摘要
提出了基于群智感知的“城市振动污染图”概念,用于定量化、可视化城市环境振动污染的范围及程度。创建了线上数据采集应用,通过志愿者的智能携带设备获得环境振动数据并形成云端数据库,经数据清洗后,分别在全国、城市和区域3个不同尺度上进行了示例。示例结果验证了“城市振动污染图”的可行性及其对于智慧城市运维的支撑能力。
自党的十八大明确提出“新型城镇化”概念以来,城镇化建设作为国家发展战略一直在高位推进,2020年我国常住人口城镇化率已超过60
随着城市的发展以及市民对美好生活期望的不断增强,近年来城市环境振动对市民工作、生活的影响越来越受到关注。城市环境振动(以下简称城市振动)是指由市内轨道交通、路面交通、动力机器、建设施工行为、人群活动以及强风、地震等原因造成的场地或建筑物振动。长期存在且反复发生的城市振动会导致建筑物受
以城市交通发展带来的城市振动问题为例。截至2020年初,我国40个城市开通城市轨道交通运营线路208条,运营线路总长度已超过6 700 k
尽管城市振动污染问题日益加剧,但是目前非常缺乏展示城市振动污染的影响范围、严重程度和演化规律的有效工具,相关振动污染防治措施的制定缺少科学的决策依据,各类措施的有效性难以及时被检验。针对城市振动污染防治的强烈社会需求与分析手段匮乏之间的矛盾,提出了“城市振动污染图”的概念,并通过群智感知方式收集城市振动数据,结合地理信息系统实现不同尺度的振动污染图。最后,进行了不同地理尺度上的应用示例,展示了城市振动污染图的可行性。
环境污染地图作为污染源信息与地理信息融合的可视化工具,以直观的方式,科学且有效地将环境污染状况展示给公众,是最常用的环境污染程度表达方法,不仅应用于大气污染、水污染、噪声污染等传统问题,还应用于光污染、雾霾等新型环境问
受上述工作启发,针对城市振动提出“城市振动污染图”的概念,并将其定义为:综合振动特征、地理信息、城市建筑和基础设施等信息以反映城市振动污染水平的数据地图。
城市振动污染图的实现包括振动数据采集、数据处理与可视化三大部分。其中,振动数据采集是核心,决定了后续数据处理的原则和可视化展示的方式。从设备成本、振源多变、时空效应及在线更新等角度,数据采集显然不能依赖于有限数量的固定或移动测站的传统方式,而需要充分利用现代城市泛在的测试设备和普适感知能力,将振动位置、环境和市民三要素无缝连接成强大公众感知网络,实现对城市振动的立体感知。因此,“群智感知”就成为城市振动污染图数据采集的必然选择。
“群智感知”(crowd-sensing)是指将普通用户的智能设备(手机、平板、手表等)作为终端传感器,通过大量用户的协作实现对周围环境信息的感知。“众包(crowd-sourcing)”是群智感知的一种工作模
智能携带设备可通过App或小程序完成振动信号收集。App需要下载到本机运行,功能完整,响应速度快,但占用较多硬件资源,同时版本更新慢。小程序无需下载,使用灵活,可随时更新功能,但需要通过特定平台(如微信)等接入。为对比以上2种方式,分别开发了“VCheck”微信小程序和“振感地图”App(以下简称振感App)。目前,2个程序都可在微信平台或应用市场检索和下载。
VCheck和振感App均通过调用智能手机自带的加速度传感器,完成用户对环境振动的自主感知。具体使用步骤为:①志愿者在其手机上下载安装软件或使用小程序;②在指定区域或工作、生活场所,利用手机软件测量振动时程(必须);③填写振感问卷调查表;④拍摄振动区域的照片或视频(可选);⑤提交数据至云端服务器;⑥后台审核、确认数据并对合格数据进行奖励。
为保证测试数据的精度,采用小型高精度振动台对市面上近50种智能手机的加速度测量精度进行了检
为对比不同群智感知推广策略的差异,分别利用VCheck和振感App进行了线上非指定区域和线下指定区域的振动数据采集。前者通过线上社交网络推广,已收集到来自4个国家、30个省市的8 521条环境振动数据;后者采用线下志愿者招募方式,在上海市2个指定区域共收集到222条环境振动数据。城市振动污染图建立初期,可采用人工布点的方式,测点密度根据振源特点决定,本研究初步尝试了每0.5~2.0 k

图1 VCheck收集到的样本示例
Fig.1 Sample collected by VCheck

图2 振感App获得的不同激励源的振动数据
Fig.2 Vibration data of different excitation sources obtained from Vibration Sensing App
上述群智感知所获得的每个样本都包含振动信号、问卷表、照片、视频等多源异构数据。尽管在程序端已经采取了对测试方式、时长等方面的限制措施,但是由于群智感知数据的来源丰富、类型多样、场景复杂,相比实验室环境的可控性差,数据质量也相对要低,甚至可能有无效数据,因此需要通过不断迭代优化的方式,形成合理、有效的多源异构数据清洗准则,确保在剔除错误数据的同时,保留特殊场景下的有价值数据。
实践表明,城市振动污染图数据清洗可采用信号特征分析和语义矛盾2种方式。前者通过测试信号分析识别由手机硬件质量、通信网络或者志愿者自身操作等原因造成的问题数据。如

图3 不同类型数据示例
Fig.3 Examples of different types of data
经过数据清洗,4 089条全国振动数据和187条区域振动数据为有效数据,合格率分别为48.0%和84.2%。这一结果一方面反映了大数据低价值(low value)的显著特点,另一方面也反映了2种数据采集方式的不同效果,在基于群智感知的数据采集中应特别重视数据来源与对应的数据清洗工作。
对清洗过后的振动数据进行时域分析,选择《城市区域环境振动标准》(GB 10070-88)中的竖向振动加速度级评价环境振动,如下所示:
(1) |
(2) |
式中:为竖向振动加速度级;为基准加速度,取1
城市振动污染图绘制是综合数据储存、融合和分析的过程,分别使用ArcGIS软件、高德地图API和百度地图API展示城市振动污染图的绘制。先以目标感知区域的地理信息(道路、建筑和地形等)为基础,形成城市振动污染图的底图,再根据采集点经纬度坐标将实测环境振动信息(如竖向振动加速度级)融合入底图。根据数据类型和密度,可分别采用点图、热力图、区域污染图等方式进行可视化展示。当群智感知获取的数据累积到一定阶段,可通过地理信息系统的分析工具,推演振动污染现象的时空分布和演变特征。
将目前群智感知获得的振动数据与地理信息结合,可绘制不同尺度的振动污染图。基于现有数据,以位置点图方式绘制了振动数据分布图(见

图4 群智感知振动数据分布
Fig.4 Distribution of vibration data perceived by crowd-sensing

图5 某市振动数据分布
Fig.5 Distribution of vibration data in a city

图6 地铁下穿区域振动数据分布及城市振动污染图
Fig.6 Distribution of vibration data and Map of Urban Vibration Pollution in subway underpass areas

图7 区域振动定位点
Fig.7 Location points of vibration
从城市环境污染评估和治理的高度,提出了“城市振动污染图”的概念。利用与市民生活密不可分的智能携带设备,编制并上线了2款软件。通过群智感知方式不断采集和积累全国和区域环境振动数据,经数据清洗后结合地理信息展示了不同尺度的数据分布图、振级热力图以及振感定位图等多种形式的城市振动污染图。虽然上述示例距离实用差距巨大,但是足以表明城市振动污染图用于城市振动可视化和分析的可行性和潜在价值。
作者贡献声明
陈 隽:研究构思,论文撰写与修改。
杜 昊:软件开发,数据处理与分析,论文撰写。
曹 雷:软件开发,数据收集。
参考文献
中华人民共和国国家统计局. 中华人民共和国2020年国民经济和社会发展统计公报[R]. 北京: 中国统计出版社, 2021. [百度学术]
National Bureau of Statistics of the People’s Republic of China. Statistical bulletin of the People’s Republic of China on national economic and social development in 2020[R]. Beijing: China Statistics Press, 2021. [百度学术]
Department of Economic and Social Affairs,United Nations. World urbanization prospects 2018: highlights [R]. New York: United Nations, 2019. [百度学术]
PALMER L. Urban agriculture growth in US cities[J]. Nature Sustainability, 2018, 1: 5. [百度学术]
夏倩, 赵瑾, 马蒙, 等. 交通振动对砌体古建筑影响分析的研究现状[J]. 噪声与振动控制, 2018, 38: 135. [百度学术]
XIA Qian, ZHAO Jin, MA Meng, et al. Research status of the influence of traffic vibration on damage mechanism and fatigue life of masonry ancient buildings[J]. Noise and Vibration Control, 2018, 38: 135. [百度学术]
马蒙, 刘维宁, 丁德云, 等. 地铁列车振动对精密仪器影响的预测研究[J]. 振动与冲击, 2011, 30:185. [百度学术]
MA Meng, LIU Weining, DING Deyun, et al. Prediction of influence of metro trains induced vibrations on sensitive instruments[J]. Journal of Vibration and Shock, 2011, 30: 185. [百度学术]
朱瑾如, 钱程, 潘雨桐, 等. 地铁振动对建筑物及人体舒适度影响的研究[J]. 结构工程师, 2017, 33: 125. [百度学术]
ZHU Jinru, QIAN Cheng, PAN Yutong, et al. Study on subway-induced vibration response of building structures and human comfort[J]. Structural Engineers, 2017, 33: 125. [百度学术]
SUN Ke, ZHANG Wei, DING Huaping, et al. Embedding human annoyance rate models in wireless smart sensors for assessing the influence of subway train-induced ambient vibration[J]. Smart Materials and Structures, 2016, 25: 105023. [百度学术]
中国城市轨道交通协会. 2019年度城市轨道交通运营情况[J]. 城市轨道交通, 2020(6): 37. [百度学术]
China Association of Metros. Operation of urban rail transit in 2019[J]. China Metros, 2020(6): 37. [百度学术]
刘维宁. 地铁列车振动环境影响的预测、评估与控制[M]. 北京: 科学出版社, 2014. [百度学术]
LIU Weining. Metro train induced environmental vibrations: prediction, evaluation and control[M]. Beijing: Science Press, 2014. [百度学术]
LAN Ziqin, HE Canming, CAI Ming. Urban road traffic noise spatiotemporal distribution mapping using multisource data[J]. Transportation Research, Part D: Transport and Environment, 2020, 82: 102323. [百度学术]
NEBENZAL A, FISHBAIN B, KENDLER S. Model-based dense air pollution maps from sparse sensing in multi-source scenarios[J]. Environmental Modelling and Software, 2020, 128: 104701. [百度学术]
LI Jiayi, XU Yongming, CUI Weiping, et al. Investigation of nighttime light pollution in Nanjing, China by mapping illuminance from field observations and Luojia 1-01 imagery[J]. Sustainability, 2020, 12: 681. [百度学术]
HOWE J. The rise of crowdsourcing[J]. Wired Magazine, 2006, 14: 1. [百度学术]