32、全球温度预测与连铸保护渣图像特征提取技术研究

全球温度预测与连铸保护渣图像特征提取技术研究

全球温度预测模型分析

全球温度变化规律的研究一直是科学界的重点，目前对于未来全球温度的预测模型主要分为普通预测模型、基于时间的预测模型和机器学习预测模型。通过对比以往学者的预测结果和当前实际温度，发现机器学习模型的预测效果比其他模型高出约 10%，深度学习、遗传算法、神经网络等模型的使用率也更为普遍。

以 GA - BP 神经网络预测模型为例，对 2070 年至 2120 年全球温度变化规律的预测结果进行可视化分析，发现其与 21 世纪后的温度叠加周期规律几乎相同。这表明 GA - BP 神经网络测量模型的预测趋势比周期性预测模型更稳定，其非线性拟合能力强，通过遗传算法优化神经网络的权重和阈值，并经过大量训练，使其拟合优度高于周期性预测模型。

为了找到合适的参数进行全球平均温度预测，选用了周期性波动预测、时间序列和 GA - BP 神经网络等模型。在模型拟合效果不佳时，采用了 lightGBM 回扫模型进行机器学习。该模型效率高、内存消耗低、结果准确，最终找到了温度与时间和纬度之间的正确关系。不过，当使用 Manner - Kendall 突变点测试函数检测自然灾害对全球温度的影响时，对于较大样本量的检测较为复杂，结果也会有一定程度的差异。

时间序列分析是分析时间数据的技术，ARIMA（自回归积分移动平均）模型是常用的时间序列分析方法，在气象预报中广泛应用。但 ARIMA 模型存在一些局限性，如无法处理非线性关系和复杂时间序列。因此，研究人员提出了 GA - BP（遗传算法 - 反向传播）神经网络模型等其他方法。

预测模型类型