全球碳排放量及排放特點的分析以及預測

1、全球碳排放量及排放特點的分析以及預測-基于arima乘積季節(jié)模型的應用全球碳排放量及排放特點的分析以及預測-基于 arima 乘2#積季節(jié)模型的應用摘要：當今全球范圍的氣候變暖隨著世界工業(yè)水平的發(fā)展日一眼明顯，其很大原因是由于碳排放無節(jié)制造成的。根據全球月份碳排放量數據分析表明，碳排放量不僅在不同年際尺度上存在變化關系，并且在不同年份間，月度排放量存在相同的變化趨勢，這一現象都能顯示出季節(jié)變化與人類活動碳排放量存在一定關系。 由此我們可以對未來的碳排放量進行預測，并針對不同季節(jié)采取不同強度的減排措施，以提高節(jié)能減排的效率。關鍵詞：氣候變化碳排放量全球乘積季節(jié)模型arima全球碳計劃發(fā)布分析報告

2、顯示1, 2010年碳排放量增長5.9%。已達到破紀錄的100億噸，再次敲響氣候變化的警鐘。其中的數據顯示，2010年全球源于煤和石油等化石燃料的碳排放量與1990年相比，上升了 49%。如果算上森林破 壞等其他方面相應的碳排放量，則 2010年全球總碳排放量首次達到100億噸。 這份報告還顯示，從2000年到2010年，全球源于化石燃料的碳排放量年均上 升幅度為3.1%。由于二氧化碳等溫室氣體的大量排放，最近的30年地表的平均溫度已經上升了 0 6C2。全球氣溫迅速升高，以致冰川融化、洪撈、干旱、龍 卷風等自然災害頻繁發(fā)生，引起了全世界各國的普遍關注。2009年12月于哥本 哈根召開的世界氣

3、候大會目的也是商討 2012至2020年的全球減排協(xié)議，如何 控制碳排放量已經成為一個世界性的問題。對于世界環(huán)境岌岌可危的現狀，各國都應該承擔起節(jié)能減排的責任，因此， 國家頒布科學合理的減排政策，才能使發(fā)展經濟的同時減少對溫室氣體二氧化碳 的排放，來保護我們生存的地球。本文試圖通過對全球二氧化碳月排放量數據進 行分析，建立ARIMA模型，分析二氧化碳排放量與季節(jié)變化中所存在的聯系。 全球2007年1月至2012年2月二氧化碳排放量數據來自于http：/cc2ncw crg/Current-CC2/CC2-Ncw/ncaa-mauna-I ca-cc2-data html。1全球碳計劃是一個由各

4、國科學家組成的國際合作組織，常年對碳排放數據進行跟蹤調查。2 2011年美國氣象選刊(America ' s Climate Choices )提供的數據JanFebMarAprMayJunJulAugSepOctNovDec2007382.93383.81384.56386.4386.58386.05384.49382380.9381.14382.42383.892008385.44385.73385.97387.16388.5387.88386.42384.15383.09382.99384.13385.562009386.93387.42388.77389.46390.19389

5、.44387.91385.92384.79384.39386387.272010388.45389.82391.08392.46392.95392.03390.13388.15386.8387.18388.59389.682011391.19391.76392.4393.28394.16393.68392.39390.08389388.92390.2391.82012393.09393.65表格1全球碳排放量 2007年1月-2012年2月表中的數值表示體積比濃度（ppm ） 3首先，通過對原始數據進行白噪聲檢驗，結果如圖一所示，我們可以得出這一組數據不是白噪聲，因此存在可探究性。Autoca

6、 rre | st i on Chect for Thite Koi$221L7012<.D001OJW O.5OC0.2980.341Q.4027 65?3 4 f*7* cv $涇* t Do2 57 32 s* 1o M圖1原始數據白噪聲檢驗百萬體積的空氣中所含污染物的體積數圖2原始數據散點圖為了更好地探究數據的發(fā)展規(guī)律，作出原始散點圖（圖 2）從圖2中我們可以發(fā)現二氧化碳的排放呈現出以年為周期地勻速上升的趨勢，并且在年內，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與 季節(jié)存在一定聯系。采用一步差分再十二步差分對數據進行平穩(wěn)化后， 得到新的圖3差分后數列散點圖為了進

7、一步判斷其平穩(wěn)性，考察差分后序列的自相關圖，如圖4所示。自相關圖顯示序列有較強的季節(jié)交替影響作用，所以可以初步認為差分后序列平穩(wěn)。The AR1MA ProcedureMam已 of Variable = xPeriodts) of Differencir 1,12 Mean of Working Series -0.U1f65 Standard Deviation 0.451956 Number of Observat i OhE 49 Obseryation(s) eliminated by diff&renciz 13Autocorrelat ionsStd ErrorQ0.20

8、42841.00000常帛啊弗杲柴附附腳弗出電附*M常狀1-O.OIGSOfi-.osoei艸20.014427-,0703出3-O.03Q713-.15036 議帛融40.045373-.22215出寓用出5-0.021764-.10655£0.0170600.003527D.00B13210.03002昭80.0412360.2018890 J055E450,027?4* 10-O.0?4C73-.11785冊110.007S83S0.03909* .1?-0.006930-.32771*LatCovriflnceCorrelat ioriiM.rks two standard

9、errors0.142057 0J437B7 0.144493 0.147652 0.154322 OJBSan 0.1567Z7 0,156345 0.162DG1 0.1154 0.183B93 0.164003圖4差分后序列自相關圖再對差分后的數列進行白噪聲檢驗，得出圖5To LagChl-SquareDFPr >ChlSq Autocorrelations65.6260.4866-0.031-0.071-0J5Q-0.222-0J07o.ou121G.45120.17140.D3D0.2020.027-PJIS0.039-0.320Autocorrelation Check fo

10、r Ihite Noise圖5平穩(wěn)序列白噪聲檢驗結果發(fā)現是白噪聲，因為我們通過圖一可以發(fā)現其中存在季節(jié)交替作用，因此仍然可以對數據建立模型。通過多次測試發(fā)現，選擇乘積季節(jié)模型：ARIMA (1，1，1)X( 0，1，1) 12因此，添加程序的語句：estimate p= (1)q=(12) (1) method=cls noint;得到圖6Autocorrelat ion Check of Res i duaIsToChi-Pr >LagSquareDFChiSqAutocorrelat ionsS3.6830.S9770.0110.043-0.016-0.164-0.125(LI 44

11、125.6490,77530.0140J320J900.084-0.032-0.0760,00118150.8356-0.1140J44-0.063-0.0070.0452414.9B210.02520.0600.0500.0950J23-0.081-0J31圖7殘差白噪聲檢驗ParameterEstimateStandardErrort ValueApproxPr > IIILag;幗1,10.668720J32185,06<,000112MA2J0.846210J503G5,63<00011AR1J0.667950,231772,410,02011Cond i t i。門

12、亂 I Least Squa re& Est i meit i on圖6模型參數回歸值所得方程為?12Xt1- 0.66872B121- 0.55795B(1- 0.84621B冷圖7是殘差的白噪聲檢驗，從上圖可以看出，Pr>Chisq均遠遠大于0.05，所以都 為白噪聲，因此殘差序列為純隨機序列，模型擬合有效。擬合圖如圖8所示39833739G9953S439?3913893883B?385血38338238138Q: 26OCTC6 03FEB07 1W07 22MEO?|«JVO7AMAROS 17JMS25SEPAS D3JAN09 13SPROS 22JULO

13、9 30flCTa9 軒FEBW IBMAYIH 2«MJC10 0<EC10 IMl 1 ；2JUNi I 30SEP11 09JAMI2 1?APR 12圖8擬合圖其中星號*為實際碳排放量，實線一為模型擬合曲線，虛線 -為95%的置信區(qū)間 估計范圍。預測值如下：3456 76 Ab Ab- Ao noForecastStd Error95X Confidence Limits394.56970.3755393.8337385.3056395.785&0.4809394.8822396.B889396-47950.5052395.4894397.4697395.847

14、70.5340384.6010336.8944394.32150.5559393.2320395.4110圖9預測值Forecasts for variable x結論：全球二氧化碳的排放量的季節(jié)效應、長期趨勢效應和隨即波動之間有著重 復的相互關聯性。參考文獻1肖枝洪郭明月 時間序列分析與SAS應用武漢大學出版社2汪曉銀 周保平數學建模與數學實驗科學出版社3錢維宏，陸波，梁浩原.年際和年代際冷暖變化是人類活動碳排放量增減的誘因中國科學，2011,56,1: 68 73【程序附件】：程序1 :data 1111;in put x;time=i ntn x('mo nth',

15、9;1ja n2007'd,_n_-1); format time mon th2.;cards;(數據省略)Jproc arima; ide ntify var=x; run;proc gplot;plot x*time;symbol c=black i=join v=dot; run;程序2 :data lll2;in put x;dif1_12=dif12(dif(x);time=i ntn x('mo nth','1ja n2007'd,_n_-1);format time mon th2.;cards;(數據省略)proc gplot;plot

16、 x*time=1 dif1_12*time=2; symbol1 c=black i=join v=dot; symbol2 c=black i=join v=diam ond; run;ide ntify var=x(1,12);run;程序3 :data lll3;in put x;dif1_12=dif12(dif(x);time=i ntn x('mo nth','1ja n2007'd,_n_-1); format time mon th2.;cards;(數據省略)proc gplot; plot x*time=1 dif1_12*time=2;symboll c=black i=join v=dot ； symbol2 c=black i=join v=diam ond; proc arima;identify var=x(1,12);estim