8. 结果分析与解读

这一部分，我们将详细分析模型的预测结果，并根据这些结果提供一些关于全球气候变化趋势的洞察。我们将解释模型评估指标、预测结果，并分析其对于理解全球气候变化趋势的意义。

8.1 模型评估结果分析

我们使用 SARIMA 模型对 LandAverageTemperature（陆地平均温度）和 LandAndOceanAverageTemperature（陆地与海洋平均温度）进行了训练，并通过** Mean Absolute Error (MAE)和 Root Mean Squared Error (RMSE)** 评估了模型的性能。

MAE 和 RMSE 评估

Mean Absolute Error (MAE): 0.5041738411338282
Root Mean Squared Error (RMSE): 0.8145374104001996

• MAE (Mean Absolute Error)：衡量模型预测值与实际值之间的平均绝对误差。MAE 越小，说明模型预测结果越准确。
• RMSE (Root Mean Squared Error)：衡量模型预测值与实际值之间的均方根误差。RMSE 对较大误差具有更高的惩罚，因此它更能反映预测中较大误差的影响。

通过计算这两个指标，我们可以看到模型的预测误差大小。如果这两个指标的值较低，说明模型拟合较好，预测效果还可以。

训练数据与预测结果对比

通过可视化训练数据与预测结果的对比图，我们能够观察到模型在历史数据上的拟合效果。若预测曲线能够紧密跟随实际数据的变化趋势，说明模型能够较好地捕捉到数据的趋势和季节性。

在我们的案例中，LandAverageTemperature 的预测结果与实际数据的趋势非常接近，说明模型能够较好地捕捉到气温的变化规律。

8.2 未来预测结果分析

我们使用训练好的 SARIMA 模型对未来 10 年（120 个月）进行了预测，并得到了未来气温的预测值。通过可视化预测结果与实际数据的对比，我们可以观察到以下几个关键点：

预测趋势

从预测图中可以看到，未来气温的趋势呈现出 逐年上升 的趋势，这与全球气候变化的趋势一致。尤其是在近几年，气温的上升速度明显加快，说明全球变暖的趋势正在逐步加剧。

季节性变化

由于数据包含了每年的季节性波动，模型能够捕捉到温度的季节性变化。例如，冬季气温较低，夏季气温较高，这种周期性波动在预测结果中得到了体现。这种季节性变化对气候变化的长期趋势并不产生直接影响，但它有助于我们了解气温变化的周期性规律。

预测区间的置信度

在预测图中，我们还展示了置信区间（即预测的不确定性范围）。预测区间较宽时，表示我们对未来预测的信心较低，反之则表示信心较高。随着预测时间的增加，置信区间通常会变宽，因为随着时间的推移，模型的预测误差会逐渐增大。

8.3 模型优化与结果分析

在对模型进行超参数优化后，我们使用了 auto_arima 自动选择最佳的模型超参数，并重新进行预测。优化后的模型能够更好地拟合数据，从而提高了预测准确性。通过对比优化前后的预测结果，我们可以看到：

• 优化后的模型在预测未来气温时，能够更精确地捕捉到气温变化的趋势。
• 预测的波动性和季节性变化得到了更好的体现，预测结果更为平滑且稳定。

8.4 对全球气候变化的指导性意义

全球气温的上升趋势

从我们的预测结果中可以看出，全球气温的上升趋势是非常明显的。根据模型的预测，未来几年气温将继续上升，这与当前全球变暖的趋势相符。全球气温上升将对生态环境、农业、能源消耗等方面产生深远的影响。

对政策制定的影响

了解气温变化的趋势可以帮助政策制定者做出更加科学和有效的决策。例如，政府可以根据气温的变化趋势制定更加严格的环保政策，减少温室气体排放，促进可持续发展。此外，预测结果还可以帮助城市规划和基础设施建设，例如应对极端天气事件的措施。

对农业和能源行业的影响

气温的变化将直接影响农业生产和能源需求。例如，气温升高可能导致干旱、洪水等极端天气事件的频发，影响农业产量。同时，随着气温升高，能源需求（尤其是空调和制冷设备的需求）也会增加。因此，农业和能源行业需要提前做好应对气候变化的准备。