基于WSN和RS的四维环境数据同化技术研究

胡敬文，陈 红

（1．佛山广播电视大学社区教育处，广东佛山528000；2.北京弘源岳泰科技有限公司，北京102206）

基于WSN和RS的四维环境数据同化技术研究

胡敬文1，陈 红2

（1．佛山广播电视大学社区教育处，广东佛山528000；2.北京弘源岳泰科技有限公司，北京102206）

目前常规环境监测所采用的地面布点采样分析，具有耗时费力且缺乏空间连续性等缺点，针对于此，研究了基于WSN和RS的四维环境数据同化技术，采用空间插值法，对某时刻与WSN节点对应的遥感环境参数进行空间插值，获取环境参数的空间分布规律；将WSN与RS环境参数采用最优插值法进行数据同化，获得遥感环境参数与WSN实测数据的关系函数；在时间连续的某时刻，利用WSN实测数据和同化关系函数获得对应观测点的遥感环境参数，并利用空间插值方程，获得空间连续的遥感环境参数，解决了环境监测中时空不连续的难题，填补了国内环境监测领域的空白。

数据同化；空间插值；最优插值；环境参数

目前我国环境监测主要是对环境中的污染物及其有关的组成成分进行定性、定量和系统的综合分析，形成的政府环境监测网络包括：覆盖全国主要水体的地表水监测断面（点位）及水质自动监测站组成的地表水环境质量监测网；环保重点城市建立空气自动监测站点、酸雨监测点位和沙尘暴监测站组成了环境空气质量监测网；手工监测和自动监测相结合的污染源监测网；同时，我国近岸海域也建成了环境监测网，但这些监测网主要是通过增加站点的分布来实现空间上的连续性，并非真正做到了空间上的连续性［1-5］。此外，建立新的站点需要增加费用，提高了环境监测成本。

随着遥感技术的不断发展，遥感环境监测从一次性监测发展到了连续动态监测，从个别指标的定性研究扩展到了多目标、多层次的模型研究和定量分析，从单一卫星数据源的应用发展到了多数据源、多时相、多分辨率遥感数据的应用。

目前，遥感在大气环境监测方面能够进行气体成分、污染物定量及气溶胶等内容的监测；在水环境方面能够进行富营养化水质参数、水中悬浮固体（ss）含量等的定量反演，有利于监测水环境的情况；在城市环境、生态环境方面能对植被覆盖进行有效地监测［6-11］。

无线传感器网络是一种分布式传感网络，传感器节点可以连续不断地进行数据采集、事件检测、事件标识、位置监测和节点控制，感知、采集和处理网络覆盖区域内被感知环境信息，可用于监视农作物灌溉情况、土壤空气情况、无线土壤生态学、大面积的地表监测等领域［12-16］。

本文主要研究基于RS和WSN的四维数据同化技术，充分将地面WSN节点获取环境信息的实时性和RS同一时间获取大区域信息的空间连续性进行融合、同化，获得天地一体、时空连续的环境监测信息，为环境监测提供更加有力的工具。

1 数据获取

本文涉及的环境信息主要来源于遥感环境参数反演和无线传感器网络（WSN）节点实时获取的环境信息。

遥感（RS）环境参数采用目视解译或计算机提取的方式，根据影像的波谱特征（色调、色彩或地物光谱）和空间特征（形状、大小、纹理、图形、位置和布局）、非遥感资料（地形图、电子地图、专题图等），进行遥感信息判别、影像分类、参数反演等，得到能够有效反映环境区域变化或环境参数的专题图及模型。

无线传感器网络系统（WSN）主要包括无线传感器节点、汇聚节点和管理节点。通过末端节点感知环境并采集环境信息，经过汇聚节点，将采集的信息传输到管理节点。

WSN和RS可以采集的环境信息如表1所示。

表1 RS和WSN环境信息对照表

2 数据同化

设定T1时刻，WSN节点获取的环境监测数据为Yi（i=1，2，3，…，n），n为WSN监测数据的数目，RS获取的对应节点的环境参数为Xi，T2时刻为与T1间隔较短的下一时刻，可视为时间上连续，WSN获取的监测数据为Y′i（i=1，2，3，…，n），n为WSN监测数据的数目。

遥感环境参数数据提供了空间连续的数据，可从中提取空间各位置的环境参数分布规律；WSN提供了时间上连续的监测点环境数据，两者结合实现时空连续、天地一体。

如图1所示，在T1时刻，以与WSN节点位置相对应的遥感环境参数为已知点，利用空间插值算法，获得环境参数在整个区域的分布，即空间插值规律M，并用T1时刻整个区域环境参数去修正空间插值的结果，得到空间插值规律M′；在T1时刻，根据最优插值的同化算法获取WSN实测数据Yi与遥感环境参数Xi的方程F（x），得到在WSN实测数据与遥感环境参数间的联系；在T2时刻，采用WSN获得实测环境数据Y′i，利用F（x）方程求解对应的遥感环境参数，利用M′插值规律获得整个区域的遥感环境参数分布，利用F（x）即可求解整个区域的实际环境参数，从而获得四维时空连续的环境监测数据。

2.1 空间插值算法

空间插值的理论假设是：空间位置上越靠近的点，越可能具有相似的特征值，而距离越远的点，其特征值相似的可能性越小。空间插值方法是根据假设设计的，分为整体插值方法和部分插值方法两类。

空间插值是为获得遥感环境参数空间分布规律，根据环境因素在空间上分布的连续性，且在空间上的分布只与局部的环境因素有关，因此本项目选取部分插值法。

部分插值仅仅用邻近的数据点来估计未知点的值，如最邻近点法（泰森多边形方法）、移动平均插值方法（距离倒数插值法）、样条函数插值法、克里格插值方法等。

Kriging方法的适用范围为区域化变量存在空间相关性，即如果变异函数和结构分析的结果表明区域化变量存在空间相关性，则可以利用克里格方法进行内插或外推。其实质是利用区域化变量的原始数据和变异函数的结构特点，对未知样点进行线性无偏、最优估计。无偏是指偏差的数学期望为0，最优是指估计值与实际值之差的平方和最小。也就是说，克里格方法是根据未知样点有限邻域内的若干已知样本点数据，在考虑了样本点的形状、大小和空间方位，与未知样点的相互空间位置关系，以及变异函数提供的结构信息之后，对未知样点进行的一种线性无偏最优估计。

图1 数据同化技术流程图

Kriging方法与反距离权插值方法类似的是：两者都通过对已知样本点赋权重来求得未知样点的值，可表示为

本文利用Z（x0）函数求解出对应站点环境参数的空间插值，得到空间插值结果。

2.2 修正插值

利用T1时刻的遥感环境参数影像数据对克里格插值方程进行修正，获得M′，能够更加准确地获得环境参数的空间分布规律，即

2.3 最优插值

在区域内布置无线传感器网络节点，实时获取观测点的环境数据Yi，无线传感器节点尽量均匀布设在区域内，在环境参数变化大的区域布设较多的节点，假设在区域内布设n个节点，利用这些节点来获取其所在位置的环境数据，无线传感器获取环境数据的时间间隔为ms，可视作时间上的连续。各节点在T1时刻获取的温度数据分别为{Y1，Y2，Y3，Y4，…，Yn}。

利用遥感数据可以反演A区域T1时刻的环境参数数据{X1，X2，X3，X4，…，Xn}，RS数据可看作覆盖了该区域内任一点（像元级别）。利用最优插值理论解算T1时刻获取的环境监测数据Ai与对应空间位置的遥感参数数据进行同化，获取两者之间的关系。

将Yi与Xi进行数据同化，求出插值函数Y=F（x），使Yi=F（xi）（i=1，2，…，n）。

2.4 时空连续递推

时空连续递推是指将T1时刻获得的空间插值方程与最优插值函数相结合，获取T2时刻的空间连续的环境数据值。

将T2时刻获取的环境监测站点数据，根据最优插值获得的插值函数F（x），求得相应站点的遥感环境反演参数，并通过修正后的空间插值模型M′进行插值计算，获得整个区域的遥感环境参数，通过F（x）求得全区域的环境监测数据。

3 方法验证

本文以地表温度监测为例，利用四维同化法简单介绍数据同化在环境监测中的简单应用。

假设在某区域A内布置无线传感器网络节点，初始状态设置9个节点，分布如图2所示。利用这些节点来获取节点所在位置的地表温度数据。设各节点在T1时刻获取的温度数据分别为{A1，A2，A3，…，A9}，T2时刻获取的地表温度数据为{b1，b2，b3，…，b9}。T1与T2时刻时差为毫秒级，可看作时间上连续。

图2 A区域WSN节点分布图

利用热红外遥感数据可以反演A区域T1时刻的地表温度数据{x1，x2，x3，…，x9}，遥感数据可看作覆盖了该区域内任一点（像元级别）。但是，由于遥感数据回访周期较长，无法获取时间上相对T1连续的T2时刻的温度数据，这时为了模拟T2时刻地表温度数据，需要将{Ai}与{xi}进行数据同化，求出最优差值函数Y=F（x），使Yi=F（xi）（i=1，2，…9），同时将xi数据根据空间插值算法，计算出站点遥感环境参数在区域的空间相关性插值方程m，并用实际遥感参数进行修正，得到方程m′,然后根据上述两个方程计算出T2时刻的地表温度数据{yi}（i=1，2，3，…，9），这就是一个简单的四维数据同化过程。

因此，利用数据同化不仅能获取区域A中空间连续、时间上也相对连续的A区域内任一点的地表温度数据，而且能推绎不同地区同一时间、不同地区不同时间的地表温度数据，解决了环境监测中时空不连续的难题，其同化结果如图3所示。

通过对图3中WSN节点获得的温度数据进行数据同化，可获得整个区域内连续的温度数据（图中圆点表示WSN节点，条带颜色变化表示温度变化，最低温4℃，最高温16℃）。

图3 温度数据同化结果

4 结论与讨论

本文通过四维一体数据同化技术能够有效解决环境监测数据时空不连续的问题，满足环境监测对时间和空间上的双重要求。

本文所选取的环境因子，需满足空间插值理论的前提，即空间上距离相近的点，其对应的环境参数的相似性越强，这种特征越明显的环境参数，其模拟精度将越好，此外，本文认为时间间隔较短的遥感环境参数在空间上的分布规律是一致的，这种假设对于外界变化短期内不会受到影响的环境参数是适用的。

［1］井瑾,刘晓东.试析我国环境监测技术的现状与发展［J］.中国科技博览,2015（20）:321.

［2］赵云峰,郁慧,陆雅燕.简述我国环境监测技术的现状及其发展［J］.资源节约与环保,2014（9）:97.

［3］樵地英.我国环境监测技术的现状与发展趋势的探讨［J］.资源节约与环保,2013（2）:39-40.

［4］陈辛月.环境监测技术的现状及发展趋势［J］.自然科学,2015（7）:255-257.

［5］孟艳艳.我国环境监测技术的现状与发展［J］.中国科技博览,2014（6）:452.

［6］宫鹏.环境监测中无线传感器网络地面遥感新技术［J］.遥感学报,2007,11（4）:545-551.

［7］李旭文,牛志春,姜晟,等.Landsat8卫星OLI遥感影像在生态环境监测中的应用研究［J］.环境监控与预警,2013,5（6）: 1-5.

［8］孙震,苏尚典,益建芳.遥感综合技术在城市环境监测中的作用［J］.测绘与空间地理信息,2006,29（2）:92-95.

［9］邱章喜.遥感技术在环境监测中的应用探析［J］.城市地理,2015（6）:41-42.

［10］尹球,李莉,许华.陆域与近岸海域水环境遥感监测研究进展［J］.遥感学报,2009,13（S1）:381-387.

［11］李海亮,汪秀华,戴声佩,等.基于环境减灾卫星CCD数据的海南岛洪涝灾害监测［J］.农业工程学报,2015,31（17）:191 -198.

［12］曹淑超.生物传感器在环境监测中的应用［J］.能源环境保护,2015,29（2）:59-62.

［13］赵立臣.环境监测中物联网技术的应用［J］.自然科学,2015（11）:129.

［14］焦俊,张水明,杜玉林,等.物联网技术在农田环境监测中的应用［J］.中国农学通报,2014,20（7）:290-295.

［15］焦俊,操俊,潘中,等.基于物联网的农田环境在线监测系统［J］.农业工程,2014,4（6）:18-23.

［16］许佳,张明珊.基于物联网的水环境在线监测系统的研发［J］.中国新通信,2015,17（10）:120.

【责任编辑：王桂珍 foshanwgzh@163.com】

The study on four dimension environmental data assimilation based on WSN and RS

HU Jing-wen1,CHEN Hong2
（1.Education Division,Foshan Radio&TV University,Foshan 528000,China; 2.Beijing Hong Yuan Yue TaiTechnology Co.Ltd,Beijing 102206,China）

The ordinary environmentalmonitoring uses ground sampling analysis,which consumes time and is lack of spacing continuity.The paper studies on technology of the four dimension data assimilation,which is combined with the technology of spatial interpolation and optimal interpolation.Spatial interpolation is used to interpolate remote sensing environmentalparameters corresponding toWSN nodesat certain time and getspatial distribution ofenvironmentalparameters.Optimal interpolation isused to study data assimilation ofWSN and RS environmental parameters and get the relationship function between remote sensing environmental parameters andWSN data.Ata certain time,the remote sensing environmentalparameters corresponding toWSN nodes can be obtained by WSN data and assimilation relation function.At last,spatial continuous remote sensing environmental parameters can be obtained by the above remote sensing environmental parameters and spatial interpolation function,which solves the problem ofSpace-time discontinuity in environmentalmonitoring.

dataassimilation;spatial interpolation;optimal interpolation;environmentalparameters

X83

A

2017-03-16

佛山市科技创新项目（00208231200122049）

胡敬文（1981-），男，广东佛山人，佛山广播电视大学讲师。

1008-0171（2017）04-0054-05