Изменчивость климатического режима Гренландского моря

В данной выпускной квалификационной работе были рассмотрены возможные причины изменения климатического режима Гренландского моря с помощью взаимосвязи между площадью распространения морского льда и других гидрометеорологических параметров. К этому дополнительно проведен анализ и построение прогнозных моделей внутренней структуры выбранной акватории через прогноз выхода на безледный период. А также исследование линейной и нелинейной физико-статистической связи.
На первом этапе изучались особенности климатического режима моря по литературным источникам. Полученные данные сформировали основу для дальнейшего анализа.
На втором этапе, используя различные статистические алгоритмы, исследовалась динамика площади морского льда. Анализ позволил выделить внутреннею структуру природного процесса. При прогнозировании трендовой составляющей и универсальной гиперболической формулой расхождения составляют в среднем 10 лет. После добавления гармоники к тренду ошибка снизилась до 3-х лет, что говорит о достаточной устойчивости оценок. В марте и феврале наблюдается пик трендовой составляющей (с коэффициентом детерминации R2=67.35 и R2=62.98 соответственно), после чего ее влияние постепенно ослабевает, в июне оценки двух составляющих практически равны. С июля по сентябрь доминирует циклическая составляющая (с коэффициентом детерминации R2=43.2, R2=39.9 и R2=33.4 соответственно). С октября по декабрь тренд снова усиливается, а циклическая составляющая ослабевает (см. рис. 7). Наблюдается сезонная специфика в появлении гармоник: с декабря по май не обнаруживается длиннопериодных гармоник, в основном проявляются циклы продолжительностью от 5 до 9 лет. С июня по ноябрь, наоборот, преобладают более длительные циклы от 16 до 20 лет. Средний совместный вклад составляющих составил примерно 75%.
На третьем этапе был использован мультирегрессионый анализ, чтобы составить статистические уравнения взаимосвязи площади морского льда с гидрометеорологическими характеристиками. Было установлено, что преобладающим фактором для каждого месяца стала температура поверхности моря, а в зимней период (с ноября по март) прибавилась и температура атмосферы. На зависимом материале метод показал достаточно точные результаты, среднее отношение стандартной ошибки к среднеквадратическому отклонению составляет 0.71. Предикторы описывают от 50% до 90% (в зависимости от месяца) общей дисперсии колебаний площади льда Гренландского моря. Но переходя к независимой части, где более заметна тенденция на уменьшение площади льдов, среднее отношение стандартной ошибки к среднеквадратическому отклонению больше 1. Это говорит о том, что полученные модели не смогли справиться с поставленной задачей. Для решения данной проблемы был предложен альтернативный алгоритм анализа.
Последний этап заключается в рассмотрении объекта исследования в виде сложной динамической системы, в которой присутствуют по большей мере нелинейные взаимосвязи между факторами. Для этого был выбран современный метод машинного обучения - деревья решений. На зависимом материале расхождения между прогнозными и фактическими значениями минимальны, среднее отношение стандартной ошибки к
среднеквадратическому отклонению составляет меньше 0.6. Коэффициенты детерминации находятся в диапазоне от 65 до 90%, что говорит о достаточном описании дисперсии исходного ряда. И при условии уменьшения площади льда за последние десять лет (независимая часть) модель смогла описать динамику развития, среднее отношение стандартной ошибки к среднеквадратическому отклонению составляет меньше 0.83, это говорит о неплохой точности модели при условиях малой глубины дерева решений. К этому можно добавить способность алгоритма квалифицировать гидрометеорологические параметры по значимости влияния на площадь распространения морского льда Гренландского моря, что помогает сделать некоторые выводы. Как и в случае с мультирегрессионным анализом, наиболее преобладающие предикторы в формирование площади распространения морского льда оказались температура поверхности моря и атмосферы. Анализ двух методов показывает, что модели деревья решений обладают лучшими характеристиками по сравнению с моделями МЛР (см. рис. 21 и 22). Это связано с тем, что МЛР объясняет дисперсию исходного ряда через корреляцию с предикторами и требует некоторых дополнений в уравнение для повышения точности, тогда как ДР минимизирует расстояние между значениями площади льда и предикторами на отдельных временных отрезках, причем с увеличением толщины дерева длина отрезков уменьшается.


Купить