生态环境部近期下发的《关于统筹做好疫情防控和经济社会发展生态环保工作的指导意见》提出，要充分利用科技手段开展非现场监管，及时提醒复工复产企业正常运行治污设施。我们在“非现场监管技术之一”（更多阅读：疫情之下：非现场环境监管技术厚积薄发（一））中聚焦服务于监管的新型监测技术，介绍了新型传感器技术，并介绍了通过传感器与卫星等多载体实现更大范围覆盖的技术组合，还展示了大数据技术与新型监测技术的结合可以使技术更加智能化和精准化。本期，我们将聚焦于大数据技术在非现场环境监管中的应用。
随着移动互联、云计算、物联网技术、区块链技术的发展，世界已进入“大数据时代”。在这一轮新科技革命中，中国矗立潮头，推动着大数据的技术发展及产业化应用。自2015年以来，国家先后出台了一系列措施，推动大数据产业的发展及大数据在国家治理、政府管理和市场监管中的应用。2016年，原环境保护部也出台了针对生态环境领域大数据的顶层设计，制定了《生态环境大数据建设总体方案》。总体方案提出，利用大数据创新执法方式，支撑执法从被动响应向主动查究违法行为转变，实现排污企业的差别化、精准化和精细化管理。
2016年7月，在原环境保护部环境监察局的指导下，美国环保协会与中国环境科学学会环境监察研究分会启动了“大数据在环境执法与守法中的应用研究”课题。课题提出，大数据有助于实现以环境质量为核心的执法监管，推动执法向守法促进转变。应该说，非现场监管概念为大数据技术在环境执法中的加速应用提供了新的动力（更多阅读：疫情之下，环境执法何去何从？）。
热点网格技术是生态环境部推动在大数据技术在非现场监管中的典型应用。近日，生态环境部刊文指出，在疫情期间，热点网格技术通过非现场帮扶，充分发挥大气环境监管“千里眼”功能，远程指导各地有序开展热点网格的针对性排查。2020年3月以来，共向京津冀及周边地区、汾渭平原39城市推送报警提示信息1989个，帮助发现各类环境问题1191个，以非现场帮扶的方式，提高了环境执法效能。
本期，我们将分享大数据在非现场监管中的应用和案例，包括大数据技术如何精准识别监管对象，精准投入监管资源开展检查；如何快速识别企业生产和排放异常情况确定违法行为；如何智能推荐公平、公正而又具有威慑力的处罚措施。
长期以来，执法监管重点对象的确定基本是从污染物排放量、高风险污染物的静态角度出发。随着新型监测技术和大数据技术的兴起，通过对多元数据进行融合分析，可以多角度识别出重点监管区域或对象，以环境质量为导向，实施精准控制、精准治理。同时，随着环境质量的变化，重点监管区域或对象可以进行动态调整。热点网格监管技术是一种技术与管理综合创新的管理体系，将大数据识别技术与下沉的日常检查力量、监管责任有机结合，提升了监管效能。
生态环境部推出的“千里眼计划”是以热点网格技术为核心的执法监管体系。“千里眼计划”将大气重点控制区域按照3000米×3000米的尺度划分网格，综合卫星遥感、地面空气质量监测、气象、排污企业的用能及排放数据，识别出需要重点监管的网格（热点网格）并进行监管。“热点网格”技术与地面微站和移动监测技术结合，可以进一步将识别范围缩小，提高检查的精准度（更多阅读：监测进入移动时代：最具潜力的模式+技术都在这里）。
目前，大气污染热点网格监管已应用于京津冀、汾渭平原大气污染防治强化督查中，并将逐步推广至长三角地区。
通过热点网格技术识别出重点监管区域后，需要寻找对热点区域有贡献的排放源，即污染溯源。追溯污染来源是实施监管的关键步骤。污染溯源技术适合于未知排放源的情形，或在现有的排放源数据显示正常的情况下，查找问题来源。
利用机器学习溯源的方法之一是建立排放源的污染特征数据库——或称为指纹库，即利用热点网格中的污染特征，推测排放源。机器学习可以优化推测过程，提高推测准确率，即将PM2.5历史浓度数据与检查反馈确定的排放源信息进行关联，建立基于网格污染类型、浓度的关联和特征匹配模型，将PM2.5浓度随时间变化特征、卫星特征、排污源特征加入至机器学习模型中，不断提升溯源的准确率。
目前，在大气污染热点网格的监管中，通过与卫星监测影像结合，污染溯源技术可以大大提升检查的针对性，即根据空气质量特征，识别污染源类型，推荐检查时间，帮助执法人员缩小检查范围。基于此机器学习模型，可对道路交通类污染（道路扬尘）、工地扬尘类污染类型进行有效判断，准确率可达60%以上。随着数据积累、模型优化和增加新数据维度、数据源，准确率有望进一步提升。
不同污染类型浓度曲线展示。图片来源：京津冀地区PM2.5溯源精准执法模式研究报告（美国环保协会资助项目）
依据网格特征的卫星云图。图片来源：京津冀地区PM2.5溯源精准执法模式研究报告（美国环保协会资助项目）
利用机器学习识别异常排污——在线监测数据与生产状况异动监测技术
与采用自上而下的方式通过环境质量信息溯源相对应，另一种机器学习的路径采用自下而上的方式，即直接对排放源进行全方位监控，来识别问题的来源。这种方法更适用于已知排放源的情形。
在线监测技术是典型的非现场监管技术。但是，在大数据技术使用之前，该技术面临的问题是不能很好地识别数据反应出来的异常信息。
在线监测数据与生产状况异动监测技术基于海量的在线监测数据，通过建立大数据异动分析模型，对排污企业的数据异常做深度的分析和挖掘，并按行业、地区总结出多种类型的数据异常情况，提醒企业对数据异常原因进行核实。
目前，在线监测数据异动识别系统已广泛应用于大气污染防治强化督查中。针对每种异常情况，可以通过数据可视化的方式，结合地图数据，直观展示异常企业信息以及排放口信息，进而确定企业的异常排口，为基层执法人员提供有力指导。
除了监测排污数据之外，通过监测企业生产设备、治污设备分电表，可以为监控错峰生产和重污染天气应急督导中把控企业生产状态、治污设施运行状况和运行质量提供支撑。
更综合的措施是，通过在企业的产污、治污、排污过程中安装电信号传感器，连续采集关键特征信号或数据，形成产-治-排联动耦合的排污企业大数据智能监管系统，并以此判断企业生产、处理、排放（或外运）污染物过程的合理性、合规性。排污企业大数据智能监管系统可以大大提高问题识别的有效率——有企业已将识别率提升到90%以上。
在线监测数据异动识别可视化展示。图片来源：大数据在环境执法与守法中的应用研究报告（美国环保协会资助项目）
基于产污-治污-排污设施的排污企业大数据智能监管系统。
基于语言分析技术辅助处罚决策——环境违法处罚裁量参考系统
处罚是生态环境执法的一个重要组成环节。处罚裁量中的一个关键问题是公平处罚，即对同类违法行为、相似情形做出一致的处罚，以维护处罚的公平性。在大数据技术应用之前，执法机构一般采用自上而下的裁量系统，即将法律的规定按违法的情节、主观故意程度以及后果等多个因素赋于裁量因子，做出处罚决定。这种处罚裁量方式的问题是，不同地区可能会设立不同的裁量因子，造成地区处罚的不一致。
在大数据技术支持下建立的环境违法处罚裁量参考系统，以环境违法处罚的法律依据、历史数据和案例为基础，运用数据挖掘、文本分析、自然语言处理等技术，提取、分析案件基本信息及处罚裁量信息，从案例库中识别出违法事实、性质、情节及环境危害程度可类比的案件，为执法人员智能推荐待处理案件的处罚措施。
这一数据系统基于构建的公开案例库，可以利用大数据对案件处罚结果进行人工智能统计，从案件数量的时间分布、案件数量的区域分布、行业分布、罚款金额等角度进行多维度智能分析，评估省、市、县的行政处罚绩效，形成处罚评价系统。
与基于法律分解的自由裁量系统相结合，基于语言分析的处罚辅助决策系统可以为执法机构提供更为合理的处罚决策支持。
基于语言分析的大数据处罚结果与基于传统裁量因子的处罚结果对比。图片来源：环境违法处罚裁量支持系统建设方案（美国环保协会资助项目）
