Salut, tout le monde.
Je suis Le maçon.
J Aujourd'hui, Je vais être en présentant un étude
sur antarctique glacier taux de fusion en utilisant temps série plates-formes.
Le motivation derrière ce projet était ce nous recherché pour enquêter
le long- terme effets de climat changement,
et nous ciblé lieux la plupart affecté par mondial échauffement,
qui sont Antarctique et Groenland.
Précédemment, nous essayé en utilisant lissage et décomposition techniques
pour étude et prévision le glacier fusion taux.
Mais beaucoup de ceux des modèles avait assez important limites.
Pour exemple, ils étaient incapable pour considérer le saisonnier ou s'orienter modèle.
Pour améliorer le prévision précision et précision,
nous recherché pour essayer autre méthodes, tel comme le ARIMA modèle,
qui est notre principal se concentrer pour aujourd'hui.
Le objectif de ce présentation est pour utiliser temps série plates-formes dans JMP
pour examiner le glacier fusion masse données depuis 2002 pour 2021,
et pour prévision le glacier fusion les taux pour le suivant 20 années.
Pourquoi sont nous en étudiant glacier fusion les taux
plutôt de, pour exemple, atmosphérique température?
Devrait nous étude le Groenland glace feuille ou le antarctique glace feuille?
Bien être en étudiant le antarctique données parce que le taux
un t qui les Thwaites glacier dans Antarctique est fusion
a a été rapidement en augmentant dans le passé années
dans conditions de le surface hauteur.
Le Glacier de Thwaites est important
parce que il est le le plus large glacier dans le monde
et déjà contribue pour 4% de mondial mer niveau monte.
Mais qu'est-ce que c'est plus concernant est ce récemment, dans 2021,
scientifiques trouvé ce là était plus chaud eau
sous le glacier que précédemment pensée,
qui pourrait ont même plus terrible conséquences
dans conditions de plus loin contribuant pour mer niveau monte.
Nous vouloir pour aider prévision
le antarctique taux de fonte des glaciers à informer le public
à propos le effets de mondial échauffement et apporter plus conscience
pour le problème ce climat changement peut cause.
Nous a obtenu notre données depuis le Nasa site Internet, comme montré sur le droite,
et nous transformé le données dans JMP, comme toi peut voir sur le gauche côté.
Maintenant, le antarctique masse est mesuré dans giga tonnes métriques,
et 1 métrique tonne est égal pour 1 000 kilogrammes.
Quand toi obtenir métrique tonne, c'est égal pour 10¹² kilogrammes.
Le Mission GRACE-FO, qui est où e est une donnée était collecté,
mesures le masse variation.
C'est pas le total masse,
qui est pratiquement impossible pour mesure,
mais le changement dans masse relatif pour Avril 2002,
quand le LA GRÂCE mission commencé suivi glacier masse variation.
Précédemment, comme je a dit,
nous utiliser le lissage anti- composition des modèles,
mais ces techniques soit échouer pour considérer
le non linéaire vers le bas s'orienter dans glacial masse
depuis le glacier fusion taux est en augmentant sur le années,
ou ces des modèles échoué pour considérer le saisonnier variantes.
Chaud mois sont en allant pour ont un plus rapide fusion taux.
Nous recherché pour utiliser l'ARIMA modèle
parce que nous espoir pour améliorer le s'orienter donc ce il est non linéaire
et aussi incorpore le saisonnier composant à le même temps.
Nous aussi espoir ce le Modèle ARIMA
peut aider plus loin étroit le prédiction intervalle
donc ce notre prévisions sont plus précis.
Il y a deux les types de ARIMA des modèles.
Il y a non saisonnier et saisonnier.
Le non saisonnier Modèle ARIMA
fait pas considérer ce là est un saisonnier modèle,
alors que le saisonnier Modèle ARIMA souligne ce là est un saisonnier composant
avant le modèle est généré.
Le ARIMA non saisonnier modèle,
Cela fait mettre en œuvre décomposition et recherches pour un saisonnier composant,
mais il a Non connaissance de le saisonnier décalage période
qui devrait être 12 mois avant il génère un modèle.
Maintenant, glacier masse la variation devrait ont un saisonnier modèle
parce que nous attendre glaciers fondre plus rapide pendant le été mois
et accumuler pendant le hiver mois.
Mais depuis un précédent préliminaire temps série analyse,
nous faire pas voir un évident décalage période de 12 mois.
Nous ne sont pas vraiment bien sûr quoi le optimal saisonnier largeur est
parce que de croissance temps incohérences comme un résultat de mondial échauffement.
Sans en précisant quoi notre saisonnier décalage est,
nous ne peut pas utiliser le saisonnier ARIMA modèle.
C'est aussi commun pratique pour utiliser le non saisonnier ARIMA modèle
pour vérifier ce décalage période, et alors courir le saisonnier Modèle ARIMA
une fois nous savoir quoi le saisonnier décalage serait être.
D'abord, Bien courir le non ARIMA saisonnier modèle
pour confirmer le saisonnier décalage période est en effet 12 mois.
Alors, Bien mettre en œuvre le saisonnier ARIMA modèle
basé sur le optimal saisonnier décalage
pour mieux prévision le glacier taux de fusion
dans le suivant 20 années.
Si toi regarder à le modèle résultats pour (0, 1, 0)
qui est le meilleur non saisonnier modèle,
toi peut voir ce le pente est pas important.
Le valeur p est 0,18, et le paramètre estimation est -10h42.
Chaque année, le glacier masse est prévu pour diminuer à à propos 10 giga métrique tonnes.
Cependant, ce modèle est pas important,
qui peut indiquer ce nous besoin pour utiliser un saisonnier modèle.
Nous voir ce 12 a le le plus élevé auto corrélation
pour décalages plus grand que zéro sur ce droite graphique.
Le auto corrélation parcelle plus loin confirme
ce nous devrait être en utilisant un saisonnier décalage de 12.
Après en cours le non saisonnier ARIMA modèle,
nous recherché pour comparer le (0, 1, 0) non saisonnier modèle
et le meilleur saisonnier modèle.
Le non saisonnier Modèle ARIMA est montré dans sombre rose
et le ARIMA saisonnier modèle est montré dans rose clair.
Le couleurs sont un bit similaire ici.
Mais toi peut voir
ce le prédiction intervalle pour le saisonnier modèle est beaucoup plus large
que le non saisonnier modèle,
et le prédiction intervalle depuis le saisonnier modèle
refléter le saisonnier modèle.
De façon intéressante, le global s'orienter pour le saisonnier modèle
est beaucoup plus raide que le non saisonnier modèle,
qui peut indiquer
ce si nous faire pas décomposer le saisonnier composant,
alors le saisonnier modèle peut fin en haut être un aléatoire bruit facteur
qui sera diluer le signal
et faire le pente moins abrupte que il devrait être.
Le prédiction intervalle pour le saisonnier Modèle ARIMA est plus grand,
la plupart probable parce que il considère le saisonnier variation,
qui est un autre facteur de incertitude.
Cependant, nous faire pas vouloir pour voir le saisonnier modèle dans le prévisions
depuis nous vouloir pour prédire le glacier masse variation pour chaque mois,
pas juste chaque année.
Si toi regarder à le ACF graphiques sur le bas gauche,
le saisonnier ARIMA modèle a un beaucoup plus petit culminer
à de saisonnier décalage de 12, qui est droite sur ici,
que le non saisonnier ARIMA modèle, qui est sur le droite.
C'est dur pour voir parce que le graphiques sont chevauchement,
mais pour le saison al ARIMA modèle, le auto corrélation est environ zéro
pour résidus plus grand que zéro
qui montre ce nous a choisi un bien décalage période.
Aussi, depuis le tableau sur le droite, le MA2, 12 est important,
qui une fois encore montre ce 12 est un bien choix
pour le saisonnier décalage.
M A2, 12 serait être le saisonnier modèle à un décalage saisonnier de 12 mois.
Dans conclusion, nous appliqué non saisonnier et saisonnier Modèles ARIMA
pour prévision le antarctique fonte des glaciers taux
dans le suivant 20 années.
Alors que le non saisonnier Modèle ARIMA peut prédire
le général vers le bas trajectoire de glacier masse variation,
il échoue pour considérer le saisonnier modèle dans le prévisions.
Le saisonnier Modèle ARIMA peut prévision le saisonnier et s'orienter comportements,
mais c'est prédiction intervalle est beaucoup plus grand.
Le saisonnier ARIMA modèle aussi a un pente ce est 20% plus raide
que la pente trouvé depuis le non ARIMA saisonnier modèle.
C'est tous je ont pour aujourd'hui.
Merci pour écoute.
