基于VAR模型的加拿大气候变化预测

计算机与现代化 ›› 2022, Vol. 0 ›› Issue (10): 13-18.

基于VAR模型的加拿大气候变化预测

(西南科技大学计算机科学与技术学院，四川绵阳621010)

出版日期:2022-10-20 发布日期:2022-10-21
作者简介:寇露彦(1997—)，女，四川达州人，硕士研究生，研究方向：人工智能，数据可视化，E-mail: 614638520@qq.com; 通信作者：廖竞(1978—)，男，四川绵阳人，讲师，硕士，研究方向：信息可视化，E-mail: 616567565@qq.com; 李学俊(1975—)，男，四川绵阳人，副教授，博士，研究方向：数据可视化与人机交互，多元数据融合，信息系统，E-mail: lixuejun@swust.edu.cn; 吴昌述(1995—)，男，四川达州人，硕士研究生，研究方向：可视化与可视分析，E-mail: 794100338@qq.com; 熊建华(1996—)，男，四川南充人，硕士研究生，研究方向：自然语言处理，E-mail: 1023004263@qq.com。
基金资助:
国防基础计划科研项目(JCKY2019204B007); 国家自然科学基金面上项目(61872304)

Climate Change Prediction in Canada Based on VAR Model

(School of Computer Science and Technology, Southwest University of Science and Technology,Mianyang 621010, China)

Online:2022-10-20 Published:2022-10-21

摘要/Abstract

摘要： 南极冰川融化、飓风不断增加、海平面逐渐上涨等现象的出现，使人们意识到全球气候变暖给人类生存带来极大的挑战，对全球气候变化发展趋势的预测是十分有必要的。本文针对全球气候变暖现象，对加拿大具有代表性的4个省份数据进行缺失值填补后分析研究，建立一个考虑太阳辐射强度、二氧化碳含量、土壤含水量、温度、降雨量等因素的向量自回归（VAR）模型。通过对其进行平稳性检验、脉冲响应和方差分析得出具体模型并利用该模型对加拿大气温和降水量进行预测。实验结果表明，未来25年加拿大平均气温将达到15.0410 ℃，平均降水量达到2.0950 mm。

关键词: 全球变暖, VAR模型, 气温预测, 平稳性检验, 方差分析

Abstract: The melting of Antarctic glaciers, the increasing of hurricanes and the gradual rising of sea level make people aware of the great challenges caused by global warming. So it is necessary to do research on global climate change. Missing data imputation is taken to study the data of four representative provinces in Canada, and a vector autoregressive (VAR) model is established considering the factors of solar radiation intensity, carbon dioxide content, soil water content, temperature, rainfall etc. to study Canada’s climate change. The specific model is established by doing stability test, impulse response and variance analysis, and is used to predict the temperature and precipitation in Canada. The experimental results show that the average temperature in Canada in the next 25 years will reach 15.0410 ℃, and the average precipitation will reach 2.0950 mm.

Key words: global warming, vector autoregressive model, temperature prediction, stationary test, variance analysis

寇露彦, 廖竞, 李学俊, 吴昌述, 熊建华. 基于VAR模型的加拿大气候变化预测[J]. 计算机与现代化, 2022, 0(10): 13-18.

KOU Lu-yan, LIAO Jing, LI Xue-jun, WU Chang-shu, XIONG Jian-hua. Climate Change Prediction in Canada Based on VAR Model[J]. Computer and Modernization, 2022, 0(10): 13-18.

参考文献

［1］王蔺景,范川,何晓睿,等. 温室效应成因及其与全球变暖关联性研究［J］. 今日财富(中国知识产权), 2018(1):163-164.
［2］刘珊,陈幸荣,蔡怡. 全球变暖“停滞”研究综述［J］. 海洋学报, 2019,41(4):1-14.
［3］罗小青,徐建军. 关于21世纪初增暖停滞现象的研究综述［J］. 黑龙江气象, 2019,36(1):28-31.
［4］ CASTELLS-QUINTANA D, KRAUSE M, MCDERMOTT T K J. The urbanising force of global warming: The role of climate change in the spatial distribution of population［J］. Journal of Economic Geography, 2021,21(4):531-556.
［5］马双. 全球变暖背景下的高山林线变化［J］. 南方农机, 2020,51(8):230.
［6］ BARDOS C, PIRONNEAU O. The radiative transfer model for the greenhouse effect［DB/OL］. (2021-08-21)［2021-10-20］. https://linkspringer.53yu.com/article/10.1007/s40324-021-00265-y#citeas.
［7］ GJERMUNDSEN A, NUMMELIN A, OLIVIE D, et al. Shutdown of Southern Ocean convection controls long-term greenhouse gas-induced warming［J］. Nature Geoscience, 2021,14(10):724-731.
［8］ BHATTACHARYYA S S, LEITE F F G D, ADEYEMI M A, et al. A paradigm shift to CO2 sequestration to manage global warming: With the emphasis on developing countries［J］. Science of the Total Environment, 2021,790. DOI: 10.1016/j.scitotenv.2021.148169.
［9］李倩. 全球变暖背景下冻土变化研究综述［J］. 吉林气象, 2013(1):25-28.
［10］侯惠清. 基于BP神经网络的全球气候变化预测模型［J］. 科技与创新, 2021(9):10-11.
［11］彭润龙,张亚如,郭荣伟. 基于多元回归全球气候变化的模型分析［J］. 齐鲁工业大学学报, 2020,34(4):61-68.
［12］刘礼敏,孙正榕,赵仁习,等. 飓风和全球变暖趋势的灰色预测模型［J］. 智库时代, 2019(14):225-226.
［13］邝宏燕,叶文杰,吴铁雄. 基于VAR模型的GDP与财政收支相互关系研究——以深圳市光明区为例［J］. 时代金融, 2021(24):17-19.
［14］卫彦晶,谢成兴,王丰效. 基于VAR模型的新疆地区生产总值实证分析及预测［J］. 边疆经济与文化, 2021(11):31-35.
［15］石峰,胡燕,戴冬阳. 人口流动与新冠病毒传播——基于向量自回归模型的实证分析［J］. 河南理工大学学报(社会科学版), 2022,23(1):43-50.
［16］DONNELLY G F. Climate change and health: A new urgency［J］. Holistic Nursing Practice, 2021,35(6):295.
［17］ASHLEY R A, VERBRUGGE R J. To difference or not to difference: A Monte Carlo investigation of inference in vector autoregression models［J］. International Journal of Data Analysis Techniques and Strategies, 2009,1(3):242-274.
［18］LEE C C, CHANG C P. New evidence on the convergence of per capita carbon dioxide emissions from panel seemingly unrelated regressions augmented Dickey-Fuller tests［J］. Energy, 2008,33(9):1468-1475.
［19］MAZIARZ M. A review of the Granger-causality fallacy［J］. The Journal of Philosophical Economics, 2015,8(2):86-105.
［20］陈少飞,刘小杰,李宏扬,等. 高炉炼铁数据缺失处理研究初探［J］. 中国冶金, 2021,31(2):17-23.
［21］ENGLE R F, GRANGER C W J. Co-integration and error correction: Representation, estimation, and testing［J］. Econometrica, 1987,55(2):251-276.
［22］张雪芳,戴伟. 黄石市第二、三产业互动关系的实证研究［J］. 湖北理工学院学报(人文社会科学版), 2015,32(6):41-45.
［23］CHEN Y T. On the robustness of Ljung-Box and McLeod-Li Q tests: A simulation study［J］. Economics Bulletin, 2002,3(17):1-10.
［24］GONCALVES S, HERRERA A M, KILIAN L, et al. Impulse response analysis for structural dynamic models with nonlinear regressors［J］. Journal of Econometrics, 2021,225(1):107-130.
［25］张钟妮,伍震寰. 基于VAR模型的消费水平分析［J］. 中国管理信息化, 2021,24(15):182-183.
［26］余彬彬. 土耳其里拉危机背景下国家间股市波动溢出效应研究——基于VAR模型的脉冲响应分析［D］. 济南:山东大学, 2021.
［27］张振强. 广西-东盟双边贸易与广西经济增长关系的动态分析——基于VAR模型下的脉冲响应和方差分解分析［J］. 广西民族师范学院学报, 2020,37(6):56-60.
［28］姜钰,程雪. 黑龙江省林业产业集聚与产业结构优化关系——基于VAR模型的脉冲响应和方差分解分析［J］. 林业经济, 2019,41(2):79-83.