基于极端天气对未来气候变化影响的预测

胡琼辉 宋荣荣

摘 要：为了研究极端天气对未来气候的影响，本文在考虑地球的吸热、散热以及海洋的温度变化等众多要素的条件下，建立了一个刻画气候变化的预测模型，使用Python和Matlab，分别采用K-means方法和Birch方法来对未来25年的气候变化作出有效预测。首先，收集了1974-2014年间大气二氧化碳浓度数据、1854-2019年间近60万的全球海洋表面温度数据和1880-2014年全球平均气温数据，并对数据进行了必要的整理和分析，得到数据组和检验组;其次，分别建立了大气二氧化碳浓度的预测模型、海洋表面温度的预测模型和全球平均气温的预测模型，分别对未来2020-2045年间大气二氧化碳浓度水平、海洋表面温度水平以及全球平均气温进行估计和预测;最后，通过对气候变化预测模型的结果进行分析，得出未来25年间的海洋表面温度（SST）变化将趋势平缓、微弱上升，大气二氧化碳浓度（C）将以较大的速率上升，同时全球平均气温的综合平均水平将上升为14.677℃，最终全球气候将持续变暖。

关键词：极端天气;气候变化;K-means方法;Birch方法;预测模型;全球变暖

1 引言

近些年来，极地冰川融化、海平面上升、全球气候变暖日益成为全球变化研究的焦点，引起了各国政府和科学界的重视。气候变暖和气候变冷的问题也一直是科学界争论的话题，而对全球气候变暖的解释是由于温室效应不断积累所致。[1]不过，虽然温室气体的浓度在不断上升，但自从进入21世纪以来，10年间全球全年平均气温几乎未变化，这种现象叫作全球变暖停滞状态（Hiatus）。正因为出现全球变暖停滞现象，使公众对全球变暖产生了怀疑。因此，本文将在考虑地球的吸热、散热以及海洋的温度变化等要素的条件下，建立一个刻画气候变化的预测模型，来对未来25年的气候变化作出预测。

2 气候变化预测模型

2.1 模型的准备

2.1.1 对气候变化产生影响的因子分析

气候变化的中长期年际分析预测，往往受到初始气象数值和外界条件的影响，其中，初始气象数值是指预测年限之前的相关气象数据;外界条件是指大气、海洋和太阳活动。

（1）温室气体对大气产生的影响

温室气体指的是大气中能吸收地面反射的长波辐射，并重新发射辐射的一些气体，如水蒸气、二氧化碳等，它们的作用是使地球表面变得更暖。[2]在各种温室气体中，二氧化碳由于含量较多，对全球升温的贡献百分比也最大（约为25%），因此本文将使用二氧化碳的各种指标来代表温室气体的大致情况。

根据在地球政策研究所的官网上，以及美国国家海洋和大气管理局所提供的数据和图像（见附件1），可以清晰地观察到二氧化碳在1000-2014年间的变化情况以及与1880-2014年间全球气温（见附件2）变动的比照（见图1）。

通过观察图1，可以发现二氧化碳体积比与全球气温间的各自变动间存在着明显的正相关关系，原因在于温室气体的存在对地球的吸热、散热活动产生了重要影响。可以说，二氧化碳之类的温室气体通过对地气系统平衡的破坏，致使能量在该系统不断聚积，从而导致全球温度上升，产生“温室效应”。

（2）海洋与大气的相互作用

虽然大气层与海洋相隔甚远，但二者之间的相互作用却在时时刻刻影响着全世界的气候演变。一方面，大气会对海洋产生强迫作用，具体表现为影响海面风应力、海面大气压、海面热通量和太阳辐射的强度;另一方面，海洋会对大气的这些强迫作用产生一系列的反应，从而对大气运动结构产生影响，具体表现为SST的变化会导致海洋表面热通量的变化，海洋表面流场的变化会导致大气底部风应力发生改变。[3]

（3）太阳活动对气候的影响

由于人为气体的增加，低层大气的变暖会同时伴随着高层大气的冷却。[4]从平流層开始，大气层的全球年平均气温几乎每十年就会下降2K;而这种热层冷却，以及由此导致的密度降低，比预期种太阳最低温度条件下的每十年近3K要低，故而造成全球气温的上升。此外，太阳活动所造成的太阳辐射的变动，对地球的气候也会产生一系列的影响。[9]

2.1.2 重要的概念区分：天气和气候

天气和气候是两个完全不同的概念，在各个维度上都有着确切的差别。[5]对于一段时间内天气的宏观描述，可以与其他要素一同组成气候描述;但气候本身并不影响天气，气候只是提供了在一年中的某个时期内有可能发生的天气类型。

在预测方面，天气和气候也存在着明显差异。天气预报是基于对大气层中实时发生的气象因素进行观测，但预测只在相对较短的10至14天内可靠;相比之下，气候预测就比较复杂，需要预测长期的天气趋势，而不是预测50或100年后某一特定日子的天气情况。[6]

2.1.3 数据来源及处理

本文数据主要来源于地球政策研究所、美国国家航空航天局和美国国家海洋和大气管理局提供的1000-2014年间大气二氧化碳浓度数据和1880-2014年全球平均气温数据，以及经作者筛选处理过的海洋表面温度SST数据。分别采用K-means、Birch方法建立数学模型，使用Python及Matlab进行编程。首先，从三个数表中抽取出1965-2014年共计50年的全球平均气温数据;然后，为了保证分析的有效性，可信性和准确性，将数据分为1965-1994年共计30年数据的数据组，以及1995-2014年共计20年数据的检验组;最后，建立模型进行预测。

2.1.4 模型假设

为简化问题，我们在不影响模型准确性的前提下，提出如下假设：

（1）加拿大各区域首府的气温水平可以代表该区域的大致气温水平;

（2）每一年固定某月的平均海面温度数据，可以代表这一年的大致平均SST水平，产生的误差忽略不计;

（3）设太阳活动对全球气候产生的影响为一个常数，中短期的变动可以忽略不计。

2.2 模型的建立与求解

因为气候是在长时期内有可能发生的天气类型，因而难以用模型直接求得。[7]所以本模型不是直接刻画气候的模型，而是先对天气情况进行刻画与预测，然后通过若干时间点上预测所得的天气状况，宏观地描述一长段时间里的气候变化。[10]

考虑到大气二氧化碳浓度数据和海洋表面温度对天气气温的影响是相对简单和直接的，所以本模型初步设立为全球平均气温（记为TW）关于二氧化碳浓度和海洋表面温度的一个二元线性模型，模型结构为：

其中，TW表示全球平均气温，C表示二氧化碳浓度，SST表示海洋表面温度，AS表示太阳活动异常，β0、β1和β2表示待求参数。

因为AS期望为0，一般可视为等于0的常数，所以此处先略去AS。[8]将数据组的数据导入STATA对C（大气二氧化碳浓度）和SST（海洋表面温度）进行回归分析，回归分析完成后再将AS项加回来。最后得到：

R2=0.82说明模型拟合度较好，P=0.0000证实时间变量对SST影响显著。

2.3 模型的验证

将检验组的数据带入模型方程中，得到TW（全球平均气温）的预测值TW_P，由图2可知实际TW值（全球平均气温）与模型预测所得的TW_P值趋势较为吻合，数值偏差较小，故该模型有效。

2.4 模型预测结果

（1）对于C（大气二氧化碳浓度）的预测

通过图2可知，20世纪70年代开始，大气二氧化碳浓度相对于时间序列呈现出一定的线性规律。因此，令C代表大气二氧化碳浓度水平，year代表年份，用1975-2004年的数据对其进行一元线性回归，得到回归模型：

R2=0.997说明模型拟合度极佳，P=0.0000证实时间变量对SST影响显著。需要说明的是，该线性模型并不意味着时间是影响C（大气二氧化碳浓度）的因素，我们只能推测某些随时间呈线性变化的因子对C是有显著影响的。建立该模型，只是作为后文中预测未来天气、建立刻画气候模型的佐证。

接下来，用2005-2014年的数据对回归模型作出检验，求得的大气二氧化碳浓度为C_P。如图3所示。实际大气二氧化碳浓度C与模型预测所得的C_P值趋势一致，数值偏差较小，故该模型有效。

（2）对于SST（海洋表面温度）的预测

在问题一海洋表面温度规律的处理部分，本文以及求得了20世纪后SST关于时间序列变动的回归模型：

根据该模型，可以求得2020-2045年的海洋表面温度数据。

（3）对于TW（全球平均气温）的预测

利用上面求得的未来25年的，即2020-2045年的C_P（预测的大气二氧化碳浓度）值和SST_P（预测的海洋表面温度）值，带入上文中的全球平均气温预测模型，即

可以得到全球平均气温在未来25年的预测值TW_P。

最后，将TW_P按时间序列绘制成图4，如下：

3 结束语

根据本文建立的模型，得到以下结论：

（1）未来25年间的海洋表面温度（SST）变化趋势平缓，但变动趋势是微弱上升的。

（2）未来25年间的大气二氧化碳浓度（C）是以较大的速率上升的。

（3）由图4可知，模型预测未来25年的全球平均气温始终呈上升趋势，全球气候将持续变暖。基于此模型，可以推测气候持续变暖是温室气体（主要是二氧化碳）浓度的持续上升、海洋与大气的相互作用和太阳活动异常的推动导致的。

（4）从1880-2014年全球平均气温数据从抽出1990-2014年的数据，求得该时间区间内全球平均气温的综合平均水平为14.49℃。同理用预测数据表中的数据，求得预测中未来25年全球平均气温的综合平均水平，计算结果为14.677℃，与1990-2014年相比增幅为1.29个百分点。

参考文献

[1] Yangyang Xu，Ramanathan Veerabhadran，Victor David G. Global warming will happen faster than we think[J].Nature，564：30-30，2018.

[2] David Spratt，Ian Dunlop.Existential climate-related security risk： A scenario approach[R].Australia：Policy Paper from Breakthrough-National Centre for Climate Restoration，2019.

[3] Allison Edward H，Bassett Hannah R.Climate change in the oceans：Human impacts and responses[J].Science，350（6262）：78-82，2015.

[4] Corinne Le Quere，et al.Global carbon budget 2017[J].Earth System Science，7（7）：47-85，2015.

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

[6] Meehl G A，Hu A，Santer B D，et al.Contribution of the Interdecadal Pacific Oscillation to twentieth-century global surface temperature trends[J].Nature Climate Change，15：1005-1008，2016.

[7] Xianyao C，Ka-Kit T.Global surface warming enhanced by weak Atlantic overturning circulation[J]. Nature， 559（7714）：387-391，2018.

[8] Smith T M，Reynolds R W.A High-Resolution Global Sea Surface Temperature Climatology for the 1961–90 Base Period[J].Journal of Climate， 11（12）：3320-3323，1998.

[9] 魏敏.基于BCC氣候系统模式的年代际预测研究[D].北京：清华大学，2017.

[10] 伍志元，蒋昌波，邓斌，曹永港.基于海气耦合模式的南中国海北部风暴潮模拟[J].科学通报，63（33）：3494-3504，2018.

作者简介：胡琼辉（1997-），女，汉族，四川，硕士研究生，西南民族大学，研究方向：人口与可持续发展，

通讯作者：宋荣荣（1979-），女，汉族，山东，副教授，博士，，西南民族大学，研究方向：泛函分析和先进PID控制

基金项目：西南民族大学中央高校基本科研业务费专项资金资助（82001564）.