梁一鳴

摘要：本文綜述了目前水資源承載預(yù)測(cè)和霧霾天氣預(yù)測(cè)的若干種常用方法，傳統(tǒng)方法如回歸分析，灰色預(yù)測(cè)，新型智能算法如神經(jīng)網(wǎng)絡(luò)、系統(tǒng)動(dòng)力學(xué)法。通過對(duì)比這些分析方法的在實(shí)際應(yīng)用中的效果，來評(píng)述現(xiàn)有環(huán)境預(yù)測(cè)方法的優(yōu)勢(shì)與不足。傳統(tǒng)方法，操作簡(jiǎn)單易于實(shí)現(xiàn)，但精度較差;新型算法可做精確預(yù)測(cè)，但較難實(shí)現(xiàn)且預(yù)測(cè)范圍窄。最后，展望環(huán)境預(yù)測(cè)方法發(fā)展趨勢(shì)。

Abstract： This paper reviews several common methods for water resource bearing prediction and haze weather prediction. Traditional methods include regression analysis， grey prediction， and new intelligent algorithms include neural network and system dynamics. By comparing the effects of these analytical methods in practical applications， the advantages and disadvantages of existing environmental prediction methods are reviewed. The traditional methods are simple and easy to implement， but poor in accuracy. The new algorithms can make accurate predictions， but it is difficult to implement and the prediction range is narrow. Finally， the development trend of environmental forecasting methods are prospected.

關(guān)鍵詞：預(yù)測(cè);精度;應(yīng)用;評(píng)述

Key words： prediction;accuracy;application;commentary

中圖分類號(hào)：N945.11 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2019）23-0245-02

0 ?引言

環(huán)境預(yù)測(cè)[1]是對(duì)未來環(huán)境狀況和環(huán)境發(fā)展趨勢(shì)及其主要污染物和污染源的動(dòng)態(tài)變化進(jìn)行描述和分析，為提出防止環(huán)境進(jìn)一步惡化和改善環(huán)境的對(duì)策提供依據(jù)。在環(huán)境問題越來越重要的今天，提供精確的環(huán)境預(yù)測(cè)可以說是一個(gè)非常重要的課題。

本文以水資源承載力和大氣霧霾污染為例，綜述目前學(xué)術(shù)上常見的若干種環(huán)境預(yù)測(cè)的方法的應(yīng)用實(shí)例，并對(duì)其進(jìn)行分析評(píng)述。從而尋找環(huán)境預(yù)測(cè)現(xiàn)有方法中的問題，預(yù)測(cè)方法發(fā)展的瓶頸，以及未來預(yù)測(cè)方法的發(fā)展趨勢(shì)。

1 ?水資源承載力的預(yù)測(cè)

1.1 灰色預(yù)測(cè)

邯鄲學(xué)院吉偉卓[2]等人，利用灰色預(yù)測(cè)模型對(duì)影響數(shù)水資源承載力的若干指標(biāo)進(jìn)行預(yù)測(cè)，進(jìn)而預(yù)測(cè)得2020年邯鄲市的水資源承載力;長(zhǎng)江科學(xué)院的劉志明[3]等五人，對(duì)12項(xiàng)影響因素通過層次分析賦權(quán)，接對(duì)各因素進(jìn)行灰色預(yù)測(cè)，進(jìn)而利用水資源承載力和各指標(biāo)的關(guān)系對(duì)2020、2025、2030年承載力做預(yù)測(cè)。

1.2 多元回歸法

上海同濟(jì)城市規(guī)劃設(shè)計(jì)研究院規(guī)劃三所的金荻[4]通過多元回歸分析法，分析了人均需水量和總用水量、萬元工業(yè)增加值用水量、水資源產(chǎn)出率和農(nóng)田灌溉畝均用水量四項(xiàng)指標(biāo)的關(guān)系，預(yù)測(cè)了嘉峪關(guān)市2030年的水資源承載力;江南大學(xué)李磊[5]等三人，通過主成分分析法，從12項(xiàng)指標(biāo)中得出三項(xiàng)重要影響因子，進(jìn)而通過多元回歸進(jìn)行預(yù)測(cè)。

1.3 系統(tǒng)動(dòng)力學(xué)法

中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院的賈建輝[6]等人，建立了系統(tǒng)動(dòng)力學(xué)模型分析中山市水資源承載力，并且考察了不同政策指引下的不同發(fā)展模式中水資源承載力的變化趨勢(shì)的差異;馮丹[7]等人，建立系統(tǒng)動(dòng)力學(xué)模型，分析陜西省淳化縣的水資源承載力，針對(duì)四種不同的發(fā)展模式，得出了四種不同水資源承載力變化趨勢(shì)。

2 ?大氣霧霾污染的預(yù)測(cè)

2.1 回歸分析法

西北工業(yè)大學(xué)的付婧嬈[8]通過首先對(duì)氣溫，濕度，前一天PM2.5等12各做主成分分析，接采用多元回歸法，在在線更新數(shù)據(jù)的前提下，對(duì)北京市未來一周內(nèi)的PM2.5含量做了較為精確地預(yù)測(cè)。

2.2 系統(tǒng)動(dòng)力學(xué)

南京信息工程大學(xué)的李智江[9]等人，建立了系統(tǒng)動(dòng)力學(xué)模型，成功展示了北京市經(jīng)濟(jì)，能源和霧霾之間的動(dòng)態(tài)變化關(guān)系，并針對(duì)四種發(fā)展模式做了預(yù)測(cè)分析與比對(duì)。

2.3 神經(jīng)網(wǎng)絡(luò)

吉林農(nóng)業(yè)大學(xué)的艾洪福[10]等人，通過建立時(shí)間序列神經(jīng)網(wǎng)絡(luò)來逼近PM2.5的發(fā)展趨勢(shì)，對(duì)長(zhǎng)春市未來三天的PM2.5做仿真試驗(yàn)，取得了預(yù)期的結(jié)果。

2.4 其他智能算法

合肥工業(yè)大學(xué)的倪志偉[11]建立了螢火蟲優(yōu)化算法，建立了是否出現(xiàn)霧霾與前一日的相對(duì)濕度、風(fēng)速、能見度、降雨量、PM2.5 質(zhì)量濃度等五個(gè)因素的映射關(guān)系，比較準(zhǔn)確地對(duì)未來短期內(nèi)的霧霾情況進(jìn)行了預(yù)測(cè)。

河北大學(xué)宗曉萍[12]等人建立了基于遺傳算法的改進(jìn)向量機(jī)模型，得到PM2.5的質(zhì)量濃度與氣溫、相對(duì)濕度、風(fēng)速、氣壓、水汽凝結(jié)點(diǎn)（露點(diǎn)）之間的映射關(guān)系，對(duì)制定一天中霧霾的24小時(shí)變化規(guī)律做了預(yù)測(cè)。

3 ?評(píng)述

環(huán)境系統(tǒng)內(nèi)部個(gè)部分之間存在復(fù)雜的因果關(guān)系，并且這種因果關(guān)系無法用精確地模型或理論加以描述，因此只有通過大量觀測(cè)數(shù)據(jù)的統(tǒng)計(jì)處理，才能找到他們之間的關(guān)系或規(guī)律。這也是目前環(huán)境預(yù)測(cè)的困難之所在[1]。

從上文分析中可以看出，目前環(huán)境預(yù)測(cè)法大致可以分為兩類，一類是傳統(tǒng)預(yù)測(cè)方法，另一類是帶有深度學(xué)習(xí)能力的智能算法。傳統(tǒng)預(yù)測(cè)法有回歸分析法，灰色預(yù)測(cè)法等;智能算法有神經(jīng)網(wǎng)絡(luò)，系統(tǒng)動(dòng)力學(xué)法等等。

3.1 傳統(tǒng)分析法

特點(diǎn)是，方法簡(jiǎn)單，理論成熟，易于實(shí)現(xiàn)，只需要搜索各項(xiàng)指標(biāo)的歷史統(tǒng)計(jì)數(shù)據(jù)即可。傳統(tǒng)分析法很容易分析出數(shù)據(jù)的未來發(fā)展趨勢(shì)，尤其是短期的發(fā)展趨勢(shì)。如文獻(xiàn)[1][2]所采用的灰色預(yù)測(cè)法。但缺點(diǎn)也很明顯，時(shí)效性差，不能做長(zhǎng)期預(yù)測(cè)，且預(yù)測(cè)時(shí)間越長(zhǎng)，預(yù)測(cè)得準(zhǔn)確性能救越差;第二個(gè)缺點(diǎn)便是，只能分析趨勢(shì)，而不能精確地分析某一個(gè)具體的時(shí)間點(diǎn)的環(huán)境情況。這類似對(duì)股票的預(yù)測(cè)，我們可以很輕易的看出股票未來的走勢(shì)，但我們卻無法預(yù)測(cè)哪怕僅僅是明天的股票價(jià)格。在環(huán)保規(guī)劃中，我們更需要預(yù)測(cè)未來某一天或某一年的一些具體情況，比如明天是否有霧霾，下一星期會(huì)有幾天霧霾。精確預(yù)測(cè)這些數(shù)據(jù)，有利于采取相應(yīng)的應(yīng)急措施或是預(yù)案。同時(shí)，政策上的變動(dòng)使得前一時(shí)期的數(shù)據(jù)的參考價(jià)值在新政策下失效，因而也無法預(yù)測(cè)出新政策變化對(duì)于環(huán)境所造成的具體影響。

3.2 深度學(xué)習(xí)算法（智能算法）

深度學(xué)習(xí)算法由于可以建立環(huán)境指標(biāo)和影響因素之間的內(nèi)在映射關(guān)系，其預(yù)測(cè)精確度明顯高于傳統(tǒng)分析法，并且可以精確到某一特定日期，例如文獻(xiàn)[9]對(duì)未來三天的霧霾做了精確預(yù)測(cè)。諸如系統(tǒng)動(dòng)力學(xué)這樣的算法，還可以分析出由于政策改變所帶來的發(fā)展模式的不同從而造成環(huán)境發(fā)展趨勢(shì)的不同。其缺點(diǎn)在于，算法更為復(fù)雜，如系統(tǒng)動(dòng)力學(xué)需要人為給出內(nèi)部的關(guān)聯(lián)函數(shù)，神經(jīng)網(wǎng)絡(luò)算法也需要設(shè)置個(gè)神經(jīng)元節(jié)點(diǎn)之間的傳遞函數(shù)。由于這些關(guān)系式需要預(yù)測(cè)者人為給定且不易確定，就容易產(chǎn)生較大的系統(tǒng)誤差。此外，預(yù)測(cè)時(shí)間過短，例如文獻(xiàn)[10]只能預(yù)測(cè)未來三天，并且需要實(shí)時(shí)更新的數(shù)據(jù)。不利于長(zhǎng)遠(yuǎn)發(fā)展戰(zhàn)略的提出。

4 ?預(yù)測(cè)方法的發(fā)展展望

現(xiàn)有預(yù)測(cè)方法不盡人意之處甚多，而環(huán)境預(yù)測(cè)得需求又相當(dāng)之大。因而必須完善環(huán)境預(yù)測(cè)體系?？蓮囊韵聨讉€(gè)方面入手：①完善算法的深度學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)等算法，已經(jīng)能夠做到建立指標(biāo)與其影響因素之間的非線性映射關(guān)系。如能更加準(zhǔn)確地逼近環(huán)境指標(biāo)與其影響因素的內(nèi)部映射關(guān)系，勢(shì)必對(duì)于預(yù)測(cè)會(huì)帶來極大的方便。②探索環(huán)境系統(tǒng)內(nèi)部的各因果關(guān)系。環(huán)境系統(tǒng)內(nèi)部因素，牽一發(fā)而動(dòng)全身，完全挖掘出內(nèi)部的真正關(guān)系時(shí)很復(fù)雜，很艱巨的一項(xiàng)任務(wù)。但隨著研究探索的深入，即使不能完全找到真正的關(guān)系，也必然能促進(jìn)現(xiàn)有學(xué)習(xí)算法等方法的長(zhǎng)足發(fā)展。③將傳統(tǒng)方法在趨勢(shì)預(yù)測(cè)上的優(yōu)勢(shì)和智能算法在建立映射關(guān)系上的優(yōu)勢(shì)相結(jié)合。相互取長(zhǎng)補(bǔ)短，進(jìn)而尋找短期長(zhǎng)期都適用的方法。

參考文獻(xiàn)：

[1]尚金城.環(huán)境規(guī)劃與管理[M].北京：科學(xué)出版社，2009：13， 428.

[2]吉偉卓，苗菊芳，谷亞紅，等.邯鄲市水資源承載力評(píng)價(jià)與預(yù)測(cè)研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016，46（08）：182-187.

[3]劉志明，周真中，王永強(qiáng)，等.基于灰色預(yù)測(cè)模型的區(qū)域水資源承載力預(yù)測(cè)分析研究[J].長(zhǎng)江科學(xué)院院報(bào)：1-7.

[4]金荻.基于人均需水量預(yù)測(cè)的水資源人口承載力研究[J]. 規(guī)劃師，2015，31（S1）：314-317.

[5]李磊，張敏，王炯.基于主成分分析的陜西省水資源承載力預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2013，43（07）：37-44.

[6]賈建輝，龍曉君.水資源承載力預(yù)測(cè)模型研究[J].水利水電技術(shù)，2018，49（10）：21-27.

[7]馮丹，宋孝玉，晁智龍.淳化縣水資源承載力系統(tǒng)動(dòng)力學(xué)仿真模型研究[J].中國農(nóng)村水利水電，2017（04）：117-120.

[8]付倩嬈.基于多元線性回歸的霧霾預(yù)測(cè)方法研究[J].計(jì)算機(jī)科學(xué)，2016，43（S1）：526-528.

[9]李智江，唐德才.北京霧霾治理措施對(duì)比分析——基于系統(tǒng)動(dòng)力學(xué)仿真預(yù)測(cè)[J].科技管理研究，2018，38（20）：253-261.

[10]艾洪福，石瑩.基于BP人工神經(jīng)網(wǎng)絡(luò)的霧霾天氣預(yù)測(cè)研究[J].計(jì)算機(jī)仿真，2015，32（01）：402-405.

[11]倪志偉，張琛，倪麗萍.基于螢火蟲群優(yōu)化算法的選擇性集成霧霾天氣預(yù)測(cè)方法[J].模式識(shí)別與人工智能，2016，29（02）： 143-153.

[12]宗曉萍，武子瀚，劉言.基于遺傳算法尋優(yōu)的SVR霧霾預(yù)測(cè)模型[J].河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，36（03）：307-311.