湘江流域金属污染贝叶斯预测实证研究.docVIP

湘江流域金属污染贝叶斯预测实证研究 　　摘要：水环境是一个充满不确定性的复杂巨系统，传统水质模型很难体现重金属污染物在河流中迁移的随机性。本文选择ARIMA模型作为重金属预测模型，运用贝叶斯相关理论进行分析、参数估计和预测，从而不仅获得点预测结果，而且获得区间估计和概率预测结果。实例分析证实，基于贝叶斯方法的ARI-MA模型能够获得很好的点预测和区间表现。 　　关键词：时间序列模型；贝叶斯理论；河流重金属污染；预测 　　中图分类号：TP391.9 文献标识码：A 　　1引言 　　水环境是一个充满不确定性的复杂巨系统，根据水流流速、污染物的弥散系数、污染物的降解系数与污染物浓度的关系构造的传统水质模型很难体现重金属污染物在河流中迁移的随机性和不确定性。 　　由Box and Jenkins（1970）提出的自回归整合移动平均（autoregressivintegratedmoving-aver-age，ARIMA）模型作为最典型的时间序列预测技术，已广泛应用于各个领域的时序预测研究，水质管理领域亦不例外。此外，贝叶斯统计学作为处理不确定性的一种恰当方法，自上个世纪九十年代起已广泛被应用于建模。目前，贝叶斯方法广泛被应用于简单集总式概念性水文模型的参数和不确定性估计，但很少有研究应用这些方法去估计其他水文模型不确定性，原因是输入数据和计算时间有限。但是水文研究中，水文建模中的不确定性已经成为一个不可避免的主体。虽然以前只有参数不确定性被关注，但是越来越多的人意识到在建模方法中其它来源不确定性的重要性。 　　将ARIMA模型与贝叶斯理论相结合，这样既能够充分利用ARIMA模型点预测精度较高的优点，又能运用贝叶斯分析和推断的优势，实现重金属污染的概率预测。概率预测不同于点预测，前者不仅能够给出具体的数值，而且能够给出出现这个数值结果的可能性（概率），以及在给定的可能性（概率）下，预测结果是什么样的数值范围。事实上，自从1969年美国国家气象局开始制作并发布概率降水预测至今，概率水文预测的概念在国外得到了广泛的关注，水文学家对此进行了大量的研究，提出了许多方法与模型，极大地丰富了水文预测不确定性研究的理论与实践，其中贝叶斯预测是一种重要的概率预测方法。 　　用贝叶斯方法来分析时间序列ARIMA模型，国外己有不少学者做过相关研究，但是将其应用于水质预测，甚或是重金属污染浓度预测，鲜有人涉足。因此，我们将进行尝试性研究，这无疑在理论上和实践上都是一次有益的探索。 　　2ARIMA模型的贝叶斯推断 　　2.1ARIMA模型结构 　　一个ARIMA（p，o，q）模型的一般表达式为： 　　其中{Xt}是被研究时间序列，u是常数项，φi和θi是待估参数，εi是随机误差项，p和q分别是被研究时间序列和误差项时间序列的滞后阶数且均为正整数。而ARIMA（p，o，q）中“o”表示{Xt}是平稳序列，否则需通过差分处理将其变为平稳序列。 　　假定被研究变量有T个观察值，记为X=（X1，…，XT）。模型对应的似然函数f（X|ψ）的计算表达式为： 　　在对模型参数完全未知情况下，可以根据Jeffrey提出的非信息先验分布设定方法，将模型中参数的先验分布都被设置为均匀分布，其中模型方差σ2的非信息先验分布就是f（σ2）∝1/σ2。通常假设模型中各个参数变量是相互独立的，因此这个联合先验密度π（ψ）是各个参数先验密度的乘积，即π（ψ）=π（φ，θ，u，σ2）=π（φ）?π（θ）?π（u）?π（σ2）∝1/∝，其中-∞2∞。 　　根据贝叶斯定理，待估参数的后验密度为： 　　π（ψ|X）∝f（X|ψ）?π（ψ） （3） 　　将每个参数的均匀分布式代入上式，就形成模型参数的联合后验分布。 　　在具体的推断实施过程中，这里采了用Gelf andan dSmith（1990）提出的Gibbs取样方法，逐一从与各个参数相联系的满条件分布取样。具体步骤为： 　　6）这样，就获得全部参数的第1次完整抽样，重复上述1）-5）步骤，获得全部参数的第2次完整抽样，然后再多次重复上述1）-5）步骤，直至获得全部参数的第N次完整抽样。这样，就形成这个ARIMA模型参数的样本点序列{φ1（j），…，φp（j），θ1（j），…，θq（j），μ（j），σ2，（j）}jN=1。 　　在实施上述抽样步骤中，同时监控和检验马尔可夫链的收敛，以确保样本是从平稳分布抽取。目前在实际操作中对于马尔可夫链收敛与否的常用监测方法是样本图形分析法、追踪图法、自相关图法，以及一些正式收敛测试法，例如Geweke测试法，Gelman-Rubin测试法等。 　　2.2ARIMA模型的贝叶斯估计 　　在完成上述迭代抽样之后，直接采用如下公式获得模型参数的均值估计值： 　　其