下载掌阅APP，畅读海量书库
立即打开
如果没有有效和有适应性的规划，城市化的快速发展将成为城市环境的潜在威胁。我们见证了世界各地城市环境中不同污染物的增加，例如空气质量问题、噪声和垃圾等。在城市化进程中保护环境，同时现代化人们的生活，对于城市计算至关重要。本节将介绍一些关于解决空气污染和城市噪声，以及保护水质的的技术。
城市空气质量的信息，如PM2.5浓度，对于保护人类健康和控制空气污染至关重要。许多城市通过建立地面空气质量测量站来监测PM2.5。尽管城市覆盖了较大的空间区域，但由于建设和维护此类站点的成本高昂，城市只有有限数量的测量站。不幸的是，空气质量因地点而异，非线性且显著，受到包括气象、交通流量和土地利用率在内的多个复杂因素的影响。因此，在没有测量站的地方，我们实际上并不了解该地点的空气质量。
· 监测空气质量 移动通信和传感技术的发展推动了人群感知应用程序的普及，这些应用程序将复杂问题分解成小任务，并将它们分布到一个用户网络中。来自单个用户的结果形成了集体知识，这种知识可以解决问题。
哥本哈根车轮 [128] 是一个项目，它将环境传感器安装在自行车轮子里，以感知城市的细粒度环境数据，包括温度、湿度和CO 2 浓度。骑行自行车所需的人类能量被转化为电能，以支持车上传感器的运行。此外，轮子可以通过用户的手机进行通信，通过这种方式将收集到的信息发送到后端系统。
同样地，Devarakonda等人 [39] 提出了一种基于车辆的方法，用于实时测量细粒度空气质量。他们设计了一个移动设备，包括GPS接收器、CO 2 传感器和蜂窝调制解调器。通过在多辆车上安装这样的设备，他们可以监控整个城市中的CO 2 浓度。
尽管它具有巨大的潜力，但通过人群感知监测环境只对少数几种气体（如CO 2 和NO）有效。测量气溶胶（如PM2.5和PM10）的设备对于个人来说不易携带。此外，这些设备需要相对较长的感应时间，通常至少一个小时才能生成准确的测量结果。
另一项研究 [59] 基于浮动车辆数据估计路面上的交通流量，然后根据环保专家制定的一些经验方程计算车辆的气体排放量。这是一种估计道路附近空气污染的有前景的方法，但它无法揭示整个城市的空气质量，因为车辆的排放只是污染的一个来源。
· 空气质量推断 与现有解决方案不同，Zheng等人 [176，182] 根据现有监测站报告的（历史和实时）空气质量数据以及收集的各种城市数据集（如气象、交通流量、人类移动性、道路网络结构和POI）推断整个城市的实时和细粒度空气质量信息（如图2.10所示）。他们没有使用经典的物理模型（这些模型基于经验假设显式地将因素结合在公式中），而是从大数据的角度解决这个问题，即使用数据挖掘和机器学习技术在多样化数据和空气质量指数之间建立网络（更多细节见9.4.1节）。细粒度的空气质量信息可以指导政府做出污染控制决策。它还可以帮助人们确定何时何地去慢跑，或者何时关闭窗户或戴上口罩。一个名为UrbanAir的系统使用了这种技术，公共数据可在http://urbanair.msra.cn/上获取。
图2.10 使用大数据监测实时和细粒度空气质量（见彩插）
· 监测站部署 遵循这一研究主题，Hsieh等人 [65] 提出了一种基于概率图模型的方法来推断细粒度空气质量。他们进一步建议根据在给定位置推断所得空气质量的熵来选择建设新监测站的位置。在某个位置推断的空气质量熵越大，预测的不确定性就越强。因此，应该在这样的位置部署监测站，而不是使用预测模型来推断相应的空气质量。
· 预测空气质量 UrbanAir系统还可以使用一种数据驱动方法来预测每个监测站未来48小时内的空气质量 [191] ，这种方法考虑当前的气象数据、天气预报以及该站和几百公里内其他监测站的空气质量数据。图2.11展示了预测功能的用户界面，未来6个小时内的每个小时都将生成预测，未来7～12小时、13～24小时以及25～48小时分别会生成空气质量的最大-最小范围。每个时间间隔顶部显示的数字表示48小时内的预测准确性。
图2.11 基于大数据预测空气质量
· 诊断空气污染的根本原因 Zhang等人 [164] 研究了从空气质量数据中挖掘空间共演化模式（SCP）的问题。一个SCP表示一组在空间上相关且在读取值中频繁共演化的传感器。空气质量的SCP可以帮助推断空气污染在地理空间中的传播路径。
Zhu等人 [199] 将因果推断模型应用于识别空气污染根本原因的问题。后来，他们将共演化模式挖掘技术与大贝叶斯网络结合起来，推断不同地点之间空气污染物的时空因果关系。例如，当风速小于5m/s时，张家口的高浓度PM10主要是由该地区高浓度的SO 2 引起的，而保定的高浓度PM2.5主要是由衡水和大庆的NO 2 引起的。该方法首先找到每对地点空气污染物之间的SCP，计算它们之间的相关性。然后选择与空气污染物最相关的Top -N 因素来构建贝叶斯网络。这两种技术的结合降低了贝叶斯网络的复杂性，同时提高了推断结果的准确性。
室内空气质量已经通过多种传感器得到了监测 [72] 。关于预测室内空气质量的研究也有很多。例如，参考文献 [73] 提出了一种使用蒙特卡罗模型预测由炉灶排放产生的室内空气污染的方法。其他数学模型 [107] 也被提出用于基于吸烟活动预测室内空气质量。
对室内空气质量的感应和预测已用于控制建筑中的供暖、通风和空调（HVAC）系统的运行，以最小化能源消耗 [2，31] 。Chen等人 [31] 介绍了一个部署在中国四个微软园区的室内空气质量监测系统。该系统由部署在建筑不同楼层的传感器、收集和分析传感器数据的云平台、公共空气污染信息，以及向最终用户显示户外和室内环境实时空气质量数据的客户端组成。该系统为用户提供室内空气质量信息，这些信息可以指导人们做决策，比如何时在健身房锻炼或者在办公室开启额外的空气净化器。户外和室内环境中PM2.5浓度的差异可以衡量HVAC系统过滤PM2.5的效果。
该系统还整合了户外空气质量信息与室内测量数据，以适应性地控制HVAC设置，旨在优化运行时间，同时考虑到能源效率和空气质量保护。使用基于神经网络的方法，系统甚至可以根据六个因素（如户外/室内PM2.5浓度、气压计压力和湿度）预测HVAC需要多长时间才能将室内PM2.5浓度降至健康阈值以下。给定净化时间和人们在建筑中开始工作的时间，可以推荐HVAC系统应提前多长时间开启，从而节省大量能源。使用了三个月数据的大量实验证明了该方法相对于基线方法（例如线性回归）的优势。
城市的复合功能和其复杂的环境，包括不同的基础设施和数百万人口，不可避免地产生大量的环境噪声。因此，世界上有大量的人暴露在高水平的噪声污染中，这可能导致从听力损害到负面影响生产力和社交行为的严重疾病 [116] 。
作为一种减缓策略，美国、英国和德国等许多国家已经开始监测噪声污染。他们通常使用噪声地图（一个区域噪声水平的视觉表示）来评估噪声污染水平。噪声地图是通过基于输入数据的模拟计算得出的，这些输入数据包括交通流量数据、道路或铁路类型，以及车辆类型。由于收集这类输入数据非常昂贵，更新这些地图通常需要很长时间。Silvia等人 [127] 使用无线传感器网络评估城市区域的环境噪声污染。然而，特别是在像纽约这样的大城市中部署和维护全市范围的传感器网络，在金钱和人力资源方面是非常昂贵的。
另一种解决方案是利用人群感知，即人们使用移动设备收集和分享他们的环境信息。例如，NoiseTube [105] 提出了一种以人为中心的方法，它利用手机用户共享的噪声测量数据来绘制城市中的噪声地图。基于NoiseTube，D' Hondt和Stevens [40] 进行了一个市民科学实验，用于在Antwerp市的一个1km 2 区域内进行噪声地图绘制。他们还进行了广泛的校准实验，研究了频率相关行为和白噪声行为。这个实验的主要目的是调查通过参与式感知获得的噪声地图的质量，与官方基于模拟的噪声地图进行比较。
在参考文献 [116] 中，设计并实现了一个名为Ear-Phone的端到端、情境感知的噪声地图系统。与参考文献 [40，105] 中手机用户积极上传他们的测量数据不同，这里提出了一种机会感知方法，其中噪声水平数据是在不通知智能手机用户的情况下收集的。该文解决的一个主要问题是手机感知情境（即在口袋中或在手中）的分类，这与感知数据的准确性有关。为了从不完全和随机的样本中恢复噪声地图，Rana等人 [117] 进一步研究了包括线性插值、最近邻插值、高斯过程插值和L1范数最小化方法在内的多种不同的插值和正则化方法。
建模城市范围的噪声污染实际上远远不止测量噪声的强度，因为噪声污染的测量也取决于人们对噪声的容忍度，这种容忍度随着一天中时间的流逝和人的不同而变化。例如，夜间人们对噪声的容忍度远低于白天。夜间的一个不那么响亮的噪声可能也被视为严重的噪声污染。因此，即使我们可以在所有地方部署声音传感器，仅凭传感器数据来诊断城市噪声污染也是不够的。此外，城市噪声通常是由多个源头混合而成的。了解城市噪声的组成（例如，在晚上高峰时段，40%的噪声来自酒吧音乐，30%来自车辆交通，10%来自建筑工地）对于减少噪声污染至关重要。
自2001年以来，纽约市一直运营着311平台，允许人们通过使用移动应用程序或打电话来登记非紧急城市干扰，噪声是该系统接到投诉的第三大类别。每一起关于噪声的投诉都与一个位置、一个时间戳和一个细粒度的噪声类别相关联，例如大声音乐或建筑噪声。图2.12在数字地图上显示了关于噪声的311投诉，其中条形的高度表示一个地点的投诉数量。例如，我们可以看到，曼哈顿下城正遭受建筑和大声音乐/派对噪声的困扰。
图2.12 纽约市的噪声投诉（2012年5月23日至2014年1月13日）（见彩插）
这些311数据实际上是“人类作为传感器”和“人群感知”的结果，其中每个个体都贡献了自己关于环境噪声的信息，当这些信息汇总使用时，有助于诊断整个城市的噪声污染。更具体地说，一个地点接到的311电话越多，该地点的实际噪声可能越大。此外，投诉者标记的噪声类别可以帮助分析一个地点噪声的组成。例如，如果在最近一个月内一个地点接到了100个311投诉，其中50个是关于交通的，30个是关于建筑的，20个是关于大声音乐的，那么该地点的噪声组成可能是交通占50%，建筑占30%，大声音乐占20%。
然而，311数据相对稀疏，因为我们不能期望人们随时随地报告他们周围的噪声情况。有时候，即使他们被噪声打扰，可能也会因为太忙或太懒而没有打电话。为了解决这个问题，Zheng等人 [184] 利用311投诉数据与社会媒体、道路网络数据以及POI，推断了纽约市每个区域在不同时间段的细粒度噪声情况（包括噪声污染指标和噪声组成）。根据整体噪声污染指标，我们可以在不同时间间隔内，例如工作日的凌晨0点～5点和周末的晚上7点～11点对地点进行排名，如图2.13a所示。一个区域颜色越深，该区域遭受的噪声污染越严重。或者，我们可以按照特定的噪声类别（如建筑）对地点进行排名，如图2.13b所示。我们还可以检查特定地点（如时代广场）的噪声组成随时间的变化，如图2.13c所示。
图2.13 纽约市噪声污染诊断（见彩插）
他们使用一个三维张量模型来建模纽约市的噪声情况，其中三个维度分别代表区域、噪声类别和时间槽。通过使用情境感知的张量分解方法填充张量中的缺失项，他们恢复了全纽约市的噪声情况。噪声信息不仅可以帮助个人改善生活方式（例如，帮助找到一个安静的地方安顿下来），还可以为政府官员在制定减少噪声污染方面的决策时提供信息。
城市水资源是一项至关重要的资源，它影响着人类健康和安全的各个方面。居住在城市的人们越来越关心水资源属性（例如，水质、流量和压力）和水相关事件（例如，城市洪水和突如其来的暴雨），这要求有技术能够建模或预测这些问题。这个领域的研究主要涉及和地表水、地下水、管道水分别相关的问题。
地表水是指存在于地球表面的水体，如河流、湖泊、湿地或雨水径流，与地下水和大气水相对。在地表水的研究中，人们特别关注如何建模降雨-径流过程以及解决水文问题，例如水流预测和洪水预报。
地表径流（也称为 降雨径流 ）是指当过量风暴水或其他水源流过地球表面时发生的水流。通常，认为降雨-径流过程随时间和地点变化呈高度非线性变化，因此不容易用简单模型描述 [66] 。Amorocho等人 [6] 评估了两种不同的方法来建立降雨与流量的关系。一种被称为 物理水文学 ，另一种被称为 系统调查 。Duan等人 [42] 提出了一种有效且高效的全球优化方法，适用于概念性的降雨-径流模型。在过去的十年里，许多基于物理的水文模型已经被开发出来，这些模型专注于流量预测，既基于物理过程，又具有空间分布特性，例如欧洲水文系统（SHE） [1] 。
受到数据可用性而非物理考虑的限制 [101] ，几种数据驱动的方法已经被广泛用于建模这些动态过程。例如，Hsu等人 [66] 提出了一种三层前馈人工神经网络（ANN）模型，用于模拟和预测降雨。Toth等人 [130] 证明，基于ANN的降雨预测比基于 k 最近邻（KNN）和自回归移动平均（ARMA）方法的表现更好。Bray等人 [21] 使用支持向量机（SVM）来预测降雨-径流，性能优于基于ANN的方法。他们还探索了不同模型结构和核函数之间的关系。Yu等人 [153] 也使用SVM来模拟降雨-径流过程，并证明SVM模型优于神经网络模型。
地下水是存在于地球表面下方土壤孔隙空间和岩石裂缝中的水，它为许多水资源系统提供了一个重要的组成部分，为家庭、工业和农业用水提供水源 [8] 。
地下水水力学管理模型能够确定在多种限制条件（如局部水位下降、水力梯度和水生产目标等）下，多个井的最佳位置和抽水速率 [99] 。Aguado等人 [4] 认为地下水系统的物理行为是优化模型的一个组成部分。随后，他们将问题重新表述为一个“固定费用问题”，其中考虑了抽水产生的费用和井安装的固定费用 [5，57] 。
为了模拟地下水流动，Arnold等人 [8] 在一个现有的流域规模地表水模型中增加了一个全面的地下水流动和高程模型，并在Waco附近的一个471km 2 的流域对该模型进行了验证。基于进化多项式回归的混合多目标范式，Giustolisi等人 [57] 引入了一种旨在管理地下水资源的水文建模方法，包括测试降雨深度和地下水位深度。Liu等人 [89] 没有专注于地下水的水力特性，而是应用了因子分析的方法来探索地下水质量与十三种水文化学参数之间的相关性。
由于城市水资源与人们的生活密切相关，因此对管道水质量（例如，余氯）的研究对于管理消毒剂浓度和保护公众健康至关重要。然而，由于管道网络中的水质量在空间和时间上的变化性，建模管道水质量是一个挑战。
几个实验表明，氯的衰减可以表征为液体主体中的一阶反应和管道壁上的质量转移限制反应的组合 [131] 。一般来说，基于物理的模型已经在许多水配系统中得到广泛应用，通过使用一阶或更高阶的衰减动力学来描述双倍的氯消耗：液体主体和管道壁 [120-121] 。有许多应用实例使用EPANET软件在实际网络上的一阶动力学来模拟氯的衰减 [23，103] 。为了扩展这些模型，Clark等人 [32] 提出了两个二阶项来预测氯的损失或衰减，因为氯在管网中传播。根据液体主体与壁反应的不同功能依赖关系，一个直观的想法是分别建模自由氯的速率。管道材料被分类为高反应性或低反应性的。Hallam等人 [60] 表明，前者的壁衰减率受氯运输限制，后者的壁衰减率受管道材料特性限制。尽管有壁反应，Powell等人 [113] 还是调查了许多影响液体主体衰减的因素，基于对两百多次液体氯衰减随时间的变化的测定。
在数据驱动的方法方面，Liu等人 [94] 提出了一种新颖的多视角多任务学习框架，用于预测管道网络中大约30个监测点在几小时内的水质。在这个框架中，城市数据的不同来源，如道路网络、POI和气象信息，分别被视为水质的空间或时间视角。此外，每个监测点的预测被视为一个任务，不同任务之间的相关性通过管道网络中两个监测点之间的连通性来衡量。实验表明，多任务多视角框架的性能优于经典的预测模型和其他机器学习算法。
除了建模氯衰减外，Ostfeld等人 [106] 将“障碍赛跑”和一种混合遗传-最近邻算法（GA-KNN）结合到一个适用于二维水动力学和水质量（例如，氮、磷，不包括氯）模型的校准模型中。