基于BP神經網絡的全球氣候變化預測模型

侯惠清

（南華大學數理學院，湖南 衡陽421001）

1 引言

自從工業時代以來，人們對自然的掠奪式開發以及無節制的能源利用帶來了日益嚴重的全球變暖問題[1]，嚴重影響了人類的生存[2-3]。這引起全人類都對全球暖化極度重視，不遺余力地采取一系列措施減緩全球暖化速度。為此，本文考慮了地球的吸熱、散熱以及海洋表面溫度變化，預測未來25年的氣候變化。同時將影響氣候變化的一些因素納入考慮范圍，得到了全球變暖的影響因素，并且把多個解釋變量對被解釋變量的關系預測可以采用多元回歸預測模型[4]，之后進行相關系數分析，來判定多元回歸方程中的解釋變量。本文利用1980—2008年間的數據對1980—2008年全球氣溫平均值進行擬合，通過判定系數R2判定模型的擬合效果。本文使用的基于BP 神經網絡的線性回歸組合預測模型如圖1 所示。

圖1 基于BP 神經網絡的線性回歸組合預測模型結構圖

2 基于多元線性回歸的BP 神經網絡預測模型

多元線性回歸分析模型[4]是可以包含多個解釋變量的線性回歸模型，用于揭示被解釋變量與其它多個解釋變量之間的線性關系。這里我們將1980—2008年的二氧化碳排放量與海平面溫度值作為解釋變量，將此年間全球平均氣溫值作為被解釋變量，進行多元線性回歸擬合，并利用得到的模型預測2009—2018年的全球氣溫平均數據。將全球平均溫度數據值Y 作為被解釋變量，將1980—2018年全球人口總數，海洋表面溫度、五大國森林面積總和、北極海冰面積、大氣污染二氧化碳排放量視為解釋變量進行多元回歸分析。

BP 神經網作為人工神經網絡中最可靠、最經典的神經網絡，操作便捷、學習能力強大。運用誤差逆向傳播算法，是通過該算法進行訓練的多層前饋神經網絡。BP 神經網絡具有拓撲性結構，包含輸入層、隱含層、輸出層。其中隱含層可以是一層，也可以是多層，每層之間均通過權值相連接。BP 神經網絡有非常強的非線性擬合能力，可以實現時間序列數據的預測[5]。

BP 神經網絡算法可以分為以下幾個部分[6]：①BP 網絡的初始化；②根據給出的連接權值與各層神經元閾值計算出隱含層輸出；③根據計算得出的隱含層輸出，計算出輸出層輸出；④計算均方誤差；⑤反復更新權值與閾值；⑥最后是判斷過程，若算法滿足精度要求則結束迭代，若為滿足要求返回。

經由MATLAB 實現基于多元線性回歸的BP 神經網絡預測模型，計算得出未來全球平均氣溫預測值以及變化趨勢，如表1、圖2 所示。

由表1、圖2 可知，未來25年全球平均氣溫呈現緩慢上升趨勢，上升率僅為0.02%，并最終趨于平緩。2015年《聯合國氣候變化框架公約》第21 次締約方會議（世界氣候大會）于巴黎舉行，促使196 個締約方形成統一意見，并于2020年開始實施，這一世界性質的協議無疑對緩解全球變暖具有顯著影響，各個國家與地區必然制定相應的舉措進行落實。加之人們深受全球變暖帶來的危害，氣候保護意識顯著增強，世界多方共同努力，定會出現期望已久的碧海藍天。

表1 未來全球平均氣溫預測值

圖2 未來25年全球平均氣溫預測值變化趨勢

圖3 BP 神經網絡預測誤差率

圖3 為BP 神經網絡預測誤差率，由圖3 可知，該神經網絡模型預測的全球平均氣溫值與實際氣溫值的動態絕對誤差最差為0.39，因此在預測精度、可靠性方面均十分良好，基于時間序列的動態BP 神經網絡模型在全球平均氣溫預測中具有重要的參考意義。

3 結論

通過建立刻畫未來25年氣候變化的BP 神經網絡預測模型可知，未來25年全球平均氣溫變化并沒有停滯，而是呈現緩慢上升趨勢，上升率僅為0.02%，并最終趨于平緩。