些约简集中出现的频率，其一定程度上反映了不同变量对预测污秽等级的贡献能力。在这15个约简集中输入项最少者仅含4个：AOD、高程、降雨和污染源等级。这表明仅用这4个变量就能够取得在目前条件下的最优结果，进一步改进则依赖于其他新数据的引入。由此大大简化了需要收集的数据集，后续分类将依赖这4类指标的数值型记录。

表1　输入变量在约简集中出现的频率

表2为4个入选变量的重要性情况，其中POSi表示属性集去除变量i后的决策能力，即变量i的次要性。POStotal-POSi表示整体决策能力与变量i次要性之差，即变量i的重要性。为了对各变量的重要性进行对比分析，本文对重要性进行归一化处理，得到表2中的评价指标(1-POSi)/max(1-POSi)，即为变量i的归一化重要性。这里需要说明的是，本文所使用的3个评价指标只有POSi和POStotal-POSi是具备数学或物理意义的，而归一化重要性只能在该试验中与各变量横向对比分析。

表2　选中约简集中各变量重要性情况

由表2可见，AOD最为关键，其次是污染源等级、降雨和高程。这一结果显示污秽累积程度与当地大气污染情况有着紧密的关系，而利用AOD和当地污染源等级来表征大气污染情况则是进行大面积污秽等级的基础。降雨对污秽洗刷作用也被考虑进来，而且可以发现其作用不可忽视，相对而言风的作用似乎小了许多。高程对污秽的影响很可能不是直接的：有研究表明AOD和高程存在一定的负相关；同时，高程对污染物的扩散可能存在一定影响；另外，高海拔地区人类活动相对减少也可能减轻污秽的累积。因此，综合考虑，高程对污秽的积累存在某种非直接但是比较明显的作用。

2. 污秽等级评估

根据上述粗糙集的结果，本文确定AOD、污染源强度、降雨和DEM(高程)4种指标是最重要的关键参量，它们的组合对于污秽等级评价而言能够包含等价于全部数据集的信息。在此基础上，对于上述选出的关键因子产品进行后处理，主要包括时间分辨率的归一化和空间配准，从而生成时空一致的数据集。为客观评价不同算法对污秽等级评估的效果，选取3种不同的方法：最大似然法、支持向量机方法和马氏最小距离。最大似然法基于遥感影像光谱特性，利用概率判别函数和贝叶斯判别规则完成最优分类，被广泛应用于遥感影像的分类处理。支持向量机方法以统计学习理论为基础，基于结构风险最小化的原则，折衷考虑经验风险和置信范围完成最优分类。马氏距离分类与最大似然分类相似，也基于多元正态分布理论，但假定所有类的协方差相等，使用先验概率与体积的比为同一常数的概率判决函数完成分类。

本文使用2014年覆盖湖北省的大气和遥感数据，参照2014年国家电网官方公布的湖北省电力污区图数据，分别使用3种算法进行训练，并利用训练结果进行评估，评估效果如图2所示。宿志一等通过对各种环境和测量指标量将电力污区图分为4个等级，本文在此基础上将分类的结果可视化。

图2　3种评估方法对于污秽等级的预测同污区图的结果对比

总体上看，3种评估方法对于污秽等级低地区的预测同污区图的结果相比是非常接近的，特别是支持向量机和最大似然法的结果与污区图基本一致。对于污秽等级最低区域的估算，支持向量机体现出比较明显的优势，但是支持向量机算法似乎容易低估污秽等级，较少出现较严重区域。而最大似然法和马氏最小距离法则倾向于高估污秽等级。对3种结果的准确评价需要依赖于独立的实地调查，其中一个关键的考察区域在于湖北省中部地区。可以发现，在中部地区有调查的区域，污秽等级程度比较高，而中部地区有大量缺乏实际采样的结果，对这些地区的评价，污区图往往倾向于认为污染不大。相反，基于遥感数据的评估显示在这些区域污秽的等级可能超过一般的估计。这种矛盾需要后续深入的实地调查，以确定最终的实际情况。

表3给出了3种方法结果和污区图中不同等级出现的频率。a级在4种产品中都不存在。b级的差别相对较小，都在30%附近。同污区图最接近的是支持向量机(SVM)输出的产品，在c、e两个级别都非常接近，d级出现的较少。总体而言，SVM有将污染等级评估偏低的倾向。最大似然和马氏距离与污区图相比的最大特点是e级出现的频率大幅上升。马氏距离有明显地将污染等级向严重方向估计的倾向。相对而言，最大似然的评估结果在SVM和马氏距离之间，但是也呈现出将污染等级往严重方向估计的特征。本文采用十折交叉验证的方法来评价等级分类的结果，以污区图为真实正确结果并将其随机分成10组，每次使用其中9组进行训练，剩下的1组作为测试样本来验证分类结果。将3种方法的评估结果分别与其按地理位置一一对比，10次平均可以得到混淆矩阵，见表4—表6。

表3　污区等级评价对比　(%)

表4　最大似然法精度评价混淆矩阵

表5　支持向量机精度评价混淆矩阵

表6　马氏最小距离精度评价混淆矩阵

从以上精度评价混淆矩阵看，SVM的总体精度最高，可以达到70%以上，主要原因可能是SVM的特征维数仅为四维，因此其预测的鲁棒性较好；另外两种方法的精度则只有50%左右，而主要出现误分类的区域集中在湖北中部地区。但是具体到每个子类，可以发现SVM的高精度源于其对b、c两种占大部分区域但污染等级稍低情况的准确评定。而在实际应用中，从电网运维的安全考虑， 往往会重视高预警等级，此时d、e两种情况会更为重要，SVM对这两个等级评定的精度就不如最大似然和马氏距离的效果好，尤其是最大似然分类方法对最高等级e的分类精度高达80%。

综合考虑上述分析和评价指标，本文认为在国家电网对污区图的等级修订时，可以采取支持向量机的分类方法，结合AOD、污染源强度、降水和高程数据来高效地制订全省污区图的原型；而在对绝缘子污秽闪络事故进行评估甚至预测时，则建议采用最大似然或马氏最小距离的分类方法，结合相应卫星和地面实测数据来对高等级的污染区域进行预警，以保证电网运维的安全性，保障国家和人民的财产安全。

四、结　论

本文以卫星遥感影像和湖北省地面在线监测多源数据为基础，将粗糙集算法和多种遥感影像分类算法引入电力污区图的制订过程中，从而实现了基于遥感手段的区域性电力污秽等级评估工作。试验结果表明：

1) 4种指标是评估污秽等级的不可或缺要素，它们的重要性排名依次为AOD、污染源强度、降雨和高程。

2) 3种分类方法对污区等级的评估同污区图的结果影响是非常相似的，但支持向量机算法容易低估污秽等级，而最大似然和马氏最小距离则倾向于高估污秽等级。

3) 总体上SVM算法能够实现总体精度超过70%的污区等级评估，而最大似然法对于重度污秽区的评估具备显著优势。

综上所述，国家电网对污区图修订具体实施的过程可以结合MODIS卫星AOD数据、STRM卫星DEM高程数据、中国气象局提供的降水数据和环保部门提供的污染源数据，采用支持向量机的方法不仅很好地解决了污区制订过程中空间代表性的问题，而且也避免了污秽评估过程中一些主观因素的影响；采用最大似然法来进行评估有利于对高等级的污秽区域进行预警，及时对该区域杆塔线路上的绝缘子进行污秽闪络评定，以保证电网运维的安全性。此外，基于遥感手段的污区评估工作也将大幅减少工作量，有利于缩短污区图的更新周期。进一步优化所提方法，提高评估结果精度，同时实施大规模野外验证工作将是未来研究的重点，也是全面推行该方法的前提条件。

[1]PACIOREKCJ,LIUY.LimitationsofRemotelySensedAerosolasaSpatialProxyforFineParticulateMatter[J].EnvironHealthPerspect, 2009, 117(6): 904-9.

[2]宿志一, 李庆峰. 我国电网防污闪措施的回顾和总结 [J]. 电网技术, 2010, 34(12): 124-30.

[3]RUANL,HANG,ZHUZ,etal.SpatialandTemporalCharacteristicsofInsulatorContaminationsRevealedbyDailyObservationsofEquivalentSaltDepositDensity[J].Sensors, 2015, 15(2): 3023-40.

[4]LUNETTARS,JOHNSONDM,LYONJG,etal.ImpactsofImageryTemporalFrequencyonLand-coverChangeDetectionMonitoring[J].RemoteSensingofEnvironment, 2004, 89(4): 444-54.

[5]钟燕飞, 张良培, 李平湘. 遥感影像分类中的模糊聚类有效性研究 [J]. 武汉大学学报(信息科学版), 2009, 34(4): 391-4.

[6]许晓婷, 隋立春, 李芹芳,等. 基于GIS的山区农用地定级方法研究 [J]. 测绘通报, 2014(11)：46-49.

[7]KAUFMANYJ,FRASERRS,FERRARERA.SatelliteMeasurementsofLarge-scaleAirPollution:Methods[J].JournalofGeophysicalResearch:Atmospheres(1984—2012), 1990, 95(D7): 9895-909.

[8]李成才, 毛节泰, 刘启汉, 等.MODIS卫星遥感气溶胶产品在北京市大气污染研究中的应用 [J]. 中国科学(D辑), 2005, 35(S1): 177-186.

[9]YUEWZ,XUJH,XULH.AnAnalysisonEco-environmentalEffectofUrbanLandUseBasedonRemoteSensingImages:ACaseStudyofUrbanThermalEnvironmentandNDVI[J].ActaEcologicaSinica, 2006, 26(5): 1450-60.

[10]韩舸, 龚威, 吴婷, 等. 利用粗糙集的滑坡分阶段位移预测方法以白家包滑坡为例 [J]. 吉林大学学报(地球科学版), 2014(3): 925-931.

[11]PAWLAKZ.RoughSets:TheoreticalAspectofReasoningaboutData[M].Dordrecht：KluwerAcademicPublishers，1991.

[12]夏丽华, 王芳, 王德辉. 基于MODIS数据的城市光化学污染预警系统及预警等级研究 [J]. 地理科学, 2006, 26(6): 712-716.

中海达三维激光建模软件首次加入测绘技能竞赛

[本刊讯]近日，由四川省教育厅主办、成都理工大学承办的“中海达杯”第二届四川省大学生测绘技能竞赛在成都理工大学举行，3天紧张激烈的比赛精彩纷呈，各参与高校都有优秀表现。

本次竞赛吸引了四川省内23所高等院校，共19支专业组和30支非专业组参赛。每个团队由1名领队和4～6名参赛队员组成，其中每个参赛队还配有1～4名指导老师。比赛总共分为四个环节：水准测量、导线测量、1∶500数字化测图与建库和三维激光点云建模，其中三维激光点云建模的比赛首次被引入测绘技能竞赛中，这是此次技能大赛中最具亮点的环节。共24支队伍参加三维激光点云建模比赛，海达数云利用HS系列高精度三维激光扫描仪采集了两组对称建筑物的数据，参赛队员经三维激光点云数据提取、点云转换、纹理提取、建模贴图等步骤完成比赛，整个流程要求参赛队员对前期培训内容进行过深入的消化和吸收，不仅要精通软件，还要能快速操作软件。

经大赛裁判组、组委会核分、评审，共评出“水准测量”“导线测量”“数字化测图”“三维激光点云建模”和“数据入库”5个单选的专业组一等奖7个，二等奖14个，三等奖22个；非专业组一等奖11个，二等奖22个，三等奖33个；优秀指导教师18人。其中东道主成都理工大学收获颇丰，包揽了专业组和非专业组的团体总分第一名。

(本刊编辑部)

A Novel Evolution Method for Contamination Level of Power System Driven

XIONG Yu，CHEN Xiaoming，RUAN Ling，HUANG Junjie，ZHANG Tianhao，ZHU Zhongmin，HAN Ge

2015-11-10

熊宇(1989—)，男，硕士，助理工程师，主要从事状态信息系统建设及高级应用研究等。E-mail：hbdky@sina.cn

朱忠敏。E-mail：zhongmin.zhu@whu.edu.cn

P237

B

0494-0911(2016)08-0039-05

引文格式：熊宇，陈孝明，阮羚，等.卫星AOD数据驱动的区域电力污秽等级评估方法[J].测绘通报，2016(8)：39-43.DOI:10.13474/j.cnki.11-2246.2016.0252.