"Nous essayons de modéliser ces variations saisonnières par un signal triangulaire avec la fonction `curve_fit`, intialisée avec un signal triangulaire de période 12 (étant donné qu'il y a douze mois dans l'année) et d'amplitude 6 (par lecture graphique). Nous choisissons également une phase et un offset vertical correspondants à nos lectures graphiques. Enfin, nous affichons le résultat aux côtés des données initiales."
"plt.legend([\"Fluctuations saisonnières\", \"Modèle triangulaire des fluctuations saisonnières\"])"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Cette modélisation a ces limites. Tout d'abord, à chaque période, la concentration en C02 augmente plus lentement qu'elle ne redescend, ce que ce signal triangulaire ne reflète pas. Nous observons de plus que l'amplitude des variations saisonnières augmente systématiquement entre 1958 et 2022, ce qui n'est pas reflété par ce modèle d'amplitude constante.\n",
"\n",
"## Augmentation systématique\n",
"\n",
"Nous étudions à présent l'augmentation systématique de la concentration en C02 antmosphérique. Nous tentons de modéliser les données `SAFitFilled`, c'est-à-dire les données complétées et ajustées pour omettre les fluctuations saisonnières.\n",
"\n",
"Nous essayons un modèle linéaire et un modèle quadratique pour ces données, donnés par les fonctions `linear` et `quadr`.\n",
"\n",
"Nous utilisons de nouveau la fonction `curve_fit` pour trouver quels paramètres de ces modèles correspondent au mieux à nos données."
"Le modèle quadratique semble correspondre assez précisément aux données, nous allons donc l'utiliser pour extrapoler l'évolution future de la concentration de C02 atmosphérique jusqu'à l'année 2050. Nous calculons le nombre de mois supplémentaires à générer par le modèle affichons le résultat."
