一、环境数据概述：我们面对的数据长什么样？

大家好，我是老张。做环境数据分析这些年，我最大的感触就是——这行数据太「野」了。

你想想看，气象站、水质监测点、卫星遥感、土壤采样……这些数据来源五花八门，格式千奇百怪。我刚入行那会儿，拿到一套空气质量数据，打开一看，好家伙，时间戳格式有三种，单位有的用μg/m³，有的用ppm，还有一列直接是空值。嗯，这就是环境数据的日常。

今天这一章，咱们先把「敌人」看清楚。环境数据到底有哪些类型？从哪来？有什么特点？搞明白这些，后面的清洗和特征工程才能有的放矢。

1.1 环境数据类型：四大金刚

我个人习惯把环境数据分成四大类，说白了就是「气、水、土、空」——气象、水质、土壤、空气质量。每一类都有自己的脾气。

1.2 数据来源：传感器、卫星、监测站

环境数据从哪来？我总结了三类主要来源。每一类都有坑，咱们一个一个说。

1.2.1 传感器（地面监测站）

这是最传统的方式。温度计、风速仪、pH电极……直接接触环境介质。优点是精度高，缺点是维护成本大。

我曾经在西北某项目里，一套气象站因为沙尘暴把风速仪堵了，连续两周风速数据都是0。你说这数据能用吗？肯定不能。所以传感器数据一定要做「物理合理性校验」——风速不可能连续两周为0，除非你在山洞里。

1.2.2 卫星遥感

卫星数据覆盖面广，但分辨率有限。比如MODIS卫星的1km分辨率，看大尺度污染扩散还行，看街道级别的就不行了。

我记得有一次做城市热岛效应分析，用Landsat的30米分辨率数据，结果发现城区和郊区的温度差异被平滑掉了。后来我改用更高分辨率的哨兵卫星数据，才把细节抓出来。说白了，选数据源要看你的研究尺度。

1.2.3 移动监测（无人机、走航车）

这是近几年的新趋势。无人机飞一圈，走航车跑一趟，能拿到高空间分辨率的数据。但问题也很明显——时间不连续。

你想想看，无人机上午飞了，下午没飞，那下午的数据怎么办？插值？还是用模型补？嗯，这里要注意，移动监测数据的时间插值是个大坑，我后面会专门讲。

1.3 数据特点：时空性、多源性、噪声大

环境数据有三个核心特点，搞懂它们，你就知道为什么清洗这么重要了。

1.3.1 时空性

环境数据天然带有时间和空间标签。同一个地点不同时间，数据不同；同一时间不同地点，数据也不同。这就是时空相关性。

举个例子：PM2.5浓度在早晚高峰高，在凌晨低。这是时间规律。再比如，靠近工业区的站点浓度高，公园里浓度低。这是空间规律。做特征工程时，一定要把时间和空间特征显式地构造出来。

1.3.2 多源性

一个环境问题往往需要多种数据源联合分析。比如预测水质，你可能需要气象数据（降雨影响径流）、土壤数据（水土流失）、工业排放数据（点源污染）。

多源数据最大的问题是——时间对齐。气象数据是小时级的，水质数据是每天一次的，工业排放数据可能是月报。怎么对齐？我一般用「时间窗口聚合」：把小时数据聚合成日均值，再和水质数据匹配。但要注意，聚合会丢失信息，所以窗口大小要谨慎选择。

1.3.3 噪声大

环境数据的噪声来源太多了：传感器漂移、电磁干扰、人为操作失误、传输丢包……

我处理过一套水质数据，pH值在7.0附近波动，突然有一天跳到了14.0。你猜怎么着？不是水变强碱了，是电极被水草缠住了。这种「物理噪声」在环境数据里太常见了。

怎么处理噪声？我的原则是三步走：

1. 物理范围校验——pH不可能超过14，风速不可能超过100m/s
2. 统计异常检测——3σ原则、IQR方法、Z-score
3. 时序一致性检查——相邻时间点的突变是否合理

1.4 知识体系总览

说了这么多，咱们用一张图把本章的知识结构串起来。我画了一个框架图，帮你理清思路。

1.5 小结：这一章你该带走什么？

好了，第一章的内容就这些。咱们回顾一下重点：

• 环境数据有四大类型：气象、水质、土壤、空气质量。每种数据的采样频率和量级都不一样，处理方式也不同。
• 数据来源主要有三类：传感器（精度高但维护难）、卫星遥感（覆盖面广但分辨率有限）、移动监测（空间分辨率高但时间不连续）。
• 三个核心特点：时空性（数据不独立）、多源性（需要对齐）、噪声大（物理校验先行）。

我个人觉得，这一章最重要的不是记住那些分类，而是建立一种「数据敏感度」——拿到任何环境数据，先问自己三个问题：这数据从哪来？采样频率是多少？有没有物理上不可能的值？养成这个习惯，后面清洗能少踩一半的坑。

公众号:蓝海数据掘金营，微信deep3321