C题就是数学比较开放的题目了，属于一个数据分析类题目，跟前两年的华为杯差不多，考察的也是全球变暖问题。
问题1.你同意有关全球气温的说法吗？使用2022_APMCM_C_Data。附件中的csv和其他您的团队收集的数据集，以分析全球温度变化。
a)你同意2022年3月全球气温的上升导致了比过去10年期间更大的上升吗？为什么或为什么不呢？
b)根据历史数据，请建立两个或两个以上的数学模型来描述过去，并预测未来的
全球温度水平。
c)使用1个(b)中的每个模型来分别预测2050年和2100年的全球气温。你们的模型是否同意2050年或2100年全球观测点的平均温度将达到20.00°C的预测？如果不是在2050年或2100年，那么您的预测模型中的观测点的平均温度何时会达到20.00°C？
d)你认为1(b)的模型最准确？为什么
然后第一问主要是一个数据的预处理和预测类问题，首先是数据的预处理，对于给出的温度数据均经过严格的质量控制和均一性检验，对个别缺失数据采用相邻站点线性回归方法进行插补，保证经过处理修正后的气象数据具有很好的连续性，然后可以基RClimDex软件对数据异常值与错误值进行过滤筛选（也可以直接筛除），以满足分析要求。
上面的公式为均一性检验
根据给出的数据，我们进行一个数据可视化处理，这里着重讲一下，亚太杯、包括美赛其实是很看重你的数据可视化能力的，图画的好不好，最终能够很大程度影响到你的成绩，这里推荐大家使用可视化工具tableau，比较简单好用，或者用python也可以，主要问题a就是通过对比来进行一个分析。
类似于上面的折线图就可以比较清晰的反映平均温度的变化
然后b是一个预测问题的话，推荐使用ARMA，比较适用，其他的像线性回归、灰色预测等等也可以用到。也可以使用LSTM模型来分析，这里我们用LSTM来求解一下，流程图如下：
LSTM 的气候变化时空数据关键信息提取及趋势分析模型求解过程如下：
Step1：原始数据输入
输入给出的各个国家温度时间数据图
Step2：数据集化
将原始数据进行输入时空数据集化作为程序自变量的输入：
T[ ( u , v )
Step3：M-K 非参数统计
输出趋势检验指标如下：
输出突变趋势检验检验如下：
Step4：数据集输入 LSTM 气候时空趋势变化模型：
时空趋势模型通过 Python/matlab 进行程序实现，并且将 Step2 中的数据集输入程序。
Step5：结果输出
结果输出项如下：
A:M-K 趋势检验指标；B:M-K 突变趋势检验指标；C:平均气温线性拟合图；
D:全球时空方差云图
来进一步预测全球温度变化
LSTM代码：
import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch from torch import nn from torch. aut ograd import Variable #LSTM（长短期记忆网络） data_csv = pd.read_csv #pandas.read_csv读取时空序列数据 plt.plot(dat a_csv) plt.show() #数据预处理 data_ csv = dat a csv. dropna() dat aset = dat_csv. values dataset = dat aset.astype ('float32') max_value = np. max (dataset) min value = np. min(dat aset) scalar = max_value-min_value dataset = list （map（lambda x∶ x/scalar，dataset））#将数据标准化到0~1之间 def create_dataset（dataset，look_back=2）∶#look back 以前的时间步数用作输入变量来预测下—个时间段 datak,dat aY=[ ],[ ] for i in range(len(dat aset)- look_back): a = dataset [i∶（i+look_back] #i和i+1赋值 dat alX. append(a) dataY.append（dataset [i+look back]） #i+2赋值 return np.array（dataX），np.array（datal） #np.array构建数组 data X,data_Y = create_dataset (dataset) #data_Y: 1*142 data X: 2*142 #划分训练集和测试集，70%作为训练集 train_size = int (len(data_X)* 0.7) test_size = len(data_X)-train_size train_X = data_X[:train_size] train_Y = data_Y[:train_size] rrain_X =data_X[train_size:] train_Y = data_Y[train_size:] train_X = train_X.reshape(-1,1,2) #reshape中，-1使元素变为一行，然后输出为1列，每列2个子元素 train_Y=train_Y.reshape(-1,1,1)#输出为1列，每列1个子元素 Train_X=test_X.reshape(-1,1,2)
