Hàm số đa thức và hàm số mũ mô hình hóa nhiệt độ và CO2

Các bản ghi khí hậu dài hạn có thể trông như một bức tường đầy số liệu: trung bình theo năm, biến động theo mùa, khoảng trống dữ liệu, và những thay đổi nhỏ chỉ có ý nghĩa khi quan sát qua nhiều thập kỷ. Sử dụng hàm số để mô hình hóa dữ liệu biến đổi khí hậu giúp chúng ta có cách mô tả ngắn gọn các mô hình đó, so sánh các phương án thay thế, và giải thích kết quả mà không mất đi sự nhận thức về độ không chắc chắn. Bài viết này hướng dẫn các bước đơn giản đằng sau hai nhóm mô hình hữu ích: hàm số đa thức cho đường cong linh hoạt và hàm số mũ cho tỷ lệ tăng trưởng.

Bắt đầu bằng câu hỏi, sau đó chọn hàm số

Một mô hình hữu ích bắt đầu bằng một câu hỏi cụ thể. Chúng ta đang hỏi nhiệt độ trung bình toàn cầu đã thay đổi như thế nào kể từ năm 1900? CO2 trong khí quyển tại một trạm đo đã tăng nhanh như thế nào? Hay một chuỗi nhiệt độ cực đại mùa hè tại địa phương so với trung bình toàn cầu ra sao? Câu hỏi xác định khoảng thời gian, đơn vị, và loại hàm số phù hợp.

Hàm số đa thức phù hợp khi xu hướng uốn cong, đi ngang, hoặc thay đổi hướng nhiều hơn một lần. Hàm số mũ là ứng viên mạnh khi một đại lượng tăng với tỷ lệ phần trăm gần như không đổi trong các khoảng thời gian bằng nhau. Không có lựa chọn nào là dự đoán tự thân; mỗi lựa chọn là một mô tả có thể được kiểm tra, tinh chỉnh, hoặc bác bỏ.

Bước 1: Chuẩn bị bản ghi

Trước khi fitted bất cứ điều gì, hãy tổ chức dữ liệu. Sử dụng một dòng cho mỗi mốc thời gian, thường là một năm, với giá trị năm dạng số và giá trị đo được. Quyết định cách xử lý các năm thiếu, các bản ghi trùng lặp, và các gián đoạn đã biết trong thiết bị đo. Nếu bản ghi bao gồm biến động theo mùa, hãy quyết định xem có nên phân tích trung bình hàng năm hay mô hình hóa giá trị hàng tháng với thành phần mùa bổ sung.

Việc căn giữa biến thời gian cũng giúp ích. Thay vì sử dụng trực tiếp năm 2024, hãy định nghĩa t = năm − 1900 hoặc một năm tham chiếu khác. Căn giữa giảm sự lộn xộn số học và giúp các hệ số dễ giải thích hơn. Giữ các đơn vị gốc hiển thị: độ Celsius hoặc Fahrenheit cho nhiệt độ, phần triệu cho CO2.

Bước 2: Vẽ biểu đồ trước khi mô hình hóa

Một biểu đồ phân tán đơn giản của giá trị theo thời gian thường tiết lộ cấu trúc chính. Hãy tìm kiếm sự tăng dần, một cao nguyên, một đường cong gấp khúc, hoặc sự lan rộng. Vẽ biểu đồ cũng làm lộ các giá trị ngoại lai và các điểm gián đoạn mà công thức có thể che giấu. Nếu hai chuỗi đang được so sánh, hãy sử dụng các bảng riêng biệt hoặc các trục được ghi nhãn rõ ràng để các đơn vị khác nhau không tạo ra ấn tượng sai lệch.

Bước 3: Fitted mô hình đa thức

Mô hình đa thức biểu diễn biến phụ thuộc dưới dạng tổng các lũy thừa của thời gian. Mô hình tuyến tính có bậc một, mô hình bậc hai có bậc hai, và tương tự:

y = a₀ + a₁t + a₂t² + …

Theo các bước đơn giản, fitted một hàm đa thức có nghĩa là chọn bậc, ước tính các hệ số để tối thiểu hóa sai số bình phương tổng thể, và kiểm tra xem độ phức tạp thêm vào có cải thiện sự hiểu biết không. Một đường thẳng có thể nắm bắt xu hướng nóng lên rộng. Một thành phần bậc hai có thể biểu diễn đường cong tăng tốc hoặc chậm lại. Các bậc cao hơn có thể theo các dao động cục bộ, nhưng chúng cũng có nguy cơ fitted nhiễu thay vì tín hiệu.

Các kiểm tra hữu ích bao gồm so sánh phần dư, sự khác biệt giữa giá trị quan sát và giá trị fitted, và hỏi xem đường cong có hoạt động hợp lý ngoài phạm vi quan sát không. Hàm số đa thức có thể uốn cong mạnh ngoài cửa sổ dữ liệu, vì vậy ngoại suy cần được thực hiện thận trọng.

Ví dụ giải thích

Giả sử một chuỗi nhiệt độ được căn tại năm 1900 và fitted bậc hai trả về hệ số tuyến tính dương và hệ số bình phương dương nhỏ. Hệ số đầu tiên cho thấy một độ dốc tăng tổng thể; hệ số thứ hai cho thấy độ dốc đó tăng theo thời gian. Các con số không phải là nguyên nhân, nhưng chúng tóm tắt hình dạng của bản ghi dưới dạng có thể so sánh với các giai đoạn hoặc khu vực khác.

Bước 4: Fitted mô hình mũ

Mô hình mũ hữu ích khi tăng trưởng tỷ lệ với giá trị hiện tại:

y = A·e^(kt)

Ở đây, A là mức khởi đầu tại thời gian tham chiếu, và k là tỷ lệ tăng trưởng liên tục. Nếu k dương, chuỗi tăng; nếu âm, chuỗi giảm. Để ước tính các tham số, nhiều nhà phân tích trước tiên lấy logarithm, biến mối quan hệ thành một đường thẳng trong không gian log:

ln(y) = ln(A) + kt

Phép biến đổi này giúp dễ dàng hơn để xem liệu các khoảng thời gian bằng nhau có tương ứng với các thay đổi phần trăm gần bằng nhau không. Sau khi fitted, biến đổi kết quả trở lại thang đo gốc và kiểm tra phần dư ở đó, vì các lỗi có vẻ nhỏ trên thang log có thể lớn trong đơn vị gốc.

Khi hàm số mũ fitted tốt

Các bản ghi nồng độ CO2 thường mời một mô tả hàm số mũ vì lượng phát thải và nồng độ có thể cộng dồn theo thời gian. Một hàm số mũ đơn lẻ có thể fitted tốt một khoảng hạn chế nhưng bỏ qua các thay đổi chính sách, biến động kinh tế, hoặc biến thiên tự nhiên trong khoảng thời gian dài hơn. Trong trường hợp đó, một mô hình theo đoạn hoặc xu hướng đa thức có thể trung thực hơn.

Bước 5: So sánh mô hình mà không tuyên bố quá mức

So sánh mô hình nên thực tế. Xem xét biểu đồ phần dư, các thước đo lỗi như sai số tuyệt đối trung bình, và sự ổn định của các ước tính khi khoảng thời gian thay đổi. Một mô hình fitted tốt quá khứ không tự động là dự đoán đáng tin cậy. Mục tiêu là mô tả bản ghi đã quan sát và nêu rõ những giả định nào cần được giữ vững để ngoại suy.

Cũng hữu ích để phân biệt tín hiệu khỏi biến thiên. Thời tiết từ năm này sang năm khác tạo ra nhiễu xung quanh xu hướng dài hạn. Hàm số mượt có thể làm nổi bật tín hiệu, nhưng nó không nên được trình bày như thể loại bỏ sự không chắc chắn. Báo cáo một dải các đường cong hợp lý, hoặc hiển thị các điểm thô cùng đường fitted, giúp ph��n tích minh bạch.

Bước 6: Truyền đạt kết quả bằng ngôn ngữ đơn giản

Chuyển đổi các hệ số thành các phát biểu mà mọi người có thể kiểm tra. Thay vì chỉ nói rằng một thành phần bậc hai là dương, hãy giải thích rằng xu hướng dường như tăng tốc trong khoảng thời gian đã chọn. Thay vì trích dẫn tỷ lệ tăng trưởng mà không có bối cảnh, hãy chuyển đổi nó thành thời gian nhân đôi xấp xỉ hoặc thay đổi trung bình mỗi thập kỷ. Đề cập đến khoảng thời gian, đơn vị, và thực tế rằng mô hình là một sự đơn giản hóa.

Khi so sánh chuỗi nhiệt độ và CO2, hãy tránh ngụ ý rằng một hàm số chứng minh nhân quả. Hai bản ghi có thể được phân tích với các công cụ tương tự, nhưng động lực, quy trình đo lường, và độ không chắc chắn của chúng khác nhau. Kết luận cẩn thận ghi nhận mối tương quan, thời điểm, và giới hạn mô hình.

Một quy trình có thể lặp lại

• Xác định câu hỏi và khoảng thời gian.
• Làm sạch và căn giữa dữ liệu, giữ đơn vị rõ ràng.
• Vẽ biểu đồ chuỗi để xác định hình dạng và bất thường.
• Fitted một đa thức đơn giản, sau đó thêm thành phần chỉ khi phần dư biện minh cho điều đó.
• Thử dạng mũ khi tăng trưởng tỷ lệ là hợp lý.
• So sánh phần dư và sự ổn định, và nêu giới hạn ngoại suy.
• Giải thích các hệ số bằng ngôn ngữ hàng ngày.

Hàm số đa thức và hàm số mũ không phải là các câu trả lời cạnh tranh; chúng là các ống kính khác nhau. Hàm số đa thức mô tả các hình dạng linh hoạt trong khoảng đã chọn, trong khi hàm số mũ mô tả thay đổi tỷ lệ. Được sử dụng cẩn thận, chúng biến hàng thập kỷ bản ghi nhiệt độ và phép đo CO2 thành các câu chuyện rõ ràng, có thể so sánh mà không giả vờ rằng một công thức đơn giản nắm bắt toàn bộ sự phức tạp của hệ thống khí hậu.