Prädiktive Modelle mit JMP ® für das Verschwinden des arktischen und antarktischen Meereises aufgrund des Klimawandels
Manny Uy, PhD, Hauptstab der Johns Hopkins Universität für angewandte Physik
Josefino Comiso, Chefwissenschaftler, NASA Goddard Space Flight Center
Satellitendaten der Eisfläche, Eisfläche und Eiskonzentration für die Arktis und Antarktis wurden von 1978 bis 2012 erstellt. Lineare Regressionsmodelle für kleinste Quadrate können zwar für die kurzfristige Extrapolation verwendet werden - und werden häufig auch verwendet -, aber sie sind nicht die beste statistische Methode für Prognosen über einen langen Zeitraum - insbesondere bei periodischen Phänomenen wie saisonalen Schwankungen. Das grundlegende statistische Verfahren für die Modellierung saisonaler Zeitreihen ist die ARIMA-Methode (Box-Jenkins Auto-Regression mit Moving Average). Bei Verwendung des ARIMA-Zeitreihenmodells von Box-Jenkins in JMP 10 zeigen die Ergebnisse der Arktis-Datenanalyse, dass saisonale Schwankungen die Menge an Eisfläche, Eisfläche und Eiskonzentration in der Arktis wesentlich stärker beeinflussen als die jährliche Schwankung. Die saisonalen und abnehmenden jährlichen Trends sind statistisch signifikant und werden im Hinblick auf den Klimawandel diskutiert und erläutert. Die gleiche ARIMA-Methode von Box-Jenkins wird verwendet, um das Verhalten von Eis in der Antarktis vorherzusagen, was sich als komplexer erweist als der Fall in der Arktis. Die Zeit für eine eisfreie Arktis, die voraussichtlich im September stattfinden wird, wird auf 75 bis 105 Jahre ab dem gegenwärtigen Zeitpunkt geschätzt.
