3. 趋势与季节性分解的基本框架

时间序列分解的核心思想，是把一条观测序列看作若干不可直接观测的“成分”叠加或耦合的结果。对环境数据而言，最常用的两个成分是趋势项（长期缓慢变化的方向性成分）与季节项（以固定周期重复的波动），剩余部分统称残差项（随机波动、突发事件、测量噪声以及未被模型捕获的结构）。分解的目的不是“消灭”波动，而是把不同时间尺度的变化分离出来，使趋势评估与季节规律识别互不干扰。

加法模型：成分以绝对量相加

加法模型写作：

Y(t) = T(t) + S(t) + R(t)

其中 Y(t) 为观测值，T(t) 为趋势项，S(t) 为季节项，R(t) 为残差项。加法模型假定季节波动的振幅不随趋势水平变化：无论年均浓度是 20 还是 80，夏季高峰相对趋势的抬升量都大致相同（例如都约为 +6）。因此它适合“季节效应表现为绝对增量”的序列，典型如某些站点气温的日较差、以固定排放速率叠加的污染物浓度增量。

在加法框架下，季节项通常被约束为周期内求和为零（或均值为零），这样 T(t) 才能被解释为该时刻的“季节调整后水平”。若用移动平均法估计趋势，例如周期 m=12 的月数据采用 2×12 项中心化移动平均，则季节项可由“去趋势后的各月平均值再中心化”得到，残差为观测值减去趋势与季节项之和。

乘法模型：成分以比例相乘

乘法模型写作：

Y(t) = T(t) × S(t) × R(t)

乘法模型假定季节波动的振幅与趋势水平成比例：趋势越高，季节起伏的绝对幅度越大。环境数据中这种情况非常普遍——河流流量、降水、大气污染物浓度往往呈现“高水平时波动大、低水平时波动小”的特征。此时若强行使用加法模型，残差会随水平升高而系统性变大，出现明显的异方差。

乘法模型可通过取对数转化为加法形式：

ln Y(t) = ln T(t) + ln S(t) + ln R(t)

因此工程上常先对原始序列做对数变换，再用加法分解流程处理，最后对结果做指数还原。需要注意：对数变换要求数据严格为正；若序列含零或负值（如某些差分后的指标、净通量数据），需先平移或改用其他方案。

三个成分的含义与相互关系

趋势项刻画序列的长期走向，时间尺度通常远大于季节周期，反映政策减排、气候变化、土地利用变化等慢变量。它不应包含季节波动，否则趋势估计会被周期成分“污染”。季节项刻画固定周期内的重复模式，周期需由数据机制决定：月数据常取 12，日数据可能取 7（周效应）或 365（年周期），潮汐数据则可能取 12.42 小时。周期选错，季节项会吸收部分趋势或残差，导致后续趋势评估失真。残差项是分解后的“剩余”，理想情况下应接近白噪声；若残差仍呈现明显自相关、周期或方差结构，说明模型形式或周期设定不合适。

三者关系可概括为：趋势与季节项是可解释的结构成分，残差是结构之外的信息。分解质量的一个重要判据是残差是否“干净”——残差中若还能看到规律，就说明结构成分没有提取充分。

环境数据中模型选择的依据

模型选择不应凭习惯，而应回到数据生成机制与诊断证据。实践中可按以下思路判断：

• 看振幅与水平的关系：绘制观测值对趋势估计的散点，或直接观察序列包络线。若高值段波动幅度明显更大，倾向乘法模型；若各水平段波动幅度相近，倾向加法模型。
• 看残差诊断：分别用两种模型分解，比较残差图。加法模型残差若呈“喇叭口”扩张，说明异方差未被处理，应改用乘法模型或先做对数变换。
• 看数据取值范围：乘法模型要求正值；含零或负值时，加法模型更稳妥，或对数据做适当平移后再取对数。
• 看业务解释需求：若关注“某月比趋势高多少个百分点”，乘法模型的比例解释更自然；若关注“高多少个单位”，加法模型的绝对量解释更直接。

需要强调的是，分解结果依赖模型假设，并非唯一真相。加法与乘法只是对现实的两类近似，实际环境序列还可能存在变点、多周期叠加或非线性趋势。因此在报告趋势时，应同时说明所用模型、周期设定与残差诊断结论，使趋势评估的结论可追溯、可复核。