基于遥感与地面实测及优化混合深度学习-模糊熵方法的空气污染源识别(Air pollution source identification based on remote sensing and ground-level measurements with an optimized hybrid deep learning and fuzzy entropy approach)

《International Journal of Remote Sensing》：Air pollution source identification based on remote sensing and ground-level measurements with an optimized hybrid deep learning and fuzzy entropy approach

　　

摘要：空气污染可导致呼吸系统疾病及心血管疾病等多种健康问题，但既往研究未能有效识别促成气候变化的空气污染源。为此，研究人员提出一种称为自适应指数Sigmoid模糊Tsallis熵干扰系统(Adaptive Exponential Sigmoid Fuzzy Tsallis Entropy Interference System, AES-FTEIS)的新方法用于空气污染源识别。研究人员收集遥感数据集与地面空气污染实测数据集，采用先验分布正则化卡尔曼滤波(Prior Distribution Regularized Kalman Filter, PDRKF)进行时序对齐，并利用交叉熵最小化样条插值(Cross-Entropy Minimization Spline Interpolation, CEMSI)进行缺失值填补；此外从数据集中提取PM2.5和PM10等气溶胶颗粒物纳入分析。随后采用传递熵谱聚类(Transfer Entropy Spectral Clustering, TESC)按位置和时间对数据进行组织，并利用Spearman秩相关(Spearman Rank Correlation, SRC)分析其相关性；对基于时间分组的结果通过箱线图(Box plots)进行探索性数据分析(Exploratory Data Analysis, EDA)，进而完成特征提取；最终利用AES-FTEIS依据气溶胶颗粒物浓度水平识别污染源。实验结果表明，所提出的WOLSTM-ASLRCNN分类器准确率达97.56%、精确率(precision)达98.5%，优于CNN(95.3%)、LSTM(93.84%)、GRU(92.57%)和RNN(89.66%)等现有模型；所提TESC聚类方法轮廓系数(Silhouette Score)为0.9721，高于谱聚类(SC, 0.9687)、凝聚聚类(AC, 0.9428)、层次聚类(HC, 0.9271)和K均值聚类(KMC, 0.9087)；此外AES-FTEIS污染源识别方法将规则生成时间缩短至1483 ms，证明了所提框架的有效性。

论文解读：《基于遥感与地面实测及优化混合深度学习-模糊熵方法的空气污染源识别》

该文发表于International Journal of Remote Sensing。研究背景方面，空气污染源于机动车尾气、工业活动和化石燃料燃烧等，严重威胁公众健康并影响气候变化。现有研究多采用机器学习或单一深度学习模型预测PM浓度或空气质量，但存在以下局限：①未充分考虑污染物随时间演化的动态特征及各时段污染模式差异；②地面监测与卫星遥感数据缺乏有效融合，时空分辨率不匹配且缺失值处理不当；③现有方法难以准确区分交通、工业、居民采暖及自然源等多类污染源。为此，研究人员提出一套融合遥感与地面实测数据、集成优化混合深度学习分类与模糊熵推理系统的空气污染源识别框架，以实现高精度污染等级分类及污染源归因，对城市大气污染管控具有重要意义。

主要关键技术方法：

研究人员选用印度城市地面空气质量监测站数据（含CO、NO、NO₂、NO_x、NH₃、PM_2.5、PM₁₀、SO₂、O₃等，Kaggle数据集共9357条小时均值）与哥白尼Copernicus Sentinel-2 Level-2A遥感气溶胶数据。关键技术包括：①先验分布正则化卡尔曼滤波(PDRKF)实现遥感与地面数据的时序对齐与融合；②交叉熵最小化样条插值(CEMSI)对融合后时序缺失值进行填补并由交叉熵准则选取最佳节点；③传递熵谱聚类(TESC)结合传递熵(Transfer Entropy)构造相似性矩阵完成时间分组，位置分组按经纬度进行；④Spearman秩相关(SRC)分析位置—时间分组数据相关性；⑤探索性数据分析(EDA)以箱线图呈现时间分组污染分布；⑥权重优化长短期记忆—自适应斜率泄漏线性修正单元卷积神经网络(Weight Optimized LSTM-Adaptive Slope Leaky Rectifier Linear Unit CNN, WOLSTM-ASLRCNN)，其中LSTM权重由精英引导牛羚群优化(Elite-guided Wildebeest Herd Search Optimization, EWHSO)初始化，CNN使用ASLR激活函数防止梯度消失；⑦自适应指数Sigmoid模糊Tsallis熵干扰系统(Adaptive Exponential Sigmoid Fuzzy Tsallis Entropy Interference System, AES-FTEIS)基于If-Then规则与指数Sigmoid隶属度函数及Tsallis熵进行污染源模糊推理与解模糊，识别交通(Traffic)、工业(Industry)、居民采暖(Residential Heating)及自然源(Natural Source)。

研究结果：

3.1 Dataset description： 研究人员将Copernicus Sentinel-2遥感数据与印度城市地面空气质量数据通过PDRKF融合并按80:20划分训练测试集，数据集涵盖多种污染物及气象相关变量，可反映空间变异特征。

3.2.1 Performance analysis for time-based grouping： 将所提TESC与谱聚类(SC)、凝聚聚类(AC)、层次聚类(HC)、K均值聚类(KMC)比较，TESC轮廓系数为0.9721（SC=0.9687，AC=0.9428，HC=0.9271，KMC=0.9087），聚类时间1996 ms短于对比组均值2437 ms，Dunn指数为5.897高于其他方法，证明引入传递熵构造相似性矩阵提升了时间分组的准确性与效率。

3.2.2 Temporal analysis of pollutant variations： 对代表性站点PM_2.5、PM₁₀、NO₂和CO做时序可视化，显示早晚高峰及工业活跃时段浓度升高，验证了TESC时间分组捕获动态污染模式的能力，为污染源推断提供时间维度支撑。

3.2.3 Performance analysis for source identification： AES-FTEIS规则生成时间1483 ms低于FIS(约2007 ms)、梯形模糊规则(Tra-FR)、模糊决策树(FDT)和概率规则系统(PRS)；模糊化时间1489 ms、解模糊时间1864 ms均显著低于对照方法，说明自适应指数Sigmoid隶属函数和Tsallis熵分配提高了模糊推理效率。

3.2.4 Performance analysis for air pollution prediction： WOLSTM-ASLRCNN分类器准确率97.56%、精确率98.5%、FPR=0.076、FNR=0.1012、召回率(Recall)98.09%、F1值98.45%、特异度(Specificity)97.58%、真阳性率(TPR)97.95%、真阴性率(TNR)98.95%，均优于CNN(准确率95.3%)、LSTM(93.84%)、GRU(92.57%)和RNN(89.66%)，表明EWHSO权重初始化与ASLR激活函数有效提升时空特征学习能力。

3.3 Comparative analysis： 综合比较显示本方法在准确率、精确率和F1值上均超越已有文献报道结果，归因于TESC时间分组与AES-FTEIS精确源识别的协同作用。

讨论与结论翻译：

研究人员提出并验证了一种基于WOLSTM-ASLRCNN与AES-FTEIS的空气污染预测及污染源识别框架，核心步骤含时序对齐、时间序列填补、位置与时间分组、污染源精确识别。实验表明：TESC时间分组轮廓系数达0.9721，聚类时间1996 ms；AES-FTEIS规则生成时间1483 ms；WOLSTM-ASLRCNN分类器准确率97.56%、精确率98.5%、FPR=0.076、FNR=0.1012，优于传统深度学习模型。该框架可有效融合遥感与地面数据并实现高精度空气污染分类与多类别污染源识别，适用于实时空气污染预警与溯源。未来研究将评估已识别污染源对应的污染严重程度等级。