论文部分内容阅读
环境承载力(Environmental carrying capacity,ECC)作为实现城市可持续发展的基石，是指将维持人与自然环境之间的和谐作为前提条件，在某一时期内，某一空间内,区域环境系统能够承受的，由人类作出的，各种社会经济活动的能力。随着城镇化进程的加快，分析我国城市的环境状况，环境问题已经成为城市发展所面临的，急需解决的问题。如何预测城市ECC是环境决策部门以及各研究学者目前最为关注的问题。本文将城市环境中土地、水以及大气承载力列为研究对象，以基于有限数据的机器学习方法——支持向量机(Support VectorMachine,SVM)为基础,结合统计年鉴以及实际调查资料、挖掘已有的环境数据，构建以城市土地因子、城市水资源因子以及城市大气因子为三个维度因子的城市ECC预测模型的指标体系。期望为解决城市发展过程中所面临的环境问题提供方向。此外，为了提高支持向量机回归预测模型性能，本文依据支持向量机核函数参数敏感度强于核函数敏感度的理论，将基于果蝇算法(Fruit Flies Optimization Algorithm,FOA)提出的两种改进的混合果蝇优化算法，分别为Logistic混合果蝇算法(LogisticMixed Fruit Flies Optimization Algorithm,LGM-FOA)和Lozi’s混合果蝇算法(Lozi’s Mixed Fruit Flies Optimization Algorithm,LZM-FOA)作为改进支持向量机回归预测模型的主要方法，两种算法分别融入了Logistic映射和Lozi’s映射，并分别用这两种算法进行全局搜索得到最优参数值，以该最优参数值为中心，在其周围产生微小波动，从而获取最终最优参数值。其次，本文将基于LGM-FOA和LZM-FOA建立的支持向量机城市ECC回归预测模型分别用于甘肃省水资源、土地资源以及全国大气承载力变化趋势预测验证。并将训练得到的预测结果分别与基于神经网络、基于PSO算法以及基于FOA算法建立的城市ECC模型预测结果作对比，验证得到基于LGM-FOA和LZM-FOA的两种支持向量机城市ECC回归模型具有有效性和先进性。因此，以兰州为例，将经验证的两种城市ECC预测模型应用于兰州环境承载力预测，并与神经网络模型作对比。研究结果表明：(1)兰州市水资源、土地、大气承载力的值与所对应各项指标之间有很大的相关性；(2)与兰州市环境承载力等级值相比，承载力指数值更能精细的体现承载力的变化趋势；(3)用支持向量回归预测模型来进行兰州市ECC未来环境发展态势预测，准确性相对比较高；(4)2009-2010年，兰州市水资源承载力(Water Environmental carrying capacity,WECC)指数基于LGM-FOA模型的预测值为0.9233,0.9266,基于LZM-FOA模型的预测值为0.9293,0.9245,本文两种预测模型的预测结果显示，兰州市WECC指数呈下降趋势。承载力指数大于0.7,这就表示兰州地区的水资源需求较大，供应很紧张，需要及时的提供有效的缓解应急措施；(5)2007-2010年，兰州土地环境承载力(Land Environmentalcarrying capacity,LECC)等级一直处于亚健康状态，但是承载力指数值呈上升趋势，本文两种模型预测结果分别为：0.707,0.7312,0.7842,0.8109和0.7066,0.732,0.7856,0.8286；(6）2005-2010年，兰州市大气环境承载力(Air Environmentalcarrying capacity,AECC)指数值呈快速上升趋势，预测等级值虽然都为轻污，但是轻污染与重度污染指数之间的界限值为4,而两种模型预测指数值分别为2.67,2.78,2.85,3.2651,3.06,3.5277和2.6751,3.4839,2.7744,2.8526,3.0216,3.2875,不断的靠近临界值，说明急需采取紧急有效措施对大气污染状况进行治理。