除了硬件防霾，我們還可以用AI/大數據預測

　　節(jié)能減排已成為實體經濟無法回避的首要問題，環(huán)保也將成為制造大廠選擇供應商的首要條件。而隨著超700家工廠的暫時關閉，各行業(yè)又炒起一波原材料漲價風。很多企業(yè)都被逼到“不漲價就死”的情況下的無奈之舉。

　　近日，我國發(fā)生持續(xù)大面積重霧霾天氣，波及17省份、71個城市，多地相繼出現PM2.5“爆表”情況，引起了輿論高度關注。據了解，北京周一暫時關閉了超過700家工廠，交通部門對出行車輛采取單雙號輪流限行的措施，限制出行車輛。

　　節(jié)能減排已成為實體經濟無法回避的首要問題，環(huán)保也將成為制造大廠選擇供應商的首要條件。而隨著超700家工廠的暫時關閉，各行業(yè)又炒起一波原材料漲價風。據了解，從年初開始，煤碳、鐵礦石、造紙等大宗原材料就開始上漲，數月后傳導到整個工業(yè)領域。隨著包裝印刷、PCB、LED、元器件等中間環(huán)節(jié)工業(yè)品的漲價，很多企業(yè)都被逼到“不漲價就死”的情況下的無奈之舉。

　　工業(yè)污染真的是霧霾最主要的來源嗎？在根除污染前，是否有方法提前預測重霾的到來？

　　工業(yè)為霧霾背鍋？

　　小編記得去年在周小平的一篇評論中看到這么一段話：“很多人認為，中國的環(huán)境污染治理水平不高，因此工業(yè)發(fā)展是中國霧霾的主要成因。但實際上，這樣的認識是不完全嚴謹的。有兩點原因：第一、中國工業(yè)一年四季不停工，產能分布也很均衡。那么為什么在無風的夏季，北京連續(xù)幾周的藍天白云也是很常見的，難道夏季中國的工廠都整體停產了嗎？第二、為何秋冬季為霧和霾多發(fā)季節(jié)？如果這是工業(yè)排放造成的問題，那么我們算一下華北地區(qū)的霧霾立方量，就絕對能得出一個驚人的數字。不要說中國，全人類加起來都沒有這么大的能力在一夜之間排放如此之多的霧霾氣體。

　　那么這就說明，霧霾有很強的氣象偶發(fā)性，與工業(yè)生產水平不能形成直接的因果聯(lián)系，它一定有其他的原因?！?/p>

　　一位環(huán)境工程專業(yè)認識表示：霧霾霧霾，要分開說。先說霧吧，有霧的時候沒有風，溫度升高的時候沒有霧，霧與氣流有關。再說霾，當局部地區(qū)有霧的時候，恰巧又在城市，又沒有風，而城市里的污染物在排放，進入大氣中。和水分子緊密結合。中午十分由于太陽照射，水分子蒸發(fā)，但是水分子里有懸浮顆粒。導致水分子不能上如一定高度，不能被吹散，繼續(xù)停留在局部。這時，城市的污染物繼續(xù)排放。所以霧霾就會一直爆表。而西西伯利亞的冷風來了呢，屬于低空氣流，就帶走了霧霾。這大概就是霧霾的一些吧。其實我可以在這里向大家保證一點。如果電力系統(tǒng)供應充足，完全可以在城市高層之間建立電網，以達到吸附的效果。所以說，工業(yè)，耗能都很重要。

　　根除霧霾前，我們如何預測污染？

　　據了解，由IBM和微軟開發(fā)的工具去年在中國進行了空氣污染預報測試，它們都整合了廣泛的數據源，如空氣污染監(jiān)測站、環(huán)境監(jiān)測站、交通系統(tǒng)、氣象衛(wèi)星、經濟數據甚至社交媒體，能提供3到10天的污染預警。IBM的系統(tǒng)能以超過80%的正確率提供3天內的預報，以75%的正確率提供7到10天內的預報。微軟的系統(tǒng)在北京的測試顯示，它能以75%的精度提供6小時預警，60%的精度提供12小時預警。大氣學家說，如何最佳的組合物理學模型和機器學習去提供空氣質量預報是一個活躍的研究領域。除了IBM和微軟外，北京的一家創(chuàng)業(yè)公司AirVisual也在提供利用機器學習增強的空氣污染預報。

　　這種AI/大數據應用于預測霧霾，是如何實現的呢？

　　預測霧霾需要當前的空氣質量數據、氣象條件、未來天氣預報等數據?？諝赓|量的數據，并不是指單純的空氣質量站點數據，而是以空氣質量站點為圓心，囊括了方圓300公里范圍內所有的與空氣質量相關的數據。

　　大數據預測霧霾依靠的是多元融合方法。與傳統(tǒng)模擬空氣質量不同，空氣質量的預測不僅僅看空氣質量數據，還要看與之相關的氣象數據、交通流量數據、廠礦數據、城市路網結構等不同領域的數據，不同領域的互相疊加，相互補強，從而預測空氣質量狀況。

　　由于每個站點、每個時段空氣質量的影響因素都不盡相同，所以針對每個空氣質量站點，都需要采集多方數據，進行疊加、融合，最后制作出空氣質量預測模型。

　　大數據準確度比傳統(tǒng)模擬方法高15~20%

　　與傳統(tǒng)的空氣模擬預測相比，多元融合的大數據算法是否更加準確呢？

　　先來看傳統(tǒng)的模擬方法，由于以往獲知的數據有限，只能基于有限的樣本數據，再由科研人員通過經驗、假設找出這些數據間的規(guī)律，模擬出簡單的模型，預測空氣質量；隨著數據的增多，海量繁雜的數據中已經無法依靠人工找出規(guī)律，所以需要借助機器學習和數據挖掘等工具來發(fā)現多源數據中隱含的規(guī)律。對比可得知，大數據預測與傳統(tǒng)模擬方法在一定程度上有相似性，都是基于數據來擬合模型，不過數據量的大小和模擬方法有所不同。

　　除此之外，在傳統(tǒng)模擬方法中，需要搜集完整的污染源數據進行預測，例如企業(yè)的排污數據和汽車尾氣排放等，然而這些數據很難全部獲知，污染物在空氣中傳播和變化的實際情況要復雜很多，所以傳統(tǒng)模型其實是比較理想化的產物。隨著影響空氣質量的因素增多，數據量的增大，傳統(tǒng)模擬的方法漸漸顯得“力不從心”。

　　大數據在空氣質量預測上頗有優(yōu)勢，其精髓就是某一領域的問題可以借助多個領域的數據來一起解決，通過多元數據融合的方法來解決數據缺失和不精準的問題。比如需要獲取交通尾氣數據，傳統(tǒng)方法要拿到精確的污染源數據才能進行預測，大數據運算可以采用與交通尾氣相關的交通流量、排量等相關數據，間接地分析其與空氣質量的關系，解決了數據缺失的難題。