基于ARIMA模型的中国福州PM2.5趋势分析与预测（外文翻译）

 
毕业设计（论文）
译文及原稿
 




译文题目：


基于ARIMA模型的中国福州PM2.5趋势分析与预测




 


 




原稿题目：


Trend analysis and forecast of PM2.5 in Fuzhou, China using 




 


the ARIMA model




原稿出处：


 
Ecological Indicators
Volume 95, Part 1, December 2018, Pages 702-710




 
 




基于ARIMA模型的中国福州PM2.5趋势分析与预测
摘要
大气颗粒物雾化已成为我国许多大中城市的主要健康问题。细小的气载颗粒PM2.5是雾的主要成分，需要更好地理解其浓度波动的原因，以改善空气质量。虽然来自中国国家环境监测中心（CNEMC）的大部分空气质量数据已经被分析用于中国较大的城市，如北京和上海，但是来自福州的数据是本研究的主题。访问了福州市2014年8月至2016年7月污染物浓度和气象参数的时间序列数据，包括两个冷期（11月至2月）和两个暖期（5月至7月）。将PM2.5浓度与其他污染物的浓度和气象参数进行比较，并应用自回归综合移动平均（ARIMA）模型对PM2.5浓度进行预测。Spearmanρ的相关分析表明，PM2.5浓度与PM10、SO2和NO2浓度呈显著正相关，与气象参数呈显著负相关。ARIMA分析结果表明，PM2.5浓度在两年中经历了季节波动，冷季较高，暖季较低，分别为23～52_μg/m3和19～31_μg/m3。两个冷期和暖期PM2.5平均浓度为35_μg/m3,比两个暖期平均浓度23_μg/m3高52%。与观测的2014-15年和2015-16年相比，2016-17年PM2.5浓度的预测值在15-30_μg/m3之间，显示出相似的季节波动，但在同一时期PM2.5浓度的预测值也在19-52_μg/m3之间减小。据推测，福州政府对空气质量的宏观政策可能是造成冷季PM2.5浓度下降的原因之一。可能的原因给出了实际和拟合值之间的差异。
1．介绍
中国的改革开放政策、社会经济发展和工业化进程的加快，导致能源总消耗量持续增长(Li等人，2014，Lardy，2016，Yuan等人，2016a，b)。能源消耗的增加导致了严重的空气污染(郭等人，2017，彭等人，2017，张和李，2017)，近年来，大气颗粒物引起了特别关注(周和周，2017)。
漂浮在空气中的颗粒物质具有各种各样的大小（Katheeri等人，2012）。微粒，也称为PM2.5，是颗粒物质中最复杂和有害的化学成分之一（Dieme等人，2012，Kelly和Fussell，2012，Zhang等人，2012）。PM2.5的粒径为2.5μm，粒径较小。这不仅容易进入人体并加速溶解和吸收，导致呼吸道和心血管疾病(He等人，2001,2014)，以及严重的环境问题，例如烟雾(Xue等人，2014，Yuan等人，2016a，Yuan等人，2016B，RopKin等人，2017）。霾污染主要由工业排放、煤炭燃烧、汽车尾气等人为因素造成。当来自人类活动的污染物超出环境的净化能力并且主要由大气污染物如二氧化硫(SO2)、氮氧化物(.)、PM2.5和PM10形成(.，2016，Wang等人，2017)时，就会产生雾霾。前两种污染物是气态的，后两种是可吸入颗粒物。此外，戴维斯和郭指出，大多数环境颗粒物低于PM2.5，在亚微米尺寸范围内（戴维斯和郭，2000），因此，颗粒物是加剧空气污染的主要罪魁祸首（Cuspiliciet al.，2017，周和周，2017）。
在此背景下，有必要对福州市PM2.5的变化趋势进行分析，并对污染物浓度与气象参数进行相关分析。本文将说明污染物浓度变化的特点、差异和依赖性，以及可能的原因。此外，为了考虑季节波动，本研究将采用Box和Jenkins(Box和Jenkins，1976)提出的时间序列模型ARIMA模型来预测PM2.5浓度。ARIMA模型被公认为分析和预测时间序列数据的强大且广泛使用的统计工具，并且被公认为重要的统计预测模型（Romilly，2005）。ARIMA模型的优点在于它可以识别季节变化，并考虑同一时间序列内的序列相关性（Yurekli等人，2007）。利用ARIMA模型对PM2.5浓度进行预测，可以为大气污染控制提供指导。