机动车环保检测与道路遥感监测结果的关联度研究

摘要：机动车排放污染物对环境造成严重污染，其中高排放污染车辆为主要贡献者，如何识别高排放污染车辆，对于实现“双碳”目标具有实际意义。本文利用决策树挖掘方法，得出机动车环保定期检测数据与道路遥感监测的各排放因子关联度。通过数据挖掘结果对比分析，机动车环保定期检测中稳态工况法与遥感监测结果的关联度较高，三种污染物HC、CO和NOx整体关联度分别为90.74%、91.37%和84.69%，在使用年限3~11年和11~14年区间的，前者各排放因子的整体关联度高于后者。加载减速法与遥感监测法的关联度相对于稳态工况法与遥感监测法的关联度要低很多，其中加载减速法与遥感监测法中NOx化合物的关联度为63.11%，颗粒物的关联度为57.06%。通过数据对比，使用年限对机动车环保检测方法与道路遥感监测方法的关联度具有一定的影响，且汽油车与柴油车对两种尾气检测方法的关联度也有一定的影响。关键词：机动车；环保检测；遥感监测；关联度0引言随着我国经济水平与生活水平的大幅提高，机动车保有量也持续增长。截至2021年9月，全国机动车保有量达3.90亿辆，其中汽车2.97亿辆，76个城市汽车保有量超过100万辆，18个城市汽车保有量超过300万辆。机动车污染物的排放对我国大气环境造成很大的影响。2020年全国机动车一氧化碳、碳氢化合物、氮氧化物、颗粒物四项污染物排放总量为1593.0万吨，其中，一氧化碳排放量为769.7万吨，汽车排放占693.8万吨，占比达90.2%；碳氢化合物排放量为190.2万吨，汽车排放占172.4万吨，占比达90.6%；氮氧化物排放量为626.3万吨，汽车排放占613.7万吨，占比达98%；颗粒物排放量为6.8万吨，汽车排放占6.4万吨，占比达94.1%。机动车排放污染已成为大气污染的重要来源，且高排放污染车辆对环境造成的影响更加严重，对机动车排放进行定期检测与实时的监测，实现交通运输领域的绿色低碳转型，对我国生态环境的好转与美丽中国建设目标的基本实现有着巨大推动作用。遥感监测对高排放污染车辆的识别具有重大意义，其整体监测速度很快，在短时间内可以监测多辆机动车的排放状态，能够有效减少检测时间，实现高效便捷的监测。目前机动车道路遥感监测因其检测结果不稳定，在道路执法中只是作为辅助手段，分析其与环保检测结果的关联度，为环保部门提供执法依据。本文利用遥感数据与机动车环保检测的数据进行分析，得出其与环保定期检测数据的关联度，有利于方便、快捷地识别高排放污染车辆，对于环境污染的治理起重要的作用。1决策树方法决策树是一种树形结构，在决策树中内部节点代表一个属性上的测试，分支表示测试输出，叶节点表示一种类别。决策树算法是一种常用的分类算法，决策树的生成是根据ID3算法，由训练样本集生成决策树，再对决策树进行剪枝，决策树的剪枝是对上一阶段生成的决策树进行检验校正的过程，利用测试数据集中的数据校验决策树产生的初步规则，对影响准确性的分支进行剪枝。ID3算法的核心是在决策树各个节点上应用信息增益准则选择特征，递归构建决策树。经过上述一轮信息增益计算后会得到一个特征作为决策树的根节点，该特征有几个取值，根节点就会有几个分支，每一个分支都会产生一个新的数据子集，余下的递归过程就是对每个数据子集再重复上述过程，直至子数据集都属于同一类。（1）设数据集S（A1，A2，…，An）有n个属性，数据集中类标识属性具有m个不同的离散属性值，即数据集的分类属性为C（C1，C2，…，Cm），将数据集的全部记录数记为s，分类属性值为（c1，c2，…，cm）的记录分别为（s1，s2，…，sm）。对数据集划分之前，S的总熵为：其中，pi是任意样本属于ci的概率，即pi=si/s。（2）设属性A具有v个不同值｛a1，a2，…，av｝，可以利用A将S划分为v个子集｛s1，s2，…，sv｝，设sij是子集sj中类Ci的样本数，由A划分子集的熵为：其中，pij是sj中记录属于ci的概率，即pij=sij/sj。（3）对于属性A作为决策分类划分数据集S所需信息熵为：（4）对于属性A作为决策分类划分数据集S前后熵的差，即信息增益为：以信息增益最高的决策分类属性划分当前节点的测试属性，通过最优信息增益来选择当前节点测试属性，能够确保由此划分的决策树最简单、工作量最小。2数据分析2.1数据来源本文数据来源于某市机动车环保检测数据库和机动车遥感监测数据库，共收集2020年至2021年共计14.4万条机动车污染物检测数据，其中汽油车约8万条数据，柴油车约6.3万条数据。数据包括机动车排放污染物检测结果，如碳氢化合物、一氧化碳、二氧化碳、氮氧化合物、不透光度等，此外还包括机动车基本信息，如登记日期、检测日期、机动车品牌等。2.2数据预处理根据收集到的数据结构和后期利用数据的要求对数据进行预处理。本文数据预处理包括去除异常值和转换，利用聚类方法对数据进行分类转换。将稳态工况法和加载减速法下各排放因子的检测结果聚类分成低、中、高三种状态，结果如表1和表2所示。表1稳态工况法污染物浓度数据的转换规则Tab.1Conversionrulesofpollutantconcentrationdataunder

steady-stateconditions表2加载减速法污染物浓度数据的转换规则Tab.2Conversionrulesofpollutantconcentrationdatain

loadingdecelerationmethod为方便后续进行数据挖掘分析，参照国家相关排放标准，根据机动车环保检测数据库和机动车遥感监测数据库中的各车辆登记日期和检测日期，将机动车按使用年限划分为七个区间（区间A~区间G）。其中使用年限为机动车检测日期与登记日期之差，机动车数量为数据库中全部数据去除异常值后所得。各使用年限划分区间与划分规则如表3所示。从表3可知，区间C与区间D占比最大，达82%，与市区内机动车使用年限分布占比一致，所以，本文将区间C与区间D，作为分析的主要区间。表3机动车（汽油车）登记日期转换成使用年限区间规则Tab.3Rulesforconvertingtheregistrationdateofmotorvehicles（gasolinevehicles）intoservicelifeinterval2.3数据挖掘数据挖掘是指在海量数据中通过一定的算法计算提取固有的、潜在的功能性数据。借助于数据挖掘过程，可以获得有用的信息来提取知识。数据挖掘是一种决策支持过程，以机器学习、数据库、人工智能、可视化技术、统计学以及模式识别等技术作为支撑。本文利用“MicrosoftSQLServerManagementStudio”模块建立机动车排放数据库，利用“VisualStudio2017（SQLServerDateTools）”模块新建AnalysisServices多维和数据挖掘项目，挖掘模型选择论文前述的决策树挖掘算法（MicrosoftDecisionTrees）。3结果分析3.1稳态工况法与道路遥感监测结果的关联度对基于稳态工况的排放状态模型进行数据挖掘，由于ASM5025的数据完整性略优于ASM2540，所以利用ASM5025检测数据中的HC、CO、NOx排放状态进行挖掘，决策树模型如图1所示，其原理为通过剪枝，选择信息增益最高的决策属性进行划分。图1基于稳态工况的机动车排放状态决策树模型Fig.1Decisiontreemodelofvehicleemissionstatebasedonsteady-stateconditions图1是经过前期的数据预处理去除相同项和异常值之后，剩余的40756条有效数据，从挖掘结果的“挖掘模型查看器”窗口展开详细信息，通过对挖掘结果的整理，分析整理得出机动车环保检测中稳态工况法和道路遥感监测法各排放因子的关联度，整理结果如表4所示。表4稳态工况与遥感监测关联度Tab.4Consistencybetweensteady-stateconditionsandremotesensingmonitoring稳态工况法和道路遥感监测法各排放因子的关联度以及各排放因子低、中、高三种状态的整体关联度如图2所示。三种污染物HC、CO和NOx低、中、高三种状态的整体关联度结果分别为90.74%、91.37%和84.69%，通过结果可以看出机动车环保检测中稳态工况法与道路遥感监测的结果具有较高的关联度。图2稳态工况与遥感监测整体关联度Fig.2Overallcorrelationbetweensteady-stateconditionsand

remotesensingmonitoring由于我国严格的机动车年检制度，使得高排放的机动车上路率大大降低，同时由于收集到的数据有限，使得污染物排放状态为“高”的机动车数量相较于状态为“低”的机动车数量少得多，导致一致性比率结果在低、中、高三种状态相差较大。以稳态工况法下的氮氧化合物为例，虽然中、高状态关联度较低，但是三种状态的整体关联度仍能达到84.69%。数据库中稳态工况法检测条件下机动车使用年限在区间C和区间D的数量较多，根据机动车登记日期转换成使用年限区间规则，各区间内机动车数量如图3所示。图3各使用年限区间内机动车数量Fig.3Numberofmotorvehiclesineachserviceliferange对机动车数量最多的两个区间，区间C和区间D内的稳态工况法与道路遥感监测法进行关联度分析，结果如表5所示。表5不同区间内稳态工况与遥感监测关联度Tab.5Consistencybetweensteady-stateconditionsandremotesensingmonitoringindifferentsections两个区间内各污染物的整体一致率如图4所示，可以看出，区间c中的三种污染物的关联度都要优于区间d，表明车龄越低，稳态工况法检测条件下机动车环保检测与道路遥感监测结果的关联度越高。图4稳态工况与遥感监测整体关联度Fig.4Overallcorrelationbetweensteady-stateconditionsand

remotesensingmonitoring3.2加载减速法与道路遥感监测结果的关联度建立挖掘模型如图5所示，对加载减速法与遥感监测法的数据进行挖掘并整理挖掘结果。通过对挖掘结果的“挖掘模型查看器”窗口展开详细信息，整理挖掘结果如表6。图5加载减速与遥感监测数据挖掘模型Fig.5Loaddecelerationandremotesensingmonitoringdata

miningmodel表6加载减速与遥感监测相关联度Tab.6Correlationbetweenloadingdecelerationandremote

sensingmonitoring通过对机动车环保检测中加载减速法和道路遥感监测数据对比分析可知，对于NOx，其检测状态与遥感监测状态低、中、高三种状态关联度分别为88.06%、6.43%、7.60%，整体一致率为63.11%；对于颗粒物，其检测状态与遥感监测状态低、中、高三种状态关联度分别为71.79%、20.45%、9.30%，整体一致率为57.06%。道路遥感监测与加载减速法各排放因子的关联度都低于70%，而与稳态工况法的关联度则都高于80%。4结语基于机动车环保检测的排放数据，运用数据挖掘中的决策树挖掘算法，对基于使用年限和排放状态的机动车环保检测和道路遥感监测两者排放状态的关联度进行挖掘，对比分析结论如下：（1）遥感监测法与稳态工况法各类污染物之间的关联度为：CO>HC>NOx，遥感监测法与加载减速法各类污