气象观测数据的时空特征分析.pptVIP

气象观测数据的时空特征分析 报告内容 1 研究背景 2 数据来源与研究方法 3 结果与分析 4 结论与讨论 1 研究背景 气象数据来自空间离散分布的气象台站，反映的是气候条件在特定地点随时间发生的变化。 单独采用时间序列分析或空间插值进行气象数据分析具有局限性。 时空数据特征分析对于充分利用气象观测数据具有指导意义。 本文以月平均最低气温数据为例，尝试对气象观测数据进行分析，探索地表气象数据的时空特征。 2 数据来源与研究方法 数据来源：美国爱荷华州107个气象观测站50年(1951-2000)数据，以取该州东部66个观测站月均最低气温数据为例进行研究。 研究思路 将‘时空过程’分解为‘时空趋势’和‘时空残差’； ‘时空趋势’分析： 单站时间序列模拟（线性模型+周期模型）； 模型参数的空间化； ‘时空残差’分析 残差的时空特征分析 残差估计（Kriging、’IDW’等方法） 理论依据 Woolhiser Pegram(1979) 假设日降雨量模型的五个基本参数中的季节变化部分具有空间特征。 Brass Rodrigues-Iturbe(1985)在水文随机过程研究中指出：如果时间序列是空间相关的，那么该序列模型的参数在空间上也是相关的。 Kyriakidis（1999，2001，2004）对时空插值方法进行了大量研究，指出：时空随机过程可分解为时空变化的平均趋势和围绕时空趋势的波动。 在气象领域：时空趋势代表长期的全球气候变化，残差是局部地形和局部天气现象的影响。 案例研究（日降雨量和大气污染酸沉降），表明该划分是合理的。 研究方法 数据整理 在ArcGIS、SPSS软件支持下进行数据分析 时间自相关系数分析 相关分析 非线性回归（线性+周期模型）分析 空间自相关分析 时空模型优化 3 结果与分析 3.1年际月份数据分析 3.2月序列数据分析 3.3数据的探索性分析 3.4时空趋势模拟 3.1 年际月份数据分析 进一步对这九个站点时间序列变量和气温观测数据变量之间的相关性进行分析（表2）。以一月份和八月份数据为例，相关系数的绝对值在0.1左右。较小的相关系数说明这两个变量之间线性相关性很弱。 3.2 月序列数据分析 与年际月份数据的时间自相关系数相比，月序列数据具有更明显的时间自相关性，也更有利于时间维的预测。 同时，月序列气温数据和时间序列变量之间的相关关系更加密切。所以，本研究就采用50年600个数据的月序列气温数据进行计算。 3.3 数据的探索性分析 从各台站自相关系数图、月序列数据线化图上可以看出数据周期性明显（在6，12处出现高峰），而且所有台站都具有相似的时间序列，这就意味着数据规律性很强，可以用一个统一的非线性混合模型来模拟。 探索数据的时间趋势，对月序列数据进行季节分解，对趋势因素进行一元线性拟合分析方法，得到该地区的月均最低气温斜率值在-0.00396~0.00919之间，斜率均值为0.00122。 这表明在50年间，绝大部分地区的月均最低气温有小幅上升，平均上升幅度为0.73064F。 3.4 时空趋势模拟 数据分析表明，观测站的时间序列既有明显的周期，又有较小的长期趋势。综合线性趋势和周期因素，建立模型如下： (3) (4) 拟合结果比较：六个月的周期对模型的建立并没有明显的改善。两模型参数差异值均小于0.01，R2增加量极小。因此，本文采用模型（3）进行后续分析。 通常假定：如果监测数据序列是空间相关的，那么该时间序列模型的参数在空间上也是相关的。 60个台站的监测资料，选取120个时间断面（1951～1960），计算Moran’I值在0.13~0.58之间，均值为0.42。。其中在90%的时间断面上，Moran’I值大于0.3。表明该时间序列在空间上是相关的。 B0、b2、b3具有较显著的空间自相关特征。 b2、b3 标准差很小。较小的b1值，表明该区域长期气温变化不显著，Moran’I值为-0.06，呈现随机分布特征。 总体上，作者认为：因研究区地形条件单一，地理范围相对较小，参数倾向于正态的随机分布。考虑到参数的分布特征，使用b1,b2,b3的均值代替变量，时空趋势模型可简化为：