Известия Саратовского университета. Новая серия.

Серия Науки о Земле

ISSN 1819-7663 (Print)
ISSN 2542-1921 (Online)

Для цитирования:

Богданов М. Б., Морозова С. В., Алимпиева М. А. Применение моделей временных рядов для прогноза аномалии глобальной температуры // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2022. Т. 22, вып. 4. С. 230-234. DOI: 10.18500/1819-7663-2022-22-4-230-234, EDN: LPKOEH

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
скачать
(загрузок: 66)
Язык публикации: 
русский
Рубрика: 
География
Тип статьи: 
Научная статья
УДК: 
551.5
DOI: 
10.18500/1819-7663-2022-22-4-230-234
EDN: 
LPKOEH

Применение моделей временных рядов для прогноза аномалии глобальной температуры

Авторы: 
Богданов Михаил Борисович, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Морозова Светлана Владимировна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Алимпиева Мария Александровна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Аннотация: 

Спектральный анализ временного ряда среднегодовых значений аномалии глобально осредненной приповерхностной температуры показывает наличие гармоник лунного нодального цикла с периодом 18.6 года, что может использоваться при прогнозе значений ряда. Рассматривались три модели ряда: авторегрессия AR(p), комбинированная модель авторегрессии – проинтегрированного скользящего среднего ARIMA(p,d,q) и искусственная нейронная сеть. Показано, что наилучшие результаты прогноза аномалии глобальной температуры на три года дает модель ARIMA(4,1,4).

Ключевые слова: 
прогнозирование
глобальная температура
модели временных рядов
Список источников: 
  1. Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change / eds. V. P. Masson-Delmotte [et al.]. URL: https://www.ipcc.ch/report/sixth-assessment-report-working-group-i/ (дата обращения: 25.07.22).
  2. Дымников В. П., Лыкосов В. Н., Володин Е. М. Моделирование климата и его изменений : современные проблемы // Вестник РАН. 2012. Т. 82, № 3. С. 227–336.
  3. Переведенцев Ю. П., Вильфанд Р. М., Шанталинский К. М., Гурьянов В. В., Николаев А. А., Исмагилов Н. В. Мониторинг и прогнозирование климатической изменчивости на территории Приволжского федерального округа // Гидрометеорологические исследования и прогнозы. 2019. № 1 (371). С. 67–94.
  4. Шерстюков Б. Г. Колебательная система климата, резонансы, дальние связи, прогнозы. Обнинск : ФГБУ «ВНИИГМИ-МЦД», 2021. 222 с.
  5. Morice C. P., Kennedy J. J., Rayner N. A., Jones P. D. Quantifying uncertainties in global and regional temperature change using an ensemble of observational estimates: The HadCRUT4 dataset // Journal of Geophysical Research. 2012. Vol. 117. D08101. https://doi.org/10.1029/2011JD017187
  6. Ghil M., Allen M. R., Dettinger M. D., Ide K., Kondrashov D., Mann M.E., Robertson A. W., Saunders A., Tian Y., Varadi F., Yiou P. Advanced spectral methods for climatic time series // Rev. Geophys. 2002. Vol. 40. 3.1–3.41. https://doi.org/10.1029/2000RG000092
  7. Keeling C. D., Whorf T. P. Possible forcing of global temperature by the oceanic tides // Proc. National Acad. Sci. USA. 1997. Vol. 94. P. 8321–8328.
  8. Scafetta N. Reconstruction of the Interannual to Millennial Scale Patterns of the Global Surface Temperature // Atmosphere. 2021. Vol. 12. P. 147.
  9. Munk W. H., Wunsch C. Abyssal recipes II: Energetics of tidal and wind mixing // Deep-Sea Res. 1998. Vol. 45. P. 1977–2010.
  10. Ray R. D. Decadal Climate Variability: Is There a Tidal Connection? // Journal of Climate. 2007. Vol. 20. P. 3542– 3560.
  11. Press W. H., Teukolsky S. A., Vetterling W. T., Flannery B. P. Numerical Recipes in Fortran 77. The Art of Scientific Computing. Cambridge : Press Syndicate of the University of Cambridge, 1997. 1004 p.
  12. Бокс Д., Дженкинс Г. Анализ временных рядов. Прогноз и управление : в 2 выпусках. Вып. 1. Москва : Мир, 1974. 406 с.
  13. Shumway R. H., Stoffer D. S. Time Series Analysis and Its Applications. New York : Springer Verlag, 2000. 549 p.
  14. Аггарвал Ч. Нейронные сети и глубокое обучение : учебный курс. Санкт-Петербург : ООО «Диалектика», 2020. 752 с.
  15. Tran T. T. K., Bateni S. M., Ki S. J., Vosoughifar H. A Review of Neural Networks for Air Temperature Forecasting // Water. 2021. Vol. 13. 1294 p. https://doi.org/10.3390/w13091294
  16. Lai Y., Dzombak D. A. Use of the Autoregressive Integrated Moving Average (ARIMA) Model to Forecast Near-Term Regional Temperature and Precipitation // Weather and Forecasting. 2020. Vol. 35, iss. 3. P. 959–976.
Поступила в редакцию: 
15.08.2022
Принята к публикации: 
01.09.2022
Опубликована: 
23.12.2022