气象观测数据的时空特征分析

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(19512000)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。
• 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： •
• yi 37.78821 0.00122ti 21.59394cos(
2 2 ti ) 14.02594sin( ti ) 12 12
(6)
• R2值为0.888~0.95。 • 对残差进行相关性分析，得到时间自相关系数为0.153 ~0.313。空间自相关Moran’I值在0.13~0.58之间。 • 结果表明模型（6）得到的残差具有一定的时间和空间 自相关关系，可以在此基础上进行后续的时空插值研 究。
Lag Number
date
• 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。
气象观测数据的时空特征分析
报告内容
1 2 3 4 研究背景 数据来源与研究方法 结果与分析 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。
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：
• •
2 2 ti ) b3 sin( ti ) 12 12 2 2 2 2 yi b0 b1ti b 2 cos( ti ) b3 sin( ti) b 4 cos( ti) b5 sin( ti) 12 12 6 6 yi b0 b1ti b 2 cos(
• ‘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。
(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（1951～19 60），计算Moran’I值在0.13~0.58之间，均值为0.4 2。。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。
• 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
IA0149
1.0
60 80
0.5
40
ACF
0.0
IA0149
20 0
-0.5
-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
-20
01/01/1951 05/01/1959 09/01/1967 01/01/1976 05/01/1984 09/01/1992
yi b0 0.00122ti 21.59394cos( 2 2 ti ) 14.02594sin( ti ) 12 12
(5)
• 用该模型进行模拟，R2值为0.937~0.951。 • 残差具有一定的时间相关性(0.153~0.313)，但空间相关 性却比较弱(-0.13~0.54)。 • 为方便残差部分的估计，需要进一步改善模型,用b0均 值37.78821代替参数变量b0，即
3.2 月序列数据分析
• 与年际月Leabharlann Baidu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。