为宣传学院办学成果，彰显我院科研实力与社会贡献，学院陆续推出AI+系列办学特色成果进行展示！
本周推出第七期，由赵小明教授领衔的智慧环保成果，系统性地展示我院科研团队在边缘智能融合分析、环境传感与AI算法优化等前沿领域的突破性进展及其在医化产业污染防控、工业环境治理等领域的应用价值。
一、成果简介：
基于台州医化产业集群化衍生的环境风险防控需求，本成果通过与企业进行产学研协同攻关，突破多源异构传感器自主开发与边缘智能融合分析技术瓶颈：1）研制水质指纹溯源系统，基于多模态传感与边缘AI实现医化污染源30分钟级精准锁定；2）构建污染物AI中台，创新弹性网回归/核密度估计智能校准算法，攻克动态响应迟滞难题，达成毫秒级边缘处理与亚秒级云端同步；3）开发智能水泵系统，利用多模态传感器集成与LSTM/随机森林模型优化，实现故障准确预警及动态调参。项目形成中科院一区TOP期刊论文等标志性产出，支撑区域污染溯源效率提升和污水处理能耗降低，为台州工业污染防控提供数字化解决方案。
二、成果实效
由于与人们的日常生活息息相关，空气质量预测已受到政府部门和公众的高度关注。准确学习空气质量数据中的时空依赖关系对精准预测至关重要。图卷积网络（GCN）凭借其强大的非欧几里得空间依赖关系捕获能力，在时空数据预测领域得到广泛应用。然而，现有时空图神经网络研究存在两方面局限：要么采用启发式规则预定义的图邻接矩阵，要么依赖可学习参数生成矩阵。这些方法既无法准确表征监测站点间的真实空间关系，也难以自适应捕获预测所需的多层级空间依赖关系。为此，提出了一种新的深度学习框架，自适应分层图卷积神经网络（Adaptive Hierarchical Graph Convolutional Neural Network，AHGCNN）用于 PM2.5预测。在收集的北京市39个监测站点数据集上的实验结果表明了该方法的有效性，相关成果发表在Journal of Cleaner Production-2024。
（a） 北京市39个环境监测站分布 （b）AHGCNN空气预测模型 Adaptive
图1：一种基于AHGCNN的时空特征学习的空气质量预测模型（Journal of Cleaner Production-2024）
1. AIoT边缘智能检测装备
本研究依托物联网与边缘AI深度融合技术，基于多模态传感器与边缘计算构建的水质指纹溯源系统，实现医化企业污染源精准锁定。通过空天地一体化监测网，搭载红外热像与气体传感器的无人机群依托边缘AI实现自主巡航，实时识别排污口温度异常及VOCs扩散轨迹，支撑10公里级低功耗组网实时回传污染数据。本研究全链条技术从传感器芯片到AI算法均实现国产化替代，形成“监测-溯源-治理”闭环，为台州医化污染防控提供硬核支撑。
图2 AIoT边缘智能检测装备
2.污染物在线监测AI中台
为攻克传统水质监测设备动态响应迟滞与误差累积问题，自主研发台州污染源在线监测驾驶舱AI中台，通过弹性网回归、核密度估计等机器学习模型实时清洗异常数据，标准化量纲并剔除冗余特征；同时，在边缘端部署轻量化AI模型，对传感器原始数据毫秒级实时处理，使污染事件溯源效率提升至30分钟内；依托“云-边-端”架构，采用NB-IoT低功耗组网传输数据，结合时间维度聚合策略，实现污染数据亚秒级云端同步，构建高时效、高精度的环境监管数据基座。
图3 污染物在线监测AI中台
3.面向水污染治理的智能水泵系统
基于物联网与人工智能深度融合的污水水泵智能化研发，在国产高精度多模态传感器（压力/流量/温度/振动）实时感知水质参数（COD、氨氮、悬浮物）的基础上，通过边缘端部署LSTM、随机森林等轻量化AI模型，实现对水泵运行状态的双重优化：一是基于电流/振动时序数据的毫秒级故障预警，二是依托水力模型与动态流量需求的自适应调参。依托无线传感器网络构建云边协同架构，实现亚秒级数据同步与远程指令闭环控制，形成"堵塞预警-能效优化-资源回收"的全生命周期智能管理体系，推动污水处理系统向零故障、近零碳耗目标演进。
图4 面向水治理的水泵监控系统
三、人物访谈
问题1：您在成果简介中提到研制了“水质指纹溯源系统”，能简单解释一下这个系统是如何快速锁定污染源的吗？
回答：这个系统就像给水质做了一个“指纹识别”，通过多种传感器收集水中的不同数据（比如化学物质浓度），然后利用边缘人工智能（AI）技术在现场进行快速分析。传统方法可能需要很长时间，但我们的系统能在30分钟内精准定位污染源，比如找到是哪个工厂排放的污染物，从而帮助快速响应环境问题。
问题2：在空气质量预测研究中，您提出的AHGCNN框架有什么特别之处？为什么它比传统方法更有效？
回答：AHGCNN框架的核心是能自动学习空气监测站点之间的复杂空间关系，而不是依赖人工预设的规则。传统方法往往无法准确捕捉这些关系，导致预测不准。我们的框架通过自适应分层图卷积，能更灵活地分析PM2.5数据中的时空模式，因此在预测准确性上有了提升，实验结果显示它在北京市的监测数据上表现良好。
问题3：对于想从事环境科技或人工智能研究的学生，您有什么学习建议？他们应该从哪些方面入手？
回答：我的建议是，首先打好数学和编程基础，比如学习概率统计和Python语言。然后，多关注机器学习和数据分析的实战项目，从公开数据集入手练习。同时，要结合实际问题，比如参与环保相关的课题，这样既能提升技术能力，又能贡献社会。保持好奇心和持续学习的态度很重要，这个领域发展很快，需要不断更新知识。
