CN115907239A - 一种用于预测全球年平均气温的方法 - Google Patents
一种用于预测全球年平均气温的方法 Download PDFInfo
- Publication number
- CN115907239A CN115907239A CN202310213109.2A CN202310213109A CN115907239A CN 115907239 A CN115907239 A CN 115907239A CN 202310213109 A CN202310213109 A CN 202310213109A CN 115907239 A CN115907239 A CN 115907239A
- Authority
- CN
- China
- Prior art keywords
- annual average
- carbon dioxide
- year
- data
- concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 192
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 95
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 95
- 238000012417 linear regression Methods 0.000 claims abstract description 27
- 238000013213 extrapolation Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010792 warming Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- -1 greenhouse gas Chemical compound 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于预测全球年平均气温的方法，属于气温预测的技术领域，包括获取1884年‑2018年的二氧化碳年平均浓度数据，制作二氧化碳年平均浓度的变化曲线，对二氧化碳年平均浓度的变化曲线进行分析，根据分析结果选择趋势外推法对二氧化碳年平均浓度进行预测；获取1884年‑2018年的海洋表面年平均温度数据，制作海洋表面年平均温度变化曲线，对海洋表面年平均温度变化曲线进行分析，根据分析结果选择BP神经网络对海洋表面年平均温度进行预测；使用数据运算系统对二氧化碳年平均浓度和海洋表面年平均温度进行预测，根据二氧化碳年平均浓度和海洋表面年平均温度的预测值进行多元线性回归得到用于预测全球年平均气温的方法的预测值。
Description
技术领域
本发明涉及气温预测的技术领域，具体的是一种用于预测全球年平均气温的方法。
背景技术
近年来随着社会的不断工业化，科技的逐步发展，温室气体的排出量不断增加，进而导致了全球不断变暖。所谓全球变暖，究其本质，是由于温室效应不断积累所致。所谓温室效应，是由于人们焚烧化石燃料，如石油、煤炭等，或砍伐森林并将其焚烧时会产生大量的二氧化碳，即温室气体，这些温室气体对来自太阳辐射的可见光具有高度透过性，而对地球发射出来的长波辐射具有高度吸收性，能强烈吸收地面辐射中的红外线，使得地球温度上升。由于存在温室效应，影响地气系统吸收与发射的能量平衡，能量不断在地气系统累积，从而导致温度上升，造成全球气候变暖。许多科学家认为，全球变暖可能导致更多的极端气象的产生，导致全球降水量重新分配、冰川和冻土消融、海平面上升等威胁人类生存的因素。
因此，预测全球年平均气温的变化趋势尤为重要。而二氧化碳年平均浓度和海洋表面年平均温度是影响全球年平均气温的关键性因素。现有公开的技术中多为利用时间和空间结合深度网络模型进行预测气温预测，并没有结合对全球年平均气温造成本质影响的因素（二氧化碳年平均浓度和海洋表面年平均温度）来预测全球年平均气温，预测出的长期全球年平均气温的精度较差。这就是现有技术的不足之处。
发明内容
本发明所要解决的技术问题，就是针对现有技术所存在的不足，而提供一种用于预测全球年平均气温的方法，用二氧化碳年平均浓度来体现地球的吸热与散热，用海洋表面年平均温度来体现海洋的温度变化，先通过分析1884年-2018年二氧化碳年平均浓度和海洋表面年平均温度来选择合适的预测模型进行预测未来的二氧化碳年平均浓度和海洋表面年平均温度，再将预测的二氧化碳年平均浓度和海洋表面年平均温度的预测值进行线性回归得到全球年平均气温的预测值，可以用于对全球年平均气温的长期预测。
本方案是通过如下技术措施来实现的：一种用于预测全球年平均气温的方法，包括以下步骤：
步骤1：获取1884年-2018年的二氧化碳年平均浓度数据，并制作二氧化碳年平均浓度的变化曲线，对二氧化碳年平均浓度的变化曲线进行分析，根据分析结果选择趋势外推法对二氧化碳年平均浓度进行预测；
步骤2：获取1884年-2018年的海洋表面年平均温度数据，并制作海洋表面年平均温度变化曲线，对海洋表面年平均温度变化曲线进行分析，根据分析结果选择BP神经网络对海洋表面年平均温度进行预测；
步骤3：使用数据运算系统对二氧化碳年平均浓度和海洋表面年平均温度进行预测，并根据二氧化碳年平均浓度和海洋表面年平均温度的预测值进行多元线性回归得到全球年平均气温的预测值；
所述数据运算系统包括数据输入模块、数据分析处理模块及数据输出模块；所述数据分析处理模块包括至少两种趋势外推法运算模型、BP神经网络运算模型及多元线性回归运算模型；
将获取的1884年-2018年的海洋表面年平均温度数据通过数据输入模块输入数据分析处理模块，所述数据分析处理模块调用BP神经网络运算模型对数据进行运算得到海洋表面年平均温度的预测值；
将获取的1884年-2018年的二氧化碳年平均浓度数据通过数据输入模块输入数据分析处理模块，所述数据分析处理模块分别调用不同的趋势外推法运算模型对二氧化碳年平均浓度进行运算得到不同的方程，并计算不同方程的标准误差，选择标准误差最小的方程运算得到二氧化碳年平均浓度的预测值；
所述数据分析处理模块调用多元线性回归运算模型，以得到的二氧化碳年平均浓度的预测值和海洋表面年平均温度的预测值为自变量，以全球年平均气温为因变量进行多元线性回归得到全球年平均气温的预测值；
所述数据输出模块用于输出多元线性回归模型运算得到的全球年平均气温的预测值。
优选的，所述趋势外推法运算模型包括修正指数曲线估计模型、Compertz曲线估计模型以及Logistic曲线估计模型。
优选的，采用修正指数曲线估计模型对二氧化碳年平均浓度进行预测，
根据步骤1中制作的1884年-2018年的二氧化碳年平均浓度的变化曲线，确定二氧化碳年平均浓度逐年增长率趋于常数1，采用修正指数曲线拟合，得到修正指数曲线方程为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值。
优选的，采用Compertz曲线估计模型对二氧化碳年平均浓度进行预测，
对步骤1中获取的1884年-2018年的二氧化碳年平均浓度数据进行验证，确定1884年-2018年二氧化碳年平均浓度的对数增长率趋于常数1，通过运算得出Compertz曲线方程为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值。
优选的，采用Logistic曲线估计模型对二氧化碳年平均浓度进行预测，
对步骤1中获取的1884年-2018年的二氧化碳年平均浓度数据进行验证，确定1884年-2018年二氧化碳年平均浓度的倒数增长率趋于常数1，通过运算得出Logistic曲线方为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值；
通过计算得出修正指数曲线估计的标准误差为113.3785，Compertz曲线估计的标准误差为289.3278，Logistic曲线估计的标准误差为295.1335，选用标准误差最小的修正指数模型对二氧化碳年平均浓度进行预测。
优选的，采用BP神经网络模型对海洋表面年平均温度进行预测，
将获取的1884年-2018年的海洋表面年平均温度数据作为训练集输入MATLAB中，设定自回归的阶数为3，设定隐含层神经元个数为10，创建出网络，将训练、测试和验证数据的比例调整为70％、15％、15％，然后对训练集进行训练，最后将预测步数设为26，以得到2019年到2044年这26年的海洋表面年平均温度的预测值。
优选的，对二氧化碳年平均浓度的预测值和未来海洋表面年平均温度的预测值进行多元线性回归，得到全球年平均气温
预测值与二氧化碳年平均浓度
和海洋年平均表面温度
的多元线性回归方程为：
其中t表示年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推；
对回归方程进行F检验得到P小于0.05，可知模型的显著性较高，并且求出
，模型的拟合优度较好。
采用上述技术方案，从对全球年平均气温最根本的影响因素二氧化碳年平均浓度和海洋表面年平均温度入手，进而预测出全球年平均气温。对于二氧化碳年平均浓度的预测，应用趋势外推法，其中包括修正指数曲线估计、Compertz曲线估计以及Logistic曲线估计，计算其标准误，选取标准误差最小的模型进行预测；对于海洋表面年平均温度的预测，采用BP神经网络预测模型，在输入的1884年-2018年经过训练之后，输出的数据经证明与现实数据拟合程度较高。再将预测的二氧化碳年平均浓度和海洋表面年平均温度的预测值进行线性回归得到全球年平均气温的预测值，可以用于对全球年平均气温的长期预测，经过核对2019-2021年的数据，该预测方法的预测精度较高。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
图1为1884年-2018年全球年平均气温的示意图；
图2为1884年-2018年二氧化碳年平均浓度的示意图；
图3为1884年-2018年海洋表面年平均温度的示意图；
图4为预测的2019年-2044年二氧化碳年平均浓度的示意图；
图5为预测的2019年-2044年海洋表面年平均温度的示意图；
图6为预测的2019年-2044年全球年平均气温的示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本方案进行阐述。
本发明用二氧化碳年平均浓度来体现地球的吸热与散热，用海洋表面年平均温度来体现海洋的温度变化，对未来全球年平均气温的变化进行预测。
为预测全球气候的变化，建立了以二氧化碳年平均浓度和海洋表面年平均温度为自变量，以全球年平均气温为因变量的多元线性回归模型；具体包括以下步骤：
步骤1：获取1884年-2018年的二氧化碳年平均浓度数据，并制作二氧化碳年平均浓度的变化曲线（如图2），对二氧化碳年平均浓度的变化曲线进行分析，根据分析结果选择趋势外推法对二氧化碳年平均浓度进行预测；
步骤2：获取1884年-2018年的海洋表面年平均温度数据，并制作海洋表面年平均温度变化曲线（如图3），对海洋表面年平均温度变化曲线进行分析，根据分析结果选择BP神经网络对海洋表面年平均温度进行预测；
步骤3：使用数据运算系统对二氧化碳年平均浓度和海洋表面年平均温度进行预测，并根据二氧化碳年平均浓度和海洋表面年平均温度的预测值进行多元线性回归得到全球年平均气温的预测值；
所述数据运算系统包括数据输入模块、数据分析处理模块及数据输出模块；所述数据分析处理模块包括至少两种趋势外推法运算模型、BP神经网络运算模型及多元线性回归运算模型；
将获取的1884年-2018年的海洋表面年平均温度数据通过数据输入模块输入数据分析处理模块，所述数据分析处理模块调用BP神经网络运算模型对数据进行运算得到海洋表面年平均温度的预测值；
将获取的1884年-2018年的二氧化碳年平均浓度数据通过数据输入模块输入数据分析处理模块，所述数据分析处理模块分别调用不同的趋势外推法运算模型对二氧化碳年平均浓度进行运算得到不同的方程，并计算不同方程的标准误差，选择标准误差最小的方程运算得到二氧化碳年平均浓度的预测值；
所述数据分析处理模块调用多元线性回归运算模型，以得到的二氧化碳年平均浓度的预测值和海洋表面年平均温度的预测值为自变量，以全球年平均气温为因变量进行多元线性回归得到全球年平均气温的预测值；
所述数据输出模块用于输出多元线性回归模型运算得到的全球年平均气温的预测值。
优选的，所述趋势外推法运算模型包括修正指数曲线估计模型、Compertz曲线估计模型以及Logistic曲线估计模型。
对二氧化碳年平均浓度进行预测：
1.采用修正指数曲线估计模型对二氧化碳年平均浓度进行预测，
根据步骤1中制作的1884年-2018年的二氧化碳年平均浓度的变化曲线，确定二氧化碳年平均浓度逐年增长率趋于常数1，采用修正指数曲线拟合，得到修正指数曲线方程为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值。
2.采用Compertz曲线估计模型对二氧化碳年平均浓度进行预测：
对步骤1中获取的1884年-2018年的二氧化碳年平均浓度数据进行验证，确定1884年-2018年二氧化碳年平均浓度的对数增长率趋于常数1，通过运算得出Compertz曲线方程为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值。
3.采用Logistic曲线估计模型对二氧化碳年平均浓度进行预测，
对步骤1中获取的1884年-2018年的二氧化碳年平均浓度数据进行验证，确定1884年-2018年二氧化碳年平均浓度的倒数增长率趋于常数1，通过运算得出Logistic曲线方为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值。
通过计算得出修正指数曲线估计的标准误差为113.3785，Compertz曲线估计的标准误差为289.3278，Logistic曲线估计的标准误差为295.1335，选用标准误差最小的修正指数模型对二氧化碳年平均浓度进行预测，预测得到的2019年-2044年的二氧化碳年平均浓度值（如图4）。
对海洋表面年平均温度进行预测：
采用BP神经网络模型对海洋表面年平均温度进行预测，
将获取的1884年-2018年的海洋表面年平均温度数据作为训练集输入MATLAB中，设定自回归的阶数为3，设定隐含层神经元个数为10，创建出网络，将训练、测试和验证数据的比例调整为70％、15％、15％，然后对训练集进行训练，最后将预测步数设为26，以得到2019年-2044年的海洋表面年平均温度的预测值（如图5）。
对二氧化碳年平均浓度的预测值和未来海洋表面年平均温度的预测值进行多元线性回归，得到全球年平均气温
预测值与二氧化碳年平均浓度
和海洋年平均表面温度
的多元线性回归方程为：
其中t表示年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推；
对回归方程进行F检验得到P小于0.05，可知模型的显著性较高，并且求出
，模型的拟合优度较好。
将二氧化碳年平均浓度和海洋年平均表面温度的预测值带入多元线性回归中，得到未来全球年平均气温预测值（如图6），该预测值显示，到2044年，全球年平均气温将达到15.30℃，较2018年上升了0.53℃，该预测值在正常范围内，符合全球变暖的大趋势。
与此同时，通过上述多元线性回归方程预测出了2019年-2021年的全球年平均气温的预测值，与全球年平均气温的实际值基本一致，说明本发明公开的对全球年平均气温的预测方法的精度较高。
本发明中未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述实施方式，本领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (7)
1.一种用于预测全球年平均气温的方法，其特征在于，包括以下步骤：
步骤1：获取1884年-2018年的二氧化碳年平均浓度数据，并制作二氧化碳年平均浓度的变化曲线，对二氧化碳年平均浓度的变化曲线进行分析，根据分析结果选择趋势外推法对二氧化碳年平均浓度进行预测；
步骤2：获取1884年-2018年的海洋表面年平均温度数据，并制作海洋表面年平均温度变化曲线，对海洋表面年平均温度变化曲线进行分析，根据分析结果选择BP神经网络对海洋表面年平均温度进行预测；
步骤3：使用数据运算系统对二氧化碳年平均浓度和海洋表面年平均温度进行预测，并根据二氧化碳年平均浓度和海洋表面年平均温度的预测值进行多元线性回归得到全球年平均气温的预测值；
所述数据运算系统包括数据输入模块、数据分析处理模块及数据输出模块；所述数据分析处理模块包括至少两种趋势外推法运算模型、BP神经网络运算模型及多元线性回归运算模型；
将获取的1884年-2018年的海洋表面年平均温度数据通过数据输入模块输入数据分析处理模块，所述数据分析处理模块调用BP神经网络运算模型对数据进行运算得到海洋表面年平均温度的预测值；
将获取的1884年-2018年的二氧化碳年平均浓度数据通过数据输入模块输入数据分析处理模块，所述数据分析处理模块分别调用不同的趋势外推法运算模型对二氧化碳年平均浓度进行运算得到不同的方程，并计算不同方程的标准误差，选择标准误差最小的方程运算得到二氧化碳年平均浓度的预测值；
所述数据分析处理模块调用多元线性回归运算模型，以得到的二氧化碳年平均浓度的预测值和海洋表面年平均温度的预测值为自变量，以全球年平均气温为因变量进行多元线性回归得到全球年平均气温的预测值；
所述数据输出模块用于输出多元线性回归模型运算得到的全球年平均气温的预测值。
2.根据权利要求1所述的用于预测全球年平均气温的方法，其特征在于，所述趋势外推法运算模型包括修正指数曲线估计模型、Compertz曲线估计模型以及Logistic曲线估计模型。
3.根据权利要求2所述的用于预测全球年平均气温的方法，其特征在于，采用修正指数曲线估计模型对二氧化碳年平均浓度进行预测，
根据步骤1中制作的1884年-2018年的二氧化碳年平均浓度的变化曲线，确定二氧化碳年平均浓度逐年增长率趋于常数1，采用修正指数曲线拟合，得到修正指数曲线方程为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值。
4.根据权利要求3所述的用于预测全球年平均气温的方法，其特征在于，采用Compertz曲线估计模型对二氧化碳年平均浓度进行预测，
对步骤1中获取的1884年-2018年的二氧化碳年平均浓度数据进行验证，确定1884年-2018年二氧化碳年平均浓度的对数增长率趋于常数1，通过运算得出Compertz曲线方程为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值。
5.根据权利要求4所述的用于预测全球年平均气温的方法，其特征在于，采用Logistic曲线估计模型对二氧化碳年平均浓度进行预测，
对步骤1中获取的1884年-2018年的二氧化碳年平均浓度数据进行验证，确定1884年-2018年二氧化碳年平均浓度的倒数增长率趋于常数1，通过运算得出Logistic曲线方为：
其中t代表年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推，
为二氧化碳年平均浓度的预测值；
通过计算得出修正指数曲线估计的标准误差为113.3785，Compertz曲线估计的标准误差为289.3278，Logistic曲线估计的标准误差为295.1335，选用标准误差最小的修正指数模型对二氧化碳年平均浓度进行预测。
6.根据权利要求5所述的用于预测全球年平均气温的方法，其特征在于，采用BP神经网络模型对海洋表面年平均温度进行预测，
将获取的1884年-2018年的海洋表面年平均温度数据作为训练集输入MATLAB中，设定自回归的阶数为3，设定隐含层神经元个数为10，创建出网络，将训练、测试和验证数据的比例调整为70％、15％、15％，然后对训练集进行训练，最后将预测步数设为26，以得到2019年到2044年这26年的海洋表面年平均温度的预测值。
7.根据权利要求6所述的用于预测全球年平均气温的方法，其特征在于，对二氧化碳年平均浓度的预测值和未来海洋表面年平均温度的预测值进行多元线性回归，得到全球年平均气温
预测值与二氧化碳年平均浓度
和海洋年平均表面温度
的多元线性回归方程为：
其中t表示年份，预测未来的第一年时t=1，预测未来的第二年时t=2，预测未来的第三年时t=3，依次类推；
对回归方程进行F检验得到P小于0.05，可知模型的显著性较高，并且求出
，模型的拟合优度较好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310213109.2A CN115907239B (zh) | 2023-03-08 | 2023-03-08 | 一种用于预测全球年平均气温的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310213109.2A CN115907239B (zh) | 2023-03-08 | 2023-03-08 | 一种用于预测全球年平均气温的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115907239A true CN115907239A (zh) | 2023-04-04 |
| CN115907239B CN115907239B (zh) | 2023-05-09 |
Family
ID=85739200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310213109.2A Active CN115907239B (zh) | 2023-03-08 | 2023-03-08 | 一种用于预测全球年平均气温的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907239B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017218974A (ja) * | 2016-06-08 | 2017-12-14 | いすゞ自動車株式会社 | 内燃機関のｅｇｒ制御システム、内燃機関、及び内燃機関のｅｇｒ制御方法 |
| CN110472197A (zh) * | 2019-08-22 | 2019-11-19 | 苏州卡泰里环保能源有限公司 | 基于Binary Logistic模型运用哑变量预测开窗行为的方法 |
| CN111209682A (zh) * | 2020-01-14 | 2020-05-29 | 上海应用技术大学 | 全球气候变化现象数据的处理方法 |
| CN112800677A (zh) * | 2021-01-28 | 2021-05-14 | 上海海事大学 | 一种简化的全球气候变化预测方法 |
-
2023
- 2023-03-08 CN CN202310213109.2A patent/CN115907239B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017218974A (ja) * | 2016-06-08 | 2017-12-14 | いすゞ自動車株式会社 | 内燃機関のｅｇｒ制御システム、内燃機関、及び内燃機関のｅｇｒ制御方法 |
| CN110472197A (zh) * | 2019-08-22 | 2019-11-19 | 苏州卡泰里环保能源有限公司 | 基于Binary Logistic模型运用哑变量预测开窗行为的方法 |
| CN111209682A (zh) * | 2020-01-14 | 2020-05-29 | 上海应用技术大学 | 全球气候变化现象数据的处理方法 |
| CN112800677A (zh) * | 2021-01-28 | 2021-05-14 | 上海海事大学 | 一种简化的全球气候变化预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘洋;郑景云;葛全胜;王芳;: "低碳发展背景下中国温室气体排放变化及其对全球减排的贡献", 资源科学 * |
| 彭润龙;张亚如;郭荣伟;: "基于多元回归全球气候变化的模型分析", 齐鲁工业大学学报 * |
| 朱圣耀;陈劲杰;: "基于灰色预测与BP神经网络的全球温度预测研究", 软件导刊 * |
| 李嘉康;李其杰;赵颖;廖洪林;: "基于CEEMD-BP神经网络的海温异常预测研究", 数学的实践与认识 * |
| 杜强;陈乔;杨锐;: "基于Logistic模型的中国各省碳排放预测", 长江流域资源与环境 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115907239B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
| CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
| CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
| McGrath et al. | Ireland in a warmer world: scientific predictions of the Irish climate in the twenty-first century | |
| CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
| CN117394306B (zh) | 基于新能源并网的风电功率预测模型建立方法及其应用 | |
| Liu et al. | Energy and carbon performance of urban buildings using metamodeling variable importance techniques | |
| CN112800677A (zh) | 一种简化的全球气候变化预测方法 | |
| CN117175640A (zh) | 一种光储发电控制方法、系统、计算机设备及介质 | |
| CN116470486A (zh) | 一种超短期光伏发电功率的预测方法、装置和存储介质 | |
| Edalati et al. | Modelling and drawing energy and exergy of solar radiation | |
| CN110689269A (zh) | 基于自回归分布滞后模型及Kaya公式的碳排放评估方法 | |
| Liao et al. | Wind power prediction based on periodic characteristic decomposition and multi-layer attention network | |
| CN116596162B (zh) | 一种光伏发电量测算方法、装置、设备及存储介质 | |
| CN115907239A (zh) | 一种用于预测全球年平均气温的方法 | |
| CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
| CN117856222A (zh) | 光伏出力预测方法、装置、电子设备及存储介质 | |
| CN116247663A (zh) | 光伏功率突变预测方法 | |
| Swardanasuta et al. | The Effect of Industrial Value Added, Energy Consumption, Food Crop Production, and Air Temperature on Greenhouse Gas Emissions in Indonesia: A Time Series Analysis Approach | |
| CN115640903A (zh) | 考虑小波分解和多目标优化的光伏发电预测方法及系统 | |
| CN116073369A (zh) | 采用蒙特卡洛模拟改进的Copula光伏出力概率区间预测方法 | |
| Rincón et al. | Assessment of short-term irradiance forecasting based on post-processing tools applied on WRF meteorological simulations | |
| CN112926761A (zh) | 一种风电场功率预测方法 | |
| Hanif et al. | Towards Optimal Solar Energy Integration: A Deep Dive into AI-Enhanced Solar Irradiance Forecasting Models | |
| CN118551669B (zh) | 基于气候预测的建筑围护结构多目标节能优化方法、装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |