远程全方位环境监测无人机系统

时间 2020-08-09 标签远程全方位环境监测无人机系统

远程全方位环境监测无人机系统

第一章概述

第二章项目介绍

7.自主着水控制系统设计

4.1 特点与创新

4.2 市场分析

摘要html

随着我国城市化、工业化进程的迅速推动，人民生活水平的快速提升，国家与社会开始愈来愈关注周边环境的保护。当前，我国多地区面临大气环境质量改善巨大压力。国务院也相继印发了《打赢蓝天保卫战三年行动计划》《水污染防治行动计划》等多项计划安排，环境监测也成为了这项工做的一个重要环节。python

目前传统的环境监测手段主要以空气监测站、人工按期巡查、视频监控等方式，然而随着环保工做的开展，它们的缺陷也逐一暴露——占地面积大、检测成本高、数据反馈不及时以及浪费大量的人力资源，致使在较高成本的状况下污染物超标排放和偷排现象时有发生。web

随着近年来无人机技术的发展，无人机低空遥感能够弥补卫星遥感和人工执法环境监测手段在时效性和准确性上的不足。同时，随着大数据相关业务的不断扩展，对数据的准确度和实时性提出了更高的要求，利用无人机低空遥感进行数据采集成为了环保行业发展的必然趋势。算法

在硬件上，本项目是基于 STM32 的监测模块调度和的飞控的硬件架构。采用ATK-S1216F8-BD GPS+北斗双精度定位模块获取地理位置信息以便后续数据可视化处理与机器学习预测。传感器模块能够收集PM2.五、温度、CO2 等各项环境指标，采用功耗低、鲁棒性强的 LORA通讯模块实现数据的实时回传，而特殊的结构改造使无人机可以自由的在空中飞行、水面起降和水面滑行三种模式之间切换，极大提升了做业范围和续航能力，支持水样采集。编程

软件部分，综合使用 PyQt五、JavaScript、Java 开发的上位机、网页、APP三大平台。数据处理上，拥有直观可视化、机器学习算法预测的特色：软件将无人机采集到的数据进行可视化处理并实时显示，使环境监测数据的可读性强，极大程度上提升了用户体验；将采集到的数据结合无人机的位置信息，利用图论进行数学建模，并使用机器学习中的KNN和岭回归算法进行预测；将污染物信息与电子地图结合生成污染物分布格栅图，直观清晰地呈现环境监测系统所监控区域。api

而在与市场常见无人机型号的对比中，咱们对无人机起落架进行了机械结构改造，数据传输使用了新兴的lora通讯，在续航时间、飞行距离、覆盖范围等方面都拥有巨大优点，成本也压缩到其余监测工具的五分之一甚至更低。安全

关键词:时效性准确性 STM32 DJI-NAZA 水面起降机器学习 KNN 和岭回归算法
ATK-S1216F8-BD 定位模块网络

Abstract架构

With the rapid progress of urbanization and industrialization in China and the
rapid improvement of people’s living standards, the state and society begin to
pay more and more attention to the protection of the surrounding environment. At
present, many regions in China are facing tremendous pressure to improve
atmospheric environmental quality. The State Council has also issued the
“Three-year Action Plan for Winning the Blue Sky Defense War” and the “Water
Pollution Prevention and Control Action Plan” and other planning arrangements,
and environmental monitoring has become an important part of this work.app

At present, the traditional means of environmental monitoring are mainly air
monitoring station, manual periodic inspection and video surveillance. However,
with the development of environmental protection work, their shortcomings are
exposed one by one, such as large area, high detection cost, untimely data
feedback and waste of a large number of human resources, which lead to the
phenomenon of pollutant discharge exceeding the standard and illegal discharge
at high cost.

With the development of UAV technology in recent years, UAV low-altitude remote
sensing can make up for the lack of timeliness and accuracy of satellite remote
sensing and artificial law enforcement environmental monitoring. At the same
time, with the continuous expansion of large data related business, higher
requirements are put forward for data accuracy and real-time. Data acquisition
using UAV low-altitude remote sensing has become an inevitable trend in the
development of environmental protection industry.

In hardware, this project is based on the hardware architecture of STM32
monitoring module scheduling and flight control. ATK-S1216F8-BD GPS + Beidou
dual precision positioning module is used to acquire geographic information for
subsequent data visualization processing and machine learning prediction. Sensor
module can collect PM2.5, temperature, CO2 and other environmental indicators.
LORA communication module with low power consumption and strong robustness is
used to realize real-time data return. Special structural modification enables
UAV to switch from DJI NAZA free mode of flying in the air, taking off and
landing on the water surface and gliding on the water surface, which greatly
improves the operation scope and endurance ability, and supports water sampling.
Set.

In the software part, PyQt5, JavaScript, the host computer developed by Java,
web page and APP are used comprehensively. In data processing, it has the
characteristics of visual visualization and machine learning algorithm
prediction: the software visualizes the data collected by UAV and displays them
in real time, which makes the environmental monitoring data more readable and
greatly improves the user experience; the collected data is combined with the
position information of UAV, and the mathematical model is built by graph
theory, and the KNN in machine learning is used. The contaminant information is
combined with electronic map to generate a contaminant distribution grid map,
which visually and clearly presents the monitoring area of the environmental
monitoring system.

In contrast with the common UAV models in the market, we have carried out
mechanical structural transformation of the UAV landing gear. The data
transmission uses the new Lora communication, which has great advantages in the
duration, flight distance, coverage and other aspects. The cost is also reduced
to one fifth or even lower of other monitoring tools.

Key words: timeliness accuracy STM32 DJI-NAZA water surface take-off and landing
machine learning KNN and ridge regression algorithm ATK-S1216F8-BD positioning
module

第一章概述 1

1.1 政治背景 1

1.2 行业背景 1

1.3 行业问题 2

第二章项目介绍 4

2.1 项目方案 4

2.2 硬件架构 7

2.3 数学建模 11

2.4 软件介绍 15

第三章项目优点 29

第四章项目前景 32

4.1 特点与创新 32

4.2 市场分析 33

第五章总结 36

第一章概述

1.1 政治背景

随着我国经济和工业水平的飞速发展，在人民的基本生活需求大大地获得了知足的背景下，国家各部门与社会各阶层人士都愈来愈关注周边环境的保护。中国正在从国家宏观调查中进行科学的大气污染防治高层设计。战略层面并提出环境和经济政策的"一揽子计划"。分阶段政策,分阶段推广。为了实现这一目标,近年来,环境保护部每个月在重点地区组织执法和监测活动。与此同时,无人机已被用于进行大规模和大规模的检查。长期以来,一直没有环境污染监督和环境保护执法的监督。不时发生过分排放和走私。环境监测任务繁重且困难。对此,业内人士表示,只有经过准确查找当地污染源,结合地理,气象,环境衍生物等缘由进行综合分析,才能实现准确的决策和快速响应大气污染治理。因为空气污染具备面积大,区域间污染物传播量大,污染源种类多,污染因子相对复杂等特色,环境监管十分困难。地方政府须要一个快速有效的监测系统进行实时监测,克服劳动力,视频,监测站等数据支持不足的问题,
实现精确监测, 知足大气污染控制的须要。

[外链图片转存失败(img-wu0draxH-1564595296569)(media/8b0e5fba12ce99c91273e4bf22acc159.jpg)]

图1.1

1.2 行业背景

随着近年来无人机技术的发展，无人机低空遥感能够弥补卫星遥感和人工执法环境监测手段在时效性和准确性上的不足。同时，随着大数据相关业务的不断扩展，对数据的准确度和实时性提出了更高的要求，利用无人机低空遥感进行数据采集成为了环保行业发展的必然趋势。

我国在过去惯用的环境监测手段——环境监测站——虽然实现了自动化监测，
可是仍是有着占用大量土地资源、建设和维护成本高的致命缺陷。所以,难以进行大面积,精确的布局,基本上"不能说污染源"。即便花大价钱采起空气监测站加密的方式进行监控,但以点位进行布置的监测数据始终很难判断污染源迁移和扩散状况,更无从肯定污染发生的直接源头。传统的定点环境监测方法存在必定的局限性和片面性。它不能用于总体环境监测。在环境监测,应急和监督的过程当中,
它每每受到地形,环境和交通等不利因素的制约。利用搭载空气监测传感模块的无人机,经过多方位的数据收集和分析,实时准确地收集污染源信息,构建全天候,三维,多层次的智能环境意识系统,使感知监控更加全面,资源更加集成,智能化应用更加深刻。

1.3 行业问题

虽然在环保应用上，无人机+传感器的模式崭露头角，可是其仍存在很多突出的问题：

1.监测标准

国家对环保监测的方法和标准拥有严格的规定，与大气监测相关的技术规范已经上百部（如《HJ/T
75—2007 固定污染源烟气排放连续监测技术规范》等），
无人机乃新鲜事物，自身的标准仍未肯定，遑论无人机气体监测标准。没有标准和规范,就没有依据。所以,无人机监测得到的数据只能做为参考证据或科研数据,不能直接用于执法。

2.数据可靠性

无人机在高空进行监测的数据时，因为高空气流复杂，同时无人机自身螺旋桨也会产生大量的干扰气流，污染物的扩散模型会受到极大影响，数据仿真和预测的难度提高了一大截，要作出准确的污染物三维甚至二维的分布栅格图须要大量的数据分析和调试补正。

虽然小型、微型污染监测传感器的精度在理论指标上已经让人很是满意，可是实际应用时仍在会发现其数据采集与环境监测站的数据差别是没法忽视的，并且因为无人机没法长时间滞留在同一地点，数据点过于离散，因此目前国内并未立法认可无人机环境监测数据的合法性，只能做为辅助手段配合环保部门提升对污染物偷排企业的查处效率。

无人机和工业应用的结合是当前的趋势。"无人机+气体监测"可以以几十倍于人工的效率进行异常污染源监测,协助环境监管者实现差别化管理和目标定位。在突破技术问题后,确定会有更广阔的前景。

3.无人机面临的续航问题及一些解决方案

市面上的消费级无人机续航时间广泛在 30
分钟之内,若是是经验老道的飞手可能还能比较充分的利用这 20
多分钟,可是新手若是不能很好的节约能源,从无人机开机到起飞可能就须要好几分钟,再加上返航的时间,无人机根本飞不了多远。
电力巡线、警用侦察、搜索救援等工业级无人机对续航时间的要求更高,有业内人士表示,航时是工业级无人机解决一切做业难题的先决条件,一旦解决了航时问题,将会极大地扩展工业级无人机的应用场景和用途。无人机的飞行原理不一样于民航客机，客机能够靠机翼上下的空气压强差提供垂直方向的力，实现客机的飞行。大部分无人机是多旋翼飞行器，彻底依靠螺旋桨的拉力把机身提起来，须要大量能量来维持动力。锂电池是无人机最多见的动力来源，可因为能量密度的限制，目前不可能取得大的突破，因此无人机想要解决续航问题，只能从别的方向下手。

第二章项目介绍

2.1 项目方案

[外链图片转存失败(img-xWRrnF1P-1564595296573)(media/2ae1b0343dd769f37f0e1c9645242850.png)]

图2.1 项目总体组成图

本项目基于无人机的全方位环境监测系统由硬件部分和软件部分组成。其中硬件部分主要基于
STM32F103 单片机和 DJI NAZA 飞控，STM32
主要控制各个功能模块，并实现与地面站的通讯；DJI NAZA
飞控主要控制四轴无人机，而且有空中飞行、水面起降和水面滑行三种模式。

[外链图片转存失败(img-FvVRLxrJ-1564595296575)(media/20908f50795c1568abb03b17899a401b.png)]

图2.2 硬件部分组成图

硬件部分由 STM32 和 DJI NAZA
组成，控制着水质监测模块、大气监测模块、通讯模块、无人机控制模块四个部分。其中水质监测模块实现了对水质的浊度、温度的实时监测；大气监测模块实现了对大气的
PM2.五、二氧化碳、温度等指标的实时监测；通讯模块实现了功能控制模块所采集的数据与地面站之间的实时数据传输；飞控模块实现了无人机稳定安全运动，而且可以自由的在空中飞行、水面起降和水面滑行三种模式之间切换。

[外链图片转存失败(img-N8wYVaF4-1564595296576)(media/dda7fb7c6e2c5dfc5b657ff9b14d207f.png)]

图2.3 无人机三种飞行模式框图

无人机不只拥有传统的空中飞行模式，还能进行水面滑行，不只实现了水质监测功能，还大幅提高了无人机续航时间，扩大了无人机巡航范围。

[外链图片转存失败(img-lKxBv4Gl-1564595296577)(media/01687a96870d2682e9ec5dd9e25d39a0.png)]

图2.4 软件部分组成图

软件部分由上位机、网页、APP 三个部分组成。上位机由 PyQt5 开发，网页由 JavaScript
开发，APP 由 Java
开发。三种方式呈现所采集到的数据，让使用者可以方便快捷地查看实时监测结果。

[外链图片转存失败(img-jZ8ZD8kA-1564595296579)(media/5e1b24fed4ae438b6fd12ddc14f57473.png)]

图2.5 软件功能图

软件将无人机采集到的数据进行可视化处理并实时显示，使环境监测数据的可读性强，极大程度上提升了用户体验；将采集到的数据结合无人机的位置信息，
利用图论进行数学建模，并使用机器学习中的 KNN 和岭回归算法进行预测；采用 Scrapy
爬虫爬取谷歌地图并呈现，清楚的呈现环境监测系统所监控区域；使用
C#语言进行无人机控制的上位机开发，实现了安全、有效地控制无人机。

当无人机在无线电信号接收范围内，操做者在系统运行稳定后进行
C#语言编程，让无人机飞行至指定区域采集
pm2.五、温度、光强等样本，而后对传感器打开进行信号接收并转化为数据检测，最终结果由电脑记录，当电脑显示数据接收成功时可操纵无人机返回；返回后及时处理信息，则可命令无人机反复几回进行阶段性数据检测，或者到不一样区域进行检测，以达到无人机对环境进行检测的目的，预防和治理环境。

本文设计的无人机环境监测系统可充分为社会利用，为环境监测工做人员提供方便，实时监测环境，为大众提早进行天气及恶劣环境的预警，有利于大众的社会生活，也有利于全社会的文明绿色经济发展。本设计结构合理、智能化、可靠性强，经测试可达预期目标，具备必定的实用价值和社会科学意义。

2.2 硬件架构

1.基于 STM32 的功能模块控制系统

stm32 开发板为正点原子的战舰 STM32F103 开发板 V3 版本，控制的模块有DHT11
温湿度传感器、ATK-S1216F8-BD
GPS+北斗定位模块、GP2Y1010AU灰尘传感器、气压计，利用 UCOSII
任务调度将这些模块整合。

2.基于 DJI NAZA 的飞行控制系统

使用了轻量级的 DJI NAZA
飞控,稳定性高,对各类异常环境的适应性都较为出色。NAZA内含内减震设计，控制器，3轴陀螺仪，3轴加速度计和睦压计等传感器集
，用于识别高度和姿态，从而实现锁定高度和平稳姿态等飞行控制功能。具有简易安装，空间节减，重量缩减的显著特色。其先进的姿态算法，不只具备飞行安定性能，也使操做更加灵活和稳定
。系统会判断飞行环境的变化，作出智能的飞行模式切换。搭载的GPS模块能够提供精准定位、自动返航、智能方向控制等功能。在GPS模式下，能够锁定经纬度和稳定悬停，哪怕在风力较大的状况，也一样能够在很小范围内稳定悬停。精度能够达到水平≤2.5米，高度≤0.8米。Naza控制器还建有自动平衡的失控保护功能，支持远程调参，
保证了无人机良好的飞行表现。

3.ATK-S1216F8-BD GPS+北斗定位模块

ATK-S1216F8-BD GPS/北斗模块，是 ALIENTEK 生产的一款高性能
GPS/北斗模块，模块核心采用 SkyTraq 公司的 S1216F8-BD 模组，具备 167
个通道，追踪灵敏度高达-165dBm，测量输出频率最高可达 20Hz。 ATK-S1216F8-BD
GPS/北斗模块具备如下特色：
1.模块采用 S1216F8-BD 模组，体积小巧，性能优异。
2.模块可经过串口进行各类参数设置，并可保存在内部 FLASH，使用方便。
3.模块自带 IPX
接口，能够链接各类有源天线（建议使用GPS/北斗双模天线，定位效果更佳），适应能力强。
4.模块兼容 3.3V/5V 电平，方便链接各类单片机系统。
5.模块自带可充电后备电池，能够掉电保持星历数据，在主电源断开后，后备
电池能够维持半小时左右的 GPS
星历数据的保存，以支持温启动或热启动，从而实现快速定位。

使用基于 RTK 差分定位技术北斗+GPS 双精度定位模块，位置信息精度控制在 3
米之内，彻底知足污染物分布栅格图和数据预测的精度要求。

[外链图片转存失败(img-tvKwIjDG-1564595296580)(media/523d3282cc26e1074392b798ea5f8ddd.png)]

图2.6 算法流程图

[外链图片转存失败(img-BarglM4w-1564595296582)(media/838d7f15c8592ea4459c4bc065328370.png)]

图2.7 模块及外接有源天线

[外链图片转存失败(img-KDAyko8D-1564595296584)(media/26ec3ce76242f75dc251d9dbf33aed02.png)]

图2.8 模块原理图

模块使用NMEA 0183协议，NMEA 0183协议是美国国家海洋电子协会（National Marine
Electronics Association）为海用电子设备制定的标准格式。目前已成了
GPS/北斗导航设备统一的 RTCM（Radio Technical
Commission for Maritime services）标准协议。

[外链图片转存失败(img-hD6MwHnZ-1564595296585)(media/77a2404cad4dea0d03f234414e464878.png)]

图2.9 NMEA 0183经常使用命令表

天线方面的考虑：s1216是设计用来使用各类主动和被动天线，但在使用过程当中必须注意天线的选择，以确保最佳的信号接收性能。天线有不少选择配置，陶瓷贴片天线成本低，灵敏度高。50欧姆输出的陶瓷贴片天线能够是直接链接到模块的rf输入。为了提升信号接收性能，使用较大的地面平面在贴片天线下，扩大地面平面，扩大总体天线增益。陶瓷贴片天线随地面平面尺寸的变化而变化。在使用有源天线时，使用外部偏置阻滞器为有源天线提供直流偏置。活动增益不超过30分贝的天线和噪音小于1.5分贝的天线可用于s1216。

从天线到rf输入的信号路径是应用设计中最关键的部分。使用50ω天线与模块50欧姆射频输入之间的50欧姆最佳匹配，以实现最大功率传输。

pps输出：当接收器使用4进行3d定位固定时，每秒产生1个脉冲信号（4ms高持续时间）或者更多的卫星。脉冲上升的边缘与utc秒对齐，精确度约为10n秒。产出在没有固定位置的状况下，保持低位。

4.无人机起降平台

经过 GPS 定位无人机飞行到地面中继站附近；固定在地面中继站上的摄像头对无人机进行
Kalman
滤波、定位捕捉、背景差分等操做；结合无人机和地面中继站回传的差分信息，肯定无人机的精确位置，引导无人机自主降落。

图2.10 起降平台机械外观图

起降平台机载计算机为树莓派3B+，经过树莓派搭建 OpenCV
环境，运行计算机视觉相关的代码，
读取处理“三目摄像头”搜集的信息，而后计算出无人机的空间
坐标位置。最后实现树莓派和智龙 1C2000
主控板之间的串口。经过主控板控制树莓派的运行，读取树莓派传输的数据。对无人机的飞行位置作出调整。

电机模块由电机和电机控制电路组成，实现智龙 1C2000
主控板小信号控制大电机的功能，以大功率电机带动无人机回收舱系统的主要活动单元，保证无人机稳定的工做性能。

校订模块是经过无人机回收舱内部的机械结构，实现对已经降落到无人机回收舱中的无人机位置的机械校订，对降落后的无人机进行位置姿态的微调，方便后续的充电补给功能。

起降平台的自动充电功能，分为机械式自动充电和无显示自动充电，能够有效提升无人机的续航功能和监测效果。

（1）机械式自动充电：经过对无人机充电接口的改装，在无人机降落校订后的地点安装受主控板控制的机械式自动充电装置，
对无人机的电量进行补给。

（2）无线式自动充电装置：经过改装无人机充电接口（安装无线充电的接收极），而后在无人机回收舱的降落平台上安装无线充电的发射极，实现对无人机电量的非接触式补给。

2.3 数学建模

数据主成分提取

输入参数
pm2.五、pm十、温湿度、so2浓度等环境污染指标+gps地理位置数据，下图为环境数据的处理流程概览图。

[外链图片转存失败(img-yOkuUPKU-1564595296588)(media/318b55c7539064cf00849b182725a3d8.png)]

图2.11 处理流程概览图

无人机收集到的环境数据 $\Omega_{n}$ ={( $x_{1},y_{1},z_{1,}\ldots$ ),( $x_{2},y_{2},z_{2,}\ldots$ ),…，( $x_{i},y_{i},z_{i,}\ldots$ )}，其中 $x_{i},y_{i},z_{i}$ 等分别为在第n个地点在第i期时间序列中得到的PM2.五、PM十、温度、湿度等数据，直接将这些数据表达出来当然能够反映环境污染状况并能用于污染状况预测和污染源测算，可是出于两点考虑：首先，从公众关注角度讲，大多数人只须要一个综合的污染指标，太过繁杂的环境数据反而难以被广泛接受；其次，在实际应用时环境数据采集量较大，若是直接对原始数据利用机器学习算法进行处理会占用大量硬件资源并花费不少时间，没法知足环境数据实时性显示的要求。所以咱们首先选择了PCA（主成分分析算法）对这几类环境数据进行了主成分的提取，用综合性变量来解释环境数据的大部分特征。算法处理思路以下：

由于温湿度、PM2.五、PM10浓度等数据的量纲差别性以及难以免的多重共线性问题，所以咱们首先利用主成分估计法，将原来的环境数据集变换到主成分空间中，选择表明性最好的主成分变量做为新的污染程度值。

对于一个取样地点的所有环境数据首先进行数据标准化处理后得到了变量集

X=( $x_{1},x_{2},x_{3,}\ldots x_{k}$ ) 式（2-1）

其中 $x_{i}$ 是第k类传感器数据的i维时间列向量。

经过基变换公式Y=P·X得到变换到主成分空间的样本数据集Y，其中P为k维基向量，接下来利用协方差矩阵的特征向量得到具备最大可分性的基向量P。

利用协方差特征值公式

$C = \frac{1}{m}(PX)(P{X)}^{T} = \frac{1}{m}P(X{X)}^{T}P^{T}$ 式（2-2）

得到了协方差矩阵，其中对角元素是各变量自身的方差，其余元素是不一样变量之间的协方差，此时经过求解使矩阵C对角化的P即为使主成分具备最大可分性的基向量。

利用拉格朗日函数有

[外链图片转存失败(img-b4Ubkyoi-1564595296590)(media/6359f97454b8d7255737abd5a0442378.png)]

式（2-3）

对P求导能够得到

[外链图片转存失败(img-Ucj1wiKU-1564595296591)(media/1b4a64be7a7a6d7d3014882fdaebc00c.png)]

式（2-4）

对C进行特征分解，对求得的特征值排序后便可得到基向量P，PX即为降维后的主成分向量。

[CHART]

图2.12 各主成分变量所占比重分布图

从图中能够看出，第一主成分变量所占比重达到了83.5%，彻底能够解释环境污染程度，所以咱们选取第一主成分变量 $y_{1}$ 做为新的环境污染情况指标。

2.数据短时间预测
虽然无人机的数据采集能够作到12 $KaTeX parse error: Expected 'EOF', got '\slash' at position 8: km^{2} \̲s̲l̲a̲s̲h̲ ̲h$ ，速度远超人工实地监测，但不一样样
本点的数据仍然存在时间差别性，所以咱们先经过自适应滤波算法对环境数据短时间预测，不但能够直接用于环境污染情况评估，后续还能经过预测偏差来预测污染源位置分布。

对某同样本点的自适应滤波算法的基本公式以下:

[外链图片转存失败(img-NUXVg6IW-1564595296593)(media/8c43058b4120261ae70ceb26a009ee5f.png)]

式（2-5）

式中，t+1为预测数据的时间点， $\omega$ 为观测数据权重，y为数据观测值。该公式是经过对不一样时间点的环境数据观测值进行初步赋权进而得到了短时间内的环境数据预测值。

经过公式

$\omega_{i}^{'} = \omega_{i} + 2k{e}_{i + 1} y_{t - i + 1}$ 式（2-6）

对样本数据的权重进行动态调整， $\omega_{i}$ 、 $\omega_{i}^{'}$ 分别为调整先后的数据权重，k为学习常数， $e_{i + 1}$ 为预测数据偏差值。其中，新权值是旧权值与偏差调整项之和，而经过调整学习常数k来决定权值调整的快慢，根据数据采集量和计算时间要求调整。

经过对观测值权重的屡次迭代调整，最终会得到一组令预测偏差趋于稳定的权值，由此得到精度较高的同期环境预测数据。图2.？为环境污染指标的观测值与预测折线图。

[外链图片转存失败(img-mYUCInN6-1564595296594)(media/84dfc397f04efba1f2f56472c13ec8ef.png)]

图2.13 环境质量变化折线图

3.污染源位置推定

首先利用经纬度的距离计算公式

S=2arcsin $\sqrt{\operatorname{}{\left( \frac{a}{2} \right) + \cos\left( \text{Lat}1 \right) \cos\left( \text{Lat}2 \right) \sin^{2}(\frac{b}{2})}} \times 6378.137$ 式（2-7）

获取到各取样点的物理距离，每个取样点抽象为图的顶点 $V_{i}$ ，取样点 $V_{i}$ 和 $V_{j}$ 两两之间连线做为边 $e_{ij}$ ，各点距离经过归一化处理做为顶点之间的边权 $w_{ij}$ ，得到了网络N=(V,E,W)。

选取空气污染主成分变量最高的20处地点，利用TSP近似算法中的二边逐项修正法经过屡次迭代得到污染从源头散播到各位置的最短路径，得到的最优以及近似最优起点就是污染物偷排重点监察位置。

针对一个选定的污染扩散起点k，算法首先先求出一个初始哈密顿圈(包含全部顶点的回路)

[外链图片转存失败(img-sxKWYOA8-1564595296596)(media/99b0a62ef088ca1dfb44526f19ec7a43.png)]

式（2-8）

而后从C中删去边 $v_{i}v_{i + 1}$ 和 $v_{j}v_{j + 1}$ ，添加边 $v_{i}v_{j}$ 和 $v_{i + 1}v_{j + 1}$ 得到了新的哈密顿圈

[外链图片转存失败(img-KQjyw4iN-1564595296597)(media/bb64f9e2c9a46a93f0e51f237e706fe9.png)]

式（2-9）

若w( $v_{i}v_{j}$ ) + w( $v_{i + 1}v_{j + 1}$ ) < w( $v_{i}v_{i + 1}$ ) +
w( $v_{j}v_{j + 1}$ )，说明 $C_{ij}$ 的污染扩散路径优于C，则使用 $C_{ij}$ 代替C，依此按照这一过程进行迭代，得到污染扩散的最概然路径，其污染扩散总权重为$$D_{k}

\Sigma\omega_{\text{ij}} $，选取$ D_{k}$$的最小值以及最小值附近的几个点，就获得了疑似污染源。

4.数据聚类处理

初步得到的环境数据量仍然较大，并且数据噪声也比较明显，直接进行运算不但运算时间太久，并且每每容易被数据噪声导向局部最优解以至于得到错误的污染源预测点。所以，咱们使用机器学习中的支持Q型聚类算法将环境数据简化为多种典型环境污染程度以便后续运算。

通过上一步的数据同步处理得到了

因为各指标数据量纲不一样且数值差别很大，因此本项目采用了马哈拉诺比斯距离来消除跨量纲聚类的影响，计算公式以下：

$d(A_{i},A_{j})\sqrt{\left( A_{i} - A_{j} \right)^{T}\Sigma^{- 1}\left( A_{i} - A_{j} \right)}$ 式（2-10）

其中 $A_{i}$ 、 $A_{j}$ 是不一样位置的高维数据点， $\Sigma$ 是协方差函数，而后经过不一样样本点之间的距离特征进行分类。

图2.12是咱们对300条环境数据进行Q型聚类的结果，从途中每一条水平线都表明一种聚类结果，而多种聚类结果能够聚类为更高一级的聚类结果，从图中能够看出，细分聚类有30种，简化聚类大体可分为10种，这大大简化了环境数据量。

[外链图片转存失败(img-E6y6Fipc-1564595296598)(media/732124e5279c05ac475b347266ca741b.png)]

图2.14 Q型聚类结果图

2.4 软件介绍

[外链图片转存失败(img-K6FBPq5p-1564595296600)(media/60c0f8e4e7f9e38629de9ea318df46c9.jpg)]

数据可视化软件

图2.15 为数据可视化软件

数据可视化软件使用 Python 语言开发，基于 PyQt，Matplotlib、GraphTree
等开源库。将无人机采集到的实时环境监测数据显示，包括 PM2.5
浓度值、二氧化碳浓度值、外部温度值、水质温度值等关键数据进行可视化，使用柱状图等方式呈现。

PyQt5是基于Digia公司强大的图形程式框架Qt5的python接口，由一组python模块构成。PyQt5自己拥有超过620个类和6000函数及方法。在能够运行于多个平台，包括：Unix,
Windows, and Mac
OS。咱们使用PyQt5进行UI界面设计和功能研发，使用的版本是2018年4月发布的5.12版本，开源许可遵循MIT标准。

设计思路遵循MVC标准，即模型(model)－视图(view)－控制器(controller)，使用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑汇集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不须要从新编写业务逻辑。规范化处理了上位机软件的设计标准，明确了设计思路。

[外链图片转存失败(img-2OcwaBiO-1564595296601)(media/e6aa972e6419e31f23235107d6052c5d.png)]

图2.16 PCA（主成分分析法）分析图

图2.14的 PCA（主成分分析法）分析图是将采集到的多项环境监测指标进行数学建模，利用
PCA 分析给定一个量化的主指标，即环境综合质量指标，再利用图论和机器学习进行预测。

右侧的树状图显示了无人机当前的基本信息，树状图利用GraphTree进行开发，Graphtree
由OneOaaS开发并开源出来，用来解决Zabbix的图形展现问题，性能较好。一样在PYQT上获得了极为出色的应用。右侧的树状图可以实时显示无人机飞行速度、粉尘传感器、温度传感器、定位模块、RTK
模块等传感器基本信息，还有串口波特率、延时时间等通讯基本信息和做者信息、发布时间等软件基本信息。软件功能架构图以下所示。

[外链图片转存失败(img-Qbg6GlLz-1564595296602)(media/8c729c17e726e417c920005f5d973f71.jpg)]

图2.17 软件功能架构图

2.无人机控制软件

项目无人机地面站基于QGroundControl(如下简称为QGC)进行二次开发而成。该地面站可经过无线数传将机载计算机以及飞控的信息传回地面站PC/移动端，实现对无人机的精准降落以及航点规划等，也可经过地面站控制机载stm32控制板，进而控制云台实现目标追踪或机械臂精准控制，也可经过地面站搭配机载HDMI图传实现实时视频广播等等。

图2.18 QGC软件开发测试图

[外链图片转存失败(img-nMeF3nZ3-1564595296604)(media/b97ea40e20ee68c25a83341ee65d3577.jpg)]

QGC地面站可用于为无人机自主规划航线，空中做业时可自动飞向目标地点指定高度，从而减轻飞手的任务，提升做业效率。如上图所示，该截图显示了一个任务规划，该计划从规划起始位置起飞，飞过指定三个航点，而后落在最后一个航路点。

QGC地面站功能丰富，主工具栏上面提供对不一样应用程序试图的访问，以及无人机的状态信息，包括IMU信息，磁罗盘信息，电池信息，遥测信号强度等等。也可经过地面站上的一键返航按钮实现自动返回起飞点。右上角的仪表板在无人机起飞后会实时更新当前无人机信息。QGC也可经过无人机飞控的UDP通信协议链接支持RTP和RTSP视频流接收器，同时接收多路视频信号，实现飞手，机械臂操做手以及地面分析人员各自享有一路视频，互不干扰，最大程度上提升无人机做业效率

（1）地面站航点规划

对于本项目使用的无人机，遥控器上映射一个通道用于无人机一键返航。当操做者触发此通道按键时，无人机将调用GPS肯定当前位置，并将起飞点（地面站若开启返航点刷新则以地面站GPS位置为准）与当前位置进行比较从而肯定返航方向并自动规划返航航线，也可经过设置返航高度，在高精度气压计的监测下实现无人机定高返航，同时配合guidance视觉避障模块实现无人机返航过程的安全。QGC地面站可经过终端命令的方式经过数传实时修改无人机的航线，实现精准规划做业轨迹，提升了智能空中做业机器人自动化做业效率。

[外链图片转存失败(img-B93BC3k8-1564595296605)(media/10bb121e15ab0348445d01672a8bedcf.png)]

图2.19 地面站航点规划

终端可输入航路点和其余命令，也能够用地面站的功能映射建立任务（Auto
grid），飞机会来回在规划的任务区域飞行进行拍照收集照片，实现无人机的程序化自动控制。

Default
Alt（默认高度）：进入新航路点的默认高度，同事也是返航时候飞机的高度，返航时若是飞机没有达到这个高度，会先升高到这个默认的高度再返回，若是高过这个高度，飞机会保持当前高度飞到返航的位置，降低着陆。

Verify
height（验证高度）：就是地面站用谷歌地图拓扑数据调整你想指望的在每一个航路点的高度去反映离地面的高度。所以若是你的航路点在一个小山上，你选择了验证高度在地面站上，设置的高度将会加上小山的高度，使用这种方式将会保证你的飞机不撞上山峰。

设置好你的航路点而后点击右边的“写入”，任务就写入了APM并寄存在存储器中，删除全部航路点，点击“读取”查看肯定规划的航路点是否写入，若是写入，会在地图上显示你规划的路径。

（2）Dronecode SDK开发

Dronecode
是一个开源无人机航空操做系统，基于Linux开发，能够根据VTOL，固定翼，直升机以及多旋翼等特性进行二次开发。QGC也可根据Dronecode进行定制型开发，也可经过MAVLink协议与无人机天空端通讯。Dronecode框架与ROS相似，其模块化设计可经修改后做为ROS节点运行，同时辅助其余软件包（例如guidance
SDK，onboard SDK以及lidar
SDK等等）实现机载计算机全自动控制，也可将Dronecode在Gazebo仿真环境下进行仿真与测试，肯定无人机各项功能是否有异常等等。

Dronecode源码主要语言为C++，可使用插件扩展SDK，以添加任何其余所需的MAVLink
API，也可经过API扩展dronecode从而实现遥测等功能。

（3）MAVLink协议

MAVLink是为微型飞行器MAV（Micro Air
Vehicle）设计的（LGPL）开源的通信协议。是无人飞行器和地面站（Ground Control
Station ，GCS）之间，以及无人飞行器之间通信经常使用的协议。APM、PIXHAWK飞控，Mission
Planner、QGroundControl地面站均使用了MAVLink协议进行通信。

MAVLink传输时，以消息包做为基本单位，数据长度为8~263字节。消息数据包的结构以下：

[外链图片转存失败(img-sMDq2Wd8-1564595296606)(media/8b54ba24c89d75f1c0f7bebf5756ca26.png)]

图2.20 消息数据包的结构

MAVLink采用校验的功能，当两个通信终端之间（飞行器和地面站，或飞行器和飞行器）使用不一样版本的MAVLink协议时，双方计算获得的校验码会不一样，则不一样版本的MAVLink协议之间将没法通信。MAVLINK_MESSAGE_CRCS中存储了每种消息包对应的MAVLINK_CRC_EXTRA。这个MAVLINK_CRC_EXTRA在用python生成MAVLink代码时在common.h头文件中自动生成。

MAVLink定义了一些通用消息集，是大多数地面控制站（包括QGC）和自动驾驶仪实现的参考消息集。该消息集分为两部分：MAVLink
Type Enumerations(MAVLink类型枚举 )和MAVLink
Messages（MAVLink消息包）。这些消息在每一个消息包的头文件#define中定义。

MAVLink采用心跳包的方式来判断该设备是否活跃，（通常以1Hz发送），消息接收端会根据是否及时收到了心跳包来判断是否和消息发送端失去了联系。

心跳包由6个数据成员组成，占用9个字节。

一、type：飞行器类型，表示了当前发消息的是什么飞行器，如四旋翼，直升机等。type的取值对应枚举类型MAV_TYPE（如四旋翼，对应数值2）。

二、autopilot：飞控类型，如apm，Pixhawk等，发送心跳包的飞行器的飞控类型。autopilot的取枚举类型MAV_AUTOPILOT。

三、base
mode（基本模式）：飞控如今所处的飞行模式，这个参数要看各个飞控本身的定义方式，会有不一样的组合、计算方式。

四、custom
mode（用户模式）：飞控如今所处的飞行模式，这个参数要看各个飞控本身的定义方式，会有不一样的组合、计算方式。

五、system status：系统状态，见MAV_STATE枚举变量。

六、mavlink version：消息发送端的MAVLink版本。

其他的消息也是相似的结构，基本消息的定义能够查看官方网页的说明（具体说明以各个飞控为准），也可查看各个消息包头文件的定义。

[外链图片转存失败(img-XLFtnaxf-1564595296607)(media/7662c6acbccaf006ddaa126bc6e3ab63.png)]

图2.21 官方说明

3.APP 实时环境监测数据显示

APP 基于 JAVA
的安卓开发，使用APIcould进行开发。APP可以实时显示环境监测数据，具备完整的无人机飞行区域显示、基于机器学习的预测等功能，APP
截图以下所示。

[外链图片转存失败(img-cgTzrc3Z-1564595296609)(media/588dfe0d2864a802a09787153dd113f5.jpg)]

图2.22 APP软件截图

APICloud使用了从“云”和“端”两个方向提供API，简化移动应用开发技术，缩短了咱们开发周期。

[外链图片转存失败(img-9Arg3WpL-1564595296610)(media/c55cd6cb5f728396ba3cda918c5492c3.jpg)]

图2.23 APP开发过程图

4.基于计算机视觉技术的自动识别系统

识别算法设计思路是首先一帧一帧地传入单帧图像，将本针图像去除背景而且处理成高对比度的黑白图像输出，并对传入的背景图进行灰度化处理；同时进行高斯滤波和卡尔曼滤波，对传入的坐标进行滤波处理，减小坐标点抖动，最终得出具体精确的坐标点,即物体的几何中心。

计算机视觉技术是运用照相机和计算机来获取咱们所需的被拍摄对象的数据与信息的技术。形象地说，就是给计算机安装上眼睛（照相机）和大脑（算法），让计算机可以感知周围环境。因为人眼分类进行状态跟踪，不但效率低下，并且容易出错，所以咱们采用图像识别技术，达到自动识别后自动分类的要求。利用计算机控制整个系统的运行、参数的设定，因此具备完备、移植性好、调控方便等特色。

5.大气监测系统

（1）气体传感器

DHT11 温湿度传感器

使用精度为湿度±5%，温度±2℃的 DHT11
模块进行温湿度数据采集，得到的数据在现阶段能够知足机器学习的数据要求。

[外链图片转存失败(img-7aMMy2iX-1564595296612)(media/7317d714c42dc596c5c858293f9c0068.png)]

图2.24 温湿度传感器流程图

GP2Y1010AU 灰尘传感器

目前利用灰尘和温湿度传感器进行环境数据采样，后续逐步搭载
PM2.五、SO2等关键数据指标的相关传感器，进行更加详实的无人机数据采集。

GP2Y1010AU是一种光学传感的尘埃传感器系统。一个红外发光二极管（cil）和一个光电晶体斜排列在这个装置中，它检测空气中尘埃的反射光。特别是，它能有效地探测到很是细的粒子就像香烟的烟雾。此外，它还能过脉冲模式输出电压区分烟雾和室内灰尘通。

[外链图片转存失败(img-G12RHv3C-1564595296613)(media/96bfbe192211c09a93296de69eb53295.png)]

图2.25 内部示意图

[外链图片转存失败(img-D5PowHxl-1564595296615)(media/4bf72ff83f7847f27516a77ece85f2e7.png)]

图2.26 led输入端的输入条件

[外链图片转存失败(img-htmFVjGF-1564595296617)(media/acc40fc897d4b5175f3907fb83af16c7.png)]

图2.27 输出脉冲的采样时间

[外链图片转存失败(img-qxoISW6K-1564595296618)(media/d36364c89de9f5e306af36662c488e0d.png)]

图2.28 输出电压与粉尘密度

6.数据可视化

有数据,仍然不够,环境监督和环境监督的执行是很是时间敏感的。非法走私企业可能只发生在必定时期内,甚至只是某一时刻。这是难以获取证据和难以执行法律的缘由之一。

无人机气体传感器在大气污染调查工做中会获得大量的实测数据,传统利用excel
进行数据分析与管理的办法不只没法直观展示污染物的空间分布形态,

测量数据须要多个工做日的处理和分析才能得出相关结论,很难为下一步监测管理和治理提供决策支持。

[外链图片转存失败(img-TN78q8Yw-1564595296619)(media/db204a5614efa77215f7317250309672.jpg)]

图2.29 数据可视化

可视化处理能够充分利用数据中隐含的空间相关性,揭示气体污染物的迁移和转化规律,帮助研究人员,监测机构,科学直观地解释和分析大气污染状况,高效快速的检测方法能够被跟随。一系列治理措施为支持和节省劳动力成本提供了基础。

[外链图片转存失败(img-yky9tQez-1564595296620)(media/4772f8162872a163dbae7f8d03b776fd.jpg)]

./media/image36.jpeg

./media/image37.jpeg

图2.30 气体数据可视化

7.自主着水控制系统设计

本项目经过对无人机起落架进行机械结构的改造，配合相应控制系统设计，实现了水面起降和滑行功能。下图为第一代水面起落设备，经过低密度、高强度材料做为无人机起落脚架，配合一系列的防水处理和水样采集模块，就能够实现远比空中飞行节能的水面滑行模式以及水样采集功能。

[外链图片转存失败(img-OUBe0ZPL-1564595296622)(media/37758b1f9fc104b754e446a35ce635e3.jpg)]

图2.31 为水面滑行实物图

第二代水面起落架正在设计之中，这一代起落架的设计思路是以电机推进辅助支架从无人机中探出，可以更加稳定的在水面起降与滑行，而空中飞行模式中能够将水面起落架收拢，下降空气阻力。

第三章项目优点

[外链图片转存失败(img-zDvRwogh-1564595296624)(media/d8b0d2a670df6fda0b7c08d2ab5b172c.jpg)]

1．两栖、远程环境监测能力。本项目可实现远程环境，相比于传统的在野外安放传感器的环境监测模式，在安全性、实时性、机动性等方面有着明显的优点。颠覆了以往艰难的野外环境数据采集监测，足不出户就能完成环境监测的任务。

图3.1 传统的户外环境监测方式

2．拥有水面滑行能力和空中飞行能力，监测范围大幅提升。通常的无人机只有空中飞行一种模式，且续航时间短，活动范围较低。而本项目的无人机硬件和机械方面进行了必定程度上的创新，使之有水上滑行的能力，监测范围大幅增长，而且可以采集水质环境信息。通过测试，咱们的无人机和传统的无人机（以大疆经纬
M200 为例），关键参数对好比下图所示，能够看出咱们的两栖型无人机优点明显。

[外链图片转存失败(img-K8hGTPRc-1564595296625)(media/c7ee1350afa366428ea454183f61aa44.png)]

图3.2 本项目与大疆M200关键参数对比图

3．相比较于传统的热气球/小型飞机大气监测更加灵活、成本更低，而且可以进行水质监测，监测范围更加立体化、多维化。在一些环境恶劣的地区（如南极），环境监测热气球、还是重要的环境数据采集手段；在一些重点监测区域
，会频繁使用小型飞机进行环境监测。与这些环境监测手段相比较，本项目在成本、灵活性等方面具备十分明显的优点。而且可以进行水质环境采集，是热气球和小型飞机等监测手段所没法作到的。

[外链图片转存失败(img-W6zpkboR-1564595296626)(media/7e2e5c5a40912cfaa299aa6b8af55e64.jpg)]

图3.3 大气环境监测热气

[外链图片转存失败(img-24tT5Ztd-1564595296628)(media/be2e244d0af612127e619c1c5fbf7266.jpg)]

4．基于机器学习、图论、神经网络的预测功能。本项目引入了图论概念对所监测的区域进行数学建模，而且利用机器学习的岭回归算法进行预测，让操做者清楚的看到下一区域的环境质量预测信息，有效提高系统的大局观念。

图3.4 基于机器学习、图论、预测图

5．APP、软件、网站多方面可视化处理呈现，实时性更强、可读性强。本项目从
APP、软件、网站三个方面呈现了监测的数据值和预测值，而且不是单纯的表格数据呈现，而是进行了直观的可视化处理，加强了数据的可读性。

6．市场上小型无人机保护措施选择少，可见的小型无人机回收方式仅有伞降回收。这是一种较普通的回收方式，通常应用于低速无人机上，用于无人机出现不可预测的故障时。优势是价格低、轻便易于携带，但缺点是恶劣天气下易损坏、只可单机使用（一伞一机）。

7．市面上的消费级无人机续航时间广泛在 25
分钟之内，电力巡线、警用侦察、搜索救援等工业级无人机对续航时间的要求更高。锂电池是无人机最经常使用的动力来源，可因为能量密度的限制，目前不可能取得大的突破。咱们采用了无线电充电技术，
利用无线充电技术对进入平台内的无人机进行非接触式补给，
可使小型无人机在天然环境下持续续航。

第四章项目前景

4.1 特点与创新

1.替代传统的环境监测模式

本产品彻底能够替代传统的环境监测模式,而且有实时预测、两栖监测等传统环境监测不具备的优点。

环境监测成为你们日益关注的一个问题，市场也是日益火爆，环境监测仪器的销量持续增加，数据图以下所示，能够看出本产品做为有效的环境监测仪器定会深受大众的欢迎。

图

[外链图片转存失败(img-jPoYkmSf-1564595296629)(media/1c9ab48a34e115668af828b6369a0923.png)]

4.1 环境监测仪器销售量

2.有效解决环境监测取证难行业痛点问题

目前国内环保执法的一大痛点就是“违法者行动比执法者快一步”，这是由
于传统的固定站环境数据收集——专家分析——通知相关部门的模式速度太慢，违法的污染物偷排者每每可以在执法人员赶来前就完成设备停工与卸载。

而本项目针对这一大痛点给出了一套完整的实时环境监测方案，利用无人机的灵活高效数据收集以及服务端智能算法的实时分析，可以有效解决调查取证难的行业痛点问题。

3.有效下降环境监测成本高的问题

本项目自研率高，有效下降项目成本，依托全国大学生创新创业实验计划，
共使用项目经费四千余元，和市面上的产品进行对比，优点十分明显。

[外链图片转存失败(img-OOePmc5R-1564595296631)(media/7f34afe6e2e7eae7cf158eefc629db66.png)]

图4.2 环境监测费用对比

4.有效提升环境监测无人机的续航时间

环境监测无人机每每须要飞行到一些环境较为恶劣的地方进行样本采集，在这种恶劣环境下极容易发生故障或因电量不足须要及时充电，一旦无人机失联或因电量不足没法召回将产生不可估量的损失，更加影响气象中心的状况数据传输，对环境监测产生影响。全自动无人机起降平台恰能解决此类问题，能够在无人机监测地带沿线布置起降平台，自动搜索须要保护和充电的无人机，为它们提供“庇护所”和电量补给。

4.2 市场分析

1.宏观环境分析

2015 年 8
月，国务院办公厅印发《生态环境监测网络建设方案》，方案指出，咱们国家要逐步推动环境监测的智能化，合理利用互联网大数据分析等新兴技术手段开展环境治理工做。

十九大报告中将生态文明建设提升至史无前例的高度，环保行业随着环保税的推动、落地将进入严格监管阶段，而环境监测将会有更加广阔的应用和市场空间。目前，以空气环境监测、水质监测、污染源监测为主体的国家环境监测网络，造成了我国环境监测的基本框架，“十三五”规划中明确“以提升环境质量为核心”，我国环境监测行业正迎来以环境质量监测为主的里程碑发展机遇。随着环境保护部的成立，将来环境监测设备也会向生态监测领域融合、拓展。这些都为环境监测行业提供了发展机遇。

可是环境监测设备市场低价竞争现象仍然很是严重，恶性竞争致使企业利润空间严重压缩，而且低价中标也带来企业压缩成本、设备质量降低等问题。

随着近年来无人机技术的发展,无人机低空遥感能够弥补卫星遥感和人工执法环境监测手段在时效性和准确性上的不足。同时,随着大数据相关业务的不断扩展,对数据的准确度和实时性提出了更高的要求,利用无人机低空遥感进行数据采集成为了环保行业发展的必然趋势。

传统的空气自动监测站占地面积大,成本高,后期运行费用高。所以,难以进行大面积,精确的布局,基本上"不能说污染源"。即便花大价钱采起空气监测站加密的方式进行监控,但以点位进行布置的监测数据始终很难判断污染源迁移和扩散状况,更无从肯定污染发生的直接源头。传统的定点环境监测方法存在必定的局限性和片面性。它不能用于总体环境监测。在环境监测,应急和监督的过程当中,它每每受到地形,环境和交通等不利因素的制约。

2.市场潜力

随着各类环保政策的加码，环境监测的重要性日益凸显，一些环境治理公司、IT
公司也纷纷进入监测行业，并结合自身行业优点，打造不一样侧重点的监测竞争力，如一些IT
公司从智慧环保平台切入，打造总体监测解决方案等。这对于监测行业的竞争格局也将有很大影响。

2017年，我国共计销售各种环境监测产品56,575 台（套），同比2016 年增加38.5%，2017
年，全行业的总销售额突破了65
亿元，同比增加了1.56%，这充分体现随着“十三五”环保规划的出台，以及在各项新的环保政策的指引下，环境监测仪器行业的市场获得了稳步发展。

预计2018
年，环境监测设备销售增速约在25%，环境监测仪器也将向高质量、多功能、集成化、自动化、系统化和智能化方面发展。同时，随着我国环境监测技术的不断进步，环境监测仪器的生产也将造成必定的规模。

图4.1是近几年的我国环境监测仪器的销售状况统计，咱们能够看出，环境监测仪器的销售量整体趋势是逐年增加的，环境监测需求的高速发展和监测水平之间的矛盾要求环境监测技术的多样化、高效化,而无人机应用于环境监测能够有效解决目前环境监测存在的的问题,所以，无人机投入环境监测蕴含着巨大的市场潜力。

3.目标用户

本项目的目标用户包含国家各级环境监测网络和污水厂、水处理厂、自来水厂、景区等单位，应用于大气、水质、土壤、噪声、辐射、固体废物、农药等领域，受众目标范围普遍。在空气质量方面，可应用于臭氧监测、环境空气PM1
试点监测可
工厂排放废气检测等，本产品依靠无人机机动灵活的特色，能够轻松检测各个地点各高度的空气质量。水环境质量方面，可应用于水质总磷总氮、重金属监测，根据《2018
年全国生态环境监测工做要点》要求，要深化水环境质量监测，有力支撑“清水行动”。重点湖库蓝藻水华、富养分化的遥感监测，城市黑臭水体、饮用水水源地、重点流域水环境等监测均可以使用本产品进行工做。

本产品依托无人机的各类特性，能够对城市和天然进行全方位，多维度的环境监测，其高效性和适应性能够运用于各行各业。同时，产品受众范围的普遍性也能够为产品提供了良好的收益平台。

第五章总结

近两年来,环境监测做为环境治理和环境管理的基础,受到愈来愈多的关注,环境监测技术获得了很大的改善。大气源分析产品已进入国家监测点,推进了大气污染源分析和跨区域传播的研究进展。此外,监测远程,智能实施,科学决策和生态
环境的精确监督也有所改进。国内监测系统的稳定性,准确性和可靠性取得了很大进展,但发达国家环境监测仪器的技术水平仍存在必定差距。

站在环境监测行业整合的风口浪尖上,无人机结合环境监测一定会成为将来环境监测的趋势。不管是政策引导行业向高质量规范化发展,环境监测得到战略性新兴产业支持,仍是无人机技术的飞速发展,应用范围的迅速扩展,都为无人机环境监测提供了优良的发展环境。

、环境空气PM1
试点监测可
工厂排放废气检测等，本产品依靠无人机机动灵活的特色，能够轻松检测各个地点各高度的空气质量。水环境质量方面，可应用于水质总磷总氮、重金属监测，根据《2018
年全国生态环境监测工做要点》要求，要深化水环境质量监测，有力支撑“清水行动”。重点湖库蓝藻水华、富养分化的遥感监测，城市黑臭水体、饮用水水源地、重点流域水环境等监测均可以使用本产品进行工做。

第五章总结

本产品彻底能够替代传统的环境监测模式,而且有实时预测、两栖监测等传统环境监测不具备的优点。有效解决环境监测取证难、成本高等痛点问题。在保持产品工做的稳定性和不断更新精进技术的基础上，产品将来能够与各企业公司和政府部门合做，为中国的环境监测事业贡献力量。咱们相信基于无人机的全方位环境监测必将促进环境监测行业的里程碑的发展。

远程全方位环境监测无人机系统