三明市酸雨風險評估分析與預測研究

中圖分類號：X517 文獻標志碼：B 文章編號：2095-3305（2025）05-0254-03

三明市作為福建省中北部的重要城市，其酸雨問題逐漸受到關注。相關研究表明，三明市的酸雨現象具有明顯的季節性特征，冬春季是酸雨多發季節[1]。因此，準確評估三明市酸雨風險并預測其變化趨勢對制定有效的環境保護策略至關重要。信息擴散理論是一種用于處理不確定性和模糊性的數學方法，近年來廣泛應用于環境風險評估[2]。通過信息擴散理論，可以將酸雨的觀測數據轉化為風險值，從而更直觀地反映酸雨對環境和人類活動的潛在危害?；谌魇械乃嵊瓯O測數據，利用信息擴散理論計算酸雨的風險值，為三明市酸雨的防控和治理提供科學依據。SARIMA模型是時間序列分析中一種重要的預測工具，適用于具有季節性特征的數據。因此，采用SARIMA模型對三明市酸雨進行預測，不僅可以幫助人們更好地理解酸雨的季節性規律，還能為未來的酸雨防控提供有力支持。通過建立SARIMA模型，對三明市酸雨的未來變化趨勢進行預測，并評估模型的預測性能。

通過信息擴散理論評估三明市酸雨的風險值，并利用SARIMA模型預測酸雨的未來變化趨勢，為三明市的酸雨防控和環境保護提供科學依據。

1數據來源和研究方法

1.1 數據來源

數據來源于三明市環保局監測站2012—2022年的酸雨實際觀測數據。觀測數據包含觀測時段的有效降水量 （?1.0mm ）、pH值、大氣降水電導率（ K 值及大氣成分等觀測數據。

1.2信息擴散理論方法

為解決現有酸雨檢測樣本站稀疏、序列短等問題，采用信息擴散理論，對現有資料進行模糊擴散和

插值映射，可實現有限數據向鄰近區域擴散的概率插值[3-4]。此方法可以將單值樣本轉成集值樣本，常用模型屬正態擴散模型。

將 y₁，y₂，…，y_m 作為風險因素指標，即在 m 年的實際觀測值，觀測樣本集合如下：

Y={y₁，y₂，…，y_m}

信息擴散理論的實質是單一的樣本值向一個模糊集的轉換，因此設風險因素指標論域：

U={u₁，u₂，…，u_n}

將一個單值觀測樣本值 y_i 所攜帶的信息擴散給指標論域 u_i 中的所有點如下：

式（3）中， i^{-1，2，…，n};j^{-1，2，…，n}

式（4中，為擴散系數，根據樣本集的大小取不同的值，由樣本個數 m 來確定。其中 b 是樣本的最大值， a 是最小值。

那么樣本集歸一化的信息分布如下所示：

樣本集落在論域集合上的頻率值當作概率的估計

值如下：

將超越論域的概率值，記作 ri ，那么 P={r₁，r₂，…，r_n} 稱為酸雨災害的風險值。

根據 pH 值的分級及酸雨發生頻率的大小，取降水pH值得論域為 U={0，4.0，4.5，5.0，5.6，7.0} ，酸雨發生頻率的論域為 U={0，20，40，60，80，100} 。

1.3 SARIMA模型

SARIMA模型是一種用于處理具有季節性特征的時間序列數據的統計模型，它結合了ARIMA模型的自回歸（AR）差分（I）和移動平均（MA）特性，并引入了季節性成分。以下是構建季節性ARIMA模型的常用方法：

SARIMA模型通常表示為ARIMA （p，d，q）（P ，其中， （p，d，q） 表示非季節部分的參數： p 為自回歸項的階數；d為差分階數，用于使序列平穩：q 為移動平均項的階數 Ω（P，D，Q） 則表示季節部分的參數： P 是季節性自回歸項的階數； D 是季節性差分階數； Q 是季節性移動平均項的階數; m 是季節周期長度。

在建模前，需要對數據進行預處理，以確保其平穩性。首先作季節性差分，通過計算當前值與前m期值的差值來去除季節性波動。若數據仍然不平穩，可以進行普通差分，即計算相鄰值的差值。再進行參數選擇，確定季節性差分次數 D ：通過觀察季節性波動的周期性變化，選擇合適的 D 值，使季節性成分被去除。確定普通差分次數 d ：通過觀察數據的平穩性，選擇合適的 d 值，使數據成為平穩序列。選擇ARIMA模型的其他參數： p，q，P，Q 的值通常通過最小化赤池信息準則（AIC）或貝葉斯信息準則（BIC）來確定。模型檢驗主要包括參數估計的顯著性檢驗和殘差是否為隨機獨立的白噪聲序列。

2 結果與分析

2.1基于信息擴散理論的三明市酸雨風險評估

傳統的統計方法無法準確地反映酸雨發生的風險規律，基于信息擴散理論采用插值法預估三明市的酸雨發生風險概率，得出三明市環保監測站（站點1：洋溪監測站、站點2：三元區政府監測站、站點3：三明市監測站）酸雨pH值和發生頻率的風險值（表1）。

從圖1可看出，當年降水pH值 ?5.0 時，風險值最大中心位于三明市區內的河谷地帶，且風險值由西南向東北遞減；當年降水pH值 ?5.6 時，風險值仍呈西南向東北遞減趨勢，且市區大部的風險值在0.4＼～0.5。

當年發生頻率 ≥60% 和發生頻率 ≥80% 的風險估計值，年發生頻率呈西南東北兩端高、中心低的分布態勢。而年發生頻率風險估計值分布規律與年降水有明顯的不同點：年降水pH值的風險值西南端大于東北端，而年發生頻率的風險值是東北端大于西南端。

2.2基于SARIMA模型的酸雨月均值預報

前文提到三明市的酸雨pH值的變化具有季節性特征，因此選擇使用SARIMA模型而不是標準ARIMA模型。SARIMA模型專門設計用于分析和預測具有周期性模式和季節性波動的時間序列數據，這種模型通過在ARIMA模型的基礎上增加季節性成分，能夠更好地捕捉季節性波動。

標準化殘差圖（圖2a）顯示了模型殘差隨時間的變化情況，可以看出殘差隨機分布在零附近，沒有明顯的模式，表明模型捕捉到了數據的主要特征。標準化殘差直方圖（圖2b）展示了標準化殘差的分布情況，可以看出直方圖呈現出鐘形，且大部分殘差集中在均值附近，這表明殘差接近正態分布。樣本自相關函數（圖2c）顯示了不同滯后階數下殘差的自相關性，可以看出大部分點落在置信區間內，表明殘差沒有顯著的自相關性，滿足白噪聲的假設。樣本偏自相關函數（圖2d）顯示了在控制了中間滯后階數的影響后，不同滯后階數下殘差的偏自相關性，PACF圖中的點大部分落在置信區間內，進一步支持殘差為白噪聲的假設。

模型診斷結果顯示，SARIMA模型對酸雨數據的擬合效果良好。殘差滿足正態分布和白噪聲的假設，表明酸雨的SARIMA模型能夠有效捕捉數據的季節性特征和趨勢。

以2012一2022年的月均pH值為樣本數據，在樣本個數小于100時， pH 值的實際觀測值和預測值較為接近，模型能夠較好地擬合實際觀測值，進一步印證了此模型能較好地擬合出酸雨pH值的趨勢。

從圖3中可看出：預測的36個樣本pH值基本在 5.0～ 6.0波動，且處于 95% 的置信區間內具有一定的可靠性，這說明預測的36個月月均pH值屬較弱酸雨級別。

3結論

（1）三明市弱至較弱酸雨的風險估計值呈西南向東北遞減趨勢，且風險較大區主要位于三明西南部分，數值在 0.4～0.5 □（2）三明市酸雨年發生頻率多發至頻發等級的風險估計值呈西南東北兩端高、中心低的分布態勢。（3）風險值分布存在不同，三明市年降水pH值的風險值西南端大于東北端，而年發生頻率的風險值是東北端大于西南端。（4）SARIMA模型對三明市酸雨數據的擬合效果良好模，預測的36個月月均pH值在5.0＼～6.0波動，屬較弱酸雨級別。

參考文獻

[1]吳迪茜，楊歆雨.2012—2022年三明市酸雨變化特征及趨勢分析[J].海峽科學，2024（1）：6-12.

[2]王偉麗，吳洪顏，賀金芳，等.基于信息擴散理論的江蘇省酸雨風險評估[J].災害學，2015，30（1）：92-95，107.

[3]王積全，李維德.基于信息擴散理論的干旱區農業旱災風險分析：以甘肅省民勤縣為例[J].中國沙漠，2007（5）：826-830.

[4]李穎若，韓婷婷，汪君霞，等.ARIMA時間序列分析模型在臭氧濃度中長期預報中的應用[J].環境科學，2021，42（7）：3118-3126.