1、多維決策支持系統(tǒng)在武漢空氣質量管理中的應用摘 要：本研究使用了涉及空間、時間、不確定性的綜合建模方法決策支持系統(tǒng)（STUDSS）使用多標準決策分析（MCDA）和人造神經網絡（ANN）用于空氣污染的虛擬仿真和戰(zhàn)略評估。由于空氣污染和相關的污染控制策略取決于地點、時間和不確定性變量，多維決策支持系統(tǒng)（MDDSS）可以作為城市空氣質量的有效決策工具。為了模擬和評估空氣污染，本文采用MCDA和ANN的先進軟件包建模，變量包括：四年的污染情況所構建的時間序列，各類管理戰(zhàn)略以及其他環(huán)境因素（如土地利用，地形地形，建筑物高度，氣候條件，人口密度等）。最終使用MDDSS進行對這些數(shù)據進行模擬和評估。結果表明，

2、該工具可用于為大都市空氣質量提供可持續(xù)的解決方案。關鍵詞：決策支持系統(tǒng)，空氣質量管理，污染預測1 引 言武漢是一個人流量極大的大都市，人口的眾多，是加劇城市行政的中央集權化的重要因素1。 城市化現(xiàn)象一直存在，多年來，改變了武漢的自然景觀和棲息環(huán)境，也改變了人類的活動和生活方式，也不免對當?shù)氐淖匀毁Y源造成各種損害，包括空氣和氣候變化2-3。 各種空氣污染源在該地區(qū)創(chuàng)造了許多復雜的多維問題:識別它們的復雜結構和評估其不可逆的影響需要一種可以測量整個時空和各種不確定維度的工具4。有效的空氣污染治理方案需整合各種策略，博采眾長，使它們協(xié)同作用，為減少大都市空氣污染尋求可持續(xù)發(fā)展的最優(yōu)解5。本文通過使用

3、MDDSS，各種專家系統(tǒng)，機器學習過程和虛擬仿真系統(tǒng)來預測不同條件下同一時間地點的空氣質量 6-7。數(shù)據分析用于分析，聚類，分類，預測和創(chuàng)建時間序列圖案，且可使用多樣化統(tǒng)計方法(例如決策樹分析，遺傳算法和模糊邏輯理論)為各種領域建模8-9。在根據一套目標和預先存在的條件從許多方案中選取最優(yōu)解時，若選定的標準也需要評估其在實現(xiàn)目標和滿足限制條件方面的權重，MCDA技術具有顯著優(yōu)勢10。在空氣質量管理中使用多維模擬或MDDSS可以使研究者更好的理解空變量和不確定性條件對城市空氣污染的影響11。 MDDSS為評估者通過分析報告中污染記錄時間序列來確定空氣污染成因提供了條件，并能預測在類似時空條件下的

4、污染傳播情況12。因此，本文使用了一個基于空間，時間和不確定性的決策支持系統(tǒng)，通過建立MCDA和ANN矩陣來可視化模擬、預測空氣污染，同時對污染物定義了優(yōu)先排序策略及權重。2 模型構建2.1 空氣污染時間序列本文模擬了12個月（14年）武漢空氣污染情況。（如圖1所示）數(shù)據的迭代過程呈現(xiàn)出明顯的重復趨勢。因此，研究過程中能使用ANN的定期污染模式進行污染預測和檢測污染源，從而幫助確定最優(yōu)策略來減輕污染的影響。040302010 1 2 3 4 5 6 7 8 9 10 11 12 圖1：2014年空氣污染情況時間序列2.2 基于情景的不確定性建模時空因素通常被看作在共同決策支持模式中的決策核心。

5、鑒于城市空氣污染的形成和管理過程的復雜性，本文使用隨著時空指標變化的不確定性變量來評估當前狀態(tài)，并通過預測和分析從中獲得的結果來實施空氣污染減緩戰(zhàn)略。在正常條件下（稱為UFO），所有相關因素都處于正常狀態(tài)，每一種適應策略都能放大其優(yōu)勢因素并減少檢測到的劣勢因子。 STUDSS也模擬了另外兩個UFMA （不確定性函數(shù)在最壞的條件取得最大值）和UFMI（不確定性函數(shù)在最樂觀的預測條件下取得最小值）的不確定性情況。絕大多數(shù)補償污染的協(xié)同戰(zhàn)略是基于最悲觀的情況來定義的。在UFMI中，所有定義的權值都盡可能低。當給予宏觀區(qū)域基于時間序列的高度積極的條件和較低的污染物排放量時，模型能夠預測環(huán)境評估矩陣和最

6、佳城市條件。在UFO預測中模型，所有選定的城市特征和確定因素通過評估時間序列層和其他ERAP模型中的替代因素來模擬空間測量的正常條件。為了測量在每個宏區(qū)域的ERAP值，并預測最終預期空氣污染減排率的值（ERAPM），設計出預計污染水平的ANN模型如下：ERAP=iNKplla+Vhaape (1)ERAPM=iN(WiN*PSP,LSP,LR,ASP,LUTA,DD,USS,BP,UTMP,UCT,UGOS,TV,UDCP,ET+ERAP (2)PSPD：點源污染密度因子，LSPD：線性源污染密度因子，LAIR：土地利用分類率。 為了獲得變量值，ANN模型計算預期污染值等級函數(shù)如下：Vhaao

7、e=V(iNHidr)+(iNAsdr)+(iNPdr)+(iNEii) (3)其中HIDR（熱島密度分類率）模擬危險散熱片的分布對公共衛(wèi)生造成的有害影響，ASDR（清潔空氣城市空間密度率）代表具體防熱城市空間（如開綠色空間）的權值，AIDR（空氣適宜的城市基礎設施分布率），PDR（人口密度率）衡量人口密度和公共活動對空氣質量的影響，和EII（環(huán)境影響指數(shù)模擬）表明環(huán)境因素如氣候、雨水、風、地形和其他影響環(huán)境的因素。這些因素用于預測不同情景。對于UFMA情景，最大權重為被認為是所需的最大控制因素。通過Vhaape替代（等式3）;對于UFMI情景，定義最小權重并將其映射到空間細胞網格層中，且在建

8、模過程中使用;為了模擬UFO場景，在Vhaape數(shù)據庫中使用了所得評分的平均值，用來模擬使用ANN軟件和STUDSS虛擬環(huán)境（圖2）。時間序列建模用于預測UFO情況下的ERAP值;然而，對于UFMI和UFMA情景的ERAP數(shù)量，用其他變量，如Vhaape來替代模擬。此外，用于預測綜合三種場景的ERAPM值，使用其他參數(shù)，如Kplla或對策略的評分值來針對不同宏區(qū)域（等式2）。 時間序列數(shù)值加上Kplla和Vhaape值也被用在ERAP預測模型（等式1），且通過整合策略對應的權值和計算出的ERAP值，ERAPM的數(shù)量值可以使用通過空間網格層進行計算。 圖2；“ERAP”和“ERAPM”的人工神經

9、網絡分析（使用三種預測情景模擬）。3 結果與討論3.1使用SCGL模型模擬TAQZ空氣污染建模的主要內容是分析過去的趨勢和預測的變化來支持環(huán)境決策13。 MDDSSs是為了支持對城市環(huán)境管理決策的評估而開發(fā)的，所以她們應該能夠檢測到各種時間空間條件14。策略的選擇應考慮與本地環(huán)境特征的兼容性，硬性需求和自然災害情況。策略的數(shù)量和類型的選取，需根據其適用性，功效和與當?shù)貙嶋H情況的兼容性進行以及TAQZ的主要條件建模。為了確定空氣污染的原因并選擇解決問題的最佳方法，三個方法被定義如下：1.使用空間層監(jiān)測當前條件。2. 為訓練神經網絡而制作的時間序列地理圖需存儲在系統(tǒng)中。3.通過ANN空間矩陣和SC

10、GLs模型模擬多維城市空間。SCGLs幫助監(jiān)測污染地點、抽樣污染模式和持續(xù)時間和每個地區(qū)的宏觀污染物排放頻率15-16。選擇最終的綜合策略時，對于每個宏觀區(qū)域都必須確保沒有不可逆轉的危害性污染再次發(fā)生。 MCDA技術和ANNs增加了MDDSS在制定城市決策方面的能力。根據分析，它們不僅為最終決策提供地理和時間變量，也包括優(yōu)先等級和基于專家意見的選定標準17-18。3.2 SCGL預測模型的監(jiān)測為了確定污染的形成和發(fā)展模式，SCGL和ANN輸出時，在每個TAQZ中都比較了不同時間段和區(qū)域污染水平的變化。因此，模型驗證是通過模擬2014年所有從空氣質量控制站收集的數(shù)據進行的。經比較，預測模型所獲得

11、的結果，與78%的案例一致。ANN模型的最終輸出表明，在樂觀的情況下，選擇的策略可保證空氣質量完全和可持續(xù)的健康，且在普通場景下，空氣污染水平在秋季、冬季減少了86以上。另一方面，在悲觀的情景中，盡管冬季空氣污染水平下降了67，但使用SCGL獲得的結果表明剩下的污染主要在城市的中部地區(qū)出現(xiàn)。通過比較實際測量值，預測模型的輸出確定了城市污染水平分布為23%。最終驗證圖表顯示每個區(qū)域的預期污染水平模式如下觀察值和預測值的相似趨勢（圖3）。 圖3：模型驗證4 結論STUDSS模型實現(xiàn)了時空和不確定性數(shù)據庫之間的主動交互，可視化評估了所有微區(qū)域的具體策略?？臻g分析有助于評估和預測污染的影響，并根據多維

12、決策模型確定受影響區(qū)域的最佳污染控制策略。通過危險區(qū)域和脆弱空間的空間仿真，確定了每個特定TAQZ選擇策略的要求。通過MCDA-ANN矩陣以及每個宏觀區(qū)域的SCGL來計算和模擬執(zhí)行策略后的空氣污染減少量。計算的評分和矩陣輸出最終在時空層上可視化，并用于使用STUDSS方法的不確定性場景建模。城市空氣污染模型通過評估最具影響力的變量（如結構屬性、社會經濟狀況和復雜的當?shù)丨h(huán)境相互作用的影響），模擬各種情景下的空間污染形態(tài)演化。 MDDSS能夠根據記錄的變量和時間模式，有效預測污染物發(fā)生的時間和地點，并準確地指導決策者評估當前和未來的空氣質量，從而進一步規(guī)劃和決策。與類似研究相比，STUDSS模型首

13、次支持環(huán)境管理者分析以前的案列，從自己的控制策略獲得結果評估，以及基于不確定性情景對未來狀況進行預測。它也有助于提高不同城市地區(qū)的公眾滿意度和經濟發(fā)展水平，使管理者能夠預防采取某一策略后可能產生的后果。本研究首次對“不確定性”進行了評估和模擬，將“不確定性”與形成環(huán)境的其他維度相結合，如“時空”因素。此外，場景定義時也保證模擬了所有可能的未來狀況。STUDSS能防止財政資源的流失，促進經濟發(fā)展，并為決策管理者提供保持清潔空氣的工具。參考文獻1 Tehran Municipality. Atlas of Tehran Metropolis M . ICT organization, Tehran

14、, IRI, 20122 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 Protection. 36 (1), 29, 2010.3 WAISIU L, HART M A .Quantifying urban heat island int

15、ensity 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, 2

16、015.5 ZHU Y G. Environmental impacts of rapid urbanization in China: a showcase of recent research developmentsJ.Environment Science and Pollution Research, 19, 1351, 20126KOBUS D, KOSTRZEWA J. The use of spatial data processing tools for air quality assessments practical examples, Air Quality Monit

17、oring Department, Institute of Environmental Protection National Research Institute (IOS-PIB) J.Information Systems in Management: 4, 251, 2015.7CAI Y, ZHANG H, PAN W. Detecting Urban Growth Patterns and Wetland Conversion Processes in a Natural Wetlands Distribution AreaJ.Polish Journal of Environm

18、ental Studies, 24 (5), 1919, 20158JANK R, KELLEROV D, SCHIEBER B. Spatial and Temporal Variations in O Concentrations in Western Carpathian Rural Mountain EnvironmentsJ.Polish Journal of Environmental Studies, 24 (5), 2003, 2015.9KANEVSKI M. Advanced Mapping of Environmental Data, Geo statistics, Ma

19、chine Learningand Bayesian Maximum Entropy , John Wiley & Sons, Inc, River Street London W1T 5DX Hoboken, UK, 2011.10SY P A, FABER A, BORZECKA-WALKER M, OSUCH D. Assessment of Greenhouse Gas Emissions in Winter Wheat Farms Using Data Envelopment Analysis ApproachJ.Polish Journal of Environmental Stu

20、dies, 24 (5), 2197, 2015.11 WALLENIUS J D , Dy ER J S , FISHBURN P C , STEUER R E , ZIONTS S , DEB K , Multiple criteria decision making, multi attribute utility theory: Recent accomplishments and what lies aheadJ. Management Science, 54 (7), 1336, 2008.12NEJADKOORK F, NICHOLSON K. Integrating passi

21、ve sampling and interpolation techniques to assess the spatio-temporal variability of urban pollutants using limited data setsJ.Environmental Engineering and Management Journal, 11 (9), 1649, 2012.13GSCHWIND B, LEFEVRE M, BLANC I, RANCHIN T, WYRWA A, DREBSZOK K, COFALA J, FUSS S. Including the temporal change in PM2.5 concentration in the assessment of hum