大家好！我们是数模science，致力于为大家第一时间提供最完整的思路模型，持续为大家更新！！对于第一问的第一小问判断较为简单，根据升幅公式作出简单的判断与数据筛选即可，接着以月份为单位的气温分析，是一类典型的特征工程问题，这一问题可以建立统计学模型，采用假设检验的方法进行求解，也可以建立机器学习判别模型自动求解。所给的历史数据时间悠久，让我们预测未来的全球温度水平，首先我们可以采用的是灰色预测，但是该方法预测的年限较短。据此我们可以采用GM(1,1)模型来进行预测。该模型操作简单，对于数据较少的情况下具有较好的优越性。这里我们对全球未来每年的气温均值进行预测。时间序列以及结合使用的神经网络均可采用，对历史数据与预测数据进行验证，为我们的模型精度进行了初步判断。
对于第二问，探究全球气温与各影响因素之间的相关性，是一个多输入单一输出的问题，相关的特征指标指标可以包括时间、地点、空气质量、污染物种类、降雨量、土地指数等等高达18个，难以直接探究其在关联性上的关系。因此本文采用主成分分析法对数据进行降维，从主成分的角度分析18个特征指标在其中的统计规律。PCA技术为了在尽量保证“信息量不丢失”的情况下，对原始特征进行降维，也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到这些维度上，使降维后信息量损失最小，进行斯皮尔曼相关系数求解，热力学图绘制，同时采用随机森林与XGBoost提升树模型决策树模型分析。
多元回归可以得到一个定量的关系，对于突发事件的处理上，我们也是初步对多元回归模型进行了修正，接着建立了纤维束模型，考虑各种自然灾害，如火山爆发、森林火灾都会释放出大量的颗粒气溶胶有利于吸附温室气体等，这对全球气温会产生降低作用，但一般都是局部某一地点的情况，在此我们建立纤维束崩溃模型，将全球的气候系统量化为有限个纤维束组成的模型。当出现自然灾害如森林火灾、火山爆发这种对气候具有破坏的突发事件之后，我们认为系统存在一定的缺陷，而缺陷的数量和大小可以通过对该事件的影响范围和大小进行量化处理之后，当达到阈值之后，模型将会崩溃，意味着全球气温将受到影响全球变冷，当发生如新冠疫情这种限制人类活动的事件，我们认为这是对自然气候有利的事件，此时认为是对系统的一个正反馈，即有利于维护气候现状，甚至使得全球气温发生降低。纤维束模型是一种研究材料所能承受最大极限的模型，这里我们创新的将其应用于全球气候承受能力上是可行的，将全球气候整体看成一块材料，各种突发事件属于全球气候承受的极限应力，当应力达到最大值，材料将会断裂，也就是气候会达到最大承受能力。
导致全球气温变暖的因素可能有：人口的剧增是导致全球变暖的主要因素之一。同时，这也严重地威胁着自然生态环境间的平衡。这样多的人口，每年仅自身排放的二氧化碳量就将是一惊人的数字，其结果就将直接导致大气中二氧化碳的含量不断地增加，这样形成的二氧化碳“温室效应”将直接影响着地球表面气候变化。
我们将持续为大家更新内容，详细内容：点击链接加入群聊【亚太杯数学建模竞赛交】：https://jq.qq.com/?_wv=1027&k=Ol6Q2JdG
1038
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
