环境监测数据处理与分析

严 晖

（泰兴市环境监测站，江苏 泰兴225400）

环境监测是指间断或连续地测定环境中污染物的浓度，观察、分析其变化和环境影响的过程。在此过程中，对影响环境质量的各种因素进行实时或定期采样、分析测量，以发现异常的因素，定期、定点对环境组成、因子和环境中污染物质的种类、浓度、分布的变化及影响进行监测和分析。

环境监测数据具有代表性和完整性，即所获取的检测数据能较全面地描述污染物的空间分布状态；同时，还具备准确性和可比性，即数据是经过精密仪器采集，并可通过一定的数据处理方法进行可比性分析验证。

目前，环境监测数据的获取方面存在的问题主要包括：数据采集过程中，监测人员在数据筛选或处理时出现人为误差；布控时，未能及时根据监测点附近环境变化而更新布防监控；由于仪器设备过于陈旧而无法进行精密度采集或处理等。产生上述问题的原因主要包括［1］：① 主观原因：监测人员本身业务素质较低，不能科学有效地分析和处理数据，使得部分数据丧失真实性，甚至不能用于评价工作。②客观原因：监测仪器配置和监测站点的布置过于陈旧，并未根据最新环境变化及时更新，使得环境监测数据不具有代表性，造成评价结果的偏差，无法进行科学的分析和处理。

1 分析方法

由于监测数据和污染物空间分布与持续时间等因素有关，故在分析数据时可将数据按周期性规律地进行统计分析，从而得出浓度随时间变化的大致规律；然后根据当地的水文条件、气象变化和地形特征等因素进行综合整理，生成更为详尽的浓度等值线图，便于数据的直观性统计与分析［2］。

1.1 离群数据的分析

环境监测数据获取条件较为复杂，在实际工作中可能由于监测主体或条件变化产生离群值，如何正确区分离群值产生的原因并科学有效地去除离群值，是正确进行评价的重要依据［2］。

1.1.1Q检验法

在同一组数据中，判断最大值或最小值是否为异常值时采用Q检验法——狄克逊（Dixon）检验法：将数据从大到小进行排列，根据测定次数计算Q值：

式中，x2，x1为测定数据。

根据测定数据次数n和显著性水平，查阅Dixon检验统计表，通过比较Q值与临界值，判断x1与xn是否为离群值：若Q≤Q0.05，则可疑值为正常值；若Q0.05＜Q≤Q0.01，则可疑值为偏离值，可做保留处理；若Q＞Q0.01，则可疑值应予剔除。但该检验方法仅将可疑值与相邻数据进行比较分析，具有一定的局限性［2］。

1.1.2T检验法

对于各组测定数据平均值的一致性检验可采用Grubbs（格拉布斯）检验，即T检验法：将监测数据从大到小排列，并计算其算术平均值和标准偏差s，得到T值［2］。

查阅T检验临界表得T的临界值若则可疑数据x1或xn为异常值，应予剔除；反之，则保留处理。依次反复计算直至无异常数据为止。

1.2 分析结果准确度的检验

1.2.1 平均值与标准值的比较

此方法用于检查监测方法或操作过程是否存在较大系统误差。对标样进行n次监测，再利用T检验法的平均值t比较监测结果与标准值是否存在显著性差异［2］。

式中，μ为标准值；为监测结果；s为标样测定的标准偏差。根据自由度f和置信度P查得t值，与计算结果进行比较。若计算值大于t值，则存在系统误差；若小于则是由偶然误差引起的。环境监测中置信度一般为95%。

1.2.2 两组平均值的比较

针对同一样品的不同组数据产生平均值误差问题，先假设两组数据的方差无明显差异，计算t值［2］，

式中，S为合并方差。用P＝95%，f＝n1＋n2－2查表得到t值小于计算值，则存在显著性差异；若大于则无。

1.3 分析结果精密度的检验

用于比较两组数据方差s的一致性，又称F检验：求出两组数据标准方差的平均值和，计算与F分布表中查得一定自由度下的F值进行比较，若大于计算值则存在显著性差异，若无则不存在。

在进行F检验法检验两组数据的精密度是否有显著性差异时，应先确定其类型：单边检验指一组数据的方差不可能小于另一组数据的方差；而双边检验时，其显著性水平为单边检验时的2倍，置信度变为90%［2］。

1.4 等精度检验

对于n′个监测室，用同一标准方法对同一个标准样品作m次监测，测定结果用Cochran最大方差法检验。设各自标准偏差分别为s1，s2，…，sL，（i＝1，2，…L），最大值记为smax，计算统计量［2］：

根据给定的显著性水平α，实验室个数n′，测定次数m，从数理统计表得最大方差检验临界值为Ca。当C≤C0.05时，表明各实验室符合精密度要求；当C＞C0.01时，表明具有最大标准偏差的实验室精密度不符合要求；当C0.05＜C≤C0.01时，表明具有最大标准偏差的实验室精密度具有疑问，需再次考核以确认。

1.5 精密度和准确度统计分析［2］

其中由于∑Ti包括两个类似样品的监测结果从而含有两倍的误差［2］，故分母除以2；计算随机标准偏差

若s＝sr，则表明实验数据不存在系统误差。当时，需进行方差分析，计算根据显著性水平（0.05）和自由度查表。若表明在95%置信水平时，实验室的系统误差对分析结果的可比性无显著性影响；若表明实验室的系统误差对分析结果的可比性具有显著性影响，应及时采取校正措施［2］。

2 数据融合技术的应用

数据融合技术是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。

人类通过人体器官感受外部信息，转换成生物电，并通过人的中枢神经传送到大脑进行综合分析处理，然后对外部环境进行判断和控制。而多传感器数据融合的基本原理就如同人脑综合处理所感受的信息：利用多个传感器感测外部环境信息，再把多个传感器的数据根据某种准则进行组合，以获得对被测对象的一致性解释和描述，从而得出更为准确的可信的结论。

面对大量的环境监测任务，如何科学有效地获取数据信息是最为关键的一步，融合技术为我们提供了强有力的支持，然而这些数据在采集、利用过程中，由于传感器采集数据的特征性差异，造成数据存在模糊性、互补性或矛盾性。如何有效并准确的处理传感器所采集的数据是以后研究的重点，而这必将为环境监测数据研究带来重大性突破。

2.1 融合模型

20世纪80年代，代表性的数据融合模型包括［3－6］：英国情报环模型、美国JDL模型和Boyd控制环模型。20世纪90年代提出的“改进的JDL模型”［3］在军事领域应用十分广泛，还有将融合过程划分成观测、定位、决策、行动及传感器管理等阶段，并组成一个大循环的“综合模型（Omnibus Model）”［6］等。但由于上述模型均未引入自学习和多级反馈机制，使得其自适应性和自我完善功能有待提高。

目前，融合算法主要有Kalman滤波器的改进方法［7－8］、“数值－语言”混杂条件下的“知识发现和数据挖掘（Knowledge Discovery and Data Mining，KDDM）［7］”方法与面向分布式数据融合的支持向量机（Support Vector Machine，SVM）方法等。

2.2 应用举例

由于Kalman滤波方法是解决最优化滤波问题的经典方法，故消除被噪声污染的观测信号中的噪声影响，常将Kalman滤波方法用于环境采样数据真实值的估计。在此本文以大气监测为例，简单探讨Kalman滤波方法在环境监测方面的应用［9］。

（1）建立大气变化状态转移矩阵。根据环境科学相关领域知识，结合传感器采集的大气参数，建立关于这些参数的大气参数状态转移矩阵。利用该矩阵，研究各项大气参数的变化情况。

（2）根据式（1）中得到的观测目标属性特征，对来自各传感器的，反映不同污染现象的观测数据进行分析，分解出反映各种不同的污染现象的参数向量值。

（3）根据大气变化状态转移矩阵，利用各传感器采集的大气参数观察值，对各大气采样站点的环境进行最优化估计，得到各项参数的最优化估计值。

3 结 语

（1）对环境监测数据的可疑值判断和取舍方法进行了研究，同时还探讨了监测结果的统计方法和实验室监测质量的统计方法。

（2）简单展望了未来数据融合技术在环境监测方面的应用，并以大气监测为例进行分析。

［1］叶 萍.浅议环境监测数据的审核［J］.中国环境管理干部学院学报，2010（2）：45－46.

［2］马彦峰，张 勇.环境监测数据结果评价［J］.环境保护科学，2010（1）：23－25.

［3］Linas J，Bowman C，Rogova G，et al.Revisiting the JDL data fusion model Ⅱ ［C］／／Proceedings of the Seventh International Conference on Information Fusion.Stockholm，Sweden：［s.n.］，2004，2：1218－1230.

［4］Kalandros M K，Trailovic L，Pao L Y，et al.Tutorial on multisensor management and fusion algorithms for target tracking［C］／／Proceedings of the 2004American Control Conference.Boston，Massachusetts：［s.n.］，2004，5：4734－4748.

［5］何 友，王国宏，陆大金，等.多传感器信息融合及应用［M］.北京：电子工业出版社，2000.

［6］潘 泉，于 昕，程咏梅，等.信息融合理论的基本方法与进展［J］.自动化学报，2003，29（4）：599－615.

［7］Gao J B，Harris C J.Some remarks on Kalman filters for the multisensor fusion［J］.Information Fusion，2002，3（3）：191－201.

［8］Sun Shuli，Deng Zili.Multi－sensor optimal information fusion Kalman filter［J］.Automatica，2004，40（6）：1017－1023.

［9］邵 斌，蒋云良，张建宏.面向环境监测数据的融合方法研究［J］.心智与计算，2008，2（1）：42－47.