Application of Deep Learning Technology to Predict Changes in Sea Level

摘要 根據世界氣象組織的數據顯示，地球 上的氣溫從 1850 年至 2020 年已升高將 近 1℃，造成全球氣候異常，嚴重影響 南極冰層與格陵蘭冰層融化。若在未 來 100 年內，冰層全部完全溶化，海平 面就會上升67.2米，大部份沿海城市都 會沉沒於海中，四面環海的島嶼國家 有可能從此消失。本研究以預測海平 面升高之高度為主要探討，由歷年的 二氧化碳推算出全球溫度、冰層面積， 預測未來海平面將會升高多少。本研 究利用全球歷年二氧化碳、全球歷年 氣溫、全球歷年北極海冰面積、全球 歷年海平面高度資料進行分析，並使 用線性回歸與長短期記憶網路交互預 測。首先使用線性回歸個別觀察每個 數據的指數關係，再使用長短期記憶 網路訓練互相有關係的數據，最後使 用未來的年份當作預測值，推算每一 個未來數值並預測未來 30 年或 50 年的 海平面高度。 Abstract According to data from the World Meteorological Organization, the temperature on Earth has risen by nearly 1°C from 1850 to 2020, causing global climate anomalies and seriously affecting the melting of Antarctic ice and Greenland ice. In the next 100 years, if the ice completely melts, the sea level will rise by 67.2 meters. As a result, most coastal cities will be submerged in the sea, and the island nation surrounded by the sea may disappear. This study focuses on predicting the height of sea level rise, calculates global temperature and ice area from carbon dioxide over the years, and predicts how much sea level will rise in the future. This study uses global historical carbon dioxide, global temperature, global Arctic sea ice extent, global historical sea level data for analysis, and uses linear regression and long short-term memory network interactive prediction. First, this study uses linear regression to individually observe the exponential relationship of each data. Second, this study uses long short-term memory networks to train data that are related to each other. Finally, this study uses future years as forecast values, extrapolates each future value and predicts sea level heights for the next 30 or 50 years. 關鍵字：海平面高度、氣候變遷、線性回歸、 長短期記憶網路 Keywords: Sea Level, Climate Change, Linear Regression, Long Short-Term Memory network 1 Introduction 巴黎氣候協定是 195 個國家在 2015 年達成的 劃時代協定，設法藉由抑制全球溫室氣體排 放量，來避免氣候變遷所產生的嚴重效應。 2019 年 11 月 4 日美國正式退出「巴黎氣候協 定」，為了使外移工廠願意遷回美國，開放 燃煤，使煤礦業、重工業、製造業重新啟動， 美國排碳限制的解除，導致聯合國無法掌握 未來溫室氣體帶來的氣候變遷。科學家們相 信，全球溫度在未來幾十年內將繼續上升， 這歸因於人類產生的溫室氣體導致的溫室效 應。而二氧化碳是造成溫室效應最主要的氣 體，其原因是二氧化碳相對於其他溫室氣體 影響溫室效應的時間性更為長久。在大自然 中生物與植物也都會自行產生二氧化碳，但 根據美國環保局 (EPA) 的統計，人類產生的二 氧化碳占全球的溫室氣體 77% (EPA, 2022)。 除了人類所產生的二氧化碳，近期的森林大 火和火山爆發也造成二氧化碳遽增，植物的 基於深度學習技術用於預測海平面高度之變化 ( Application of Deep Learning Technology to Predict Changes in Sea Level ) Yi-Lin Hsieh Department of Data Science, Soochow University, Taipei, Taiwan lilian790120@gmail.com Ming-Hsiang Su Department of Data Science, Soochow University, Taipei, Taiwan Huntfox.su@gmail.com The 35th Conference on Computational Linguistics and Speech Processing (ROCLING 2023) Taipei City, Taiwan, October 20-21, 2023. The Association for Computational Linguistics and Chinese Language Processing 減少加上人類的過度發展，使二氧化碳循環 平衡破壞，造成二氧化碳每年加速累積，經 紅外線輻射吸收留住能量，導致全球表面溫 度升高，加劇溫室效應，造成全球暖化。 目前海平面升高是不可逆的，只能盡量減 少溫室氣體產生來減緩升高速度，若能使用 過去的數據去預測未來的海平面升高高度， 可以先預防性的改變資源的利用、改善生存 環境、計畫性遷都，提早作防範，減少海平 面帶來的衝擊，獲取更多時間讓人類生存更 長久。在海平面預測領域中，尚未發現有使 用此研究數據去完成預測，但此研究數據對 於海平面的變化都有密不可分的關係，都是 必須要使用的數據，如：溫室氣體、溫度、 南北極融冰。另外，在此研究數據中，已發 現資料集的資料量不足，可能使現有的預測 模型無法達到高準確率，所以本研究預期使 用混和式預測模型，使其準確率可達到50%甚 至更高的準確率，找出可使用在資料量不足 的混和模型。 2 Related Literature 2.1 線性回歸 線性回歸應用於數據點中找到一條線，此線 到所有數據點都是最短距離，通常使用在數 據的趨勢或預測任務上。而在統計上則是使 用 最 小 平 方 法 找 多 個 自 變 數 (independent variable) 和一個應變數 (dependent variable) 關 係建模的一種迴歸分析。只有一個自變數和 一個應變數的情形稱為簡單線性回歸 (Simple linear regression)，大於一個自變數的情形稱為 多元回歸 (multiple regression)。理論上自變數 (independent variable) 是不被其他變數影響的， 只 會 去 影 響 別 人 ， 所 以 被 認 為 是 「 因 」 (Cause)。應變數 (dependent variable) 基本上是 被其他變數影響的，被認為是「果」(effect)。 簡單線性回歸在數據點中，得到的結果(應變 數 𝑦𝑦 ) 與來源變數 (自變數 𝑥𝑥 )可以用直線關係 描述，如 (1) 所示。 𝑦𝑦 = 𝛽𝛽0 + 𝛽𝛽1𝑥𝑥 (1) 其 中 𝛽𝛽0 表 示 截 距 (Intercept)而 𝛽𝛽1 表 示 斜 率 (Slope)。我們可以利用統計方法中的最小平方 法 (Least Square) 來找參數 𝛽𝛽0 和𝛽𝛽1，如 (2) 所 示。最小平方法就是希望誤差的平方越小越 好，取平方後皆為正值，所以最終期望所有 訓練樣本的誤差平方和 (Sum Square error, SSE) 接近 0。 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿� 𝛽𝛽̂0, 𝛽𝛽̂1� = � （𝑦𝑦𝑖𝑖 − （𝛽𝛽̂0 + 𝛽𝛽̂1𝑥𝑥𝑖𝑖）） 2 𝑛𝑛 𝑖𝑖=1 (2) 2.2 長短期記憶與門控循環單元模型 長短期記憶 (LSTM) 是一種特殊的循環神經網 路 (RNN)。與傳統的 RNN 不同，LSTM 使用 三個不同的閥來控制單元的狀態，分別是輸 入閥、遺忘閥和輸出閥。這三個閥在圖 2 中分 別三個綠框表示。 圖 1: …

Content truncated to 500 words