通过对社区资源利用影响趋势的分析评价，利用一定的预测方法、模型，进行社区资源利用影响趋势预测，可以更好地指导实践，使白水江自然保护区的林缘社区资源利用与保护区环境和谐发展。
第一节 预测技术与方法
一、影响趋势预测技术
预测技术在环境影响预测中得到越来越广泛的运用。预测技术可分为两类：数量分析和定性判断。
数量分析即利用统计资料，借助数学工具，分析因果关系，进行预测。数量分析预测具体方法很多，如趋向外推法和回归分析法等。趋向外推法即时间序列分析法，它是根据历史和现有的资料推测发展趋势，从而分析出事物未来的发展情况的方法。它把在一定条件下出现的事件按时间顺序加以排列，通过趋势外推的数学模型预测未来。时间序列就是把统计资料按发生的时间先后进行排列所得到的一连串数字。时序分析是研究预测目标与时间过程之间的演变关系的过程，因此它是一种定时的预测技术。回归分析法是从事物变化的因果关系出发来进行预测的方法。回归分析也称相关分析，是研究引起未来变化的各种客观因素的相互作用、指出各种客观因素与未来状态之间统计关系的方法。
定性判断是指在没有较充分的数据可利用时，凭借直观材料，依靠个人经验和分析能力进行逻辑判断，对未来做出预测。
二、影响趋势预测方法
经环境影响类型识别后，主要的环境影响因子已经确定。这些影响因子在保护工作开展后，究竟受到多大的影响，我们需要进行影响预测。目前常用的预测方法大体上可以分为以下几类：
（1）以专家经验为主的主观预测方法。
（2）以数学模式为主的客观预测方法。根据人们对预测对象认识的深浅，又可以分为黑箱、灰箱、白箱三类。前两类属于统计分析模式，在时间域上通过外推做出预测，一般称为统计模式；后一类为理论分析方法，用某种系统理论进行逻辑推理，通过数理方程求出解析解或数值解来进行预测，故又可以分为解析模式和数值模式两小类。
（3）以实验手段为主的试验模拟方法。在实验室或现场通过直接对物理化学生物过程来预测人类活动对环境的影响，一般称为物理模式。
依据上述分类，我们将具体的预测方法分述如下：
（一）数学模式方法
用于环境预测的解析模式，与数值模式一样，可以分为零维、一维、三维、稳态、非稳态。应用时必须注意模式推导过程中所用的假设条件以及尺度分析，这些条件也是模式使用的限制条件。现实世界的环境影响问题总是与以上条件有所差异，即原型与模式在以上因素存在差异，这是模式质量的主要决定因素。与预测质量最直接相关的影响因素是输入数据的质量，包括源、汇项数据、环境数据及用于模式参数确定的原始测量数据的质量，这些数据必须经过严格的质量把关检查。
（二）物理模拟预测方法
除了应用数学分析工具进行理论研究外，还可以应用物理、化学、生物等方法直接模拟环境影响问题，这种方法统称为物理模拟方法，属于物理学研究范畴。这类方法的最大特点是采用实物模型来进行预测。方法的关键在于原型与模型的相似。相似通常要考虑几何相似、运动相似、热力相似、动力相似。
（三）对比法与类比法
对比法是最简单的主观预测方法。此类方法对保护实施前后某些环境因子影响机制及变化过程进行对比分析。例如预测资源利用对保护区的影响，目前还无客观、定量的预测模式。通过把对保护区的影响成因与保护区现状进行对比，研究其变化的可能性及其趋势，并确定其变化的程度，还可以预测项目实施后对保护区影响。
类比法是指一个未来项目对保护区环境的影响，可以通过一个已知的相似项目实施前后对保护区环境的影响得到。
（四）专业判断法
在环境影响预测时，会遇到一些问题，如缺乏足够的数据、资料，无法进行客观地统计分析；某些环境因子难以用数学模型定量化，或由于时间、经济等条件限制，不能应用客观的预测方法，此时只能用主观预测方法。如专家咨询法，最具有代表性的专家咨询法是特尔斐法（Delphi Method）。
特尔斐法是是一种统计分析方法，兰德公司1964年首先将此法用于技术预测。特尔斐法依据系统的程序，采用匿名发表意见的方式，即专家之间不得互相讨论，不发生横向联系，只能与调查人员发生关系，通过多轮次调查专家对问卷所提问题的看法，经过反复征询、归纳、修改，最后汇总成与专家基本一致的看法，作为预测的结果。由于建立在反复的专家咨询基础之上，最后的结论往往具有权威性。
第二节 预测模型
一、移动平均模型
移动平均是一种时间序列的平滑技术，其主要特点是：
（1）过去数据点的加权平均作为当前数据点的预测值；
（2）一种抑制短期抖动的统计学方法；
（3）认为预测的时间序列数据具有一定周期性质，或其抖动具有重复发生的趋势。
移动平均模型主要包括以下几类：
（一）简单移动平均
简单移动平均预测采用对待平均的过去数据点数值赋予相同的权重。简单移动平均的缺点是无法预测突升高峰和骤降低谷。
（二）指数移动平均
与简单移动平均相同的权重不同，指数移动平均在进行加权平均时，为最近的数据点设置更高的权重，同时数据点的权重设置随着时间向过去方向的推移而指数下降：
F（t +1）=aX（t）+（1-a）F（t），
其中F（t +1）为t+1时间点的预测值， a为平滑因子（0<a<1）， X（t）为t时间点的实测值， F（t）为t时间点的预测值。
通过递归，所有的历史数据可以用于预测当前数据点：
F（t +1）=aX（t）+（1-a）F（t）=aX（t）+（1-a）F（t）-1+（1-a）2aX（t）-2+（1-a）3F（t-2）
指数移动平均预测方法的优点是，指数移动平均仅需要少量的数据点数值，比大多数预测方法简单。缺点是预测值在时间上略晚于实测值，对于长期趋势和季度特征缺乏预测能力。
二、回归模型
（一）简单回归
简单回归模型是一种线性函数：
Y=b（0）+b（1）x+e，
其中b（0）表示回归直线的截距，b（1）表示回归直线的斜率。
简单回归能够反映出数据变化总体趋势，但是无法预测短期的季节性波动。
（二）多元回归（虚拟变量）
多元回归模型表示为：
Y=f（x（1）），x（2），…，x（n））=b（0）+b（1）x（1）+…+b（n）x（n）+e，
其中B（0）为回归直线的截距，B（i）表示各独立变量的斜率（i=1，2，...，n）。
（三）多元回归（引入非线性项）
将非线性项作为独立变量引入到回归模型。
。
三、ARIMA模型
Box-Jenkins（ ARI MA）模型从考察的时间序列本身开始，研究其信号特征和数据模式，也就是黑盒子模式：白噪声→黑盒子→考察的时间序列。为了选择最确切的黑盒子模式，通常有三种模型可以选择：
（一）移动平均（MA）模型
其中e（t）为白噪声序列在t时刻的数值，Y（t）为生成的移动平均时间序列，W（1，2，...p）表示系数或权重，e（t-1，t -2，...t -q ）为过去白噪音序列的数值。
如果自相关函数在某个时间点突然骤降，则该模型是一个移动平均模型；同时骤降发生前的数据点数就是MA（q）模型的阶数（通常指定为q）。
（二）自回归（AR）模型
其中e（t）表示白噪声序列在t时刻的数值，Y（t）为生成的自时间序列（它依赖于过去的数值），A（1，2，...p）为系数或权重，e（t-1，t -2，...t -q ）为时间序列滞后的数值。如果部分自相关函数在某个时间点突然骤降，则该模型是一个自回归模型；同时骤降前的数据点数就是AR（P）模型的阶数（通常指定为P）。
（三）自回归移动平均（ARMA）模型
