基于大數(shù)據(jù)分析下的氣候模型

張宸豪, 馮 曦, 馮衛(wèi)兵, 劉 濤, 丁 坤

基于大數(shù)據(jù)分析下的氣候模型

張宸豪1, 2, 馮 曦1, 2, 馮衛(wèi)兵2, 劉 濤1, 2, 丁 坤1, 2

(1. 海岸災(zāi)害及防護(hù)教育部重點(diǎn)實(shí)驗(yàn)室, 江蘇 南京 210098; 2. 河海大學(xué) 港口海岸與近海工程學(xué)院, 江蘇 南京 210098)

為研究全球變暖與極寒天氣間的關(guān)系, 對加拿大13個(gè)省代表性測站10年的觀測數(shù)據(jù)進(jìn)行時(shí)空變化趨勢分析, 采用經(jīng)驗(yàn)正交函數(shù)(EOF)尋找海洋表面溫度歷史數(shù)據(jù)的變化規(guī)律。另外利用BP神經(jīng)網(wǎng)絡(luò)建立了年平均溫度、日降水量與地球吸熱、散熱、海表面溫度、當(dāng)?shù)鼐暥乳g的關(guān)系, 預(yù)測未來25年氣候的變化, 并建立了“極寒天氣”與氣候變化的關(guān)系模型。研究表明: 高緯度地區(qū)溫度、降水量普遍較低, 同經(jīng)度地區(qū)的溫度差異較小且降水量變化不大; 加拿大地區(qū)溫度呈周期性變化, 符合北半球的季節(jié)變化特征; 北大西洋的東部與其他海洋的溫度是反相關(guān)的, 西太平洋南北回歸線附近的海洋表面溫度升高; “極寒天氣”出現(xiàn)頻率與氣候變化有一定關(guān)系, 局地極寒現(xiàn)象與全球變暖的大趨勢并不矛盾。本研究為人們認(rèn)識和理解“全球變暖”提供了一個(gè)新的思路。

全球變暖; 極寒天氣; EOF法; BP神經(jīng)網(wǎng)絡(luò); 氣候變化模型

近年來, 全球變暖的形勢越來越嚴(yán)峻, 但因出現(xiàn)全球變暖停滯現(xiàn)象, 且局部地區(qū)“幾十年一遇”的極度寒冷天氣, 使公眾對全球變暖產(chǎn)生了懷疑。公眾出于觀察問題的角度和范圍的不同, 沒有充分認(rèn)識到全球變暖形式的嚴(yán)峻性。全球范圍長時(shí)間的觀測數(shù)據(jù)并不完整, 給統(tǒng)計(jì)計(jì)算帶來極大困難, 不僅如此, 海洋吸收熱量對全球氣候變化的影響很大[1-2], 觀測發(fā)現(xiàn)海洋表面溫度[3]的變化具有某種震蕩特征, 如年代際太平洋震蕩[4]、厄爾尼諾現(xiàn)象[5]、拉尼娜現(xiàn)象[1]等。這些因素使得研究全球溫度變化更加困難。徐一丹[6]指出全球變暖停滯期間氣候系統(tǒng)內(nèi)部能量并沒有減少, 其中一部分能量被轉(zhuǎn)移并儲存在了海洋中深層, 從而對全球增溫減緩產(chǎn)生影響; 周亞軍[7]通過對全球各大洋季度海溫距平的分析, 發(fā)現(xiàn)全球近百年海溫變化的特點(diǎn); 李剛[8]研究了全球范圍的海表溫度異常變化的主要模態(tài), 并討論了各個(gè)模態(tài)的時(shí)空變化特征; 梁晴[9]建立了基于小波分析的全球溫度循環(huán)模型。但是, 國內(nèi)外的現(xiàn)有的相關(guān)氣候模型都較復(fù)雜[10-13]。因此, 有必要建立的模型應(yīng)區(qū)別于復(fù)雜的專業(yè)氣候模型, 有利于非專業(yè)人士理解和認(rèn)識全球氣候變化的態(tài)勢, 解釋極端天氣現(xiàn)象的發(fā)生, 尋找、求證影響氣候變化的因素, 從而增強(qiáng)人們氣候變化的意識。BP 網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中一種多層前饋網(wǎng)絡(luò)的學(xué)習(xí)算法[14], 它可以通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能, 確定神經(jīng)元之間的耦合權(quán)值, 從而使網(wǎng)絡(luò)整體具有近似函數(shù)的功能, 建立非線性系統(tǒng)模型, 如今有學(xué)者[15-18]將其運(yùn)用到氣候的預(yù)測中。本文利用BP神經(jīng)網(wǎng)絡(luò)在現(xiàn)有數(shù)據(jù)的基礎(chǔ)上建立一個(gè)簡單易懂的統(tǒng)計(jì)氣候模型使人們認(rèn)識和理解“全球變暖”這一概念。

1 加拿大地區(qū)和全球海洋表面的溫度分析

1.1 加拿大地區(qū)溫度的時(shí)空變化趨勢

加拿大地區(qū)按省份分為13個(gè)區(qū)域(圖1), 因?yàn)槊總€(gè)區(qū)域的緯度跨度不是太大, 對溫度影響較小, 在每個(gè)區(qū)域內(nèi)選擇1個(gè)測站(資料缺失不超過5%)作為該地區(qū)的代表性測站, 利用這些測站的2009—2018年的10年溫度資料(對于測站數(shù)據(jù)缺失, 采用插值處理的方法對資料進(jìn)行補(bǔ)全)對加拿大地區(qū)溫度的時(shí)空變化問題進(jìn)行探討。在保證資料的連續(xù)性后, 對溫度的空間分布進(jìn)行分析, 計(jì)算出各地區(qū)的年平均最高溫、最低溫、年平均溫度繪制成加拿大地區(qū)溫度的空間分布表(表1), 結(jié)合圖表可以看出, 加拿大地區(qū), 最高溫位于ON省, 最低溫位于NT省, 高緯度地區(qū)溫度普遍較低, 同經(jīng)度地區(qū)的溫度差異較小, 北大西洋附近的3個(gè)省份受氣流影響較大。

圖1 加拿大各省份分布

表1 加拿大各省份溫度空間分布

為了更直觀地分析溫度與空間位置的關(guān)系, 我們按照先經(jīng)度后緯度的排序方式, 對13個(gè)區(qū)域進(jìn)行排序, 繪制出溫度與13個(gè)省的關(guān)系圖(圖2), 從圖中可以看出, 最高溫度從BC省到NB省沒有太大差別, 符合同一緯度的溫度狀況, 但在NS省開始降溫, 可能是受北大西洋暖流的影響, 后4個(gè)省開始升溫, 在NU省又下降至13個(gè)省的年最高溫中的最低溫(緯度較高)。年平均溫度, ON省最高, NU省最低, 符合經(jīng)緯度的變化, 但在最低溫度13個(gè)省的變化幅度較大, 受北大西洋暖流的影響, NS省最低溫是13個(gè)省最大的, 我們可以看出同經(jīng)度地區(qū)的溫度變化不是太大, 但跨緯度地區(qū)溫度差異大, NS省因?yàn)槭鼙贝笪餮笈饔绊? 全年最高溫, 最低溫以及平均溫度的變化幅度不是太大, 適合人們居住, NU省是13個(gè)省中溫度最低的, 與之相反的是ON省是13個(gè)省份中溫度最高的, 他們都與哈德森灣相連, 是否受哈德森灣的影響還需進(jìn)一步討論。柱狀圖為13個(gè)省的年平均總降水量, 可以看出, 同一經(jīng)度的降水量變化不大, 受北大西洋暖流的影響, QC、NB、NS、PE省降水量充沛, 高緯度地區(qū), 降水量較少。

圖2 加拿大地區(qū)溫度、降水空間分布圖

對于加拿大地區(qū)溫度的時(shí)間分布特征, 考慮各地區(qū)的經(jīng)緯度, 選擇3個(gè)區(qū)域(BC, PE, NU)做120個(gè)月的溫度時(shí)間序列分析, 在3個(gè)省的的溫度時(shí)間序列圖中(圖3)可以看出, 溫度隨時(shí)間呈周期性變化, 即6月至8月溫度最高, 12月至1月溫度最低的典型季節(jié)變化, 但BC省在2011年至2012年期間, 即BC省的月最低溫(圖3c)在2011年至2012年間出現(xiàn)了較低的極值點(diǎn), 可能是受厄爾尼諾的影響, 之后BC省最高溫和最低溫開始呈現(xiàn)上升的趨勢, 溫度越來越高。對這3個(gè)區(qū)域進(jìn)行線性趨勢估計(jì), 可以看出, BC省的最高溫度, 最低溫呈上升趨勢, 而NU省和PE溫度變化幅度穩(wěn)定, 無明顯變化趨勢。

1.2 海洋表面溫度歷史數(shù)據(jù)中的變化規(guī)律

海表面溫度(SST)是海洋熱力、動力過程以及海洋與大氣相互作用的綜合結(jié)果[19], 是影響海面水汽交換和熱通量的一個(gè)重要因素, 同時(shí)也是研究海洋環(huán)流、水團(tuán)、海洋鋒、上升流和海水混合等問題的主要參量[20]。

SST歷史數(shù)據(jù)是格點(diǎn)數(shù)據(jù), 來源于美國的地球系統(tǒng)研究實(shí)驗(yàn)室(https://www.esrl.noaa.gov/psd/data/), 首先利用MATLAB對數(shù)據(jù)進(jìn)行reshape函數(shù)處理, 得到全球海洋1854年1月到2019年5月, 共1 985個(gè)月的海洋表面月平均溫度。排除陸地?cái)?shù)據(jù), 利用經(jīng)驗(yàn)正交函數(shù)分析方法(EOF)對數(shù)據(jù)進(jìn)行時(shí)空分解, 可以看出(表2), 前12個(gè)主成分的累積方差貢獻(xiàn)率占總方差的46.3%, 但模態(tài)12和模態(tài)11的特征根誤差范圍重疊無法通過North顯著性檢驗(yàn), 前11個(gè)模態(tài)累積貢獻(xiàn)率接近45%, 可以較好的說明SST的分布類型。發(fā)現(xiàn)全球海洋表面溫度有11種分布類型, 1、2兩種模態(tài)累積方差貢獻(xiàn)率為24%, 相比于其他模態(tài)占的比重較大, 所以本文選取了這兩種模態(tài)進(jìn)行分析。模態(tài)1占方差貢獻(xiàn)的15.8%(圖4), 該分布類型僅在大西洋北部(80°N, 30°E)和(80°N, 10°W)附近, 以及非洲大陸的幾內(nèi)亞灣附近有較弱的正值區(qū), 說明北大西洋的東部與其他海洋的溫度是反相關(guān)的, 從時(shí)間系數(shù)圖可以看出, 模態(tài)1的時(shí)間系數(shù)在1974年以后基本為負(fù)值, 表明1974年以后模態(tài)1處于負(fù)相位, 即1974年以后氣候變化了。模態(tài)2占方差貢獻(xiàn)的8.4%, 該分布類型在西太平洋附近被一片強(qiáng)正值控制, 正值中心為南北回歸線附近, 其西部為一片較弱的正值與之相應(yīng)照, 但在太平洋的赤道附近有較強(qiáng)的負(fù)值中心與之相互補(bǔ)償, 這表明了西太平洋南北回歸線附近的海洋表面溫度升高, 則赤道附近的海洋表面溫度降低。正負(fù)中心基本上與北太平洋大氣活動中心(阿留申低壓與西太平洋高壓)對應(yīng)。表明正負(fù)區(qū)域是海氣相互作用最活躍的區(qū)域, 這種模態(tài)變化, 對我國天氣有明顯的影響。從模態(tài)2的時(shí)間系數(shù)圖可以看出, 模態(tài)2的時(shí)間系數(shù)趨勢斜率是較為平緩的上升, 這在一定程度上說明該模態(tài)下氣候沒有太大改變。

圖3 加拿大地區(qū)溫度時(shí)間分布圖

Fig. 3 Time distributions of temperature over Canada

表2 模態(tài)的累積方差貢獻(xiàn)率

圖4 SST模態(tài)1、2的空間分布與時(shí)間系數(shù)

Fig. 4 Spatial distribution and time coefficients of SST modes 1 and 2

從全球整體來看, 20世紀(jì)的SST變化趨勢在赤道太平洋東—西溫度梯度逐漸增大。一年中, 在年初時(shí), 高溫區(qū)分布在赤道兩端; 隨著時(shí)間的推移, 高溫區(qū)逐漸向北移, 過了8或9月份后, 直到年底時(shí)段, 高溫區(qū)又逐漸向南推移。

在海洋靠近陸地的邊界處附近, 會出現(xiàn)能量的輻聚區(qū), 從而造成近海處的溫度高于附近的外海。

中國近海SST變化主要以增溫為主, 但增溫幅度存在明顯的地區(qū)和季節(jié)差異。夏季東海大部分海域特別是黑潮主干海域增溫顯著, 南黃海東部海域降溫。冬季海域增溫更加顯著, 只是東海部分海域降溫。

加拿大幅員遼闊, 各地各近海處的SST差異很大。附近海域大致可以分為4個(gè)區(qū)域: 太平洋地區(qū)(西海岸區(qū))、中部地區(qū)(大湖-圣勞倫斯低地區(qū))、大西洋地區(qū)和北方地區(qū)。大部分區(qū)域溫度不高, 處在15℃以下。

對168年的SST數(shù)據(jù)求距平, 繪制出全球的海溫變化趨勢圖(圖5), 由圖中可見: (1) 從1860年到1940年, 全球海區(qū)在這段時(shí)間內(nèi)基本表現(xiàn)為溫度負(fù)距平, 在此期間最明顯的是1900到1910年之間, 海溫降到了本世紀(jì)以來最低值, 降幅為–0.4℃。(2) 在1910到1960年, 溫度呈現(xiàn)上升趨勢, 且1940年升溫幅度強(qiáng)于1960年。(3) 1970年以后沒有明顯的降溫區(qū), 至今為止, 全球的海洋表面溫度還在持續(xù)上升, 且最高溫度已經(jīng)超過了之前的記錄。

圖5 全球的海溫變化趨勢圖

Fig. 5 Global SST trend chart

2 氣候模型的建立

2.1 氣候變化模型

本文利用BP神經(jīng)網(wǎng)絡(luò)建立了氣候變化與地球吸熱、散熱、海表面溫度以及當(dāng)?shù)鼐暥戎g的函數(shù)關(guān)系(式1), 通過每年全球平均能量平衡估算的關(guān)系得到吸熱、散熱數(shù)據(jù)[21], 其中氣候變化主要是由年平均溫度和日降水量這兩個(gè)因素體現(xiàn), 故將其作為函數(shù)的因變量, 所建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(圖6)。

[,] =(,,,), (1)

式中:表示年平均溫度, ℃;表示日降水量, 單位mm;表示吸熱, 單位J;表示散熱, 單位J;表示海表面溫度, 單位℃;表示當(dāng)?shù)鼐暥? 單位為度。

圖6 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

該網(wǎng)絡(luò)結(jié)構(gòu)共設(shè)有9個(gè)隱藏層及2個(gè)輸出層, 輸入包含地球吸熱、散熱、海表面溫度、當(dāng)?shù)鼐暥冗@4個(gè)特征值, 輸出包含年平均溫度及日降水量這2個(gè)特征值, 迭代次數(shù)設(shè)置為1 000次, 學(xué)習(xí)率設(shè)為0.01, 且當(dāng)均方根誤差小于0.001時(shí)停止訓(xùn)練。本研究中的樣本為散布在全球范圍內(nèi)的285個(gè)地點(diǎn), 并將其中的80%作為訓(xùn)練集, 余下的20%作為測試集。

訓(xùn)練結(jié)果如圖7所示。

還對測試集的預(yù)測值和真實(shí)值做了對比, 可發(fā)現(xiàn)該模型具有較高的可信度(圖8)。

圖7 訓(xùn)練結(jié)果

Fig. 7 Training results

圖8 測試集中預(yù)測值和真實(shí)值的比較

Fig. 8 Predicted and true values in the test set

2.2 未來25年氣候變化的預(yù)測

為方便起見, 本文分別在非洲、亞洲、歐洲、北美洲、南美洲以及大洋洲靠近重要港口的區(qū)域各選取了一點(diǎn), 研究了該地未來25年的氣候變化規(guī)律。

首先利用可變隨機(jī)函數(shù)對這些地區(qū)未來25年的吸熱、散熱及海表面溫度(SST)進(jìn)行了預(yù)測分析, 同樣采用了BP神經(jīng)網(wǎng)絡(luò)的方法(圖9)。

六大洲的SST圖中可以發(fā)現(xiàn)隨著時(shí)間的推移, 2020年至2045年接近海洋表面的水溫將呈現(xiàn)上下波動的趨勢, 其中非洲和南美洲的水溫值在較高值之間波動, 而亞洲和歐洲的水溫值在較小值之間波動, 歐洲氣候受海洋影響較大, 始終處于10℃以下。另外每個(gè)洲的SST預(yù)測值的波動范圍在2℃之內(nèi), 由此可見, 接近海洋表面的水溫特征有著隨時(shí)間的差異性。同樣, 在六大洲的吸、散熱圖可以看出未來25年的六大洲的散熱值幾乎沒有波動, 吸熱值有幅度很小的波動, 說明吸、散熱值在未來25年幾乎沒有差異性。

圖9 研究點(diǎn)的SST和吸散熱值未來25年的預(yù)測

將上述25年的吸熱、散熱及SST值作為輸入代入所建立的模型中可得未來25年的氣候變化趨勢(考慮溫度/降水兩方面)。如圖10所示。

整體上, 未來25年各大洲的降水的存在較大的不同, 其中非洲、南美洲、大洋洲的降水隨時(shí)間變化有較大的差異性, 三大洲的降水平均量也較大, 非洲未來的最大降水年份與最小降水年份之間的差值最大; 對于亞洲、歐洲和北美洲來講, 三個(gè)洲的降水隨時(shí)間變化幅度不大, 亞洲和歐洲的降水平均量較小。各洲的氣溫變化趨勢呈現(xiàn)出一種波動式上升的趨勢, 北美洲的變化趨勢較接近加拿大地區(qū)。與降水量相同的規(guī)律是亞歐兩大洲的年平均溫度較低, 而非洲的溫度年平均溫度最大, 在整體上符合全球變暖的大趨勢, 短期內(nèi)符合上下波動的特征。

2.3 “極寒天氣”與氣候變化的關(guān)系

為了更好地研究“極寒天氣”與氣候變化的關(guān)系, 本文建立如下的函數(shù)關(guān)系(式2):

[,]=(,,), (2)

式中:表示年平均溫度, ℃;表示日降水量, mm;表示極寒天氣在一年中出現(xiàn)天數(shù), d。其余變量同上述公式。

為方便研究, 這里將“極寒天氣”定義為小于年平均最低溫度的天氣情況, 由于全球最低氣溫資料較難獲得, 僅就易于獲取資料的加拿大地區(qū)13個(gè)省各自主要測站多年數(shù)據(jù)進(jìn)行樣本數(shù)據(jù)搜集, 共有15個(gè)樣本, 同樣選擇其中80%作為訓(xùn)練集, 余下20%作為測試集, 建立的神經(jīng)網(wǎng)絡(luò)共有10個(gè)隱藏層和2個(gè)輸出層, 測試集的預(yù)測值和真實(shí)值對比(圖11)如下。

圖10 未來25年的氣候變化趨勢(溫度和降水)

Fig. 10 Climate trends over the next 25 years (temperature and precipitation)

圖11 測試集的預(yù)測值和真實(shí)值

Fig. 11 Predicted and true values of the test set

該圖表明一年中“極寒天氣”出現(xiàn)的頻率與氣候變化有一定的關(guān)系。從上述五大洲未來氣候降水的預(yù)測圖來看, 一個(gè)地區(qū)的氣候變化是一種長期的趨勢, 全球變暖需要經(jīng)歷一個(gè)較長的時(shí)期, 短期的溫度變化曲線不能完全反應(yīng)出這一趨勢, 所以局地出現(xiàn)極寒現(xiàn)象與全球變暖的大趨勢并不矛盾。

3 結(jié)論

研究發(fā)現(xiàn)加拿大地區(qū)NS省受北大西洋暖流影響, 全年最高溫, 最低溫以及平均溫度的差異幅度不是太大, 降水量充沛, 適宜居住; NU省和ON省是加拿大地區(qū)溫度最高和最低的地區(qū), 他們都與哈德森灣相連, 是否受哈德森灣的影響還需進(jìn)一步討論; 加拿大地區(qū)溫度隨時(shí)間呈周期性變化, BC省在2011年至2012年期間, 溫度變化較為異常, 可能是受拉尼娜現(xiàn)象影響; 海洋表面溫度呈現(xiàn)2種主要空間分布形式: (1) 西太平洋南北回歸線附近的海洋表面溫度與赤道附近的海洋表面溫度呈相反關(guān)系; (2) 北大西洋的東部與其他海洋的溫度是反相關(guān); 對于海洋靠近陸地的邊界處附近, 會出現(xiàn)能量的輻聚區(qū), 從而造成近海處的溫度高于附近的外海; 從1860年到1940年, 全球海區(qū)在這段時(shí)間內(nèi)基本表現(xiàn)為溫度負(fù)距平, 在此期間最明顯的是1900年到1910年之間, 海溫降到了本世紀(jì)以來最低值, 降幅為–0.4℃; 在1910年到1960年, 溫度呈現(xiàn)上升趨勢, 且1940年升溫幅度強(qiáng)于1960年; 1970年以后沒有明顯的降溫區(qū), 至今為止, 全球的海洋表面溫度還在持續(xù)上升, 且最高溫度已經(jīng)超過了之前的記錄; 未來25年非洲和南美洲的水溫值在較高值之間波動, 亞洲和歐洲的水溫值在較小值之間波動, 同時(shí)得出接近海洋表面的水溫特征有著隨時(shí)間的差異性的結(jié)論; 非洲、南美洲、大洋洲的降水隨時(shí)間變化有較大的差異性, 這三大洲的降水平均量也較大, 亞洲、歐洲和北美洲的降水隨時(shí)間變化變化幅度不大, 亞洲和歐洲的降水平均量較小; 六大洲的氣溫變化趨勢呈現(xiàn)出一種波動式上升的趨勢, 亞歐兩大洲的年平均溫度較低, 而非洲的溫度年平均溫度最高, 在整體上符合全球變暖的大趨勢, 短期內(nèi)符合上下波動的特征; “極寒天氣”出現(xiàn)頻率與氣候變化有一定的關(guān)系且局地出現(xiàn)極寒現(xiàn)象與全球變暖的大趨勢并不矛盾。

氣候變化是一種長期的、漸進(jìn)的、可預(yù)測的趨勢, 而天氣是短期的、局部的、不穩(wěn)定且難以預(yù)測的。在全球變暖的背景下, 不同地區(qū)的增暖不均勻, 極地冷空氣在高壓系統(tǒng)推動下, 向北半球大陸地區(qū)南下進(jìn)發(fā), 導(dǎo)致氣溫驟降。針對全球氣候系統(tǒng)內(nèi)部的脆弱性, 系統(tǒng)邊緣在充分發(fā)揮自適應(yīng)功能的同時(shí), 采取有針對性的人為適應(yīng)措施, 來增強(qiáng)邊緣邊緣和內(nèi)部系統(tǒng)的共同適應(yīng)能力, 調(diào)節(jié)改善內(nèi)部系統(tǒng)的局部環(huán)境以減輕氣候變化的危害。

[1] Meehl G A, Hu A, Santer B D, et al. Contribution of the interdecadal Pacific Oscillation to twentieth-century global surface temperature tends[J]. Nature Climate Change, 2016, 6: 1005-1008.

[2] Chen X, Tung K K. Global surface warming enhanced by weak Atlantic overturning circulation[J]. Nature, 2018, 559(7714): 387-391.

[3] Quere C, Andrew R. Global carbon budget 2017[J]. Earth System Science Data, 2018, 10(1): 405-448.

[4] Medhaug I, Stolpe M B, Fischer E M, et al. Reconciling controversies about the ‘global warming hiatus’[J]. Nature, 2017, 545(7652): 41-47.

[5] 徐一丹, 李建平, 汪秋云, 等. 全球變暖停滯的研究進(jìn)展回顧[J]. 地球科學(xué)進(jìn)展, 2019, 34(2): 175-190. Xu Yidan, Li Jianping, Wang Qiuyun, et al. Review of the research progress in global warming hiatus[J]. Advances in Earth Science, 2019, 34(2): 175-190.

[6] 周亞軍, 朱正義, 朱姝. 近百年全球海溫演變的特征[J].熱帶氣象學(xué)報(bào), 1996, 12(1): 85-90. Zhou Yajun, Zhu Zhengyi, Zhu Shu. Characteristics of global SST evolution during the past century[J]. Journal of Tropical Meteorology, 1996, 12(1): 85-90.

[7] 李剛, 李崇銀, 江曉華, 等. 1900~2009年全球海表溫度異常的時(shí)空變化特征分析[J]. 熱帶海洋學(xué)報(bào), 2015, 34(4): 12-22. Li Gang, Li Chongyin, Jiang Xiaohua, et al. Analysis of spatiotemporal variability of global sea surface temperature anomalies during 1900~2009[J]. Journal of Tropical Oceanography, 2015, 34(4): 12-22.

[8] 梁晴, 宋彥辰. 基于小波分析的全球變暖趨勢預(yù)測[J].農(nóng)家參謀, 2018, 12(8): 269. Liang Qing, Song Yanchen. Prediction of global warming trend based on wavelet analysis[J]. Farm staff, 2018, 12(8): 269.

[9] 李帥, 王懷軍, 潘瑩萍. 基于Max-Stable模型的海河流域氣候極值變化特征[J]. 南水北調(diào)與水利科技, 2019, 6(5): 1-18. Li Shuai, Wang Huaijun, Pan Yingping. Climatic extremum variation characteristics of haihe river basin based on max-stable model[J]. South-to-north water transfer and water conservancy technology, 2019, 6(5): 1-18.

[10] 孫鑫, 李振華, 董軍宇, 等. 面向海洋數(shù)據(jù)的復(fù)雜網(wǎng)絡(luò)建模及可視化分析[J]. 系統(tǒng)仿真學(xué)報(bào), 2018, 30(7): 2445-2452. Sun Xin, Li Zhenhua, Dong Junyu, et al. Complex network modeling and visualization analysis for ocean data[J]. Journal of system simulation, 2018, 30(7): 2445-2452.

[11] 謝定升, 紀(jì)忠萍, 曾琮. 氣候?yàn)?zāi)害預(yù)測模型的應(yīng)用[J]. 自然災(zāi)害學(xué)報(bào), 2003, 12(4): 143-149. Xie Dinsheng, Ji Zhongping, Zeng Cong. Application of climate disaster prediction model[J]. Journal of natural disasters, 2003, 12(4): 143-149.

[12] 松崗讓, 姜克雋, 胡秀蓮, 等. 全球氣候變化模型的研究與發(fā)展[J]. 中國能源, 1998, 12(3): 16-21. Song Gangrang, Jiang Kejun, Hu Xiulian, et al. Research and development of global climate change models[J]. China Energy, 1998, 12(3): 16-21.

[13] 劉嘉, 陳文穎, 劉德順. 對穩(wěn)定濃度目標(biāo)下溫室氣體排放路徑的探討[J]. 中國人口·資源與環(huán)境, 2011, 21(8): 95-99. Liu Jia, Chen Wenying, Liu Deshun. Discussion on the emission path of greenhouse gases under the target of stable concentration[J]. China Population, Resources and Environment, 2011, 21(8): 95-99.

[14] 張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用[M]. 北京: 機(jī)械工業(yè)出版社, 2009. Zhang Defeng. MATLAB Neural Network Application[M]. Beijing: China Machine Press, 2009.

[15] 林耿, 鄭紫微. 基于灰色-BP神經(jīng)網(wǎng)絡(luò)的福州市年平均氣溫預(yù)測模型[J]. 河南工程學(xué)院學(xué)報(bào)(自然科學(xué)版), 2018, 30(4): 71-75. Lin Geng, Zheng Ziwei. Prediction model of annual mean temperature in fuzhou based on Gray-BP neural network[J]. Journal of Henan University of Engineering(Natural Science Edition), 2008, 30(4): 71-75.

[16] Sun Q L, Liu Y, Wunnemann B, et al. Climate as a factor for Neolithic cultural collapses approximately 4000 years BP in China[J]. Earth-Science Reviews, 2019, 197: 74-100.

[17] 雷彥森. 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在多模式集成預(yù)報(bào)的應(yīng)用研究[D]. 南京: 南京信息工程大學(xué), 2018. Lei Yansen. Research on the application of BP neural network optimized by genetic algorithm in multi-mode integrated prediction[D]. Nanjing: Nanjing University of Information Technology, 2018.

[18] 周俊杰. 渭河流域?qū)氹u段徑流變化趨勢及預(yù)測研究[D].杭州: 浙江工業(yè)大學(xué), 2017. Zhou Junjie. Study on runoff trend and prediction in baoji section of weihe river basin[D]. Hangzhou: Zhejiang University of Technology, 2017.

[19] 董雷娟, 李洪平. 全球海表溫度變化特征分析[J]. 地理空間信息, 2013, 11(5): 29-46. Dong Leijuan, Li Hongping. Analysis of global SST variation characteristics[J]. Geospatial Information, 2013, 11(5): 29-46.

[20] 孟慶佳, 施建偉, 劉娜, 等. 基于歷史和衛(wèi)星資料的中國近海海表面溫度長期變化趨勢的綜合分析[J]. 海洋科學(xué), 2011, 35(12): 121-126. Meng Qingjia, Shi Jianwei, Liu Na, et al. A comprehensive analysis of the long-term variation of sea surface temperature in the China seas based on historical and satellite data[J]. Marine Sciences, 2011, 35(12): 121-126.

[21] 宋翔洲. 基于熱收支分析的海氣熱通量物理約束機(jī)制研究[D]. 青島: 中國海洋大學(xué), 2012. Song Xiangzhou. Research on physical constraint mechanism of heat flux of sea and air based on heat budget analysis[D]. Qingdao: Ocean University of China, 2012.

Climate model based on big-data analysis

ZHANG Chen-hao1, 2, FENG Xi1, 2, FENG Wei-bing2, LIU Tao1, 2, DING Kun1, 2

(1. Key Laboratory of Coastal Disaster and Protection of Ministry of Education (Hohai University), Nanjing 210098, China; 2. College of Harbor, Coastal and Offshore Engineering, Hohai University, Nanjing 210098, China)

To study the relationship between global warming and extreme cold weather, we performed spatial and temporal variation trend analyses on 10-year observation data from representative stations in 13 Canadian provinces. We then used the empirical orthogonal function (EOF) to determine the variation rule of historical ocean-surface- temperature data. In addition, we used a BP neural network to establish the relationship between the annual average temperature, daily precipitation, and the Earth’s heat absorption, heat dissipation, sea surface temperature, and local latitude to predict climate change in the next 25 years and to establish a relationship model between “extremely cold weather” and climate change. The results show that the temperature and precipitation in high latitudes are generally low, the temperature difference with longitude is small, and the precipitation changes only slightly. The temperature in Canada changes periodically, which is consistent with seasonal changes in the northern hemisphere. The eastern part of the North Atlantic is inversely related to the temperature of the other oceans. The frequency of “extreme cold weather” has a certain relationship with climate change, and the local extreme cold phenomenon is not inconsistent with the general trend of global warming. This study provides a new way to understand “global warming”.

global warming; extreme cold weather; EOF method; BP neural network; climate change

Nov. 22, 2019

P717

A

1000-3096(2020)10-0001-11

10.11759/hykx20191122004

2019-11-22;

2019-12-25

國家自然科學(xué)基金青年基金(51709091); 江蘇省自然科學(xué)基金青年基金(BK20170874); 中央高?；?2017B00514)

[National Natural Science Foundation For Young Scientist of China, No. 51709091; Youth Fund of Natural Science Foundation of Jiangsu Province, No. BK20170874; Central University Foundation, No. 2017B00514]

張宸豪(1996-), 男, 浙江臺州人, 碩士研究生, 主要從事物理海洋方面研究, 電話: 15189801692, E-mail: zhangch@hhu.edu.cn; 馮曦,通信作者, 電話: 18114805884, E-mail: xifeng@hhu.edu.cn

(本文編輯: 劉珊珊)