环保监测：空气质量与排放数据问数

生态环境部要求重点排污单位自动监测数据联网，全国多地布设了大量空气与水质监测站点。这些年监测体系一直在升级，自动采集加上智能预处理，能够处理这些站点持续上报的PM2.5、臭氧、氮氧化物，以及企业排放口按小时推送的浓度与流量。

监测网络里三处被低估的瓶颈

环保监测的数据结构有几个固定特征。监测站点按行政区、流域、工业园区布设，每个站点定时上报多项指标。空气站上报PM2.5、PM10、二氧化硫、氮氧化物、臭氧、一氧化碳。水质站上报pH、溶解氧、化学需氧量、氨氮。企业排放口上报废气排放量、废水排放量、污染物浓度、治理设施运行状态。这些指标分属不同业务系统，字段命名和口径并不统一。

站点规模让跨站对比变得费力。一个地级市的大气监测站点常常超过五十个，重点流域的水质断面也不少。你想比较某两个区、某两个时段的数据，传统做法是从各系统导出报表，再在表格软件里手工拼表。这一步通常需要人工，遗漏和错位可能难以避免。

上报频率把预警的响应时间拉长了。分钟级、小时级、日级的上报，一个月可生成大量记录。超标预警如果不能实时监测，发现可能滞后。

核算口径是更容易被忽略的隐患。排放量和减排量的计算要同时用到监测浓度、流量、运行时间和折算系数。不同企业装的监测设备品牌不一，数据格式各异，核算时一旦选错口径，整笔减排数据可能需要返工。

达标率与排放量的口径之争

理解后面的方案，先要厘清"达标率"和"排放量"这两个词是怎么算出来的。达标率的前身是单次监测值与标准限值的逐一比对，后来才演进为按时段、按站点统计的合格率。排放量则来自监测浓度乘以流量再乘运行时间的累积，中间还要套用行业折算系数。同一个"排放量"，火电、钢铁、污水处理的折算公式各不相同。这也是为什么跨企业、跨行业的核算容易在这里出错：词一样，算法不一样。

用自然语言直接问监测库

解决上述问题的重要方式之一，是把“问数据”从写SQL、做报表里解放出来。核心思路是读取监测库的表结构，把数据库字段和环保业务术语对齐，再用自然语言生成只读查询。

字段映射是第一步，也是整套问数的基础。系统读取监测数据库的表结构，把原始字段名和注释翻译成业务能看懂的词。数据表里的AIR_PM25对应"PM2.5"，EMISSION_VOL对应"排放量"，PASS_RATE对应"达标率"。这一步没做扎实，后面的提问容易偏。维护字段映射是持续的活，新增监测指标时要同步更新，这是生产环境里容易被低估的一步成本。

生成只读SQL是第二步。用户用自然语言提问，系统把它转换成针对监测库的SELECT查询，并且限定为只读，不改动任何原始数据。你问"上月各区PM2.5日均浓度是多少"，系统生成对应的聚合查询并返回结果。你通常无需知道表名，也通常无需编写SQL。只读约束很关键，它有助于避免误改监测原始记录，这也是环保数据管理的一条硬性要求。

自动出图是第三步。时间序列的问题生成折线图，适合看趋势。站点之间的对比生成柱状图，适合看差异。系统根据问题类型选择图表，你拿到的是可方便用于报告的图。

多轮下钻是第四步。你可以从全区的总体情况，往下追问到某个站点、某段时间。比如先看全市达标率，再问"高新区上周哪几天不达标"，再问"那几天哪几个站点数值偏高"。对话式的下钻让分析跟着思路走，无需频繁重建查询。

报告导出是第五步。分析结果可方便导出，进入环保台账。原本耗时较长的周报、月报，现在提问之后可较快成稿。

这套能力在环保场景里可落地应用。空气质量考核时，它生成各区PM2.5和臭氧的排名与同比变化；水环境监管中，它核对断面水质达标情况并标出连续超标的河段；重点排污单位的排放量台账可被批量核对，填报异常可能更容易被发现；重污染预警出现后，它能下钻到具体站点和高发时段，辅助溯源研判。

这套方式对环保工作有三处实实在在的改变。异常数据按上报频率进入系统后，一旦触发预设规则可及时提示，超标预警无需等待人工翻表，发现时间有望缩短。核算环节由系统统一维护计算口径，减排量减少对个人经验的依赖，选错系数的情况有所减少。每一次查询和导出都写入日志，环保台账从结果留痕延伸到过程留痕，监管的可追溯性更强。

环保监管的重要目标之一，是把每一个监测点的每一刻数据都纳入计算。过去这件事受限于人工汇总的速度和精度，通常只能做到定期报表。现在用自然语言问数，把取数、对比、预警、核算连成连贯的流程，环保的账有望实现更精细的核算。

前面讲的方案，对应小艾智能体的智能问数能力。小艾智能体是企业知识管理的工具，其中的智能问数报表系统以自然语言转SQL为核心，使非技术人员也能尝试直接对话数据库。它可读取业务库的表结构和字段注释，把“PM2.5”“排放量”“达标率”这类术语与底层数据对齐，可生成只读查询并可自动出图。系统可支持多轮对话下钻，从汇总层深入到站点与时段，分析结果可支持导出归档。

技术底座上，小艾智能体采用FastAPI与Python构建服务，用LangGraph编排Agent工作流，向量检索基于Milvus，全文检索基于Elasticsearch，知识关联基于Neo4j。问数过程配合RAG检索增强，有助于降低大模型答非所问的概率。部署可支持私有化，监测与排放数据可在本地处理，有助于满足环保合规要求。