网站名词解释,广州做网站市场,北京城乡建设网站首页,网站开发的工作需要什么材料2022年亚太杯APMCM数学建模大赛
C题 全球变暖与否
原题再现#xff1a; 加拿大的49.6C创造了地球北纬50以上地区的气温新纪录#xff0c;一周内数百人死于高温#xff1b;美国加利福尼亚州死亡谷是54.4C#xff0c;这是有史以来地球上记录的最高温度#xff1b;科威特53…2022年亚太杯APMCM数学建模大赛
C题 全球变暖与否
原题再现 加拿大的49.6°C创造了地球北纬50°以上地区的气温新纪录一周内数百人死于高温美国加利福尼亚州死亡谷是54.4°C这是有史以来地球上记录的最高温度科威特53.5°C甚至在阳光下超过70°C在中东的许多国家超过50°C。 自今年以来我们已经看到了大量惊人的温度报告。地球正在燃烧的事实是毫无疑问的。在6月底到7月初这些地区出现可怕的高温之后意大利再次创下欧洲气温纪录达到惊人的48.8°C许多国家宣布意大利处于高温状态紧急事件,全球气候变暖是一种与自然有关的现象。这是由于温室效应的持续积累导致地球大气系统吸收和释放的能量不平衡以及能量在地球大气系统中的不断积累导致温度上升和全球气候变暖。 在工业革命之前二氧化碳(CO2)在大气中一直在百万分之280ppm左右。CO的浓度22004年3月大气中达到了377.7 ppm导致了当时10年的最大平均增长。[1]根据美国国家海洋和大气管理局NOAA和斯克里普斯海洋研究所SIO的科学家称每月平均CO2浓度水平在2022年5月达到421 ppm。[2]的一个经济合作与发展组织OEC D的报告预测了一个CO2到2050年该水平为685 ppm。[3] APMCM组委会已经要求您的团队解决当前报告和未来全球温度水平的预测。他们提供了数据集2022_APMCM_C_Data。csv其中包含239177条记录以协助您的研究。 要求 1.你同意有关全球气温的说法吗使用2022_APMCM_C_Data。附件中的csv和其他您的团队收集的数据集以分析全球温度变化。 a)你同意2022年3月全球气温的上升导致了比过去10年期间更大的上升吗为什么或为什么不呢 b)根据历史数据请建立两个或两个以上的数学模型来描述过去并预测未来的全球温度水平。 c)使用1个(b)中的每个模型来分别预测2050年和2100年的全球气温。你们的模型是否同意2050年或2100年全球观测点的平均温度将达到20.00°C的预测如果 不是在2050年或2100年那么您的预测模型中的观测点的平均温度何时会达到20.00°C d)你认为1(b)的模型最准确为什么 2.影响温度变化的原因是什么 a)使用问题1的结果和附件2022_ APMCM_C_ Data中的数据。csv和您的团队收集的其他数据集建立一个数学模型来分析全球温度、时间和位置之间的关系如果有的话并解释这种关系或证明它们之间没有关系。 b)请收集相关数据分析自然灾害的因素如火山爆发、森林火灾、COVID-19等。这对全球温度有什么影响吗 c)你认为影响全球温度变化的主要原因是什么 d)你认为有什么措施来遏制或减缓全球变暖吗 3.准备一篇非技术性的文章最多1页请写一篇非技术性的文章文章最多1页给APMCM组委会解释你的团队的发现和对未来的建议。 您的PDF解决方案总共不超过25页应该包括 一页汇总表。 目录。 你的完整解决方案。 有一页纸的非技术性文章。 注APMCM竞赛的页面限制版数为25页。您提交的所有方面都达到了25页的限制摘要表目录文章。但是参考文献列表和附录的页面并不受限制。
整体求解过程概述(摘要) 全球变暖引发的一系列危害影响到人类生存的方方面面。本文通过数学模型分析采用多种预测与分析的算法研究全球温度变化、影响全球温度变化的原因并且基于研究结果对于全球变暖的问题提出科学合理的建议。 针对问题一首先我们将题目所提供的数据进行数据预处理基于题目提供的2012年到2013年的数据出的绘制拟合曲线图与统计分析得到气温变化规律再通过Python从网站上采集了从2012年至今的每日全球平均气温数据分析出2022年3月全球气温上升导致比过去10年观察到的增幅更大是不正确的。其次综合第一小问绘制的拟合曲线图我们建立多项式拟合模型以及根据实际背景在模型中加入适当熵权参数λ修正后的利用指数平滑法的时间序列模型描述过去并且预测未来的全球温度水平并且预测出2050年与2100年的平均气温分别为19.6℃与20℃。最后对建立的两个模型进行分析得到时间序列模型的准确性更高。 针对问题二首先我们选择两个城市为代表将数据可视化采用控制变量法得到同一地点一年中不同时间与温度的关系、同一时间不同地点与温度的关系再选择一个城市为代表得到同一地点不同年份与温度的关系。其次将题目提供的位置数据处理成单一变量将位置、时间、平均温度、平均温度的置信度进行斯皮尔曼相关性分析得到温度、时间、位置之间的关系。接着通过Python在网络上搜集火山爆发、森林火灾、COVID-19、极端气候、冰川融化、海平面上升等自然灾害对温度影响的数据对数据进行基于熵权法的多元因子分析得到自然灾害对全球气温的影响并且获得自然灾害对温度影响权重占比。最后我们通过查阅相关资料分析出我们认为的影响全球气变化的主要因素再通过结合第三小问中分析出的主要影响因素提出抑制或减缓全球变暖的措施。 针对问题三我们解释了我们的发现得到了气温变化与位置、时间以及经济的关系和规律并且提出了对于气温影响人口和环境保护的建议。 综合来看本文较好地分析了全球气温水平对未来全球温度增长水平进行预测并且为抑制或减缓全球气候变暖提供一份强有力的理论依据。
模型假设 为了便于模型建立简化运算本文对模型做出如下基本假设 1. 假设题目所给的数据大部分真实可靠 2. 假设我们爬取的数据里已涵盖战争疫情等因素对于全球气温的影响 3. 假设在考虑预测全球变暖未来气温时环境保护思想已深入人心 4. 假设未来科技发展均符合低碳环保理念 5. 假设未来疫情消失且全球各个国家和平共处
问题分析 问题一的分析 问题一可以分为四个小问第一小问需要我们通过数据分析出2022年3月全球气温上升导致比过去10年观察到的增幅更大是否正确。对于第一小问我们先将题目所提供的数据进行数据预处理转换日期数据格式基于题目提供的各国的2012年到2013年的数据出的绘制拟合曲线图与统计分析得到气温变化规律再通过Python从伯克利地球气温统计网站上采集了从2012年至今的每日全球平均气温数据基于这些数据可以分析出2022年3月全球气温上升导致比过去10年观察到的增幅更大是否正确。第二小问需要我们建立两个模型描述过去并且预测未来的全球温度水平。综合第一小问绘制的拟合曲线图我们通过多项式拟合和函数逼近的方法得到拟合多项式曲线函数从而描述过去并且预测未来的全球温度水平除此之外我们建立利用指数平滑法的时间序列模型并且根据实际背景在模型中加入适当熵权参数λ修正该模型从而描述过去并且预测未来的全球温度水平。对于第三小问我们可以基于第二小问中得到的模型预测2050年和2100年的全球平均温度并观测到平均温度在什么时候达到20℃。第四小问需要我们判断第二小问中建立的哪一个模型更为准确我们可以通过考虑多方面因素如社会因素等判断哪一个模型更为准确。 问题二的分析 问题二可以分为四个小问第一小问需要我们根据题目提供数据已经自己收集的数据建立一个数学模型研究全球温度、时间、位置之间的关系。对于第一小问首先选择两个代表国家为例将数据可视化采用控制变量法进行初步分析得到同一地点一年中不同时间与温度的关系、同一时间不同地点与温度的关系。其次控制位置不变选择一个城市为代表得到同一地点不同年份与温度的关系[5]。最后将题目提供的位置数据处理成单一变量将位置、时间、平均温度、平均温度的置信度进行斯皮尔曼相关性分析得到温度、时间、位置之间的关系。对于第二小问先通过Python在网络上搜集火山爆发、森林火灾、COVID-19、极端气候、冰川融化、海平面上升等自然灾害对温度影响的数据对数据进行基于熵权法的多元因子分析得到自然灾害对全球气温的影响并且获得自然灾害对温度影响权重占比。对于第三小问我们通过查阅相关资料分析出我们认为的影响全球气变化的主要因素。对于第四小问我们通过结合第三小问中分析出的主要影响因素并结合相关资料提出抑制或减缓全球变暖的措施。 问题三的分析 问题三需要撰写一篇非技术性文章解释团队的发现和对未来的建议。我们基于问题一与问题二得到的结果得到了气温变化与位置、时间以及经济的关系和规律并加以解释最后提出了对于气温影响人口和环境保护的建议。
模型的建立与求解整体论文缩略图 全部论文及程序请见下方“ 只会建模 QQ名片” 点击QQ名片即可
程序代码
部分python程序如下:
import pandas as pd
import datetime
df pd.read_csv(2022_APMCM_C_Data.csv,encodinggb2312)
df[dt].apply(lambda x: type(x))
df[dt]pd.to_datetime(df[dt])
df[dt] df[dt].apply(lambda x: x.strftime(%Y%m%d))
df10years df [(df[dt] 20220228) (df[dt] 20120201)]
df10years df10years.sort_values(bydt)
df10yearsChina df10years[df10years[Country]China]
df10yearsNanjing df10years[df10years[City]Nanjing]
df10yearsRussia df10years[df10years[Country]Russia]
from pyecharts import Bar
import pandas as pd
bar Bar(Change of Russia and AverageTemperature in the past 10 years)
datax df10yearsRussia[dt]
datay df10yearsRussia[AverageTemperature]
bar.add(, datax, datay,is_randomTrue)
bar.render(近10年来俄罗斯温度直方图.html)import pandas as pd
import datetime
df pd.read_csv(2022_APMCM_C_Data.csv,encodinggb2312)
df[dt].apply(lambda x: type(x))
df[dt]pd.to_datetime(df[dt])
df[dt] df[dt].apply(lambda x: x.strftime(%Y%m%d))
df10years df [(df[dt] 20220228) (df[dt] 20120201)]
df10years df10years.sort_values(bydt)
df10yearsChina df10years[df10years[Country]China]
df10yearsNanjing df10years[df10years[City]Nanjing]
df10yearsRussia df10years[df10years[Country]Russia]
from pyecharts import Bar
import pandas as pd
bar Bar(Change of Russia and AverageTemperature in the past 10 years)
datax df10yearsRussia[dt]
datay df10yearsRussia[AverageTemperature]
bar.add(, datax, datay,is_randomTrue)
bar.render(近10年来俄罗斯温度直方图.html)全部论文及程序请见下方“ 只会建模 QQ名片” 点击QQ名片即可
