SARIMA模型在湖泊水温序列中的应用.docxVIP

SARIMA模型在湖泊水温序列中的应用 摘要：水温是影响水质的重要因素之一，为了更好地预测水温的变化趋势，为水质管理及渔业生产提供科学依据，本文以太湖梅梁湾湖区为例，选取梅梁湾1995年1月 2005年12月的水温数据，构建季节性时间序列模型，并以2006年的水温数据进行验证，结果显示了模型拟合效果较好，预测值与实测值相对误差较小，表明季节性时间序列在水温预测方面有较好的应用性。关键词：季节性；时间序列；水温；渔业由于自然和人为因素的影响，对湖泊的水质造成了不同形式的危害。一旦湖泊发生富营养化，就会导致藻类及其他水生生物过量繁殖，造成水质恶化。这不仅对生态环境造成一定程度的破坏，而且对渔业的生产也会产生影响。然而，水中各影响因子之间关系比较复杂并且呈非线性，各因子对影响富营养化程度的大小不一，其中水温作为影响藻类生长和繁殖的基本因子，与细胞内酶反应速率和植物的新陈代谢有密切的关系。Agawin等认为水温升高对藻类数量的增加有主导作用，在其他环境条件适宜的情况下，温度每升高10℃都会引起藻类活动强度增加2倍lsquo;幻。所以了解水温变化趋势在一定程度上可以为预测湖泊水质提供科学依据，同时对渔业生产提供科学指导。水温数据是随着时间的推移而记录下的一系列的数据，它们往往具有季节性和周期性。对于这种序列的数据，我们往往称为季节性序列。而处理这种序列数据的方法之一就是建立季节时间序列模型，即SARIMA模型，此模型主要应用于有长期趋势与季节性波动的时间序列的分析预测中。本文将以太湖梅梁湾湖区1995年1月2005年12月水温数据为基础，建立季节时间序列模型，并以2006年各月水温数据为依据，对建立的SARIMA模型预测值进行验证，为水温及水质预测提供新思路。1 SARIMA模型概述SARIMA模型又叫季节性差分自回归移动平均模型(Seasonal Autoregressive IntegratedMoving Average)，存在明显的周期变化，这种周期变化主要是由于季节变化引起的。此模型的基本构成为SARIMA(p，d，q)(P，D，Q)，共六个参数需要确定。其中P、D、Q主要描述季节性的变化，p、d、q用来描述去除季节性的变化，分别代表自回归、差分、移动平均。SARIMA模型在国内外不同领域均有广泛的应用，例如：Kutluk Kagan Sume等对开塞利及附近地区的电力需求应用SARIMA模型进行了预测lsquo;；，；王莹等用SARIMA模型对北京地铁进站的客流量进行了预测；刘涛等将SARIMA模型应用于山东省手足口病发病趋势的研究；田苗等基于条件植被温度指数，用SARIMA模型对关中平原进行了干旱预测。以上模型均很好地拟合了数据趋势，预测结果与实际情况较吻合。2 研究区概况太湖是我国东部近海区域最大的湖泊，是我国第二大淡水湖泊。湖泊面积随着自然和人为因素的影响已经逐渐缩减到2 427.8 km2，位于北纬30。55amp;acute;40一31。32amp;acute;58和东经119。52amp;acute;32～120。36amp;acute;10之间。梅梁湾是太湖北部的一个湖湾，面积约129.3 km2，平均水深2.3 m，是无锡市主要水源地及旅游区。梅梁湾东北部有梁溪河、五里湖注入，西北部与武进港、直湖港有水力联系。由于入湖河道及沿岸的污染影响，梅梁湾内蓝藻水华现象严重。图1为太湖区域的轮廓图，方框中的区域为梅梁湾湖区。3 数据来源本文选取梅梁湾监测点1995年1月 200L:年12月的水温监测数据（由中国科学院太湖湖泊生态系统研究站提供）。数据为每月一次，共132个样本数据。4 梅梁湾湖区水温季节时间序列模型建立4.1 数据的预处理首先我们对数据进行预处理，通过探索性分析，防止数据在建立SARIMA模型时存在由于录入错误、缺失以及不相等的观测区间或者不相关的时间等而出现的问题。因为SARIMA模型是对序列相邻时期的观测值之间的相关关系进行的建模，不能应用于有缺失值的时间序列。对于数据中出现的缺失值，本文采取临近年份之间的平均值来代替。而对于间隔不等的时间序列可以用差值法来转换成等间隔的时间序列，本文中时间序列相等，为每月一次。时间序列的确定性分析：(1)对梅梁湾1995年1月 2005年12月的各月水温数据做时间序列图，如图2（左）所示，可以看出该序列存在季节性周期波动，但是趋势性并不明显。(2)计算观测序列的样本相关系数和样本偏相关系数。在时间序列中，相邻两个时间点的观测值具有一定的相关性，即所谓的自相关；它们的相关系数则成为自相关系数( ACF)。而偏相关系数( PACF)指的是在给定中间观测值的条件下，时间序列的观测值与过去观测值的线性相关性的系数。梅梁湾样本数据的自相关函数和偏相关函数图如图2（中、右）所