Salut, tout le monde.
Je suis Maçon.
T vieillard, Je vais être présentation a étude
sur antarctique glacier taux de fusion en utilisant temps série plateformes.
Le motivation derrière ce projet était que nous recherché à enquêter
le long- terme effets de climat changement,
et nous ciblé lieux la plupart affecté par mondial échauffement,
lequel sont Antarctique et Groenland.
Précédemment, nous essayé en utilisant lissage et décomposition techniques
à étude et prévision le glacier fusion taux.
Mais beaucoup de ceux modèles avait assez important limites.
Pour exemple, ils étaient incapable à considérer le saisonnier ou s'orienter modèle.
À améliorer le prévision précision et précision,
nous recherché à essayer autre méthodes, tel comme le ARIMA modèle,
lequel est notre principal se concentrer pour aujourd'hui.
Le objectif de ce présentation est à utiliser temps série plateformes dans JMP
à examiner le glacier fusion masse données depuis 2002 à 2021,
et à prévision le glacier fusion tarifs pour le suivant 20 années.
Pourquoi sont nous étudier glacier fusion tarifs
plutôt de, pour exemple, atmosphérique température?
Devrait nous étude le Groenland glace feuille ou le antarctique glace feuille?
Bien être étudier le antarctique données parce que le taux
a t lequel les Thwaites glacier dans Antarctique est fusion
a a été rapidement croissant dans le passé années
dans termes de le surface hauteur.
Le Glacier de Thwaites est significatif
parce que il est le le plus large glacier dans le monde
et déjà contribue à 4% de mondial mer niveau se lève.
Mais qu'est-ce que plus concernant est que récemment, dans 2021,
scientifiques trouvé que là était plus chaud eau
dessous le glacier que précédemment pensée,
lequel pourrait avoir même plus dire conséquences
dans termes de plus loin contribuant à mer niveau se lève.
Nous vouloir à aide prévision
le antarctique taux de fonte des glaciers à informer le publique
à propos le effets de mondial échauffement et apporter plus conscience
à le problème que climat changement peut cause.
Nous a obtenu notre données depuis le DANS site web, 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 à 1 000 kilogrammes.
Quand toi obtenir métrique tonne, c'est égal à 10¹² kilogrammes.
Le Mission GRACE-FO, lequel est où ème sont des données était collecté,
mesures le masse variation.
C'est pas le total masse,
lequel est pratiquement impossible à mesure,
mais le changement dans masse relatif à Avril 2002,
quand le GRÂCE mission commencé suivi glacier masse variation.
Précédemment, comme I dit,
nous utiliser le lissage anti- composition modèles,
mais ces techniques soit échouer à considérer
le non linéaire vers le bas s'orienter dans glacial masse
depuis le glacier fusion taux est croissant sur le années,
ou ces modèles échoué à considérer le saisonnier variations.
Chaud mois sont en allant à avoir a plus rapide fusion taux.
Nous recherché à utiliser l'ARIMA modèle
parce que nous espoir à améliorer le s'orienter donc que il est non linéaire
et aussi incorpore le saisonnier composant à le même temps.
Nous aussi espoir que le Modèle ARIMA
peut aide plus loin étroit le prédiction intervalle
donc que notre prévisions sont plus précis.
Il y a deux types de ARIMA modèles.
Il y a non saisonnier et saisonnier.
Le non saisonnier Modèle ARIMA
fait pas considérer que là est a saisonnier modèle,
alors que le saisonnier Modèle ARIMA souligne que là est a saisonnier composant
avant le modèle est généré.
Le ÂME non saisonnière modèle,
ça le fait mettre en œuvre décomposition et recherches pour un saisonnier composant,
mais il a Non connaissance de le saisonnier décalage période
lequel devrait être 12 mois avant il génère a modèle.
Maintenant, glacier masse la variation devrait avoir a saisonnier modèle
parce que nous attendre glaciers faire fondre plus rapide pendant le été mois
et accumuler pendant le hiver mois.
Mais depuis a 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 météo incohérences comme a résultat de mondial échauffement.
Sans spécifiant quoi notre saisonnier décalage est,
nous ne peut pas utiliser le saisonnier ARIMA modèle.
C'est aussi commun pratique à utiliser le non saisonnier ARIMA modèle
à vérifier que 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
à 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
à mieux prévision le glacier taux de fusion
dans le suivant 20 années.
Si toi regarder à le modèle résultats pour (0, 1, 0)
lequel est le meilleur non saisonnier modèle,
toi peut voir que le pente est pas significatif.
Le valeur p est 0,18, et le paramètre estimation est -10.42.
Chaque année, le glacier masse est prévu à diminuer à à propos 10 giga métrique tonnes.
Cependant, ce modèle est pas significatif,
lequel peut indiquer que nous besoin à utiliser a saisonnier modèle.
Nous voir que 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
que nous devrait être en utilisant a saisonnier décalage de 12.
Après en cours d'exécution le non saisonnier ARIMA modèle,
nous recherché à 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 a peu similaire ici.
Mais toi peut voir
que 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.
Il est intéressant de noter que le dans l'ensemble s'orienter pour le saisonnier modèle
est beaucoup plus raide que le non saisonnier modèle,
lequel peut indiquer
que si nous faire pas décomposer le saisonnier composant,
alors le saisonnier modèle peut fin en haut être a aléatoire bruit facteur
lequel volonté diluer le signal
et faire le pente moins raide 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,
lequel est un autre facteur de incertitude.
Cependant, nous faire pas vouloir à voir le saisonnier modèle dans le prévisions
depuis nous vouloir à 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 a beaucoup plus petit culminer
à de saisonnier décalage de 12, lequel est droite sur ici,
que le non saisonnier ARIMA modèle, lequel est sur le droite.
C'est dur à 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
lequel spectacles que nous choisi a bien décalage période.
Aussi, depuis le tableau sur le droite, le MA2, 12 est significatif,
lequel une fois encore spectacles que 12 est a bien choix
pour le saisonnier décalage.
M A2, 12 serait être le saisonnier modèle à a décalage saisonnier de 12 mois.
Dans conclusion, nous appliqué non saisonnier et saisonnier Modèles ARIMA
à 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 à 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 que est 20% plus raide
que la pente trouvé depuis le non ARIMA saisonnier modèle.
C'est tous I avoir pour aujourd'hui.
Merci pour écoute.
