Commentary on the Application of Environmental Prediction Model
梁一鸣 LIANG Yi-ming
（西北工业大学理学院，西安 710129）
（School of Natural and Applied Sciences，Northwestern Polytechnical University，Xi'an 710129，China）
摘要：本文综述了目前水资源承载预测和雾霾天气预测的若干种常用方法，传统方法如回归分析，灰色预测，新型智能算法如神经网络、系统动力学法。通过对比这些分析方法的在实际应用中的效果，来评述现有环境预测方法的优势与不足。传统方法，操作简单易于实现，但精度较差；新型算法可做精确预测，但较难实现且预测范围窄。最后，展望环境预测方法发展趋势。
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.
关键词：预测；精度；应用；评述
Key words: prediction；accuracy；application；commentary
中图分类号：N945.11 文献标识码：A 文章编号：1006-4311（2019）23-0245-02
0 引言
环境预测[1]是对未来环境状况和环境发展趋势及其主要污染物和污染源的动态变化进行描述和分析，为提出防止环境进一步恶化和改善环境的对策提供依据。在环境问题越来越重要的今天，提供精确的环境预测可以说是一个非常重要的课题。
本文以水资源承载力和大气雾霾污染为例，综述目前学术上常见的若干种环境预测的方法的应用实例，并对其进行分析评述。从而寻找环境预测现有方法中的问题，预测方法发展的瓶颈，以及未来预测方法的发展趋势。
1 水资源承载力的预测
1.1 灰色预测
邯郸学院吉伟卓[2]等人，利用灰色预测模型对影响数水资源承载力的若干指标进行预测，进而预测得2020年邯郸市的水资源承载力；长江科学院的刘志明[3]等五人，对12项影响因素通过层次分析赋权，接对各因素进行灰色预测，进而利用水资源承载力和各指标的关系对2020、2025、2030年承载力做预测。
1.2 多元回归法
上海同济城市规划设计研究院规划三所的金荻[4]通过多元回归分析法，分析了人均需水量和总用水量、万元工业增加值用水量、水资源产出率和农田灌溉亩均用水量四项指标的关系，预测了嘉峪关市2030年的水资源承载力；江南大学李磊[5]等三人，通过主成分分析法，从12项指标中得出三项重要影响因子，进而通过多元回归进行预测。
1.3 系统动力学法
中山大学地理科学与规划学院的贾建辉[6]等人，建立了系统动力学模型分析中山市水资源承载力，并且考察了不同政策指引下的不同发展模式中水资源承载力的变化趋势的差异；冯丹[7]等人，建立系统动力学模型，分析陕西省淳化县的水资源承载力，针对四种不同的发展模式，得出了四种不同水资源承载力变化趋势。
2 大气雾霾污染的预测
2.1 回归分析法
西北工业大学的付婧娆[8]通过首先对气温，湿度，前一天PM2.5等12各做主成分分析，接采用多元回归法，在在线更新数据的前提下，对北京市未来一周内的PM2.5含量做了较为精确地预测。
2.2 系统动力学
南京信息工程大学的李智江[9]等人，建立了系统动力学模型，成功展示了北京市经济，能源和雾霾之间的动态变化关系，并针对四种发展模式做了预测分析与比对。
2.3 神经网络
吉林农业大学的艾洪福[10]等人，通过建立时间序列神经网络来逼近PM2.5的发展趋势，对长春市未来三天的PM2.5做仿真试验，取得了预期的结果。
2.4 其他智能算法
合肥工业大学的倪志伟[11]建立了萤火虫优化算法，建立了是否出现雾霾与前一日的相对湿度、风速、能见度、降雨量、PM2.5 质量浓度等五个因素的映射关系，比较准确地对未来短期内的雾霾情况进行了预测。
河北大学宗晓萍[12]等人建立了基于遗传算法的改进向量机模型，得到PM2.5的质量浓度与气温、相对湿度、风速、气压、水汽凝结点（露点）之间的映射关系，对制定一天中雾霾的24小时变化规律做了预测。
3 评述
环境系统内部个部分之间存在复杂的因果关系，并且这种因果关系无法用精确地模型或理论加以描述，因此只有通过大量观测数据的统计处理，才能找到他们之间的关系或规律。这也是目前环境预测的困难之所在[1]。
从上文分析中可以看出，目前环境预测法大致可以分为两类，一类是传统预测方法，另一类是带有深度学习能力的智能算法。传统预测法有回归分析法，灰色预测法等；智能算法有神经网络，系统动力学法等等。
3.1 传统分析法
特点是，方法简单，理论成熟，易于实现，只需要搜索各项指标的历史统计数据即可。传统分析法很容易分析出数据的未来发展趋势，尤其是短期的发展趋势。如文献[1][2]所采用的灰色预测法。但缺点也很明显，时效性差，不能做长期预测，且预测时间越长，预测得准确性能救越差；第二个缺点便是，只能分析趋势，而不能精确地分析某一个具体的时间点的环境情况。这类似对股票的预测，我们可以很轻易的看出股票未来的走势，但我们却无法预测哪怕仅仅是明天的股票价格。在环保规划中，我们更需要预测未来某一天或某一年的一些具体情况，比如明天是否有雾霾，下一星期会有几天雾霾。精确预测这些数据，有利于采取相应的应急措施或是预案。同时，政策上的变动使得前一时期的数据的参考价值在新政策下失效，因而也无法预测出新政策变化对于环境所造成的具体影响。
3.2 深度学习算法（智能算法）
深度学习算法由于可以建立环境指标和影响因素之间的内在映射关系，其预测精确度明显高于传统分析法，并且可以精确到某一特定日期，例如文献[9]对未来三天的雾霾做了精确预测。诸如系统动力学这样的算法，还可以分析出由于政策改变所带来的发展模式的不同从而造成环境发展趋势的不同。其缺点在于，算法更为复杂，如系统动力学需要人为给出内部的关联函数，神经网络算法也需要设置个神经元节点之间的传递函数。由于这些关系式需要预测者人为给定且不易确定，就容易产生较大的系统误差。此外，预测时间过短，例如文献[10]只能预测未来三天，并且需要实时更新的数据。不利于长远发展战略的提出。
4 预测方法的发展展望
现有预测方法不尽人意之处甚多，而环境预测得需求又相当之大。因而必须完善环境预测体系。可从以下几个方面入手：①完善算法的深度学习能力。神经网络等算法，已经能够做到建立指标与其影响因素之间的非线性映射关系。如能更加准确地逼近环境指标与其影响因素的内部映射关系，势必对于预测会带来极大的方便。②探索环境系统内部的各因果关系。环境系统内部因素，牵一发而动全身，完全挖掘出内部的真正关系时很复杂，很艰巨的一项任务。但随着研究探索的深入，即使不能完全找到真正的关系，也必然能促进现有学习算法等方法的长足发展。③将传统方法在趋势预测上的优势和智能算法在建立映射关系上的优势相结合。相互取长补短，进而寻找短期长期都适用的方法。
参考文献：
[1]尚金城.环境规划与管理[M].北京：科学出版社，2009：13， 428.
[2]吉伟卓，苗菊芳，谷亚红，等.邯郸市水资源承载力评价与预测研究[J].数学的实践与认识，2016，46（08）：182-187.
[3]刘志明，周真中，王永强，等.基于灰色预测模型的区域水资源承载力预测分析研究[J].长江科学院院报：1-7.
[4]金荻.基于人均需水量预测的水资源人口承载力研究[J]. 规划师，2015，31（S1）：314-317.
[5]李磊，张敏，王炯.基于主成分分析的陕西省水资源承载力预测[J].数学的实践与认识，2013，43（07）：37-44.
[6]贾建辉，龙晓君.水资源承载力预测模型研究[J].水利水电技术，2018，49（10）：21-27.
[7]冯丹，宋孝玉，晁智龙.淳化县水资源承载力系统动力学仿真模型研究[J].中国农村水利水电，2017（04）：117-120.
[8]付倩娆.基于多元线性回归的雾霾预测方法研究[J].计算机科学，2016，43（S1）：526-528.
[9]李智江，唐德才.北京雾霾治理措施对比分析——基于系统动力学仿真预测[J].科技管理研究，2018，38（20）：253-261.
[10]艾洪福，石莹.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真，2015，32（01）：402-405.
[11]倪志伟，张琛，倪丽萍.基于萤火虫群优化算法的选择性集成雾霾天气预测方法[J].模式识别与人工智能，2016，29（02）： 143-153.
[12]宗晓萍，武子瀚，刘言.基于遗传算法寻优的SVR雾霾预测模型[J].河北大学学报（自然科学版），2016，36（03）：307-311. |
