吳會(huì)會(huì) 王嘉鵬 吳文靜 趙宏程 章培軍

摘 ?要：現(xiàn)如今，由于人們?cè)谌粘５纳a(chǎn)以及生活中對(duì)化石燃料越來(lái)越依賴，溫室氣體的排放量逐年增多，以致全球變暖的速度也越來(lái)越快。為了減少氣候變化對(duì)人們產(chǎn)生的影響，文章對(duì)1918—2022年的全球氣溫?cái)?shù)據(jù)進(jìn)行了平穩(wěn)化檢驗(yàn)和白噪聲檢驗(yàn)，建立了一個(gè)ARMA（1，3）模型，并利用該模型預(yù)測(cè)了未來(lái)5年全球氣表溫度改變量，結(jié)合實(shí)驗(yàn)結(jié)果，分析了氣候改變給人們帶來(lái)的影響，最后給予了應(yīng)對(duì)全球氣候變暖的建議。

關(guān)鍵詞：ARIMA模型；氣表溫度；預(yù)測(cè)

中圖分類(lèi)號(hào)：TP399 ? 文獻(xiàn)標(biāo)識(shí)碼：A ? 文章編號(hào)：2096-4706（2023）16-0147-04

Global Air Surface Temperature Prediction Analysis Based on ARIMA Model

WU Huihui， WANG Jiapeng， WU Wenjing， ZHAO Hongcheng， ZHANG Peijun

（School of Computer Science， Xijing University， Xi'an ?710123， China）

Abstract： Nowadays， due to people's daily production and life more and more dependence on fossil fuels， greenhouse gas emissions are increasing year by year， so that the speed of global warming is getting faster and faster. In order to reduce the impact of climate change on people， this paper conducts a stabilization test and white noise test on the global temperature data in the five years from 1918 to 2022， establishes an ARMA （1，3） model， and uses the model to predict the global air surface temperature change in the next 5 years. Combined with experimental results， this paper analyzes the impact of climate change on people， and gives suggestions to deal with global warming finally.

Keywords： ARIMA model; air surface temperature; prediction

0 ?引 ?言

全球氣候變暖[1]是一種與自然有關(guān)的現(xiàn)象。人們?nèi)紵剂匣蛘邩?shù)木，產(chǎn)生了大量的二氧化碳，當(dāng)溫室效應(yīng)不斷累積，從而導(dǎo)致溫度上升，造成了全球氣候變暖。全球變暖不僅會(huì)危害自然生態(tài)系統(tǒng)的一個(gè)平衡，還會(huì)威脅人類(lèi)的生存。根據(jù)2021年世界氣象組織災(zāi)害統(tǒng)計(jì)報(bào)告，在過(guò)去50年里（1970—2019年），幾乎平均每天都發(fā)生一場(chǎng)與天氣、氣候或水有關(guān)的災(zāi)害，這些災(zāi)害導(dǎo)致每天有115人失去生命，造成2.02億美元的損失。在這50年里，有記錄的災(zāi)害數(shù)量增加了5倍，這是由人類(lèi)引起的氣候變化、更多的極端天氣事件等因素共同作用的結(jié)果。后疫情時(shí)代下，氣候變化應(yīng)所需的缺口很大，表明未來(lái)全球環(huán)境風(fēng)險(xiǎn)和國(guó)際合作需求極為迫切。

時(shí)間序列預(yù)測(cè)法[2]其實(shí)是一種回歸預(yù)測(cè)方法，屬于定量預(yù)測(cè)，這方法雖然簡(jiǎn)便，能迅速求出預(yù)測(cè)值，但由于沒(méi)有考慮整個(gè)社會(huì)經(jīng)濟(jì)發(fā)展的新動(dòng)向和其他因素的影響，所以準(zhǔn)確性較差。而ARIMA[3]模型是一個(gè)時(shí)間序列分析方法，該模型被廣泛應(yīng)用于時(shí)間序列數(shù)據(jù)的預(yù)測(cè)和建模。它可以通過(guò)對(duì)時(shí)間序列的歷史數(shù)據(jù)進(jìn)行分析和擬合[4]，來(lái)預(yù)測(cè)未來(lái)的趨勢(shì)和變化。其基本思想是，通過(guò)對(duì)時(shí)間序列數(shù)據(jù)的自回歸、移動(dòng)平均和差分等變換[5]，來(lái)建立一個(gè)能夠描述數(shù)據(jù)特征的模型，并利用這個(gè)模型來(lái)預(yù)測(cè)未來(lái)的數(shù)據(jù)變化。ARIMA模型能夠較好地處理許多時(shí)間序列數(shù)據(jù)的特性，如季節(jié)性[6]、趨勢(shì)性、周期性等，并可以用較少的參數(shù)來(lái)擬合數(shù)據(jù)。因此，ARIMA模型在經(jīng)濟(jì)學(xué)、金融、氣象學(xué)、工業(yè)生產(chǎn)等領(lǐng)域中得到了廣泛的應(yīng)用。由于ARIMA模型簡(jiǎn)單，只需要內(nèi)生變量而不需要借助其他外生變量，所以本文主要研究了基于ARIMA模型[7]對(duì)未來(lái)5年全球氣表溫度的改變量進(jìn)行預(yù)測(cè)分析。

1 ?ARIMA模型

ARIMA（p，d，q）模型的結(jié)構(gòu)如下：

其中，；

表示平穩(wěn)可逆ARMA（p，q）模型的自回歸系數(shù)多項(xiàng)式， 表示平穩(wěn)可逆ARMA（p，q）模型的移動(dòng)平滑系數(shù)多項(xiàng)式。

該模型具有以下優(yōu)點(diǎn)：1）不需要借助事物發(fā)展的因果關(guān)系去分析這個(gè)事物過(guò)去的和未來(lái)的聯(lián)系；2）具有很少的信息量，對(duì)趨勢(shì)性、隨機(jī)性和相關(guān)性的數(shù)據(jù)都能有很好的預(yù)測(cè)結(jié)果；3）該模型的結(jié)構(gòu)比較簡(jiǎn)單，預(yù)測(cè)原理也很容易理解，只需要內(nèi)生變量而不需要借助一些其他類(lèi)型的外生變量?；诖?，本文利用了ARMA模型預(yù)測(cè)了未來(lái)5年全球氣表溫度改變量，并結(jié)合研究的實(shí)驗(yàn)結(jié)果，分析了氣候改變給人們帶來(lái)的影響。

2 ?全球氣表溫度的預(yù)測(cè)

本文所使用的數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局（https：//data.stats.gov.cn/index.htm）官方網(wǎng)站，選取了1918—2022年全球氣表溫度改變值序列。

2.1 ?平穩(wěn)化檢驗(yàn)

為了確定沒(méi)有隨機(jī)趨勢(shì)或確定趨勢(shì)，否則將會(huì)產(chǎn)生“偽回歸”問(wèn)題，即有時(shí)數(shù)據(jù)的高度相關(guān)僅僅是因?yàn)槎咄瑫r(shí)隨時(shí)間有向上或向下的變動(dòng)趨勢(shì)，并沒(méi)有真正聯(lián)系。這樣數(shù)據(jù)中的趨勢(shì)項(xiàng)，季節(jié)項(xiàng)等無(wú)法消除，從而在殘差分析中無(wú)法準(zhǔn)確進(jìn)行分析，所以本文首先檢驗(yàn)了全球氣表溫度改變值序列的平穩(wěn)性，結(jié)果如表1所示。

從表1可以看出，原始序列在滯后階數(shù)為1，2，3的情況下，P值均小于0.05，因此，原始序列是平穩(wěn)的。

2.2 ?白噪聲檢驗(yàn)

為了驗(yàn)證時(shí)間序列中有用的信息已經(jīng)被提取完畢，剩下的全是隨機(jī)擾動(dòng)，是無(wú)法預(yù)測(cè)和使用的，即確定原始序列中是否存在相關(guān)關(guān)系，下面對(duì)序列進(jìn)行白噪聲檢驗(yàn)，檢驗(yàn)所得結(jié)果如表2所示。

從表2可以看出，在滯后階數(shù)為6和12時(shí)，檢驗(yàn)統(tǒng)計(jì)量的P值分別為0.007 8和0.009 8，均小于0.05，說(shuō)明原始序列為非白噪聲序列，即序列之間存在相關(guān)關(guān)系是可以提取的。

白噪聲檢驗(yàn)的MATLAB代碼如下所示：

[h，pValue，stat]=lbqtest（y，'Lags'，[6，12]）

autocorr（y）

parcorr（y）

LOGL = zeros（4，4）;

PQ = zeros（4，4）;

for p = 1：4

for q = 1：4

Mdl = arima（p，0，q）;

[EstMdl，～，logL] = estimate（Mdl，y，'Display'，'off'）;

LOGL（p，q） = logL;

PQ（p，q） = p + q;

end

end

LOGL = reshape（LOGL，16，1）;

PQ = reshape（PQ，16，1）;

[～，bic] = aicbic（LOGL，PQ+1，100）;

reshape（bic，4，4）

p=1;

q=3;

2.3 ?建立模型

為了選擇合適的模型擬合原始序列，下面給出原始序列的自相關(guān)圖與偏自相關(guān)圖，結(jié)果如圖1所示。

圖1（a）為原始序列的自相關(guān)圖，圖1（b）為原始序列的偏自相關(guān)圖，兩者均無(wú)明顯的截尾性，即認(rèn)為該序列自相關(guān)系數(shù)與偏自相關(guān)系數(shù)均具有拖尾性，根據(jù)平穩(wěn)時(shí)間序列模型的性質(zhì)，可選用ARMA（p，q）模型擬合原始序列，根據(jù)BIC準(zhǔn)則確定模型階數(shù)，結(jié)果如表3所示。

根據(jù)BIC準(zhǔn)則，即在不完全的狀態(tài)下，對(duì)某一部分未知的狀態(tài)通過(guò)利用主觀的概率進(jìn)行估計(jì)，然后利用貝葉斯公式對(duì)所發(fā)生的概率進(jìn)行一定的修正，最后再利用所得到的期望值與修正的概率進(jìn)而做出最優(yōu)的一個(gè)決策，其中BIC取值最小的模型即為最優(yōu)的模型，從表3中可以看出，最小BIC值為-126.460 9，其對(duì)應(yīng)的模型參數(shù)的階數(shù)為p = 1，q = 3，因此，本文選擇ARMA（1，3）模型來(lái)擬合原始序列，擬合結(jié)果如表4所示。

從表4可以看出，可知各參數(shù)估計(jì)值的絕對(duì)值均大于其2倍標(biāo)準(zhǔn)差，故每一個(gè)未知的參數(shù)顯著非零，此時(shí)的模型是最精簡(jiǎn)的；如果某個(gè)參數(shù)不是非常的顯著，那么就表示這個(gè)參數(shù)相對(duì)應(yīng)的這個(gè)自變量對(duì)因變量的影響不明顯，那么該自變量可以從擬合模型中進(jìn)行剔除，最終的模型將由一系列參數(shù)顯著非零的自變量表示。因此本文所擬合的模型為：

Var （εt） = 0.014 1

本文所建立模型的MATLAB代碼如下所示：

arma=arima（p，0，q）;

fit=estimate（arma，y）

[res，～，～]=infer（fit，y）;

[h，pValue，stat]=lbqtest（res，'Lags'，[6，12]）

T=2020;

t=5;

[yf，yMSE] = forecast（fit，t，'Y0'，y）;

upper = yf + 1.96*sqrt（yMSE）;

lower = yf - 1.96*sqrt（yMSE）;

[yf，lower，upper]

2.4 ?模型檢驗(yàn)

為了驗(yàn)證本文擬合模型的有效性，驗(yàn)證殘差序列{εt}是否為白噪聲序列，結(jié)果如表5所示。

從表5可以看出，滯后6階與12階的P值均顯示殘差序列為白噪聲序列，即{εt}中不存在相關(guān)信息，說(shuō)明模型效果擬合良好，即可以使用該模型進(jìn)行預(yù)測(cè)。

因此，得到全球氣表溫度改變值序列的ARMA

（1，3）模型為：

2.5 ?全球氣表溫度的預(yù)測(cè)與分析

使用該模型預(yù)測(cè)未來(lái)5年全球氣表溫度改變值及其95%預(yù)測(cè)區(qū)間如表6所示。

預(yù)測(cè)圖如圖2所示，其中，灰色實(shí)線代表1918—2022年全球氣表溫度改變值序列的歷史觀測(cè)值，黑色實(shí)線表示該序列未來(lái)5年的預(yù)測(cè)值，兩條虛線分別表示預(yù)測(cè)值的95%預(yù)測(cè)區(qū)間。

從圖2可以看出，未來(lái)5年的全球氣溫改變不大，波動(dòng)在0.1左右。

預(yù)測(cè)圖繪制的MATLAB代碼如下：

figure

plot（i，y）

hold on

h = plot（T+1：T+t，yf，'r'，'LineWidth'，2）;

h1 = plot（T+1：T+t，upper，'k--'，'LineWidth'，1.5）;

h2 = plot（T+1：T+t，lower，'k--'，'LineWidth'，1.5）

xlim（[1916，T+t]）

title（'Forecast and 95% Forecast Interval'）

legend（[h，h1]，'Forecast'，'95% Interval'，'Location'，'NorthWest'）

hold off

3 ?結(jié) ?論

全球氣候變暖是由許多復(fù)雜的因素造成的，我們每個(gè)人都需要保護(hù)好我們的家園。通過(guò)對(duì)1918—2022年全球氣候的改變量作為樣本，本文基于ARIMA模型預(yù)測(cè)出了2023—2027年全球氣候的改變量，由實(shí)驗(yàn)結(jié)果可知，近5年的全球氣候改變量不大，但我們?nèi)孕璞Ｗo(hù)好我們的家園。

參考文獻(xiàn)：

[1] 趙宗慈，羅勇，黃建斌.地球能量失衡與全球變暖 [J].氣候變化研究進(jìn)展，2022，18（1）：119-121.

[2] 王昱，楊修群，孫旭光，等.一種基于全球動(dòng)力模式和SMART原理結(jié)合的統(tǒng)計(jì)降尺度區(qū)域季節(jié)氣候預(yù)測(cè)方法 [J].氣象科學(xué)，2021，41（5）：569-583.

[3] 李安，高萌萌，陳曦，等.基于MaxEnt模型和未來(lái)氣候條件預(yù)測(cè)太行花屬植物的適生分布區(qū) [J].河南農(nóng)業(yè)科學(xué)，2021，50（4）：137-146.

[4] 陳禹光，樂(lè)新貴，陳宇涵，等.基于MaxEnt模型預(yù)測(cè)氣候變化下杉木在中國(guó)的潛在地理分布 [J].應(yīng)用生態(tài)學(xué)報(bào)，2022，33（5）：1207-1214.

[5] 呂彤，郭倩，丁永霞，等.基于MaxEnt模型預(yù)測(cè)未來(lái)氣候變化情景下中國(guó)區(qū)域水稻潛在適生區(qū)的變化 [J].中國(guó)農(nóng)業(yè)氣象，2022，43（4）：262-275.

[6] 智協(xié)飛，彭婷，李剛，等.多模式集成的概率天氣預(yù)報(bào)和氣候預(yù)測(cè)研究進(jìn)展 [J].大氣科學(xué)學(xué)報(bào)，2014，37（2）：248-256.

[7] 李蕎每，成麗波.基于小波分析的時(shí)間序列ARIMA模型預(yù)測(cè)方法 [J].沈陽(yáng)師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2021，39（1）：49-53.

作者簡(jiǎn)介：吳會(huì)會(huì)（1994—），女，漢族，河南信陽(yáng)人，助教，碩士研究生，研究方向：數(shù)據(jù)融合。