基于BP神经网络的全球气候变化预测模型

侯惠清

（南华大学数理学院，湖南 衡阳421001）

1 引言

自从工业时代以来，人们对自然的掠夺式开发以及无节制的能源利用带来了日益严重的全球变暖问题[1]，严重影响了人类的生存[2-3]。这引起全人类都对全球暖化极度重视，不遗余力地采取一系列措施减缓全球暖化速度。为此，本文考虑了地球的吸热、散热以及海洋表面温度变化，预测未来25年的气候变化。同时将影响气候变化的一些因素纳入考虑范围，得到了全球变暖的影响因素，并且把多个解释变量对被解释变量的关系预测可以采用多元回归预测模型[4]，之后进行相关系数分析，来判定多元回归方程中的解释变量。本文利用1980—2008年间的数据对1980—2008年全球气温平均值进行拟合，通过判定系数R2判定模型的拟合效果。本文使用的基于BP 神经网络的线性回归组合预测模型如图1 所示。

图1 基于BP 神经网络的线性回归组合预测模型结构图

2 基于多元线性回归的BP 神经网络预测模型

多元线性回归分析模型[4]是可以包含多个解释变量的线性回归模型，用于揭示被解释变量与其它多个解释变量之间的线性关系。这里我们将1980—2008年的二氧化碳排放量与海平面温度值作为解释变量，将此年间全球平均气温值作为被解释变量，进行多元线性回归拟合，并利用得到的模型预测2009—2018年的全球气温平均数据。将全球平均温度数据值Y 作为被解释变量，将1980—2018年全球人口总数，海洋表面温度、五大国森林面积总和、北极海冰面积、大气污染二氧化碳排放量视为解释变量进行多元回归分析。

BP 神经网作为人工神经网络中最可靠、最经典的神经网络，操作便捷、学习能力强大。运用误差逆向传播算法，是通过该算法进行训练的多层前馈神经网络。BP 神经网络具有拓扑性结构，包含输入层、隐含层、输出层。其中隐含层可以是一层，也可以是多层，每层之间均通过权值相连接。BP 神经网络有非常强的非线性拟合能力，可以实现时间序列数据的预测[5]。

BP 神经网络算法可以分为以下几个部分[6]：①BP 网络的初始化；②根据给出的连接权值与各层神经元阈值计算出隐含层输出；③根据计算得出的隐含层输出，计算出输出层输出；④计算均方误差；⑤反复更新权值与阈值；⑥最后是判断过程，若算法满足精度要求则结束迭代，若为满足要求返回。

经由MATLAB 实现基于多元线性回归的BP 神经网络预测模型，计算得出未来全球平均气温预测值以及变化趋势，如表1、图2 所示。

由表1、图2 可知，未来25年全球平均气温呈现缓慢上升趋势，上升率仅为0.02%，并最终趋于平缓。2015年《联合国气候变化框架公约》第21 次缔约方会议（世界气候大会）于巴黎举行，促使196 个缔约方形成统一意见，并于2020年开始实施，这一世界性质的协议无疑对缓解全球变暖具有显著影响，各个国家与地区必然制定相应的举措进行落实。加之人们深受全球变暖带来的危害，气候保护意识显著增强，世界多方共同努力，定会出现期望已久的碧海蓝天。

表1 未来全球平均气温预测值

图2 未来25年全球平均气温预测值变化趋势

图3 BP 神经网络预测误差率

图3 为BP 神经网络预测误差率，由图3 可知，该神经网络模型预测的全球平均气温值与实际气温值的动态绝对误差最差为0.39，因此在预测精度、可靠性方面均十分良好，基于时间序列的动态BP 神经网络模型在全球平均气温预测中具有重要的参考意义。

3 结论

通过建立刻画未来25年气候变化的BP 神经网络预测模型可知，未来25年全球平均气温变化并没有停滞，而是呈现缓慢上升趋势，上升率仅为0.02%，并最终趋于平缓。