基于智能算法的大氣污染防控知識(shí)圖譜：研究方法、演化路徑與應(yīng)用展望*

曾穗平，趙茜雅 ，田 健

(1.天津城建大學(xué) 建筑學(xué)院，天津 300384；2.天津市城市規(guī)劃設(shè)計(jì)研究總院有限公司，天津 300190；3.天津大學(xué) 建筑學(xué)院，天津 300072)

大氣污染防控是保障人民健康與生命安全重要的研究課題。伴隨著人工智能時(shí)代的來臨，智能算法為大氣污染防控和健康城市建設(shè)提供了新的研究方法。目前，研究大氣污染防控機(jī)理的方法經(jīng)歷了“數(shù)值模型-遙感監(jiān)測(cè)-數(shù)字模擬-神經(jīng)網(wǎng)絡(luò)模型”四個(gè)階段[1]。傳統(tǒng)的統(tǒng)計(jì)方法、有限回歸模型方法，已無法滿足大氣污染防控高效、全面與精準(zhǔn)實(shí)時(shí)的新要求，因此，通過梳理智能算法在大氣污染防控方面的應(yīng)用方法，進(jìn)一步探索該算法的應(yīng)用前景，為我國(guó)國(guó)土空間規(guī)劃背景下生態(tài)和健康城市的建設(shè)提供理論支撐。

1 大氣污染防控的傳統(tǒng)模擬預(yù)測(cè)方法及當(dāng)代智能演進(jìn)

1.1 大氣污染防控及其模擬預(yù)測(cè)的傳統(tǒng)技術(shù)方法

傳統(tǒng)的大氣污染防控及其模擬預(yù)測(cè)方法包括：統(tǒng)計(jì)分析地面觀測(cè)站數(shù)據(jù)，通過統(tǒng)計(jì)分析和模擬預(yù)測(cè)未來的發(fā)展趨勢(shì)，技術(shù)方法包括：地面監(jiān)測(cè)或衛(wèi)星遙感監(jiān)測(cè)，或利用空氣質(zhì)量模型(CMAQ)、自回歸移動(dòng)平均(ARMA)模型等數(shù)字模型模擬分析，其存在問題是研究的空間精度較差，僅聚焦于城市大、中尺度[2]，同時(shí)，表現(xiàn)出數(shù)據(jù)模型預(yù)測(cè)精度不高，對(duì)海量數(shù)據(jù)處理能力有限的特點(diǎn)(表1)。

表1 大氣污染防控傳統(tǒng)技術(shù)方法的優(yōu)缺點(diǎn)分析

1.2 基于智能算法的大氣污染防控技術(shù)的當(dāng)代應(yīng)用

為了應(yīng)對(duì)上述研究方法的不足，智能算法在大氣污染防控中的應(yīng)用得到充分的重視，其當(dāng)代應(yīng)用經(jīng)歷了“預(yù)測(cè)模擬-評(píng)估測(cè)算-城市體檢”三個(gè)階段(圖1)， 并呈現(xiàn)出“單一向復(fù)合”神經(jīng)網(wǎng)絡(luò)算法轉(zhuǎn)化的特征(表2)。通過從海量數(shù)據(jù)中提取出復(fù)雜的非線性規(guī)律，在高粒度實(shí)時(shí)分析中確定多因素影響中各自權(quán)重[2]，它彌補(bǔ)了傳統(tǒng)方法中對(duì)動(dòng)態(tài)、非線性和多因素研究的不足。目前，基于時(shí)間序列的智能算法有長(zhǎng)短期記憶(LSTM)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)、和門控遞歸單元(GRU)網(wǎng)絡(luò)；適用于空間特征提取的體系結(jié)構(gòu)的有卷積神經(jīng)網(wǎng)絡(luò)(CNN)和深度信念網(wǎng)絡(luò)(DBN)等模型[2]；在城市規(guī)劃領(lǐng)域，智能算法多用于預(yù)測(cè)大氣污染的時(shí)空分布狀況，并結(jié)合人口密度等多種影響因素評(píng)估并指導(dǎo)健康與韌性城市的建設(shè)。

圖1 智能算法在大氣污染防控研究領(lǐng)域的關(guān)鍵詞時(shí)空演化圖

表2 大氣污染防控的單一神經(jīng)網(wǎng)絡(luò)算法的類型分析

2 智能算法在大氣污染防控研究中的演化路徑分析

2.1 數(shù)據(jù)來源及研究方法

研究以“人工智能+污染防控”為主題，選取時(shí)間段為2000—2021年，在Web of Science中采用檢索式用“TI=((intelligent OR neural network) AND (air pollution OR air Pollution Forecasting OR spatial distribution OR air quality OR health OR space influence factor))”，將檢索到的995篇文獻(xiàn)，用Citespace進(jìn)行知識(shí)圖譜的可視化分析，解析智能算法在大氣污染防控研究中的演變路徑，推演未來發(fā)展趨勢(shì)。

2.2 研究階段及研究技術(shù)的演化圖譜

將智能算法在污染防控方面的關(guān)鍵詞進(jìn)行聚類分析，大致可以將研究歷程分為三個(gè)階段(見圖1)。具體表現(xiàn)為：第一階段為基于地面站點(diǎn)與數(shù)理統(tǒng)計(jì)的污染監(jiān)測(cè)、第二階段為結(jié)合遙感影響與數(shù)字模擬的污染監(jiān)測(cè)、第三階段為基于人工智能算法的技術(shù)手段導(dǎo)入。

第一階段存在監(jiān)測(cè)站點(diǎn)稀疏、成本高，觀測(cè)結(jié)果精度較差的特征，難以承擔(dān)對(duì)功能片區(qū)或街區(qū)等層面的污染觀測(cè)，也無法實(shí)現(xiàn)大尺度區(qū)域時(shí)空范圍的測(cè)量；第二階段運(yùn)用衛(wèi)星遙感觀測(cè)大氣污染的時(shí)空分布問題[14]。例如，使用氣溶膠光學(xué)厚度(AOD)、氣象數(shù)據(jù)和土地利用的衛(wèi)星觀測(cè)數(shù)據(jù)，并應(yīng)用線性混合效應(yīng)模型、廣義加性模型等數(shù)學(xué)模型分析衛(wèi)星遙感數(shù)據(jù)，以研究大氣污染的時(shí)空分布規(guī)律[15]。這些技術(shù)彌補(bǔ)了監(jiān)測(cè)站點(diǎn)覆蓋范圍不足的缺陷，積累了長(zhǎng)周期大氣污染的時(shí)空演變數(shù)據(jù)，為認(rèn)識(shí)區(qū)域尺度大氣污染傳輸規(guī)律及聯(lián)防聯(lián)控的策略提供了技術(shù)支撐；第三階段依托人工智能算法引入，科學(xué)確定出氣象、地形、社會(huì)和經(jīng)濟(jì)等多因素影響的權(quán)重，為提出精準(zhǔn)治理方法提供了技術(shù)支持。如應(yīng)用地理和時(shí)間加權(quán)回歸模型，實(shí)現(xiàn)高精度探究大氣污染物構(gòu)成組分[16]，采用多元線性回歸和地理加權(quán)回歸(GWR)模型，以及非線性主成分分析地理加權(quán)回歸法(NLPCA-GWR)和非線性主成分分析地理時(shí)間加權(quán)回歸法(NLPCA-GTWR)的應(yīng)用，對(duì)污染物濃度進(jìn)行了相對(duì)精準(zhǔn)的時(shí)空分布預(yù)測(cè)[17-18]。同時(shí)，從關(guān)注“物”向“人”過渡，結(jié)合人群暴露度的大小，分區(qū)、分級(jí)提出污染防控策略，進(jìn)而為健康城市的建設(shè)，提供科學(xué)的精準(zhǔn)指導(dǎo)，形成了“全方位+多尺度+定量化”的研究體系(圖2)。

圖2 大氣污染防控技術(shù)轉(zhuǎn)型升級(jí)

2.3 演化路徑與關(guān)鍵研究問題分析

從大氣污染防控研究的Citespace的關(guān)鍵詞共現(xiàn)時(shí)間軸圖譜可以看出， 該研究領(lǐng)域形成了神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)驅(qū)動(dòng)的損傷識(shí)別框架、智能云計(jì)算、城市空間的空氣污染、智能健康監(jiān)測(cè)系統(tǒng)7個(gè)聚類(圖3)。由于篇幅所限，本文重點(diǎn)分析“神經(jīng)網(wǎng)絡(luò)模型”、“城市空間的空氣污染”以及“智慧健康監(jiān)測(cè)系統(tǒng)”3個(gè)核心聚類的演進(jìn)內(nèi)容。

圖3 關(guān)鍵詞共現(xiàn)時(shí)間軸圖譜

2.3.1 方法演進(jìn)：以“神經(jīng)網(wǎng)絡(luò)模型”為聚類的研究路徑分析

該路徑以“人工神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)-深度信念神經(jīng)網(wǎng)絡(luò)-復(fù)合神經(jīng)網(wǎng)絡(luò)”關(guān)鍵詞為演進(jìn)主線。從“時(shí)間-空間-時(shí)空”3個(gè)維度對(duì)變量進(jìn)行預(yù)測(cè)模擬，神經(jīng)網(wǎng)絡(luò)模型具有“數(shù)據(jù)處理效率高+變化趨勢(shì)預(yù)測(cè)準(zhǔn)+影響因素涵蓋廣”的特征。例如，時(shí)間維度上，CHANG-HOI, H[19]等人應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)模型與空氣質(zhì)量模型(RNN-CMAQ)相結(jié)合的混合模型，預(yù)測(cè)韓國(guó)首爾市區(qū)的PM2.5濃度，提升了季節(jié)性濃度預(yù)測(cè)精度；空間維度上，ASLI Bozda[20]等人通過機(jī)器學(xué)習(xí)算法，預(yù)測(cè)安卡拉地區(qū)PM10濃度空間分布特征，制定土地利用規(guī)劃策略；時(shí)空維度上，LUO Yi[21]等人應(yīng)用反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPANN)和e-支持向量回歸混合模型，探索了京津冀、長(zhǎng)三角和珠三角等區(qū)域的PM2.5時(shí)空特征，得到區(qū)域污染物濃度下降，內(nèi)陸城市多為PM2.5熱點(diǎn)區(qū)域的結(jié)論。綜上，神經(jīng)網(wǎng)絡(luò)模型方法逐步由單一神經(jīng)網(wǎng)絡(luò)模型，向復(fù)合神經(jīng)網(wǎng)絡(luò)模型演變，進(jìn)而提高了預(yù)測(cè)精度。

2.3.2 空間聚焦：以“城市空間大氣污染”為聚類的路徑分析

該路徑以“工業(yè)城市-城市建成區(qū)-城市中心區(qū)”為空間演進(jìn)線索。研究熱點(diǎn)從工業(yè)城市逐步向城市建成區(qū)和城市中心區(qū)擴(kuò)展，形成了“城市空間與空氣污染”的研究聚類，其關(guān)注點(diǎn)集中在與城市形態(tài)、城市結(jié)構(gòu)與人群暴露度的評(píng)估等方面。例如，具有“監(jiān)測(cè)-報(bào)警-響應(yīng)”功能的工業(yè)物聯(lián)網(wǎng)智能污染監(jiān)控系統(tǒng)提高了污染防控的效率[22]；香港則采用耦合城市形態(tài)與污染物排放等多源數(shù)據(jù)為一體的PRESS-HK系統(tǒng)，評(píng)估實(shí)時(shí)狀況、預(yù)測(cè)街區(qū)層面的空氣質(zhì)量及評(píng)估人群的污染暴露度的關(guān)系[23]，并應(yīng)用GIS技術(shù)，研究城市休閑場(chǎng)所的污染物時(shí)空分布規(guī)律，為環(huán)境公正提供理論支撐[24]。

2.3.3 健康導(dǎo)向：以“智慧健康監(jiān)測(cè)系統(tǒng)”為聚類的路徑分析

該路徑以“顆粒物構(gòu)成-暴露度-影響因素-韌性健康”為空間演進(jìn)線索。隨著健康中國(guó)戰(zhàn)略的提出，學(xué)者關(guān)注到環(huán)境-規(guī)劃-醫(yī)學(xué)的多學(xué)科的融合，研究范圍拓展到探索影響健康的因素與大氣污染之間的作用機(jī)制，探索污染物暴露水平與人類患疾病概率之間的關(guān)系，并著眼于韌性健康規(guī)劃策略的相關(guān)研究。例如，規(guī)劃學(xué)家應(yīng)用遙感、GIS和智能算法等技術(shù)手段，對(duì)大氣污染濃度人群患病概率等進(jìn)行研究，得到大氣污染物與相關(guān)因素之間的非線性關(guān)系，進(jìn)而將其應(yīng)用到功能布局優(yōu)化及開發(fā)強(qiáng)度控制等方面。目前，該聚類對(duì)大氣污染的研究逐步向“以人為本+健康韌性+提升幸福感”等方面轉(zhuǎn)變。

3 智能算法在大氣污染防控的應(yīng)用方式

目前，智能算法在大氣污染防控的應(yīng)用方式貫穿于大氣污染防控的“前—中—后”三個(gè)階段，即貫穿前期的大氣污染時(shí)空分布特征和污染影響因素、中期的大氣污染評(píng)估預(yù)測(cè)研究和后期的健康城市規(guī)劃的全過程。

3.1 時(shí)空融合：大氣污染多尺度分布的特征研究

智能算法在大氣污染時(shí)空分布特征應(yīng)用，集中在探究大氣污染物的時(shí)空變化分布規(guī)律，依托氣象、遙感、大氣污染物濃度及社會(huì)經(jīng)濟(jì)數(shù)據(jù)，采用深度遞歸神經(jīng)網(wǎng)絡(luò)[25]、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)-遞歸神經(jīng)網(wǎng)絡(luò)(LSTM-RNN)[25]方法，在區(qū)域、城市、街區(qū)等環(huán)境，研究大氣污染物的不同時(shí)空尺度的分布特征，探索其傳輸路徑、速度和各要素的貢獻(xiàn)度。研究結(jié)果表明：大氣污染物在空間維度具有“區(qū)域性+集聚性+異質(zhì)性”的特征，在時(shí)間維度具有“季節(jié)性+時(shí)序性+動(dòng)態(tài)性”的特征；同時(shí)，污染物的空間分布與用地布局具有強(qiáng)相關(guān)性，工業(yè)用地、綠地布局與污染物濃度的正或負(fù)相關(guān)的關(guān)系密切[26]。例如，ANA Russo等[27]對(duì)葡萄牙里斯本市的大氣污染事件的研究中，構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)短期時(shí)間預(yù)測(cè)和空間隨機(jī)模擬相結(jié)合的方法，將污染物的時(shí)空不確定性進(jìn)行概率的量化。YOUSIF Alyousifi等[28]使用馬爾可夫鏈模型，證實(shí)了馬來西亞半島空氣污染的區(qū)域關(guān)聯(lián)性和空間依賴性。圖4為智能算法在大氣污染時(shí)空分布特征方面研究的技術(shù)流程框圖。

圖4 智能算法在大氣污染時(shí)空分布特征研究的技術(shù)流程框圖

3.2 要素耦合：大氣污染影響因素的相關(guān)性分析

智能算法在大氣污染防控的影響因素研究方面，依托氣象數(shù)據(jù)、大氣污染監(jiān)測(cè)數(shù)據(jù)、社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)等多源數(shù)據(jù)進(jìn)行多元線性回歸和空間自相關(guān)分析，并通過構(gòu)建空間杜賓模型和RBF神經(jīng)網(wǎng)絡(luò)模型等智慧方法，從自然[29]和社會(huì)[30]兩個(gè)維度，探索大氣污染的作用機(jī)理以及異質(zhì)性規(guī)律，并得出大氣污染的影響機(jī)理具有“綜合性+復(fù)雜性+動(dòng)態(tài)性+區(qū)域性”特征的結(jié)論。例如，CHAN Kit Yan等[31]應(yīng)用基于知識(shí)發(fā)現(xiàn)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法，得出風(fēng)速與交通流量是影響PM2.5濃度的重要因素的結(jié)論；SHAO Jingjing等[30]以河北省為研究對(duì)象，應(yīng)用耦合理論和空間回歸分析方法，發(fā)現(xiàn)了土地利用強(qiáng)度、土地投入水平和土地利用結(jié)構(gòu)與PM2.5濃度呈正相關(guān)、土地產(chǎn)出效益與PM2.5濃度呈負(fù)相關(guān)的規(guī)律。圖5是神經(jīng)網(wǎng)絡(luò)算法在大氣污染相關(guān)因素研究的技術(shù)流程框圖。

圖5 智能算法在大氣污染相關(guān)因素研究的技術(shù)流程框圖

3.3 情景模擬：大氣污染事件的預(yù)測(cè)特征研究

大氣污染預(yù)測(cè)是國(guó)土空間規(guī)劃的重要組成部分，一些學(xué)者基于氣象數(shù)據(jù)、AOD數(shù)據(jù)和土地利用等數(shù)據(jù)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型[32]、灰色關(guān)聯(lián)度分析[33]、反向傳播神經(jīng)網(wǎng)絡(luò)模型[34]、空氣動(dòng)力學(xué)模型[35]、深度遞歸神經(jīng)網(wǎng)絡(luò)模型與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型[36]等方法，對(duì)不同時(shí)空尺度的大氣污染物濃度、擴(kuò)散機(jī)理極端事件及社會(huì)影響等進(jìn)行研究。如GUO Qingchun等[37]以西安和蘭州兩個(gè)城市為研究對(duì)象，綜合人工神經(jīng)網(wǎng)絡(luò)的非線性映射和小波變換的技術(shù)方法，得出了基于多尺度分析的加權(quán)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能明顯更優(yōu)的結(jié)論。目前，大氣污染預(yù)測(cè)的相關(guān)研究多具有“大時(shí)空范圍+多尺度研究+多情景預(yù)測(cè)”的特征，但對(duì)大氣污染全過程監(jiān)測(cè)、高精度的研究相對(duì)比較缺乏。圖6是智能算法在大氣污染預(yù)測(cè)方面研究的技術(shù)流程框圖。

圖6 智能算法在大氣污染預(yù)測(cè)研究的技術(shù)流程框圖

3.4 定量多維：城市空氣質(zhì)量?jī)?yōu)劣的評(píng)估研究

智能算法在大氣污染防控評(píng)估方面，通常依托可拓神經(jīng)網(wǎng)絡(luò)模型、決策樹[38]等方法，從空氣質(zhì)量指數(shù)、污染持續(xù)時(shí)長(zhǎng)、首要污染物三個(gè)維度對(duì)空氣質(zhì)量進(jìn)行評(píng)估；同時(shí)，應(yīng)用模糊數(shù)學(xué)綜合評(píng)價(jià)法[39]、多元回歸模型[40]等方法，通過探究污染物濃度、影響范圍等內(nèi)容的研究，評(píng)估污染防治效果；此外，也經(jīng)常采用人工神經(jīng)網(wǎng)絡(luò)模型[41]、隨機(jī)森林[42]等方法，對(duì)大氣污染風(fēng)險(xiǎn)進(jìn)行定量多維的評(píng)估。例如，OLVERA Garcia等[43]應(yīng)用加權(quán)模糊推理系統(tǒng)，分析了墨西哥城及其大都市地區(qū)的空氣質(zhì)量，建立空氣質(zhì)量水平的指標(biāo)；GU Kuiying等[44]采用改進(jìn)的SAPSO算法和粒子群算法，并采用優(yōu)化SVM模型參數(shù)評(píng)價(jià)模型，對(duì)深圳空氣質(zhì)量進(jìn)行科學(xué)評(píng)估。目前，對(duì)于大氣污染評(píng)估的方法朝著“簡(jiǎn)明直觀+智能動(dòng)態(tài)”的方向發(fā)展。圖7是智能算法在空氣質(zhì)量?jī)?yōu)劣研究的技術(shù)流程框圖。

圖7 智能算法在大氣污染評(píng)估研究應(yīng)用

3.5 優(yōu)化重構(gòu)：健康韌性城市的規(guī)劃應(yīng)用研究

智能算法基于大氣污染防控的健康城市規(guī)劃打造方面，主要依托自然數(shù)據(jù)、社會(huì)經(jīng)濟(jì)數(shù)據(jù)，應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)模型[45]、RBF神經(jīng)網(wǎng)絡(luò)模型[46]、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型[47]等方法，通過對(duì)大氣污染的時(shí)空機(jī)理、影響因素以及疾病預(yù)測(cè)評(píng)估方面，構(gòu)建健康評(píng)估模型，并從城市空間結(jié)構(gòu)、形態(tài)、韌性三個(gè)維度，對(duì)大氣污染防控進(jìn)行施策，進(jìn)行健康城市的環(huán)境優(yōu)化及低碳、低污及生態(tài)重構(gòu)方面的研究。例如，MARCO Helbich等[48]應(yīng)用全卷積神經(jīng)網(wǎng)絡(luò)模型，從街景數(shù)據(jù)中提取藍(lán)綠空間，通過多層次回歸，得出藍(lán)綠空間數(shù)量與老年人的抑郁癥狀呈負(fù)相關(guān)的結(jié)論。目前，基于健康城市的研究已從偏重于主觀判斷，逐步向數(shù)據(jù)深度挖掘轉(zhuǎn)變，進(jìn)而實(shí)現(xiàn)精準(zhǔn)施策。圖8是智能算法在健康城市規(guī)劃研究的技術(shù)流程框圖。

圖8 智能算法在健康城市規(guī)劃研究應(yīng)用

4 基于智能算法的大氣污染防控技術(shù)的研究展望

智能算法在大氣污染防控領(lǐng)域的應(yīng)用仍處于發(fā)展階段，在預(yù)測(cè)精度、評(píng)估周期、國(guó)土空間規(guī)劃的應(yīng)用方面有待提升，未來的研究趨勢(shì)集中在高精度預(yù)測(cè)、全周期評(píng)估、健康呼吸城市建構(gòu)三個(gè)方面。

(1)高精度預(yù)測(cè)：從“低精度+靜態(tài)化”向“高精度+動(dòng)態(tài)化”的轉(zhuǎn)變。

智能算法作為概率模型，目前往往基于自然影響因素構(gòu)建數(shù)字模型，處理的影響因素相對(duì)單一，預(yù)測(cè)的情景相對(duì)靜止。未來則會(huì)構(gòu)建基于自然、社會(huì)、經(jīng)濟(jì)和生態(tài)等的復(fù)合模型，逐步實(shí)現(xiàn)由“低精度+靜態(tài)化”，向“高精度+動(dòng)態(tài)化”轉(zhuǎn)變。同時(shí)，依托大數(shù)據(jù)和3S技術(shù)，實(shí)現(xiàn)全域數(shù)據(jù)采集的海量數(shù)據(jù)分析，運(yùn)用神經(jīng)網(wǎng)絡(luò)和暴露度模型進(jìn)行精準(zhǔn)防控評(píng)價(jià)，并運(yùn)用遺傳算法、模糊神經(jīng)網(wǎng)絡(luò)等復(fù)合模型，進(jìn)行實(shí)時(shí)反饋并實(shí)現(xiàn)精準(zhǔn)防控的目的。

(2)全周期評(píng)估：從“單一化+局部性”向“多維度+全過程”的演化。

目前，大氣污染防控研究正從依托傳統(tǒng)的地面監(jiān)測(cè)站點(diǎn)相對(duì)單一局部的數(shù)據(jù)，轉(zhuǎn)變?yōu)樘幚怼暗?空-人”全要素多源數(shù)據(jù)，并將智能算法應(yīng)用于污染防控的“預(yù)測(cè)-評(píng)價(jià)-響應(yīng)”全周期。如在預(yù)測(cè)階段的環(huán)境污染和空氣質(zhì)量預(yù)警，評(píng)價(jià)階段的人口暴露度評(píng)價(jià)和呼吸系統(tǒng)疾病監(jiān)控，以及響應(yīng)階段的城市功能區(qū)布局、形態(tài)優(yōu)化和結(jié)構(gòu)調(diào)整，與國(guó)土空間規(guī)劃實(shí)現(xiàn)全周期對(duì)應(yīng)，實(shí)現(xiàn)不同階段的有效性傳導(dǎo)，形成可操作、可復(fù)制和可落地的流程。

(3)健康化理念：從“環(huán)保+污染防控”向“健康+生態(tài)韌性”的轉(zhuǎn)型。

建設(shè)高品質(zhì)的健康韌性城市，是智能算法在大氣污染防控中運(yùn)用的最終愿景。未來將進(jìn)一步應(yīng)用智能算法，分析生態(tài)環(huán)境和景觀格局，智慧評(píng)估大氣環(huán)境容量，通過與大氣污染相關(guān)的土地利用智慧模擬，實(shí)現(xiàn)健康城市構(gòu)建目標(biāo)下的城市形態(tài)、城市結(jié)構(gòu)和開發(fā)強(qiáng)度最優(yōu)化控制。同時(shí)，通過大數(shù)據(jù)及智能算法，模擬城市人群的行為活動(dòng)和時(shí)空活動(dòng)規(guī)律，構(gòu)建城市空氣質(zhì)量保障模型，進(jìn)行健康狀況智慧評(píng)估，實(shí)現(xiàn)從“環(huán)保+污染防控”向“健康+生態(tài)韌性”的目標(biāo)轉(zhuǎn)化。