大家好呀，从昨天我发完初步的思路到现在，我肝到就睡了一个小时，手都快抽筋了，但总算完成了完整论文，结果一看各大平台又是各种血雨腥风各种东西满天飘，什么完整代码论文思路竟然有的昨天就完成了，我想说，我不相信有任何人能在短短几小时完成这道题目的完整解答，所谓的这种完整解答不过是随便搜点模型介绍、代码和数据糊弄小白罢了，要这么写我一两个小时就能完成，这还不简单吗？某文库直接搜时间序列：
然后某sdn直接搜代码：
然后连带着题目给的数据全给你复制粘贴进去。
具体怎么应用的？不知道，题目在问什么？不知道，数据符不符合题目要求？不知道
一问三不知，糊弄小白就完事了。
好了，废话不多说了，也不是说一棒子打死市面上全是垃圾，只是希望大家明鉴别被骗。
我开始我的分析吧，注意，由于分析过程复杂，所以本文很长，请大家耐心看完，如果有帮助，别忘了点赞关注收藏，后续还会更新讲解视频。
总体而言，这次题目难度较大，重点在于数据搜集和处理，在处理方面，非常复杂，稍后我会录制b站讲解视频，你们看完就懂了，会在这个文章更新，大家点赞关注收藏追更，及时看我更新，另外，本题小问极多，导致我通宵到现在才肝完。
我的完整原创论文（需要的看本文最下方我的个人卡片）：
共66页，修改及方便大家理解的单独说明页面7页，正文57页，附录2页。
之所以篇幅这么长，是因为
1.我论文很多的篇幅需要用来解释我为什么要这么做，基本就是手把手教你怎么做，并且我还要照顾每个人的水平，所有会有些地方需要写得很繁琐，一些中间过程展现得事无巨细，你们自己删减，另外，这次我新增了操作说明等界面帮助你们理解。
2.本题模型没有那么难，但是搜集到有用的数据，然后把它变成我可以用来计算的格式，然后处理是非常非常复杂的过程，绝不是一两句话可以说清楚的，稍后大家看我讲解视频吧。
我自己用到的数据：
我的：
摘要：
目录：
从目录就能看出来，这道题需要解决的小问很多。
OK，现在大家跟着我的脚步，一步一步来分析这道题目：
最开始，我们只获得了一篇问题和一个附件数据。
第一问（a）：
我们有什么数据？
数据多达23万多条，囊括各个地区的，但根本没有近十年的数据。也根本没有2022.3之后的数据，那怎么分析？
第一步自然是搜集数据了，题目给了他们的数据来源，点进去看一下：
这里不就有平均气温吗？甚至还有年度汇总。直接点进去
是一个txt文件，里面也有详细的对于数据的说明，对于数据的说明，我大概翻译如下：
该文件包含地表平均值的详细汇总
Berkeley Average方法产生的结果。温度为
以摄氏度为单位，并报告为相对于1951年1月至1980年12月平均值的异常。不确定性代表统计和空间欠采样效应的95置信区间。
此处显示的当前数据集描述如下：
基于完整Berkeley数据集的估计全球陆地表面TAVG
该分析于2022年11月3日08:13:55进行
结果基于50498个时间序列和21051207个数据点
估计1951年1月至1980年12月绝对温度（C）：8.60+/-0.05
由于地球的陆地并非围绕赤道对称分布
全球土地平均值存在平均季节性。
估计1951年1月至1980年12月月绝对温度：
一月二月三月四月五月六月七月八月九月十月十一月十二月
2.59 3.20 5.29 8.29 11.28 13.43 14.31 13.84 12.04 9.20 6.07 3.63
+/- 0.12 0.08 0.06 0.07 0.07 0.08 0.09 0.08 0.06 0.07 0.07 0.10
对于每个月，我们报告该月的估计陆地表面平均值及其不确定性。我们还报告了
年、五年、十年和二十年的移动平均值在该月左右居中（如果中心在两个月之间，则向下舍入）。例如，1950年1月至12月的年平均值报告于1950年6月。什么意思呢，方便大家理解我简单点说，这里给的每月温度，只是一个温度表征量，是相对的，不是其具体的绝对温度。
但这并不影响我们直接使用这个数据，因为人家官网自己研究气温的报告也都是直接使用这个表征量的。
那就没事了，我直接把txt文件导入excel中，把用不到的那些列删除，当然了，具体导入过程中会有很多琐碎问题，我就不多赘述了：
得到了上面这个表格，这下我们终于有题目要的数据了：
紧接着，判断2022年3月全球气温的上升是否导致了比过去10年期间更大的上升。
先做个可视化图片整体把握一下吧：
初步判断完趋势有了一个整体把握之后，再做一个差异性分析，什么意思？其实就是分成两组数据，看看两组数据存不存在显著的差异罢了：
要是存在，那就说明导致了更大的提升呗。
这里直接用差异性分析自动求解器就行，最后弄出来最适合的是独立样本t检验，建议结果放出来就完事了：
最后算出来跟我看趋势图的直观感受一致。
OK第一问结束，开始第二问：
第一问（b）：
描述过去有什么好说的，直接趋势图完事：
预测未来，这里我用两种模型：
第一个时间序列，第二个季节性时间序列：
为什么这么做？因为对于气温这个显然呈现季节性变动的东西，当然季节性时间序列非常合适，时间序列本质上就是个对照组。
分别绘制预测图就完事了，效果拟合程度很好：
这里有一个问题，看看我们预测用的表格：
年和月份是分开的两列，如果你按照月份作为横坐标，时间序列预测得到结果横坐标是没问题的，但是，如果你做季节性时间序列预测，很可能出现这样的情况：
月份全跑到一边去了。
所以年份和月份还要汇总到一起，做成日期。。。。这里我直接用excel功能做了，有丢丢麻烦，但我不多赘述了。
汇总到一起，用这个日期作为时序变量就行了。
第二问完事。第三问：
第一问（c）：
上一问都选好模型了，这一问无脑预测就完事了，只是需要注意，由于时间序列预测不了很多，这里肯定要用年度数据。。。
所以从官网下载那个年度数据：
又是个txt文件，又要导入，跟前面一样的步骤。。
得到最终表格：
无脑预测。。。
但是离谱的是，预测单位要达到20℃需要非常非常多年。
对了，这里提一嘴，我前面说过了，我们用的数据全都是相对温度，最后得到20℃是需要加上人家的绝对值的。
说实话刚开始得到这个结果我还以为我模型选错了还是算错了。
但是又仔细一看，不对啊，你过往150年不也就提升了一两度？
所以个人感觉这道题目是出题有问题，应该设置成10℃才合理，但是无所谓，人家怎么出咱们怎么做，我模型又没错，预测是多少年就是多少年吧，无所谓。
这一问结束，继续：
第一问（d）：
没什么好说的，前面分析的时候我就说过了，气温肯定是季节性变化，那么无论是从内部机理角度还是最终实际预测图，肯定季节性时间序列更好。
第二问（a）：
温度和时间的关系前面都已经有了。。。重点自然是温度和位置
有人说直接用题目给的数据呗？
我不建议这样，因为，题目给出的数据中，国家实在太多了，如果按照这个位置去分析，那么相关性表格将会非常大，同时，其参考价值也会降低，而且计算过程也会非常复杂，因此，我在这里考虑采用南北半球进行对比。
为什么是南北半球？
因为人家数据官网给了这俩地方数据了：
而且南北半球对比岂不是很有代表性？当然了，你们也可以挑几个代表国家，我只是给出我自己的做法。
接着又是txt文件导入excel，然后划分，，，汇总。。。。
这些步骤是真的有点恶心，但是没办法必须要做，我最终的数据表格：
然后看一下温度和位置相关不相关吧，有的人说直接做相关性分析呗？我不建议，因为你得到的热力图解释不了什么东西，这个从内部机理而言，是没有道理的，南半球和北半球温度有多少相关性有什么意义？
做个差异性分析就行了，如果南北半球差异大，那就说明温度跟地理位置相关性强啊？是这个道理吧？
ok直接做了：
第二问（b）：
这一问还行吧，最开始我路走骗了，一直在找covid相关的变化，但一直没找到，后来看了个报道：
人家的结论是：
数据不够多，分析不了。
额那就再找文献吧，后来找到了一些高度相关的文章和数据
踏破铁鞋无觅处，得来全不费工夫啊，结束。
第二问（c）：
人家题目不都有提示吗：
把里面二氧化碳数据下载一下，然后他的趋势图也搞出来就完事了，温室气体当然是主要原因：
结束结束
第二问（d）：
措施就不用多说了吧？题目我都懒得截了，这个一搜一大堆，自己复制粘贴降重吧。
第三问：
非技术报告，意思就是把我的摘要里面的跟数学模型相关的东西全删掉，做成让一个完全不懂数模的人也能看懂的一点文章，也就是说基本只用展示结论，最后加上措施就行。
OK，彻底结束，完整成品看下方我的个人卡片：
文章出处登录后可见！
