除了硬件防霾，我们还可以用AI/大数据预测

　　节能减排已成为实体经济无法回避的首要问题，环保也将成为制造大厂选择供应商的首要条件。而随着超700家工厂的暂时关闭，各行业又炒起一波原材料涨价风。很多企业都被逼到“不涨价就死”的情况下的无奈之举。

　　近日，我国发生持续大面积重雾霾天气，波及17省份、71个城市，多地相继出现PM2.5“爆表”情况，引起了舆论高度关注。据了解，北京周一暂时关闭了超过700家工厂，交通部门对出行车辆采取单双号轮流限行的措施，限制出行车辆。

　　节能减排已成为实体经济无法回避的首要问题，环保也将成为制造大厂选择供应商的首要条件。而随着超700家工厂的暂时关闭，各行业又炒起一波原材料涨价风。据了解，从年初开始，煤碳、铁矿石、造纸等大宗原材料就开始上涨，数月后传导到整个工业领域。随着包装印刷、PCB、LED、元器件等中间环节工业品的涨价，很多企业都被逼到“不涨价就死”的情况下的无奈之举。

　　工业污染真的是雾霾最主要的来源吗？在根除污染前，是否有方法提前预测重霾的到来？

　　工业为雾霾背锅？

　　

　　小编记得去年在周小平的一篇评论中看到这么一段话：“很多人认为，中国的环境污染治理水平不高，因此工业发展是中国雾霾的主要成因。但实际上，这样的认识是不完全严谨的。有两点原因：第一、中国工业一年四季不停工，产能分布也很均衡。那么为什么在无风的夏季，北京连续几周的蓝天白云也是很常见的，难道夏季中国的工厂都整体停产了吗？第二、为何秋冬季为雾和霾多发季节？如果这是工业排放造成的问题，那么我们算一下华北地区的雾霾立方量，就绝对能得出一个惊人的数字。不要说中国，全人类加起来都没有这么大的能力在一夜之间排放如此之多的雾霾气体。

　　那么这就说明，雾霾有很强的气象偶发性，与工业生产水平不能形成直接的因果联系，它一定有其他的原因。”

　　一位环境工程专业认识表示：雾霾雾霾，要分开说。先说雾吧，有雾的时候没有风，温度升高的时候没有雾，雾与气流有关。再说霾，当局部地区有雾的时候，恰巧又在城市，又没有风，而城市里的污染物在排放，进入大气中。和水分子紧密结合。中午十分由于太阳照射，水分子蒸发，但是水分子里有悬浮颗粒。导致水分子不能上如一定高度，不能被吹散，继续停留在局部。这时，城市的污染物继续排放。所以雾霾就会一直爆表。而西西伯利亚的冷风来了呢，属于低空气流，就带走了雾霾。这大概就是雾霾的一些吧。其实我可以在这里向大家保证一点。如果电力系统供应充足，完全可以在城市高层之间建立电网，以达到吸附的效果。所以说，工业，耗能都很重要。

　　根除雾霾前，我们如何预测污染？

　　据了解，由IBM和微软开发的工具去年在中国进行了空气污染预报测试，它们都整合了广泛的数据源，如空气污染监测站、环境监测站、交通系统、气象卫星、经济数据甚至社交媒体，能提供3到10天的污染预警。IBM的系统能以超过80%的正确率提供3天内的预报，以75%的正确率提供7到10天内的预报。微软的系统在北京的测试显示，它能以75%的精度提供6小时预警，60%的精度提供12小时预警。大气学家说，如何最佳的组合物理学模型和机器学习去提供空气质量预报是一个活跃的研究领域。除了IBM和微软外，北京的一家创业公司AirVisual也在提供利用机器学习增强的空气污染预报。

　　

　　这种AI/大数据应用于预测雾霾，是如何实现的呢？

　　预测雾霾需要当前的空气质量数据、气象条件、未来天气预报等数据。空气质量的数据，并不是指单纯的空气质量站点数据，而是以空气质量站点为圆心，囊括了方圆300公里范围内所有的与空气质量相关的数据。

　　大数据预测雾霾依靠的是多元融合方法。与传统模拟空气质量不同，空气质量的预测不仅仅看空气质量数据，还要看与之相关的气象数据、交通流量数据、厂矿数据、城市路网结构等不同领域的数据，不同领域的互相叠加，相互补强，从而预测空气质量状况。

　　由于每个站点、每个时段空气质量的影响因素都不尽相同，所以针对每个空气质量站点，都需要采集多方数据，进行叠加、融合，最后制作出空气质量预测模型。

　　大数据准确度比传统模拟方法高15~20%

　　与传统的空气模拟预测相比，多元融合的大数据算法是否更加准确呢？

　　先来看传统的模拟方法，由于以往获知的数据有限，只能基于有限的样本数据，再由科研人员通过经验、假设找出这些数据间的规律，模拟出简单的模型，预测空气质量；随着数据的增多，海量繁杂的数据中已经无法依靠人工找出规律，所以需要借助机器学习和数据挖掘等工具来发现多源数据中隐含的规律。对比可得知，大数据预测与传统模拟方法在一定程度上有相似性，都是基于数据来拟合模型，不过数据量的大小和模拟方法有所不同。

　　除此之外，在传统模拟方法中，需要搜集完整的污染源数据进行预测，例如企业的排污数据和汽车尾气排放等，然而这些数据很难全部获知，污染物在空气中传播和变化的实际情况要复杂很多，所以传统模型其实是比较理想化的产物。随着影响空气质量的因素增多，数据量的增大，传统模拟的方法渐渐显得“力不从心”。

　　大数据在空气质量预测上颇有优势，其精髓就是某一领域的问题可以借助多个领域的数据来一起解决，通过多元数据融合的方法来解决数据缺失和不精准的问题。比如需要获取交通尾气数据，传统方法要拿到精确的污染源数据才能进行预测，大数据运算可以采用与交通尾气相关的交通流量、排量等相关数据，间接地分析其与空气质量的关系，解决了数据缺失的难题。

　　总结

　　值得一提的是，红色预警虽然已随着冷空气的到来而解除，但雾霾其实并未散去。如果不尊重自然规律，不以人为本，单纯依靠数据化和智能化是无法治愈“城市病”的，无论城市多么智慧，也只是一种管控手段，而雾霾也只会如噩梦般如影随形，挥之不去。