基于GBDT和GM算法对全球变暖的多尺度研究

《基于GBDT和GM算法对全球变暖的多尺度研究》

问题背景

“温室效应”是地球上早已存在的自然现象,大气中的某些成分如二氧化碳、水等气体,能让太阳光短波辐射通过,但可以强烈地吸收长波辐射,从而影响地气系统的能量平衡[1],使地球就像罩了一层玻璃的温室一样,导致地表大气温度升高。据报道,全球几乎所有地区都经历了升温过程,变暖体现在地球表面气温和海洋温度的上升、海平面的上升、格陵兰和南极冰盖消融和冰川退缩、极端气候事件频率的增加等方面[2]。早期有很多专家学者指出,造成气候变暖的罪魁祸首就是近50年来人类活动产生的大量温室气体(二氧化碳、甲烷、氧化二氮等)[3]。但是统计数据显示,1998年至2012年间全球地表平均温度并没有如预想的速度上升,于是有专家将这段时间的现象称为“全球变暖停滞”[4]。科学界关于“全球变暖停滞”、“暂停”或者“放缓”这类说法迟迟没有达成一致[5],使公众对于全球变暖问题充满了疑惑。与此同时,全球多地出现了异常变冷现象:2012年12月至2013年1月,世界一些地方极寒、雾霾等天气轮番出现[6,7];甚至在2016年初,全球大部分地区都出现了极寒天气[8,9];2019年1月下旬,美国发生了严重的极寒天气,该次恶劣天气造成了至少21人死亡,美国的爱荷华州、伊利诺伊州、密歇根州、明尼苏达州、威斯康星州和印第安纳州等州受灾严重,有的地区最低气温降到了零下40℃,甚至打破了当地历史最低温度记录[10]。这些反常的寒冷天气频频发生[11],让人们不得不开始怀疑全球变暖的真实性。

气候变化已经不再是单纯某个学科研究的课题,而日渐成为人们共同关心的社会问题。其实造成大众疑惑的主要源头是看待问题的角度问题,气候变暖指的是长经过时间气象要素和天气现象的平均或统计而得出的结果,而天气变化,指一定区域短时段内的大气状态及其变化的总称(包含冷、暖、风雨、干湿、阴晴等)。局部地区的极端天气现象只是某地短时间内的大气状态,这些短期内天气的变化不能代表整体的气候变化。全球变暖也并不意味着一味的温度升高,而是长期气象要素和天气现象的平均或统计结果的整体趋势上升。因此,研究全球变暖时,考察的时间尺度非常关键,不能仅凭几年的气温变化就下结论,要根据30年甚至更多年的总平均变化才能较准确的说明问题[12,13]。

虽然当前人类活动影响下的全球气候平均变暖的事实已被大多数科学家所接受,但变暖的幅度、气候时空分布特征、局部极端天气与全球气候的关联等诸多问题还有待进一步研究。由于研究气候变化需要长时间的数据,许多天气气候极端事件的时空尺度都比较小,模式分辨的尺度与用于验证的模式结果资料的尺度间不匹配[14],这些都给研究过程增加了很大难度。此外,在研究全球气候时很多自然因素的预测和分析难度很大,比如海洋吸收热量对全球气候变化的影响很大[15,16],而厄尔尼诺[4]、拉尼娜[16]等极端现象又会造成海洋表面温度呈现某种震荡特征,这就导致海洋表面温度的研究存在一些缺陷,影响整体气候研究结果的准确性。因此,全球气候变化仍然是一个极具挑战性的课题。

问题描述

气候变化对于人类生活和生产方式乃至整个地球的生态平衡有着很大的影响,如果不能清楚地认识到其变化的规律就无法正确地制定人类社会的发展路线,更无法保护好我们的地球家园。为了利于非专业人士理解和认识全球气候变化的态势,我们需要利用现有的数据建立简化的气候模型和极端天气的模型,来解释极端天气的发生,寻找和求证影响气候变化的因素。通过模型建立和数据分析能够比较通俗易懂地将本课题阐述清楚,有助于提高人们对于气候变化的意识,加强全民对地球气候问题的关注并促进相应的气候变化政策的制定与实施。因此本课题我们需要解决的问题如下:

(1)天气是一定区域短时段内的大气状态(如冷暖、风雨、干湿、阴晴等)及其变化的总称。根据天气变化的历史数据,分析加拿大各地区温度的时空变化,并总结出海洋表面温度所蕴含的规律;

(2)气候则是长时间内气象要素和天气现象的平均或统计状态,在短时间内变化不大,除了地球的吸热、散热以及海洋温度变化[17],还有很多其他方面会对气候产生影响的因素,综合考虑这些影响要素,建立一个刻画气候的模型,并对未来25年的气候变化进行预测;

(3)“极寒天气”是某地的天气现象,通过建立相应的模型,描述极端天气与气候变化的关系,并说明全球变暖和局地极寒这两个现象之间的关系。

(4)分析“全球变暖了,某地今年的冬天特别冷”之间的关系,并使用一个新概念来代替“全球变暖”,能够更加清晰地体现出气候变化的趋势和复杂性。

问题分析

针对问题一

问题一要求我们根据历史数据挖掘出加拿大温度的时空变化趋势和海洋表面温度的变化规律。解决第一问时,我们首先要考虑到加拿大是个地域跨度较大的国家,在地域的选取上需要先初步对地理位置和全国的气候状态进行分析,选出几个具有代表性的地区作为研究对象,然后尽可能从官方网站上获取其较长一段时间内的统计数据,对收集到的数据进行合理的处理并作图,对比分析得出加拿大在该段时间内不同地区温度的变化趋势和联系。对于第二问,同样需要从官方网站上获得足够的海洋表面温度历史数据,经过合理的处理并作图,分析海洋表面的温度随时间发展的变化规律,并通过对不同海域的温度差异总结出海洋温度分布的特点。

针对问题二

问题二要求我们建立一个可以刻画气候变化的模型,并对未来25年的气候进行预测。首先,由于气候是长时间内气象要素和天气现象的平均或者统计状态,时间尺度为月、季、年、数年到数十年,在短时间内变化不大。所以我们只有选取长时间段的统计数据才能更准确地体现出气候的变化,因此需要收集到尽可能多的数据。其次,气候不仅与自然变化密切相关,人类活动对其造成的影响也不容忽视,因此我们需要充分考虑到各种对气候变化有影响的因素。所以模型考察的对象除了地球的吸热、散热以及海洋的温度变化,还应该加上一些与人类活动相关的因素,获取充足的信息才能更准确地刻画气候的变化。综合考虑后,我们选取了八种影响因素作为自变量,从官方网站上收集相应的统计数据,并采用三阶多项式回归拟合方法处理部分缺失的数据集。首先通过协方差分析自变量之间的相关性,并对其作标准化处理,然后采用梯度提升树(Gradient Boosting Decision Tree,GBDT) 算法建立气候模型,对自变量的重要性进行了分析,最后再用回归拟合和GBDT方法得到未来25年的气候预测结果。

针对问题三

问题三是分析极端气象与气候变化的关系,气候变化是体现在全球上的,而极端天气一般发生在某个地区。要想知道局地极寒的出现与气候变化的关系,首先需要收集到某地极寒天气的记录数据,但是由于极寒天气不是经常容易发生的天气现象,符合这种特征的记录数据又比较少,所以需要选取具有代表性的地区的统计数据才能说明问题。结合此处获得的数据集特点和算法适用情况,本题可以采用GM(1,1)灰度模型对该地区未来一段时间内极寒天气进行预测,然后将其极寒天气出现的频率与全球气温变化进行关联,分析极寒天气与全球气候之间的联系,从而说明局地极寒与全球变暖是否存在矛盾。

针对问题四

通过前面三个问题的解答,我们能够挖掘到全球温度变化和极寒天气的发生规律,特别是在第三题,我们已经找出了某地短时间的极端天气和全球天气两者的相关关系,那么,“全球变暖了,某地今年的冬天特别冷”这句话蕴含的含义也显而易见。根据上述的模型预测和分析研究,我们将对全球气候变化的趋势和复杂性有一定的了解,在此基础上对于“全球变暖”这一概念也将会有更加深刻的认知,可以提出一个新概念更形象地体现出全球变暖问题的本质。

问题一

问题一的数据收集与处理

第一问:加拿大位于北美洲北部,西临太平洋、东濒大西洋、北靠北冰洋,北极圈穿过其北部,约在北纬41°-83°、西经52°-141°之间。国土面积约9,984,670平方千米(世界第2位),是一个地广人稀的国家。加拿大因受西风影响,大部分地区属于大陆性温带针叶林气候。东部气温稍低,南部气候适中,西部气候温和湿润,北部为寒带苔原气候。北极群岛终年严寒。中西部最高气温达40℃以上,北部最低气温低至-60℃[18]。

《基于GBDT和GM算法对全球变暖的多尺度研究》

图1 加拿大地图(红色圆圈表示研究的四个代表地区)

图1是加拿大的地图,加拿大由十个省和三个地区组成,由于加拿大地域跨度大,为了简化问题,便于直观分析该国各地天气变化情况,我们选取了四个具有代表性的地区,它们分别是位于不列颠哥伦比亚的维多利亚(48°38’N, 23°25’W)、努纳武特的阿勒特(82°30’N, 62°20′ W)、新斯科舍的哈利法克斯(44°52′ N, 63°30′ W)以及萨斯喀彻温的里贾纳(50°26’N, 104°40′ W)。由上图可以看出,前三个地区都临近海边,最后一个地区位于内陆,其次,阿勒特位于全国纬度最高的北部且濒临北冰洋,其他三个地区纬度较接近,分别位于南部的东海岸、中部和西海岸。加拿大官方气候网站(https://climate.weather.gc.ca/)上可以根据地区查询历年来每天的气温数据,因为数据量大,为了简化模型,我们选取每年一月的平均气温作为该年的分析指标。因此,我们获取了这四个地区2000-2019年的统计数据,可以合理地描述加拿大温度的时空变化趋势。

第二问:从美国国家海洋和大气管理局(NOAA)网站(http://www.noaa.gov/web.html),该观测点提供的原始数据是1854-2019年间每年每月第一天的观测数值,我们选取每年的一月一号的数据为该年的分析指标(与上一问的温度选取日期一致),对这些数据作图并进行规律分析。

问题一的求解

第一小问:图2是2000年-2019年加拿大四个地区的一月份平均温度变化示意图,由图中四条曲线的分布情况初步可知,温度由高到低排列:维多利亚、哈利法克斯、里贾纳、阿勒特。结合地理位置,很容易得出结论:纬度高的地区(阿勒特)温度最低,同一纬度的地区中,内陆地区(里贾纳)的温度明显低于沿海地区(维多利亚和哈利法克斯),东海岸地区(哈利法克斯)的温度低于西海岸地区(维多利亚)。

再从时间的角度分析,二十年来各地的气温大体上都处于波动的状态,通过线性回归的方法分别对四个地区的温度曲线进行粗略拟合,得到的直线斜率一定程度上可以代表该地区温度随时间变化的增长速率。图2.a-2.d的直线斜率分别为-0.0165、0.0469、0.0905、0.2251,其中阿勒特的直线斜率最大,也就是其温度增长趋势最明显。结合地理位置分析,阿勒特位于加拿大最北端,临近北冰洋,随着近年来北极冰川消融,北冰洋海水水位上升,海洋表面温度升高,对北冰洋沿海地区的温度也有影响,这可能是造成阿勒特温度明显上升的主要原因。

其中值得注意的是,2006年是加拿大气温比较特别的一年,各地区相比前一年气温都有所上升,温度分别升高了2.7℃(维多利亚)、7.0℃(哈利法克斯)、12.4℃(里贾纳)、0.7℃(阿勒特),位于南部的三个地区气温上升现象十分明显。当年的新闻报道中也提到了2005年至2006年冬季加拿大迎来了近年来最温暖的冬天,当时全国平均气温高出正常年份3.9℃[19]。

《基于GBDT和GM算法对全球变暖的多尺度研究》

图2 2000-2019年加拿大四个地区一月平均温度变化图

第二小问:图3是1854-2019年每年1月1日的温度变化示意图,图中曲线处于波动的状态,仔细观察可以发现,全球海洋表面温度的整体趋势是先降低再升高的,这种转变发生在1917年附近。从1854年到1917年这近六十年里,海洋表面温度较缓慢地波动式下降了约1.8℃,而从1917年至今的近一百年里,海洋表面温度较稳定地波动式上升了约4.0℃。

《基于GBDT和GM算法对全球变暖的多尺度研究》

图3 1854-2019年海洋表面温度变化图

其次我们对海洋表面温度的区域差异进行了分析,图4中a、b、c分别为1854年、1917年和2019年全球海洋表面温度的分布图。从图中颜色变化可以看出位于太平洋中心的B点和太平洋东部北美沿海的A点这两块区域温差变化明显,于是我们又分别获取了这两点的历年数据进行了对比,图5是AB两处的温度变化曲线,可以看出二者都处于较缓和的震荡模式,而靠近陆地周围的A处的海洋表面温度比太平洋中心的B处的温度低了近20℃。造成如此大的温度差异与海陆热力性质差异是分不开的,即海洋和陆地自身吸收与储存热量能力的不同,陆地比热容小,当陆地处于冬季时降温快,气温低,也会对临近的海水温度造成影响,而深海降温慢,可以保持较高的气温[20]。

《基于GBDT和GM算法对全球变暖的多尺度研究》

图4 1854、1917、2019年全球海洋表面温度分布图(A点是太平洋东部北美沿海地区,B点是太平洋中心)

《基于GBDT和GM算法对全球变暖的多尺度研究》

图5 1854-2019年太平洋AB两处的温度变化图

问题二

问题二的数据收集与处理

首先从NOAA网站上获取了1881-2018年全球平均气温的统计数据,我们通过查阅文献和分析报告对影响因素进行了研究。有很多专家学者分析认为影响气候的主要因素分为自然因素和人为因素[21-23],因此综合考虑了一些对气候影响显著的因素后,最终选取了八种因素并获取了它们的统计数据,以下是具体的释义和数据说明。

海洋表面温度:即全球海洋表面平均温度,从NOAA网站获取了1854-2019年的SST data,变化趋势见图6.a。(https://www.esrl.noaa.gov/psd/data/gridded/using_dods.gtml

地球的吸热:即太阳对地球的辐射热量,在NOAA网站上获取了2002-2018年位于美国新墨西哥州的阿尔伯克基(ABQ)观测站原位测得的solar radiation data。由于无法获得更多原始统计数据,我们认为可以将最接近赤道的观测站提供的数据近似看作整个地球的太阳辐射普遍水平来进行下一步的分析,变化趋势见图6.b。

https://www.esrl.noaa.gov/gmd/dv/data/index.php?category=Radiation

地球的放热:即地球表面的辐射热量,在NOAA网站上获取了1998-2018年位于美国内华达州黑岩沙漠观测站(DRA)原位测得的surface radiation data。同样的原因,该站提供的数据也可近似看作整个地球的表面辐射普遍水平,变化趋势见图6.c。

https://www.esrl.noaa.gov/gmd/dv/data/index.php?category=Radiation

CO2浓度:即大气中二氧化碳的浓度,从NOAA网站上获取了1980-2018年的全球CO2浓度数据,变化趋势见图6.d 。(https://www.esrl.noaa.gov/gmd/ccgg/trends/global.html

CH4浓度:即大气中甲烷的浓度,从NOAA网站上获取了1983-2018年的全球CH4浓度数据,变化趋势见图6.e。(https://www.esrl.noaa.gov/gmd/ccgg/trends/global.html

人口总数:即全球人口总数量,从联合国统计司网站上获取了1960-2018年间全球总人口的统计数据,变化趋势见图6.f。(https://unstats-undesa.opendata.arcgis.com

森林面积:即由自然生长或人工种植且原地高度至少为5米的直立树木(无论是否属于生产性)所覆盖的土地面积,可以用来表征全球绿色植被覆盖率,从联合国粮食和农业组织网站上获取了1990-2018年间的全球森林总面积的统计数据,变化趋势见图6.g。   (http://www.fao.org/faostat/zh/#home

GDP:即生产总值,可以用来衡量经济发展水平,从经济合作与发展组织网站上获取了1980-2018年全球GDP的统计数据,变化趋势见图6.h。(https://data.oecd.org

《基于GBDT和GM算法对全球变暖的多尺度研究》

图6 a-h分别是1980-2018年海洋表面温度、地球的吸热、地球的放热、CO2浓度、CH4浓度、人口总数、森林面积、GDP随时间的变化图(蓝线部分是1980-2018获取的真实统计数据,绿色虚线是补充的数据,红色虚线是回归分析得到的预测值)

数据集的选取原则:由于上面获得的这些数据集年限不同,综合考虑,我们统一选取1980-2018年这39年的统计数据进行分析,其中地球的吸热、放热、CH4浓度和森林面积  的数据年限较少,结合数据特征我们先对其进行了合理的补充。地球的吸热和放热数据是平稳震荡趋势,于是我们取了均值填补往年缺失的部分。而CH4浓度和森林面积数据呈单调趋势,于是我们运用回归拟合的手段补齐了数据集的缺失部分。

问题二的求解

(1)自变量的相关性分析:图7是由协方差矩阵得到的八种因素之间的相关性示意图,其中方块的颜色深浅代表了其对应的两个变量之间相关性的强弱程度。从中我们可以得出结论:地球的吸热和放热与其他自变量几乎没有关系,这是因为它们表现出的平稳震荡趋势与其他自变量变化趋势不同;二氧化碳、甲烷、人口、GDP四个变量之间表现出强正相关,这些因素也与人类活动强度密切正相关,值得一提的是,人类活动引起大气中CO2含量的增加,大气物理学家对此给出了较强的证明。大气中C元素有两个稳定同位素C12和C13,化石能源燃烧而排放的CO2中C12的浓度更大。结果导致大气中CO2中C13相对浓度减少,这就直接表明人类排放,即化石能源的燃烧,导致CO2的含量增加[24];森林面积与二氧化碳、甲烷、人口、GDP四个变量表现出强负相关,可以看出人类活动的频繁在一定程度上破坏了植被森林,这也告诉我们植树造林可以保护生态平衡,降低温室气体的排放,进而可以间接改善全球气候。

《基于GBDT和GM算法对全球变暖的多尺度研究》

图7 八种因素之间的相关性示意图(横坐标的变量从左往右分别代表CO2浓度、海洋表面温度、CH4浓度、地球的吸热、地球的放热、人口总数、森林面积、GDP)

《基于GBDT和GM算法对全球变暖的多尺度研究》

图8 a八种因素对全球表面温度的重要性分析示意图(纵坐标由上往下依次是:海洋表面温度、地球的放热、GDP、人口总数、森林面积、CO2浓度地球的吸热、CH4浓度);b GBDT模型的预测误差分析示意图(紫色点和绿色点分别代表训练集数据和测试集数据),比较真实温度和模型预测温度的误差。其中针对测试集数据,预测误差为R2=0.97,RMSE=0.03℃

(2)不同自变量对因变量的重要性分析:我们使用GBDT算法关联全球表面温度和八种因素之间的关系,并得到了这八种因素的重要性排序:海洋表面温度>地球的放热>GDP>人口总数>森林面积>CO2浓度>地球的吸热> CH4浓度,见图8.a。其中海洋和地球的放热对气候的影响最大(重要程度分别为0.28, 0.20),值得一提的是,温室气体CO2和CH4的重要性没有想象中大,重要程度分别为0.08和0.07。事实上,地球温度的增加是由人类排放的CO2而引起的,相应的科学证据要弱得多。但是,两件事实有关联并不等于存在因果关系。因为完全可能有相反的解释:是温度上升引起CO2浓度的增加,例如,海水升温后会排放更多CO2[24]。相比之下,人口数和衡量经济发展的GDP指标显得稍微重要(分别为0.10和0.11)。图8.b中紫色点和绿色点分别表示模型中使用的训练集数据和测试集数据,首先我们可以发现紫色的点都在一条直线上,GBDT模型能够很好的描述训练集中全球表面温度和这八种因素之间的关系,在这个前提下,我们使用测试集数据验证模型的泛化能力。可以发现,对于测试集数据R2=0.97,RMSE=0.03 ℃,我们的预测值和真实值的平均误差只有0.03℃,这说明本模型的预测精度非常高。

(3)未来25年全球气候预测结果:我们采取前文中三阶多项式回归拟合方法得到未来25年各因素的数值(见图6红色虚线部分),并将它们作为GBDT模型的输入,预测出未来25年全球温度变化图(图9)。数据表明,未来25年全球气温上升了0.68℃,由此可见,全球变暖并不是空穴来风。也有很多其他专家学者通过不同的方法对未来全球气温进行了预测,这些预测结果大多显示未来全球气温的确会逐渐上升[1,25]。

《基于GBDT和GM算法对全球变暖的多尺度研究》

图9 模型预测得出的未来25年全球表面平均温度变化图

问题三

问题三的数据收集与处理

想要根据现有的统计数据建立简化的极端气候预测模型,首先在数据的选取上要求更高。由于极寒天气并不是全球各地都会出现的常态,因此对不同的地区进行考察后,我们决定采用位于加拿大萨斯喀彻温的里贾纳(50°26’N, 104°40′ W)的气温统计数据。该地位于加拿大的中部陆地,冬季最冷温度在零下29-42℃区间变化,且问题一的研究表明该地的气候是非常具有代表性的,所以我们认为可以通过该地的极寒天气发生情况研究全球变暖与极端天气的关系。于是我们从加拿大官方网站上获得了里贾纳1980-2019年间每年的最低温度数据,只要数值低于零下40℃即可视为该年发生极寒天气。

数据集的选取规则:获得的原始数据中显示1990年以前该地出现低于零下40℃的温度的频率极低,考虑到历史状况和当地的经济与科技发展水平,说明这段数据可能不具有参考价值,因此在建立灰度模型时为了避免引入过大误差,我们只选择了1990年以后的数据进行分析。

根据极寒天气的定义,我们设定温度低于零下40℃时即为极寒天气。表1是里贾纳地区1990-2019年每年最低温度。可以看出该地区在这段年限中发生过6次极寒天气事件。GM(1,1)具体建模过程如下:

表1 1990-2019年里贾纳地区每年最低温度

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
最低温/℃ -35.8 -35.8 -31.8 -39.1 -40.6 -29.2 -41.0 -40.1 -38.3 -37.9
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
最低温/℃ -35.8 -34.6 -36.1 -38.9 -41.8 -39.5 -32.8 -35.2 -38.6 -41.0
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
最低温/℃ -37.5 -37.0 -31.2 -35.3 -36.6 -35.8 -34.6 -35.0 -33.6 -42.0

写出初始数列

《基于GBDT和GM算法对全球变暖的多尺度研究》

《基于GBDT和GM算法对全球变暖的多尺度研究》

图10 1990-2019年里贾纳极寒天气发生频率与全球气温变化图(曲线代表全球平均气温趋势,蓝柱代表出现极寒天气的概率情况[1为发生,0为不发生])

图10为1990-2019年里贾纳极寒天气发生频率与全球气温变化图,曲线代表全球平均气温趋势,蓝柱代表出现极寒天气的概率情况(1为发生极寒天气,0为不发生)。由图可见,在1990-2018年间,发生极寒天气的频率逐渐降低,这在我们通过灰度模型预测的结果中体现的更为明显,预测结果显示未来最近一次里贾纳的极寒天气是出现在12年之后,而在这之后需要再过20年才会出现下一次极寒天气。换言之,随着未来全球气温的上升,极寒天气发生的几率在变小。进一步可以得出结论,极端天气的出现与气候变化是有关系的,所以全球变暖和局地极寒现象的出现完全不矛盾。

问题四

“全球变暖了和某地今年特别冷”看起来是很矛盾,但实际上这两者之间并不矛盾。以美国为例,2016年1月23日,超强暴风雪“乔纳斯”席卷美国东北部大部分地区,造成至少12人死亡,包括首都华盛顿在内的东北部地区和部分南部地区有8500万人遭遇强降雪等恶劣天气。但是同一时期,美国大西洋海域一些区域的水温比平均水平高出3℃[26]。问题三中历年全球气温的变化显示2016年的全球平均气温较往年是上升的(见图10)。由此可见,“今年特别冷”是个局部、短期的说法,而“全球变暖”是全局、长期的概念。虽然局部、短期的天气现象并不能影响全球变暖的趋势,但是“全球变暖”和某地极端天气的发生频率是有关系的,这与我们问题二和问题三的结论相一致。2016年美国东北部的暴风雪形成很有可能是因为全球变暖导致北极寒流频繁南下,加上当年大西洋表面水温异常升高,造成大气中水汽增加,极冷和极热气流对撞,导致了极寒天气的发生。所以可以理解为全球变暖与局部极寒是有一定的因果关系的。

对于“全球变暖”,我们提出可以使用“ 全球灰度式变暖”来代替。“全球变暖”即一种自然现象,是由于温室效应的不断积累,导致地气系统能量不平衡,形成全球气候变暖。由于全球变暖不仅仅是气温绝对的上升,而是对于波动变化数值的长期统计平均数据,对于某一年或者某几年的温度可能会出现下降的情况,如根据全球气候变化趋势(图10)出现后一年的平均气温低于前一年的情况,同时全球变暖会带来冰川消融、极端天气增加、自然界物种多样性下降等危害[8,9,27],“全球变暖”这个词仅仅体现了表层概念,却不能真正表达出气候变化的具体情况。这里,我们提出一个新的概念:“全球灰度式变暖”。参考灰度系统的定义,我们将部分信息已知而部分信息未知的系统称为灰色系统,它的两个极端是信息完全确定的白色系统和信息完全不确定的黑色系统。结合气候变化的复杂性,我们认为可以把它归属于灰色系统。在此,我们延伸出“灰度式”概念,既可以体现出全球变暖并不是简单的温度升高,也可以体现出气候预测中需要考量的因素不够明确,尚处于灰色地带。所以我们认为可以用“全球灰度式变暖”替代“全球变暖”,“全球“和”变暖”表现出全球范围内气温上升的趋势,“灰度式”则体现了气候变化的复杂性。

总结与评价

总结

本工作基于GBDT和GM算法利用现有的统计数据建立简化的极端天气和气候模型,对全球变暖进行了多尺度研究,对极端天气和气候进行了清晰的阐述。

通过对加拿大四个具有代表性的城市:维多利亚、阿勒特、哈利法克斯、里贾纳进行分析,归纳出加拿大地区温度的时空趋势:加拿大二十年来的气温大体上处于波动的状态,但是在2006年出现了异常的暖冬现象;结合地理位置发现,高纬度地区的温度明显低于低纬度地区,内陆地区的温度低于沿海地区。接着对海洋表面温度的历史数据进行研究:1854-2019年间全球海洋表面温度整体趋势是先降低再升高的,其中,1854-1917年下降了约1.8℃,1917-2019年上升了约4.0℃;海洋不同区域的温度也有明显差异。比如,太平洋东部北美沿海地区的温度就比太平洋中心的温度低了近20℃,这与海陆热力性质差异是分不开的。

利用三阶多项式回归拟合方法处理数据、协方差分析相关性和GBDT法建模,考察了1980-2018年海洋表面温度、地球的吸热、地球的放热、CO2浓度、CH4浓度、人口总数、森林面积和GDP八种因素,对其重要性进行了分析,得出八种因素对全球温度的重要性的排序:海洋表面温度(0.28)>地球的放热(0.20)>GDP(0.11)>人口总数(0.10)>森林面积(0.09)>CO2浓度(0.08)>地球的吸热(0.07)> CH4浓度(0.07)。该模型对测试集数据的预测值和真实值的误差为:R2=0.97,RMSE=0.03 ℃,证明模型泛化能力强。最后再用回归拟合和GBDT方法得到未来25年的气候预测结果:未来25年全球气温将上升0.68℃。

选取加拿大萨斯喀彻温的里贾纳(50°26’N, 104°40′ W)的历年天气状况作为研究对象。采用GM(1,1)模型对该地区未来一段时间内极寒天气进行预测,结果表明里贾纳未来最近一次出现极寒天气是在12年以后,而在这之后需要再过20年才会出现下一次极寒天气。进一步分析得出,随着未来全球气温的上升,极寒天气发生的几率将变小。因此,极端天气的出现与气候变化是有关系的,全球变暖和局地极寒现象的出现完全不矛盾。

“全球变暖”这个词仅仅体现了表层概念,不能真正表达出气候变化的具体情况。参考灰度系统,我们提出 “全球灰度式变暖” 这个新概念,既可以体现出全球变暖并不是简单的温度升高,也可以体现出气候预测中需要考量的因素不够明确,尚处于灰色地带。从范围、趋势、复杂性三个角度回答了全球是否变暖的问题。

优缺点分析

(1)优点分析:上述问题中用到的算法模型都很成熟,尤其是GBDT算法和GM(1,1)模型非常适用于本课题的特征研究;从各官方网站获取的数据源真实可靠,数据的选取和处理过程中运用了专业的方法,确保了模型输入的合理性,进一步提高了模型预测的准确性;在思考问题时充分结合了历史和社会情况,尽可能全面考虑了影响天气的各种可能因素,分析结果时客观准确并结合资料进行了合理解释。

(2)缺点分析:由于本课题研究的主题天气是一个长期的变化状态,需要特别长时间的数据才能更加准确地进行预测,而我们从网上能够获取到的公开数据有限,部分数据集不足,虽然采用了回归拟合和均值代替等方法补充了数据集,仍可能存在一定的偏差;有些问题分析结果偏定性,无法给出具体的定量分析结果。

参考文献

[1]       Y. Xu, V. Ramanathan, D. G. Victor, Global warming will happen faster than we think, Nature, Vol. 564,30:32, 2018, Dec.

[2]       Change I C. The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, 2013: 33-118.http://www,climatechange2013,org/images/uploads/WGIARSSPM_Approved,27Sep2013.pdf.22-23,2012.

[3]       Houghton J T, Ding Y H, Griggs D G, et al. Climate Change 2001: The Scientific Basis. Cambridge, UK: Cambridge University Press, 2001.

[4]       Medhaug I, Stolpe M B, Fischer E M, et al. Reconciling controversies about the ‘global warming hiatus’[J]. Nature, 2017, 545(7652): 41.

[5]       Kerr R A. What happened to global warming? Scientists say just wait a bit[J]. 2009.

[6]       Peterson T C, Hoerling M P, Stott P A, et al. Explaining extreme events of 2012 from a climate perspective[J]. Bulletin of the American Meteorological Society, 2013, 94(9): S1-S74.

[7]       Swain D L, Tsiang M, Haugen M, et al. The extraordinary California drought of 2013/2014: Character, context, and the role of climate change[J]. Bull. Am. Meteorol. Soc, 2014, 95(9): S3-S7.

[8]       Jiménez-Muñoz J C, Mattar C, Barichivich J, et al. Record-breaking warming and extreme drought in the Amazon rainforest during the course of El Niño 2015–2016[J]. Scientific reports, 2016, 6: 33130.

[9]       Herring S C, Christidis N, Hoell A, et al. Explaining extreme events of 2016 from a climate perspective[J]. Bulletin of the American Meteorological Society, 2018, 99(1): S1-S157.

[10]     地理沙龙号,美国遭遇极寒天气,出现破纪录低温,源于强大的“北极涡旋”来袭,http://www.sohu.com/a/293045219_794891,2019-9-21.

[11]      Rahmstorf S, Coumou D. Increase of extreme events in a warming world[J]. Proceedings of the National Academy of Sciences, 2011, 108(44): 17905-17909.

[12]     Yang L, Wan K K W, Li D H W, et al. A new method to develop typical weather years in different climates for building energy use studies[J]. Energy, 2011, 36(10): 6121-6129.

[13]     Kilsby C G, Jones P D, Burton A, et al. A daily weather generator for use in climate change studies[J]. Environmental Modelling & Software, 2007, 22(12): 1705-1719.

[14] Von Storch H, Zwiers F W. Statistical analysis in climate research[M]. Cambridge university press, 2001.

[15]     Chen X, Tung K K. Global surface warming enhanced by weak Atlantic overturning circulation[J]. Nature, 2018, 559(7714): 387.

[16]     Meehl G A, Hu A, Santer B D, et al. Contribution of the Interdecadal Pacific Oscillation to twentieth-century global surface temperature trends[J]. Nature Climate Change, 2016, 6(11): 1005.

[17]     Smith T M, Reynolds R W. A high-resolution global sea surface temperature climatology for the 1961–90 base period[J]. Journal of Climate, 1998, 11(12): 3320-3323.

[18]  维基百科,加拿大,https://zh.wikipedia.org/zhhans/%E5%8A%A0%E6%8 B%BF%E5%A4%A7,2019-9-22.

[19]     新华网,加拿大经历有气象纪录以来的第二暖冬,http://travel.sohu.co m/20070321/n248868968.shtml ,2019-9-22.

[20]     Mazón J, Pino D. The role of sea–land air thermal difference, shape of the coastline and sea surface temperature in the nocturnal offshore convection[J]. Tellus A: Dynamic Meteorology and Oceanography, 2013, 65(1): 20027.

[21]     Allen M, Pall P, Stone D, et al. Scientific challenges in the attribution of harm to human influence on climate[J]. U. Pa. L. Rev., 2006, 155: 1353.

[22]     Jacobson M Z, Streets D G. Influence of future anthropogenic emissions on climate, natural emissions, and air quality[J]. Journal of Geophysical Research: Atmospheres, 2009, 114(D8).

[23]     D’amato G, Cecchi L. Effects of climate change on environmental factors in respiratory allergic diseases[J]. Clinical & Experimental Allergy, 2008, 38(8): 1264-1274.

[24]     庆承瑞,全球变暖与反变暖之争和病态科学,http://news.sciencenet.cn/ htmlnews/2010/6/233862.shtm ,2019-9-22.

[25]     Cox P M, Betts R A, Jones C D, et al. Acceleration of global warming due to carbon-cycle feedbacks in a coupled climate model[J]. Nature, 2000, 408(6809): 184.

[26]     Gobler C J, Doherty O M, Hattenrath-Lehmann T K, et al. Ocean warming since 1982 has expanded the niche of toxic algal blooms in the North Atlantic and North Pacific oceans[J]. Proceedings of the National Academy of Sciences, 2017, 114(19): 4975-4980.

[27]     Stiglitz J. A new agenda for global warming[J]. The Economists’ Voice, 2006, 3(7).

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注

19 − 14 =