全球碳排放量及排放特点的分析以及预测

全球碳排放量及排放特点的分析以及预测---基于arima乘积季节模型的应用

全球碳排放量及排放特点的分析以及预测---基于arima乘积季节模型的应用

摘要：当今全球范围的气候变暖随着世界工业水平的发展日一眼明显，其很大原因是由于碳排放无节制造成的。根据全球月份碳排放量数据分析表明，碳排放量不仅在不同年际尺度上存在变化关系，并且在不同年份间,月度排放量存在相同的变化趋势，这一现象都能显示出季节变化与人类活动碳排放量存在一定关系。由此我们可以对未来的碳排放量进行预测，并针对不同季节采取不同强度的减排措施，以提高节能减排的效率。

关键词：气候变化碳排放量全球乘积季节模型arima

全球碳计划发布分析报告显示1，2010年碳排放量增长5.9%。已达到破纪录的100亿吨，再次敲响气候变化的警钟。其中的数据显示，2010年全球源于煤和石油等化石燃料的碳排放量与1990年相比，上升了49%。如果算上森林破坏等其他方面相应的碳排放量，则2010年全球总碳排放量首次达到100亿吨。这份报告还显示，从2000年到2010年，全球源于化石燃料的碳排放量年均上升幅度为3.1%。由于二氧化碳等温室气体的大量排放，最近的30年地表的平均温度已经上升了0．6℃2。全球气温迅速升高，以致冰川融化、洪捞、干旱、龙卷风等自然灾害频繁发生，引起了全世界各国的普遍关注。2009年12月于哥本哈根召开的世界气候大会目的也是商讨2012至2020年的全球减排协议，如何控制碳排放量已经成为一个世界性的问题。

对于世界环境岌岌可危的现状，各国都应该承担起节能减排的责任，因此，国家颁布科学合理的减排政策，才能使发展经济的同时减少对温室气体二氧化碳的排放，来保护我们生存的地球。本文试图通过对全球二氧化碳月排放量数据进行分析，建立ARIMA模型，分析二氧化碳排放量与季节变化中所存在的联系。全球2007年1月至2012年2月二氧化碳排放量数据来自于

/Current-CO2/CO2-Now/noaa-mauna-l oa-co2-data.html。

1全球碳计划是一个由各国科学家组成的国际合作组织，常年对碳排放数据进行跟踪调查。

2 2011年《美国气象选刊》（America＇s Climate Choices）提供的数据

表格 1 全球碳排放量2007年1月---2012年2月

表中的数值表示体积比浓度（ppm）3

首先，通过对原始数据进行白噪声检验，结果如图一所示，我们可以得出这一组数据不是白噪声，因此存在可探究性。

图 1 原始数据白噪声检验

3 一百万体积的空气中所含污染物的体积数

为了更好地探究数据的发展规律，作出原始散点图（图2）

从图2中我们可以发现二氧化碳的排放呈现出以年为周期地匀速上升的趋势，并且在年内，以年中的排放量最高。由此，我提出了猜想是否二氧化碳的排放量与季节存在一定联系。采用一步差分再十二步差分对数据进行平稳化后，得到新的数列，所作散点图如下

图 2 原始数据散点图

图 3 差分后数列散点图

为了进一步判断其平稳性，考察差分后序列的自相关图，如图4所示。自相关图显示序列有较强的季节交替影响作用，所以可以初步认为差分后序列平稳。

图 4 差分后序列自相关图

再对差分后的数列进行白噪声检验，得出图5

图 5 平稳序列白噪声检验

结果发现是白噪声，因为我们通过图一可以发现其中存在季节交替作用，因此仍然可以对数据建立模型。通过多次测试发现，选择乘积季节模型：

ARIMA（1，1，1）×（0，1，1）12

因此，添加程序的语句：

estimate p=（1）q=(12) (1) method=cls noint;

得到图6

图 6 模型参数回归值所得方程为

ÑÑ

12x

t

=

1-0.66872B12

1-0.55795B

(1-0.84621B)e

t

图7 残差白噪声检验

图7是残差的白噪声检验，从上图可以看出,Pr>Chisq均远远大于0.05，所以都为白噪声，因此残差序列为纯随机序列，模型拟合有效。

拟合图如图8所示

其中星号*为实际碳排放量，实线—为模型拟合曲线，虚线---为95%的置信区间估计范围。 预测值如下：

图 9 预测值

结论：全球二氧化碳的排放量的季节效应、长期趋势效应和随即波动之间有着重复的相互关联性。

参考文献

1肖枝洪 郭明月 《时间序列分析与SAS 应用》 武汉大学出版社 2汪晓银 周保平 《数学建模与数学实验》 科学出版社

3钱维宏, 陆波, 梁浩原.年际和年代际冷暖变化是人类活动碳排放量增减的诱因. 中国科学，2011,56,1: 68—

73

图 8 拟合图

【程序附件】：

程序1：

data lll1;

input x@@;

time=intnx('month','1jan2007'd,_n_-1); format time month2.;

cards;

（数据省略）

;

proc arima; identify var=x;

run;

proc gplot;

plot x*time;

symbol c=black i=join v=dot;

run;

程序2：

data lll2;

input x@@;

dif1_12=dif12(dif(x));

time=intnx('month','1jan2007'd,_n_-1); format time month2.;

cards;

（数据省略）

;

proc gplot;

plot x*time=1 dif1_12*time=2; symbol1 c=black i=join v=dot; symbol2 c=black i=join v=diamond; run;

identify var=x(1,12) ;

run;

程序3：

data lll3;

input x@@;

dif1_12=dif12(dif(x));

time=intnx('month','1jan2007'd,_n_-1); format time month2.;

cards;

（数据省略）

;

proc gplot;