《多维决策支持系统在武汉空气质量管理中的应用》由会员分享，可在线阅读，更多相关《多维决策支持系统在武汉空气质量管理中的应用（7页珍藏版）》请在金锄头文库上搜索。
1、多维决策支持系统在武汉空气质量管理中的应用 摘 要：本研究使用了涉及空间、时间、不确定性的综合建模方法决策支 持系统（STUDSS）使用多标准决策分析（MCDA）和人造神经网络（ANN） 用于空气污染的虚拟仿真和战略评估。由于空气污染和相关的污染控制策略取 决于地点、时间和不确定性变量，多维决策支持系统（MDDSS）可以作为城市 空气质量的有效决策工具。为了模拟和评估空气污染，本文采用 MCDA 和 ANN 的先进软件包建模，变量包括：四年的污染情况所构建的时间序列，各类 管理战略以及其他环境因素（如土地利用，地形地形，建筑物高度，气候条件， 人口密度等） 。最终使用 MDDSS 进行对这些数
2、据进行模拟和评估。结果表明， 该工具可用于为大都市空气质量提供可持续的解决方案。 关键词：决策支持系统，空气质量管理，污染预测 1 引 言 武汉是一个人流量极大的大都市，人口的众多，是加剧城市行政的中央集 权化的重要因素1。 城市化现象一直存在，多年来，改变了武汉的自然景观 和栖息环境，也改变了人类的活动和生活方式，也不免对当地的自然资源造成 各种损害，包括空气和气候变化2-3。 各种空气污染源在该地区创造了许多复杂的多维问题:识别它们的复杂结构 和评估其不可逆的影响需要一种可以测量整个时空和各种不确定维度的工具4。 有效的空气污染治理方案需整合各种策略，博采众长，使它们协同作用，为减 少大都
3、市空气污染寻求可持续发展的最优解5。 本文通过使用 MDDSS，各种专家系统，机器学习过程和虚拟仿真系统来 预测不同条件下同一时间地点的空气质量 6-7。数据分析用于分析，聚类，分 类，预测和创建时间序列图案，且可使用多样化统计方法(例如决策树分析，遗 传算法和模糊逻辑理论)为各种领域建模8-9。在根据一套目标和预先存在的条 件从许多方案中选取最优解时，若选定的标准也需要评估其在实现目标和满足 限制条件方面的权重，MCDA 技术具有显著优势10。 在空气质量管理中使用多维模拟或 MDDSS 可以使研究者更好的理解空变 量和不确定性条件对城市空气污染的影响11。 MDDSS 为评估者通过分析报告
4、中污染记录时间序列来确定空气污染成因提供了条件，并能预测在类似时空 条件下的污染传播情况12。 因此，本文使用了一个基于空间，时间和不确定性的决策支持系统，通过 建立 MCDA 和 ANN 矩阵来可视化模拟、预测空气污染，同时对污染物定义了 优先排序策略及权重。 2 模型构建 2.1 空气污染时间序列 本文模拟了 12个月（14年）武汉空气污染情况。 （如图 1所示）数据的迭 代过程呈现出明显的重复趋势。因此，研究过程中能使用 ANN 的定期污染模 式进行污染预测和检测污染源，从而帮助确定最优策略来减轻污染的影响。 04 03 02 01 01 2 3 4 5 6 7 8 9 10 11 12
5、图1：2014年空气污染情况时间序列 2.2 基于情景的不确定性建模 时空因素通常被看作在共同决策支持模式中的决策核心。鉴于城市空气污 染的形成和管理过程的复杂性，本文使用随着时空指标变化的不确定性变量来 评估当前状态，并通过预测和分析从中获得的结果来实施空气污染减缓战略。 在正常条件下（称为 UFO） ，所有相关因素都处于正常状态，每一种适应策略 都能放大其优势因素并减少检测到的劣势因子。 STUDSS 也模拟了另外两个 UFMA （不确定性函数在最坏的条件取得最大值）和 UFMI（不确定性函数在 最乐观的预测条件下取得最小值）的不确定性情况。绝大多数补偿污染的协同 战略是基于最悲观的情况来
6、定义的。在 UFMI 中，所有定义的权值都尽可能低。 当给予宏观区域基于时间序列的高度积极的条件和较低的污染物排放量时，模 型能够预测环境评估矩阵和最佳城市条件。在 UFO 预测中模型，所有选定的城 市特征和确定因素通过评估时间序列层和其他 ERAP 模型中的替代因素来模拟空间测量的正常条件。为了测量在每个宏区域的 ERAP 值，并预测最终预期空 气污染减排率的值（ERAPM） ，设计出预计污染水平的 ANN 模型如下：(1) = ( )+ ( ) ERAP (2) = ( ( , ) + PSPD：点源污染密度因子，LSPD：线性源污染密度因子，LAIR：土地利用分类率。 为 了获得变量值，
7、ANN 模型计算预期污染值等级函数如下：(3) = ( ) +( ) +( ) +( ) 其中HIDR（热岛密度分类率）模拟危险散热片的分布对公共卫生造成的有害影 响，ASDR（清洁空气城市空间密度率）代表具体防热城市空间（如开绿色 空间）的权值，AIDR（空气适宜的城市基础设施分布率） ，PDR（人口密度率） 衡量人口密度和公共活动对空气质量的影响，和EII（环境影响指数模拟）表 明 环境因素如气候、雨水、风、地形和其他影响环境的因素。 这些因素用于预测不同情景。对于UFMA情景，最大权重为被认为是所需的 最大控制因素。通过Vhaape替代（等式3）;对于UFMI情景，定义最小权重并 将其映
8、射到空间细胞网格层中，且在建模过程中使用;为了模拟UFO场景，在 Vhaape数据库中使用了所得评分的平均值，用来模拟使用ANN软件和STUDSS 虚拟环境（图2） 。时间序列建模用于预测UFO情况下的ERAP值;然而，对于 UFMI和UFMA情景的ERAP数量，用其他变量，如Vhaape来替代模拟。此外， 用于预测综合三种场景的ERAPM值，使用其他参数，如Kplla或对策略的评分 值来针对不同宏区域（等式2） 。 时间序列数值加上Kplla和Vhaape值也被用 在ERAP预测模型（等式1） ，且通过整合策略对应的权值和计算出的ERAP值， ERAPM的数量值可以使用通过空间网格层进行计算
9、。 图2；“ERAP”和“ERAPM”的人工神经网络分析（使用三种预测情景模拟） 。 3 结果与讨论 3.1使用SCGL模型模拟TAQZ 空气污染建模的主要内容是分析过去的趋势和预测的变化来支持环境决策 13。 MDDSSs是为了支持对城市环境管理决策的评估而开发的，所以她们应 该能够检测到各种时间空间条件14。策略的选择应考虑与本地环境特征的兼 容性，硬性需求和自然灾害情况。策略的数量和类型的选取，需根据其适用性， 功效和与当地实际情况的兼容性进行以及TAQZ的主要条件建模。为了 确定空气污染的原因并选择解决问题的最佳方法，三个方法被定义如下： 1.使用空间层监测当前条件。 2. 为训练神经
10、网络而制作的时间序列地理图需存储在系统中。 3.通过ANN空间矩阵和SCGLs模型模拟多维城市空间。SCGLs帮助监测污染地 点、抽样污染模式和持续时间和每个地区的宏观污染物排放频率15-16。选择 最终的综合策略时，对于每个宏观区域都必须确保没有不可逆转的危害性污染 再次发生。 MCDA技术和ANNs 增加了MDDSS在制定城市决策方面的能力。根据 分析，它们不仅为最终决策提供地理和时间变量，也包括优先等级和基于专家 意见的选定标准17-18。3.2 SCGL预测模型的监测 为了确定污染的形成和发展模式，SCGL和ANN输出时，在每个TAQZ中都 比较了不同时间段和区域污染水平的变化。因此，
11、模型验证是通过模拟2014年 所有从空气质量控制站收集的数据进行的。经比较，预测模型所获得的结果， 与78%的案例一致。ANN模型的最终输出表明，在乐观的情况下，选择的策略可 保证空气质量完全和可持续的健康，且在普通场景下，空气污染水平在秋季、 冬季减少了86以上。另一方面，在悲观的情景中，尽管冬季空气污染水平下 降了67，但使用SCGL获得的结果表明剩下的污染主要在城市的中部地区出 现。 通过比较实际测量值，预测模型的输出确定了城市污染水平分布为23%。 最终验证图表显示每个区域的预期污染水平模式如下观察值和预测值的相似趋 势 （图3） 。图3：模型验证 4 结论 STUDSS模型实现了时空
12、和不确定性数据库之间的主动交互，可视化评估了 所有微区域的具体策略。空间分析有助于评估和预测污染的影响，并根据多维 决策模型确定受影响区域的最佳污染控制策略。通过危险区域和脆弱空间的空 间仿真，确定了每个特定TAQZ选择策略的要求。通过MCDA-ANN矩阵以及每个 宏观区域的SCGL来计算和模拟执行策略后的空气污染减少量。计算的评分和矩阵输出最终在时空层上可视化，并用于使用STUDSS方法的不确定性场景建模。 城市空气污染模型通过评估最具影响力的变量（如结构属性、社会经济状况和 复杂的当地环境相互作用的影响） ，模拟各种情景下的空间污染形态演化。 MDDSS能够根据记录的变量和时间模式，有效预
13、测污染物发生的时间和地点， 并准确地指导决策者评估当前和未来的空气质量，从而进一步规划和决策。 与类似研究相比，STUDSS模型首次支持环境管理者分析以前的案列，从自 己的控制策略获得结果评估，以及基于不确定性情景对未来状况进行预测。它 也有助于提高不同城市地区的公众满意度和经济发展水平，使管理者能够预防 采取某一策略后可能产生的后果。 本研究首次对“不确定性”进行了评估和模拟，将“不确定性”与形成环 境的其他维度相结合，如“时空”因素。此外，场景定义时也保证模拟了所有 可能的未来状况。STUDSS能防止财政资源的流失，促进经济发展，并为决策管 理者提供保持清洁空气的工具。 参考文献 1 Te
14、hran Municipality. Atlas of Tehran Metropolis M . ICT organization, Tehran, IRI, 2012 2 COFALA J, AMANN M, ASMAN W, BERTOK I, HEYES C, HOEGLUND I L , KLIMONT Z, SCHOEPP W, WAGNER F. Integrated assessment of air pollution and greenhouse gases mitigation in EuropeJ. Archives of Environmental Protectio
15、n. 36 (1), 29, 2010. 3 WAISIU L, HART M A .Quantifying urban heat island intensity in Hong Kong SAR, ChinaJ. Environmental Monitoring and Assessment, 185, 4383, 2012. 4CHENG B, LI S, WANG M, LI Y, Investigation of Combined Pollution between Malathion and a Variety of Pollutants Based on the Fractional Factorial DesignJ.Polish Journal of Environmental Studies, 24 (5), 1939, 2015. 5 ZHU Y G. Environmental impacts of rapid urbanization in China: a showcase of
