气象资料的分析与预测建模
摘要：本文建立了用于气象资料的分析与预测的数学模型。经对比该城市与北京的海拔、气候等极为相似，因此，我们以北京的标准气象指数为参照建立模型。
首先针对问题一：对该城市两年来的总体气象进行整体评价，并对该城市气候走势进行中长期预测。我们仿照科学家对环境空气质量综合指数评价的数学模型，以第一年每个月的平均气压、平均气温、平均相对湿度、平均风速、最高气压、最高气温、最高相对湿度、最高风速和北京的标准气候指数为参数，通过matlab建立与之相关的方程来确定该城市当月的气象质量指数，按照指数数值的大小分为优、良、差三大类，从而评价每个月的气候质量。运用第二年的数据进行检验模型的正确性：随机选取几个月的气象因素数据，并各自与对应的北京标准气象数据做差，数值越小则气象质量越好，将分析结果与通过权重综合指数法计算得出的结论做比较。跟据建立的气象质量评价数学模型和第一、第二两年数据对比趋势图，对该城市气候进行整体评价和中长期的分析预测。
然后针对问题二：对影响极端天气发生的主要指标，比如：降水、温度等建立监控预报体系的数学模型，并用两年内的累积气象资料进行验证。我们运用多元线性回归分析的数学方法，建立了监控预报最高温度的数学模型。该模型中我们先假设了最高温度的主要影响因素是平均气压、平均气温、平均湿度、日照时数、地面平均温度、降水量等，通过matlab编写程序验证取舍得出平均气压、平均气温、平均湿度、日照时数、地面平均温度是影响降水和温度的主要影响因素；然后，检验多元线性回归方程的拟合优度、相关性；最后，带入两年内的累积气象资料进行验证。
最后我们评价了模型的优缺点，并对模型的不足之处进行了改进。
关键词：权重综合气象质量指数；多元线性回归；正态分布。
1.问题重述
近年来，我国极端天气呈现出发生频率加大、致灾性加重等新特点，极端天气趋于常态化。虽然部分地方加大防灾减灾建设并取得一些成效，但相比现实需求，对极端天气监测预警手段仍然不足，防御应对体系建设仍存在明显短板。
附件中是某城市两年内连续的日气象资料，包括气压、温湿度、降水量、风力风向等多项气象资料指标。请你完成以下任务：
(1)对该城市两年来的总体气象进行整体评价，并对该城市气候走势进行中长期预测；请详细给出评价的指标体系以及评级和预测的数学模型；
(2)对影响极端天气发生的主要指标，比如：降水、温度等建立监控预报体系的数学模型，并用两年内的累积气象资料进行验证。注意：这里的主要指标并不限于降水和温度等指标，你们也可根据实际需求自行选择。
注：该城市的海拔约为30-50米。
2. 问题的背景与分析
虽然我国幅员辽阔，地形复杂，但各地的气象在空间分布上仍有一定规律。我国分布着世界上最大的温带季风区，秦岭淮河以北是温带季风气候，这里夏季高温多雨，冬季寒冷干燥。冬冷夏热，雨热同期；秦岭淮河以南是亚热带季风气候，这里夏季高温多雨，冬季温和少雨，热量充足，气温年较差较小，降水丰富，但季节变化较大；西部的新疆、宁夏、内蒙古、青海、甘肃等多是温带大陆性气候，这里冬冷夏热，年温差大，降水集中，四季分明，年雨量较少，大陆性强；面积广大的青藏高原等地是高原山地气候，这里海拔高，气温低，但辐射强，日照丰富，降水少，冬半年风力强劲，气温的年较差小，日较差大。
近年来，我国极端天气呈现出发生频率加大、致灾性加重等新特点，极端天气趋于常态化。虽然部分地方加大防灾减灾建设并取得一些成效，但相比现实需求，对极端天气监测预警手段仍然不足，防御应对体系建设仍存在明显短板。向社会提供准确及时的天气监控预测是我们的宗旨；满足人民对气象信息的多种需求是我们的目标。因此，准确的对极端天气监测预警，有着十分重要的意义。
我们建立的这个数学模型就是本着对极端天气监测预警的角度出发，以城市多年的历史数据为参照，建立气象评价体系数学模型和对极端温度、风速的监控预报体系数学模型。
模型的假设与符号说明
模型的假设：
1．假设气象部门提供的实测数据是准确的，能较真实地反映该城市的气象情况。
2．假设北京气象与该城市气象相似。
3．假定网上所给的北京标准气候指标可靠。
4. 假定最高气温与与平均气压、平均气温、平均湿度、日照时数、地面平均温度成线性函数。
5. 假定最高气温时随机变量，服从均值为零的正态分布。
符号说明：
Ii——第i项气象因素指数；
N ——参数项数；
C imax ——第i 项气象因素(月) 均最大值； C i —— 第i 项气象因素( 月)平均值； Si —— 第i 顶气象因素标准值； Qi ——第i 项气象因素指数的权数； P i ——第i 项气象因素指数的修正； I ——综合气象质量指数； K ——权重综合气象质量指数。 Y ——最高气温； x1——平均气压； x2——平均气温； x3——平均湿度； x4——日照时数； x5——地面平均气温； bi ——Xi 的回归系数；
3.气象评价体系模型的建立与修正
为了能够更客观地评价和预测某地的气象，我们仿照科学家对环境空气质量综合指数评价的数学模型，以每个月的平均气压C1、平均气温C2、平均相对湿度C3、平均风速C4、最高气压C1极、最高气温C2极、最高相对湿度C3极、最高风速C4极和北京的标准气候指数Si 为参数，通过matlab 建立与之相关的函数方程来确定该城市当月的综合气象质量指数I ，然后在评级列表中查出气象质量等级。 3.1综合气象质量指数法计算公式:
Si
Ci Ci I i
*max =
（1）
∑==
n
i i
i
I
P I 1
* （2）
其中第i 顶气象因素评价标准Si 从表1—1北京气象标准指数表中获取。
表3—1 北京市标准气象值
平均气压 平均气温 极端最高气温 极端最低气温 降水量
平均相对湿度 平均风
速 (%) 1月 1024.2 -3.7 12.9 -18.3 2.7 44 2.6 2月
1022
-0.7
19.8
-16
4.9
44
2.8
3月 1017.4 5.8 26.4 -15 8.3 46 3.1 4月 1010 14.2 33 -3.2 21.2 46 3.2 5月 1005.7 19.9 36.8 2.6 34.2 53 2.9 6月 1001.2 24.4 39.2 9.8 78.1 61 2.5 7月 999.7 26.2 41.9 16.6 185.2 75 2.1 8月 1003.7 24.9 36.1 11.4 159.7 77 1.8 9月 1010.5 20 34.4 4.3 45.5 68 2 10月 1016.7
13.1 29.3 -3.5 21.8 61 2.1 11月 1021.3 4.6 22 -10.6 7.4 57 2.4 12月
1023.8
-1.5
19.5
-15.6
2.8
49
2.6
运用公式（1）（2）得出该市综合气象质量指数I ，然后从表1—2中对应查出气象质量等级。
表3—2 气象质量分级标准 综合指数 0.90~1.10 1.10—1.30 1.10—1.30 评价等级
优
良
差
可见, 综合气象质量指数法计算简单, 但综合气象质量指数采用算术平均值计算, 所参加评价的气象环境因素指数在计算中权重值相同, 主要污染物对环境空气质量的影响评价结果偏低。
3.2综合指数法的修正
为能更加客观地评价气象质量, 在综合指数法的基础上, 给各单项指数根据一定条件赋予一个权重值, 各单项指数与权重值的乘积之和为评价综合气象质量指数, 并将此法称为权重综合气象质量指数法, 计算公式如下:
设
,
10,1
≤≤=
∑=i n
i i
i
i Q I
I Q (i=1,2,3…n) （3）
若S 为05
.00<≤i Q 的个数, 且n S <≤0, t 为1
5.0≤
分指数权重赋值公式:
0.05,
05
.00<≤i Q
5
.005.0),5.005.01(1
≤≤--∑--=i t
s n i i
i
Q t s Q
Q （4）
1
5.0,5.0≤
则
11
=∑=n i i
P
且
∑==
n
i i
i
I P
K 1
*。 （5）
修正综合指数法说明: 对分指数太小或太大分指数赋值, 即05.00<≤i Q 或
1
5.0≤
对分指数取值偏差不大, 5.005.0≤≤i Q 时, 用加权算术平均数计算分指数权数, 用公式( 4) 求出
分指数权数, 再由公式( 5) 求出综合指数。 3.3权重综合指数法的应用
表3—3 该市第一年气象质量指数对照表 月份 气压指数
气温指数
湿度指数
风力指数
综合指数法
质量等级
权重综合指数 质
量等
级 一 0.9917 1.0651 1.4195 0.8427 1.0798 优 1.1214 良 二 0.9933 1.0339 1.3652 1.2778 1.1676 良 1.1888 良 三 0.9903 1.0288 1.3578 0.7067 1.0209 优 1.0731 优 四 1.0002 1.0231 1.5380 0.6708 1.0580 优 1.1490 良 五 0.9975 1.0187 1.2131 0.7067 0.9840 优 1.0173 优 六 1.0018 1.0121 1.2850 0.5780 0.9692 优 1.0351 优 七 0.9988 1.0077 1.1120 0.6033 0.9305 优 0.9710 优 八 0.9992 1.0079 1.0918 0.8545 0.9883 优 0.9957 优 九 0.9978 1.0148 1.1440 0.6099 0.9416 优 0.9839 优 十 1.0017 1.0131 1.1192 0.6238 0.9395 优 0.9771 优 十
一
1.0014 1.0234 1.2566 0.6353 0.9792 优 1.0226 优 十
二
0.9990 1.0234 1.6610 0.5801 1.0659 优 1.1332 良
从表3—3可以看出, 使用两种方法计算的综合污染指数略有不同,权重综合气象质量指数法计算结果略高于综合气象质量指数法,该市第一年的三月、五月、六月、七月、八月、九月、十月、十一月的权重气象质量指数均为优。 3.4权重综合指数法的检验
我们常用单个气候因素的真实值与标准值作差或商，来判断气候质量。所以可以用气候的差或商值来检验模型的正确性。
将该市第二年每个月的平均气压、平均气温、平均相对湿度、平均风速、与北京市标准气象值做对比，画出折线图如图：
表3—5 该市第二年月平均气压与标准气压对比折线图
970
98099010001010102010301月份2月份3月份4月份5月份6月份7月份8月份9月份10月份11月份
气压平均标准气压
表3—6 该市第二年月平均气温与标准气温对比折线图
-10
-5051015202530351月份
2月份
3月份
4月份
5月份
6月份
7月份
8月份
9月份10月份11月份
气温平均标准气温
表3—7 该市第二年月平均湿度与标准湿度对比折线图
204060801001月份
2月份
3月份
4月份
5月份
6月份
7月份
8月份
9月份10月份11月份
湿度平均标准湿度
风速表
随机选取第二年中数月（如二月份、七月份、十一月）的气象因素数值进行做差检验，差值较小者的为优，其次为良，最后为差。
做差得：
二月份
平均气压差值：1018.2-1022=-3.8
平均气温差值：-1.4+0.7=-0.7
平均湿度差值：0.58-0.44=0.14
平均风力差值：1.4-2.8=-1.4
七月份
平均气压差值：993.6-999.7=-6.1
平均气温差值：28.7-26.2=2.5
平均湿度差值：0.62-0.75=-0.13
平均风力差值：1.5-2.1=-0.6
十一月份
平均气压差值：1011.5-1021.3=-9.8
平均气温差值：9.9-4.6=5.3
平均湿度差值：0.45-0.57=-0.12
平均风力差值：1.3-2.4=-1.1
分别运用综合气象质量指数法和权重综合气象质量指数法计算得二月、七月、十一月质量等级如表3—4
表3—4 该市第二年气象质量指数对照表
月份综合指数质量等级权重综合指质量等级
二月 1.0791 优 1.1901 良
七月0.9973 优 1.0161 优
十一月 1.39335 差 1.803 差
经做差分析知七月的各个气候因素差值相对较小，气象质量等级应最高，十一月的各个气候因素差值相对较大，气象质量等级应最低，此结果正与运用权重综合气象质量指数法计算结果相同。
3.5结论：
权重综合污染指数法对极端值进行了处理, 根据分指数的大小不同分别赋予其不同的权重值；与综合气象质量指法相比，对主要气象因素在权重上有所侧重, 运用此法对该市第二年的数据进行检验，评价结果也与实际情况能较好吻合。
4.对该市气候的整体评价及中长期预测
4.1对该市气候的整体评价：
该市的气候整体表现为夏季高温多雨，冬季寒冷干燥，冬冷夏热，雨热同期，属于典型的温带季风气候。
4.2对该市气候的中长期预测：
表4—1 预测对照数据
日期综合气象评估指数检测数据权重气象评估检测数据
1月份 1.0798 1.1214
2月份 1.1676 1.0791 1.1888 1.1901
3月份 1.0209 1.0731
4月份 1.058 1.149
5月份0.984 1.0173
6月份0.9692 1.0351
7月份0.9305 0.9973 0.971 1.0161
8月份0.9883 0.9959
9月份0.9416 0.9839
10月
0.9395 0.9771
份
11月
0.9792 1.3934 1.0226 1.803
份
12月
1.0659 1.1332
份
表4—2 预测对照图
根据建立的气象质量评价数学模型和第一、第二两年数据对比趋势图，分析预测得综合气象质量会逐渐变差,平均气压有缓慢降低趋势，平均气温有缓慢升高趋势，最高气温
缓慢降低趋势，最低气温缓慢升高趋势，平均湿度缓慢降低趋势，降水量缓慢降低，平均风力缓慢增大等。
5．极端天气监测预报体系模型的建立
5.1建立模型：
为了能够更客观地对极端天气监测预警，我们对影响极端天气发生的主要指标之一——最高气温Y ，建立监测预报的数学模型。由假设可知，最高气温Y 是随机变量，它服从均值为零的正态分布，平均气压x1、平均气温x2、平均湿度x3、日照时数x4、地面平均温度x5等是影响最高气温Y 的因素，所以可以建立多元线性回归模型：
443322110x b x b x b x b b y ++++= )N(0,~2
?ε
建模所需的知识点及其在Matlab 中实现的方法：
求解多元线性回归方程用Matlab 中的regress 函数，函数命令形式为：[b,bint,r,rint,stats]=regress (Y,x,alpha) 其中因变量数据向量Y 和自变量数据向量均按以下方式输入：
Y=[y1 y2 … yn] x=[x1 x2 … xn] Alpha 为显著性水平 （缺省时设定为0.05）
Regress 函数的功能：b 为回归系数的估计值b1，b2，b3，b4，b5，bint 为回归系数估计值b 的置信区间；r 、rint 为残差向量及其置信区间；stats 是用于检验回归模型的统计量，第一个是R2,称为决定系数，R2越接近1说明引入方程的自变量与因变量的相关程度越高，xi 与Y 的回归效果越好。R 是相关系数，第二个是F 统计量，第三个是与统计量相对应的概率p ，当p<α时，说明回归模型假设成立（即Y 与x 的关系）。
模型求解在Matlab 中的实现：
在Matlab 中求解该模型的程序代码见附录。 输入原始数据后的结果如下： b =
-44.0783 0.0494
1.1526 -0.0479 0.0052 -0.0545 bint =
-103.5228 15.3661 -0.0089 0.1076 1.0069 1.2982 -0.0741 -0.0218 -0.0001 0.0106 -0.1738 0.0649
stats =
1.0e+003 *
0.0010 2.9526 0 从上述结果可知： 回归方程
5
43210545.00052.00479.01526.1x 0494.00783.44?x x x x Y -+-++-=
如果出现某一项因素的系数过小，则可以删除这个因子，重新计算回归方程。 多元线性回归方程中的相关性检验： 由运行结果可知：
F=2952.6 ，查F 分布的上α分位数F α（m ，n ）表可得： F0.05(5,23)=2.53
F>F0.05(5,23)，可以认为Y 与x1、x2、x3、x4、x5之间显著地有线性关系。 多元线性回归方程中的拟合优度检验： 由运行结果可知：
R2=1，多元线性回归方程拟合度很高。
多元线性回归方程中的方差检验：
δ2 = 2-n Q
=0.11864
其中Q 为
2
n
1
i )?(∑=-i i
y
y
5.2验证模型：
多元线性回归方程大致反映了变量Y 与xi 之间的变化规律。但是，由于Y 与x 之间的关系不是确定的，所以对于一组x 的值，只能得到Yi 的估计值。它的精确性如何？对此，我们应当对Yi 进行区间估计，即对于给定的置信度1 - α ，求出Yi 的置信区间。
对于x 的任一值，我们得到置信度为95%的预测区间是
（Y ?-1.96s , Y ? +1.96s ）
其中当n 充分大时，xi 与Yi 近似的服从正态分布N （Y ?i ， s2） 方差为
S2 =2s e
-n Se =
2
n
1
i )?(∑=-i i
y
y
标准差 S =2-n s e
根据两年内的累积气象资料可得到相应的置信区间：
表5—1 置信区间的分布 第一年气象资料
月份 平均气压/hpa 平均气温/oC 平均湿度/% 日照时数/hour 地面平
均温度/oC 最高气温/oC
Y ?
/oC 置信区间 1
1009.1
9.6 47 220.9 10.3 15.4 15.17 (14.50 ，15.85) 2 1011 5.5 41 291.2 2.8 11.6 11.60 (10.93 ，12.28) 3 1009.1 9.6 47 220.9 10.3 15.4 15.17 (14.50 ，15.85) 4
1002.7
17.1
55 240.9 19.6 22.9 22.71 (22.04 ，23.39) 5 998.7 21.6 53 277.9 25.3 27.5 27.68 (27.01 ，28.36) 6 998
24.9
64 213.4 27.9 30.6 30.45 (29.77 ，31.12) 7 994.4 26.4 74 185.4 27.8 31.5 31.38 (30.70 ，32.05) 8 998.8 24.7 76 152.1 26.3 28.9 29.45 (28.77 ，30.12) 9 1005 21.7 68 204.4 23.1 27 27.13 (26.45 ，27.80) 10 1012.7 14.9 59 185.4 15.2 21.3 20.43
(19.76 ，21.11)
1
1014.
8
57
197.5
6.9
13.4
13.17 (12.50 ，
1 4 13.85)
1 2 1018.
4
0.2 69 97.9 -1 4 3.72
(3.04 ，
4.39)
第二年气象资料
月份平均
气压
/hpa
平均
气温/
oC
平均
湿度
/%
日照时
数
/hour
地面平
均温度/
oC
最高
气温/
oC
Y?/oC 置信区间
1 1017.
1
-1.9 54 167.5 -7.4 2.4 2.66
（1.99 ，
3.34）
2 1018.
2
-1.4 58 98.5 -0.8 2.1 2.38
（1.71 ，
3.06）
3 1012.
3
8 34 266 10.1 13.9 14.35
（13.68 ，
15.03）
4 1002.
3
17.8 36 250.1 20.8 24.3 24.39
（23.72 ，
25.07）
5 998.8 20.7 53 247.8 25.1 26.2 26.50 （25.83 ，27.18）
6 991.3 27.8 50 203.5 31.8 34.4 33.86 （33.19 ，34.54）
7 993.6 28.7 62 144.9 32.1 34.1 34.12 （33.44 ，34.79）
8 997.5 26 70 170.4 27.8 30.9 31.18 （30.51 ，31.86）
9 1006.
1
22 64 168 23.8 27.1 27.49
（26.82 ，
28.17）
1 0 1012.
2
15.8 51 189.9 15.6 21.6 21.83
（21.15 ，
22.50）
1 1 1011.
5
9.9 45 195.4 8 15.5 15.73
（15.05 ，
16.40）
由以上两表可知，95%以上的Yi值都在置信区间内，即可验证极端天气监测预报模型
的正确合理性。
5.3模型的评价：
极端天气监测预报模型最大优点在于对原始数据拟合时, 采用多种方法进行, 使之愈来愈完善, 具有很高的拟合精度和适度性在此基础上, 对模型作进一步讨论便可得到一系列可靠而实用的信息。并且所得结论与客观事实很好地吻合, 从而进一步说明模型是合理的。不过，此模型的影响因素有限，而且仅用每年的月平均值计算，不能全面预测到每一天。
6.参考文献
[1] 王丽霞概率论与数理统计——理论、历史及应用大连理工大学出版社，2010.10
[2] 费浦生羿旭明数学建模及其基础知识详解武汉大学出版社，2006.5
7.附录
模型一Matlab命令：
函数式function Ii=f4(Ci,Di,Si)
Ii=(sqrt(Ci.*Di))./Si
function=f6(Ai,Bi,Ci,Ei)
Mi= Ai+Bi+Ci+Ei
气压均值
Di=[1022.4 ,1019.3,1006,1017.7,1007.7,1008,1002.7,1007.1,1011.6,1024.1,10 31.1,1027.2]
Si=[1024.2,1022,1017.4,1010,1005.7,1001.2,999.7,1003.7,1010.5,1016.7,1021
.3,1023.8]
Ci=[1009.1,1011,1009.1,1002.7,998.7,998,994.4,998.8,1005,1012.7,1014.4,10 18.4 ];Ii=f4(Ci,Di,Si)
Ii =
0.9917 0.9933 0.9903 1.0002 0.9975 1.0018 0.9988 0.9992 0.9978 1.0017 1.0014 0.9990
气温均值
Ci=[9.6,5.5,9.6,17.1,21.6,24.9,26.4,24.7,21.7,14.9,8,0.2];Si=[-3.7,-0.7,5
.8,14.2,19.9,24.4,26.2,24.9,20,13.1,4.6,-1.5];Di=[18.1,11.6,18.1,24.6,29.2,31
.1,30.6,29.8,27,18.8,14.2,9.6];Ii=f4(Ci,Di,Si)
Ii =
Ii =
Columns 1 through 11
-3.5627 -11.4107 2.2727 1.4444 1.2620 1.1405 1.0848 1.0896 1.2103 1.2776 2.3170
Column 12
-0.9238
华氏温度
Ci =
282.6000 278.5000 282.6000 290.1000 294.6000 297.9000 299.4000 297.7000 294.7000 287.9000 281.0000 273.2000
>>
Si =
269.3000 272.3000 278.8000 287.2000 292.9000 297.4000 299.2000
297.9000 293.0000 286.1000 277.6000 271.5000
Di =
291.1000 284.6000 291.1000 297.6000 302.2000 304.1000 303.6000 302.8000 300.0000 291.8000 287.2000 282.6000
Ci=[282.6000 278.5000 282.6000 290.1000 294.6000 297.9000 299.4000 297.7000 294.7000 287.9000 281.0000 273.2000
];Di=[291.1000 284.6000 291.1000 297.6000 302.2000 304.1000 303.6000 302.8000 300.0000 291.8000 287.2000 282.6000];Si=[269.3000 272.3000 278.8000 287.2000 292.9000 297.4000 299.2000 297.9000 293.0000 286.1000 277.6000 271.5000];Ii=f4(Ci,Di,Si)
Ii =
1.0651 1.0339 1.0288 1.0231 1.0187 1.0121 1.0077 1.0079 1.0148 1.0131 1.0234 1.0234
温湿
Ci=[0.47,0.41,0.47,0.55,0.53,0.64,0.74,0.76,0.68,0.59,0.57,0.69];Di=[0.83
,0.88,0.83,0.91,0.78,0.96,0.94,0.93,0.89,0.79,0.90,0.96];Si=[0.44,0.44,0.46,0
.46,0.53,0.61,0.75,0.77,0.68,0.61,0.57,0.49];Ii=f4(Ci,Di,Si)
Ii =
Ii =
Columns 1 through 11
1.4195 1.3652 1.3578 1.5380 1.2131 1.2850 1.1120 1.0918 1.1440 1.1192 1.2566
Column 12
1.6610
风力
Ci=[1.5,1.6,1.5,1.44,1.4,1.16,1.07,0.91,0.93,0.78,0.93,0.91];Si=[2.6,2.8,
3.1,3.2,2.9,2.5,2.1,1.8,2.0,2.1,2.4,2.6];Di=[3.2,8,3.2,3.2,3,1.8,1.5,2.6,1.6,
2.2,2.5,2.5];Ii=f4(Ci,Di,Si)
Ii =
Ii =
Columns 1 through 11
0.8427 1.2778 0.7067 0.6708 0.7067 0.5780 0.6033 0.8545 0.6099 0.6238 0.6353
Column 12
0.5801
求和
Ai=[0.9917 0.9933 0.9903 1.0002 0.9975 1.0018 0.9988
0.9992 0.9978 1.0017 1.0014 0.9990];Bi=[1.0651 1.0339
1.0288 1.0231 1.0187 1.0121 1.0077 1.0079 1.0148 1.0131
1.0234 1.0234];Ci=[ 1.4195 1.3652 1.3578 1.5380 1.2131 1.2850 1.1120 1.0918 1.1440 1.1192 1.2566 1.6610];Ei=[ 0.8427 1.2778 0.7067 0.6708 0.7067 0.5780 0.6033 0.8545 0.6099 0.6238 0.6353 0.5801];Mi=f6(Ai,Bi,Ci,Ei)
Mi =
4.3190 4.6702 4.0836 4.2321 3.9360 3.8769 3.7218 3.9534 3.7665 3.7578 3.9167 4.2635
矩阵
Iij =
0.9917 0.9933 0.9903 1.0002 0.9975 1.0018 0.9988
0.9992 0.9978 1.0017 1.0014 0.9990
1.0651 1.0339 1.0288 1.0231 1.0187 1.0121 1.0077 1.0079 1.0148 1.0131 1.0234 1.0234
1.4195 1.3652 1.3578 1.5380 1.2131 1.2850 1.1120 1.0918 1.1440 1.1192 1.2566 1.6610
0.8427 1.2778 0.7067 0.6708 0.7067 0.5780 0.6033 0.8545 0.6099 0.6238 0.6353 0.5801
Iij的反转矩阵
0.9917 1.0651 1.4195 0.8427
0.9933 1.0339 1.3652 1.2778
0.9903 1.0288 1.3578 0.7067
1.0002 1.0231 1.5380 0.6708
0.9975 1.0187 1.2131 0.7067
1.0018 1.0121 1.2850 0.5780
0.9988 1.0077 1.1120 0.6033
0.9992 1.0079 1.0918 0.8545
0.9978 1.0148 1.1440 0.6099
1.0017 1.0131 1.1192 0.6238
1.0014 1.0234 1.2566 0.6353
0.9990 1.0234 1.6610 0.5801
Gi=[ 0.9917 1.0651 1.4195 0.8427
];Q1=Gi./ 4.3190
Q1 =
0.2296 0.2466 0.3287 0.1951
>> Gi=[ 0.9933 1.0339 1.3652 1.2778
];Q2=Gi./ 4.6702
Q2 =
0.2127 0.2214 0.2923 0.2736
>> Gi=[ 0.9903 1.0288 1.3578 0.7067
];Q3=Gi./ 4.0836
Q3 =
0.2425 0.2519 0.3325 0.1731
>> Gi=[ 1.0002 1.0231 1.5380 0.6708
];Q4=Gi./ 4.2321
Q4 =
0.2363 0.2417 0.3634 0.1585
>> Gi=[ 0.9975 1.0187 1.2131 0.7067
];Q5=Gi./ 3.936
Q5 =
0.2534 0.2588 0.3082 0.1795
>> Gi=[1.0018 1.0121 1.2850 0.5780 ];Q6=Gi../ 3.8769 Q6 =
0.2584 0.2611 0.3315 0.1491
>> Gi=[0.9988 1.0077 1.1120 0.6033
];Q7=Gi./ 3.7218
Q7 =
0.2684 0.2708 0.2988 0.1621
>> Gi=[ 0.9992 1.0079 1.0918 0.8545
];Q8=Gi./ 3.9534
Q8 =
0.2527 0.2549 0.2762 0.2161
>> Gi=[0.9978 1.0148 1.1440 0.6099];Q9=Gi./ 3,7665
Q9 =
0.3326 0.3383 0.3813 0.2033
>> Gi=[ 1.0017 1.0131 1.1192 0.6238
];Q10=Gi./3.7578
Q10 =
0.2666 0.2696 0.2978 0.1660
>> Q11=[ 1.0014 1.0234 1.2566 0.6353
];Q11=Gi./ 3.9167
Q11 =
0.2558 0.2587 0.2858 0.1593
>> Q12=[ 0.9990 1.0234 1.6610 0.5801
];Q12=Gi./ 4.2635
Q12 =
0.2349 0.2376 0.2625 0.1463
Qij=
0.2296 0.2466 0.3287 0.1951
0.2127 0.2214 0.2923 0.2736
0.2425 0.2519 0.3325 0.1731
0.2363 0.2417 0.3634 0.1585
0.2534 0.2588 0.3082 0.1795
0.2584 0.2611 0.3315 0.1491
0.2684 0.2708 0.2988 0.1621
0.2527 0.2549 0.2762 0.2161
0.3326 0.3383 0.3813 0.2033
0.2666 0.2696 0.2978 0.166
0.2558 0.2587 0.2858 0.1593
0.2349 0.2376 0.2625 0.1463
Qij的反转矩阵Aij =
0.2296 0.2127 0.2425 0.2363 0.2534 0.2584 0.2684 0.2527 0.3326 0.2666 0.2558 0.2349
0.2466 0.2214 0.2519 0.2417 0.2588 0.2611 0.2708 0.2549 0.3383 0.2696 0.2587 0.2376
0.3287 0.2923 0.3325 0.3634 0.3082 0.3315 0.2988 0.2762 0.3813 0.2978 0.2858 0.2625
0.1951 0.2736 0.1731 0.1585 0.1795 0.1491 0.1621 0.2161 0.2033 0.1660 0.1593 0.1463
Qij矩阵列项求和 Ri =
1.0000 1.0000 1.0000 0.9999 0.9999 1.0001 1.0001 0.9999 1.2555 1.0000 0.9596 0.8813
Qi=[ 0.2296 0.2466 0.3287 0.1951];Ii=[ 0.9917 1.0651 1.4195 0.8427];
P1=(Qi./1).*Ii
Qi=[ 0.2127 0.2214 0.2923 0.2736];Ii=[ 0.9933 1.0339 1.3652 1.2778
];P2= (Qi./1).*Ii
Qi=[0.2425 0.2519 0.3325 0.1731];Ii=[ 0.9903 1.0288 1.3578 0.7067
]; P3=(Qi./1).*Ii
Qi=[0.2363 0.2417 0.3634 0.1585];Ii=[ 1.0002 1.0231 1.5380 0.6708];P4=(Qi./0.9999).*Ii
Qi=[0.2534 0.2588 0.3082 0.1795] ;Ii=[ 0.9975 1.0187 1.2131
0.7067];P5=(Qi./0.9999).*Ii
Qi=[0.2584 0.2611 0.3315 0.1491];Ii=[1.0018 1.0121 1.2850 0.5780];P6=(Qi./1.0001).*Ii
Qi=[ 0.2684 0.2708 0.2988 0.1621];Ii=[0.9988 1.0077 1.1120 0.6033];P7=(Qi./1.0001).*Ii
Qi=[ 0.2527 0.2549 0.2762 0.2161];Ii=[ 0.9992 1.0079 1.0918 0.8545
];P8=(Qi./0.9999).*Ii
Qi=[0.3326 0.3383 0.3813 0.2033
];Ii=[0.9978 1.0148 1.1440 0.6099];P9=(Qi./ 1.2555 ).*Ii
Qi=[0.2666 0.2696 0.2978 0.166
];Ii=[ 1.0017 1.0131 1.1192 0.6238];P10=(Qi./1).*Ii
Qi=[ 0.2558 0.2587 0.2858 0.1593];Ii=[ 1.0014 1.0234 1.2566 0.6353
];P11=(Qi./ 0.9596 ).*Ii
Qi=[ 0.2349 0.2376 0.2625 0.1463];Ii=[ 0.9990 1.0234 1.6610 0.5801];P12=(Qi./ 0.8813 ).*Ii
Pij =
0.2277 0.2627 0.4666 0.1644
0.2113 0.2289 0.3990 0.3496
0.2401 0.2592 0.4515 0.1223
0.2364 0.2473 0.5590 0.1063
0.2528 0.2637 0.3739 0.1269
0.2588 0.2642 0.4259 0.0862
0.2681 0.2729 0.3322 0.0978
0.2525 0.2569 0.3016 0.1847
0.2643 0.2734 0.3474 0.0988
0.2671 0.2731 0.3333 0.1036
0.2669 0.2759 0.3743 0.1055
0.2663 0.2759 0.4947 0.0963
Pij反转矩阵
0.2277 0.2113 0.2401 0.2364 0.2528 0.2588 0.2681 0.2525 0.2643 0.2671 0.2669 0.2663
0.2627 0.2289 0.2592 0.2473 0.2637 0.2642 0.2729 0.2569 0.2734 0.2731 0.2759 0.2759
0.4666 0.3990 0.4515 0.5590 0.3739 0.4259 0.3322 0.3016 0.3474 0.3333 0.3743 0.4947
0.1644 0.3496 0.1223 0.1063 0.1269 0.0862 0.0978
0.1847 0.0988 0.1036 0.1055 0.0963
权重气象评估Ki =
1.1214 1.1888 1.0731 1.1490 1.0173 1.0351 0.9710 0.9957 0.9839 0.9771 1.0226 1.1332
综合气象评估指数Ii （Pij 反转矩阵列项求和） =
1.0798 1.1676 1.0209 1.0580 0.9840 0.9692 0.9305 0.9883 0.9416 0.9395 0.9792 1.0659
气象资料分级检验 1第二年二月份
Ci=[1018.2,272.6,0.58,1.44];Di=[1027.8,277.5,0.89,2.5];Si=[1022,273.7,0.44,2.8];Ii=f4(Ci,Di,Si)
Ii =
1.0010 1.0049 1.6329 0.6776 I=1.0791-----综合气象评估 优
Ii=[1.0010 1.0049 1.6329 0.6776];Qi=Ii./4.3164 Qi =
0.2319 0.2328 0.3783 0.1570 Qi 求和为1
Pi=[ 0.2319 0.2328 0.3783 0.1570];Ii=[ 1.0010 1.0049 1.6329 0.6776];Ni=Pi.*Ii
Ni =
0.2321 0.2339 0.6177 0.1064 K=1.1901 权重气象评估 良
第二年七月份
Ci=[993.6,28.7,0.62,1.45];Di=[1001,34.2,0.88,2];Si=[999.7,26.2,0.75,2.1];Ii=f4(Ci,Di,Si)
Ii =
0.9976 1.1958 0.9849 0.8109
I=0.9973-------综合气象评估 优
Ii=[ 0.9976 1.1958 0.9849 0.8109];Qi=Ii./3.9892 Qi =
0.2501 0.2998 0.2469 0.2033 Q=1.0001
Qi=[ 0.2501 0.2998 0.2469 0.2033];Pi=Qi./1.0001
0.90----1.10
1.10—1.3
0.70---0.
90
《070、》1.30
优
良 良 差
Pi =
0.2501 0.2998 0.2469 0.2033
Pi=[ 0.2501 0.2998 0.2469 0.2033]; Ii=[ 0.9976 1.1958 0.9849 0.8109];Ni=Pi.*Ii
Ni =
0.2495 0.3585 0.2432 0.1649
K=1.0161 权重气象评估优
第二年十一月份
Ci=[1011.5,9.9,0.45,1.34];Di=[1025.1,15.6,0.72,3.3];Si=[1021.3,4.6,0.57,2
.4];Ii=f4(Ci,Di,Si)
Ii =
0.9970 2.7016 0.9986 0.8762
I=1.39335 综合气象评估差
Ii=[ 0.9970 2.7016 0.9986 0.8762];Qi=Ii./5.5734
Qi =
0.1789 0.4847 0.1792 0.1572
Q=1.0009
Qi=[0.1789 0.4847 0.1792 0.1572];Pi=Qi./1.0009
Pi =
0.1787 0.4843 0.1790 0.1571
Ii=[0.9970 2.7016 0.9986 0.8762];Pi=[ 0.1787 0.4843 0.1790 0.1571];Ni=Ii.*Pi
Ni =
0.1782 1.3084 0.1787 0.1377
K=1.803 权重气象评估差
模型二Matlab命令：
>> x1=[1009.1 1011 1009.1 1002.7 998.7 998 994.4 998.8 1005 1012.7 1014.4 1018.4 1017.1 1018.2 1012.3 1002.3 998.8 991.3 993.6 997.5 1006.1 1012.2 1011.5] ;
>> x2=[9.6 5.5 9.6 17.1 21.6 24.9 26.4 24.7 21.7 14.9 8 0.2 -1.9 -1.4 8 17.8 20.7 27.8 28.7
26 22 15.8 9.9] ;
>> x3=[47 41 47 55 53 64 74 76 68 59 57 69 54 58 34 36 53 50 62 70 64 51 45] ;
>> x4=[220.9 291.2 220.9 240.9 277.9 213.4 185.4 152.1 204.4 185.4 197.5 97.9 167.5 98.5 266 250.1 247.8 203.5 144.9 170.4
全国地面气象资料数据模式 1．总则 1．1地面气象资料是探索气候演变规律、预测气候变化趋势的基础，是我国天气监测网收集的最重要的资料之一。为了适应我国大气探测自动化采集仪器的更新，确保及时收集到可靠的地面气象观测资料，有必要统一我国已有的各类地面气象资料数据模式。 1．2本模式主要根据1979年版“地面气象观测规范”中的“地面气象记录月报表”(气表-1)和“基准气候站地面气象记录月报表”(气表-1(基准))的格式，除包括“全国地面气象资料信息化基本模式暂行规定及补充规定”、“全国基准气候站地面气象资料信息化基本模式暂行规定”字符文件(A0、A1、A6/A7)格式内容外，还将自动观测基本数据统一归入本模式，并命名为文件A格式。本模式与配套的“气表-1封面、封底V文件格式”相结合，其内容涵盖了气表-1的全部内容。 1．3为了适应新仪器采集的时间分辨率更高的数据的需要，制定了单要素分钟数据文件格式，作为文件A格式的补充。1分钟降水量文件格式命名为文件J格式，其它单要素文件格式，将根据需要及业务技术发展另行制定。 1．4本模式与历史资料信息化模式相兼容，其文件框架、要素指示码排列顺序、方式位、特殊字符的表示等与原信息化模式完全相同，历史资料中有关的技术规定请参照“全国地面气象资料信息化基本模式暂行规定”和“补充规定”，本模式不再赘述。同时为适应投入业务运行的我国自行研制或引进国外的自动气象站采集的数据，增添了部分要素的方式位和数据内容。每个要素在同一文件中方式位的设置是唯一确定的。 1．5本模式适用于我国地面气象观测各类台站、各种类型观测仪器采集的数据。 2．A文件编制技术规定 2．1文件名编制规定 A文件为地面气象资料基本数据文件，由地面19个要素一个站一个月的原始数据构成。文件类型为文本(或称作字符)文件。 文件名以字母“A”打头，由11位字母、数字组成。文件名的结构为： AIIiiiMM.YYY 其中“A”为文件类别标识符(保留字),用大写字母表示。“IIiii”为区站号。“MM” 为资料月份，位数不足，高位补“0”。“YYY”为资料年份，取年后三位。 2．2文件结构 A文件由文件首部、尾部和文件体三个部分构成(见附表一)。 2．2．1文件首部
气象资料业务系统（MDOS2.1）用户操作手册 技术组 2018年03月
目录 1 概述 (5) 1.1开发背景 (5) 1.2功能简介 (6) 1.3平台组成 (7) 1.4平台使用环境 (8) 1.5平台基本操作 (8) 1.6数据处理流程 (10) 2 数据接收与上传监控 (13) 2.1功能简介 (13) 2.2监控概况 (13) 2.3国家站监控情况 (17) 2.4区域站监控情况 (18) 2.5辐射站监控情况 (18) 2.6酸雨站监控情况 (19) 2.7土壤水分站监控情况 (19) 2.8高空站监控情况 (20) 2.9快速质控异常文件信息显示 (20) 3 质控信息处理 (22) 3.1功能简介 (22) 3.2省级处理与查询反馈 (23) 3.3统计值质控信息处理 (50) 3.4台站处理与反馈 (51) 3.5系统性偏差检测 (55) 3.6台站更正数据文件人工干预 (59) 3.7黑名单管理 (62) 3.8观测项不一致 (68) 4 数据质量分析与处理 (73) 4.1功能简介 (73) 4.2数据流转痕迹显示 (73) 4.3观测数据人工质控 (74) 5 快捷通道 (75) 5.1功能简介 (75) 5.2日清 (76) 5.3月清 (79) 5.4数据空间分析 (88) 5.5综合一致性分析 (90) 5.6探空曲线显示 (94) 5.7任意数据修改 (95) 5.8数据查询与质疑 (98) 5.9支撑表与服务表数据对比 (102) 6 文件制作与数据显示 (106)
6.1功能简介 (106) 6.2文件制作 (106) 6.3观测数据显示 (117) 6.4统计值显示 (119) 7 元数据基本信息 (121) 7.1功能简介 (121) 7.1.1 模块功能 (121) 7.1.2 模块组成 (121) 7.1.3 用户分类 (122) 7.1.4 页面构成 (123) 7.2台站基本信息 (124) 7.2.1 功能简介 (124) 7.2.2 操作说明 (125) 7.3图像、观测记录和规范信息 (139) 7.3.1 功能简介 (139) 7.3.2 操作说明 (139) 7.4台站变动登记 (144) 7.4.1 功能简介 (144) 7.4.2 操作说明 (144) 7.5台站疑误登记 (147) 7.5.1 功能介绍 (147) 7.5.2 操作说明 (147) 7.6年报附加信息 (149) 7.6.1 功能介绍 (149) 7.6.2 操作说明 (149) 7.7附加信息登记 (155) 7.7.1 功能介绍 (155) 7.7.2 操作说明 (155) 7.8文件管理 (159) 7.8.1 功能简介 (159) 7.8.2 操作说明 (160) 7.9元数据消息管理 (162) 7.9.1 功能简介 (162) 7.9.2 操作说明 (162) 7.10变动信息及附加信息处理 (163) 7.10.1 功能简介 (163) 7.10.2 操作说明 (163) 7.11疑误处理 (166) 7.11.1 功能简介 (166) 7.11.2 操作说明 (166) 7.12土壤水分站信息表格导入 (168) 7.12.1 新增功能简介 (168) 7.12.2 操作说明 (168) 7.13高空站沿革文件导入 (171)
回归分析——20121060025 吕佳琪 企业编号生产性固定资产价值(万元)工业总产值(万元) 1318524 29101019 3200638 4409815 5415913 6502928 7314605 812101516 910221219 1012251624 合计65259801 （2）建立直线回归方程; （3）计算估价标准误差; （4）估计生产性固定资产(自变量)为1100万元时总产值(因变量)的可能值。解: (1)画出散点图,观察二变量的相关方向 x=[318 910 200 409 415 502 314 1210 1022 1225]; y=[524 1019 638 815 913 928 605 1516 1219 1624]; plot(x,y,'or') xlabel('生产性固定资产价值(万元)') ylabel('工业总产值(万元)') 由图形可得,二变量的相关方向应为直线 (2)
x=[318 910 200 409 415 502 314 1210 1022 1225]; y=[524 1019 638 815 913 928 605 1516 1219 1624]; X = [ones(size(x))', x']; [b,bint,r,rint,stats] = regress(y',X,0、05); b,bint,stats b = 395、5670 0、8958 bint = 210、4845 580、6495 0、6500 1、1417 stats = 1、0e+004 * 0、0001 0、0071 0、0000 1、6035 上述相关系数r为1,显著性水平为0 Y=395、5670+0、8958*x (3) 计算方法:W=((Y1-y1)^2+……+(Y10-y10)^2)^(1/2)/10 利用SPSS进行回归分析:
1 引言 在气象行业内部，气象数据的价值已经和正在被深入挖掘着。但是，不能将气象预报产品的社会化推广简单地认为就是“气象大数据的广泛应用”。 大数据实际上是一种混杂数据，气象大数据应该是指气象行业所拥有的以及锁接触到的全体数据，包括传统的气象数据和对外服务提供的影视音频资料、网页资料、预报文本以及地理位置相关数据、社会经济共享数据等等。 传统的”气象数据“，地面观测、气象卫星遥感、天气雷达和数值预报产品四类数据占数据总量的90%以上，基本的气象数据直接用途是气象业务、天气预报、气候预测以及气象服务。“大数据应用”与目前的气象服务有所不同，前者是气象数据的“深度应用”和“增值应用”，后者是既定业务数据加工产品的社会推广应用。 “大数据的核心就是预测”，这是《大数据时代》的作者舍恩伯格的名言。天气和气候系统是典型的非线性系统，无法通过运用简单的统计分析方法来对其进行准确的预报和预测。人们常说的南美丛林里一只蝴蝶扇动几下翅膀，会在几周后引发北美的一场暴风雪这一现象，形象地描绘了气象科学的复杂性。运用统计分析方法进行天气预报在数十年前便已被气象科学界否决了——也就是说，目前经典的大数据应用方法并不适用于天气预报业务。 现在，气象行业的公共服务职能越来越强，面向政府提供决策服务，面向公众提供气象预报预警服务，面向社会发展，应对气候发展节能减排。这些决策信息怎么来依赖于我们对气象数据的处理。
气象大数据应该在跨行业综合应用这一“增值应用”价值挖掘过程中焕发出的新的光芒。 2 大数据平台的基本构成 2.1 概述 “大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。 从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘（SaaS），但它必须依托云计算的分布式处理、分布式数据库（PaaS）和云存储、虚拟化技术（IaaS）。 大数据可通过许多方式来存储、获取、处理和分析。每个大数据来源都有不同的特征，包括数据的频率、量、速度、类型和真实性。处理并存储大数据时，会涉及到更多维度，比如治理、安全性和策略。选择一种架构并构建合适的大数据解决方案极具挑战，因为需要考虑非常多的因素。 气象行业的数据情况则更为复杂，除了“机器生成”（可以理解为遥测、传感设备产生的观测数据，大量参与气象服务和共享的信息都以文本、图片、视频等多种形式存储，符合“大数据”的4V特点：Volume(大量)、Velocity(高速)、
气象资料的分析与预测建模 摘要：本文建立了用于气象资料的分析与预测的数学模型。经对比该城市与北京的海拔、气候等极为相似，因此，我们以北京的标准气象指数为参照建立模型。 首先针对问题一：对该城市两年来的总体气象进行整体评价，并对该城市气候走势进行中长期预测。我们仿照科学家对环境空气质量综合指数评价的数学模型，以第一年每个月的平均气压、平均气温、平均相对湿度、平均风速、最高气压、最高气温、最高相对湿度、最高风速和北京的标准气候指数为参数，通过matlab建立与之相关的方程来确定该城市当月的气象质量指数，按照指数数值的大小分为优、良、差三大类，从而评价每个月的气候质量。运用第二年的数据进行检验模型的正确性：随机选取几个月的气象因素数据，并各自与对应的北京标准气象数据做差，数值越小则气象质量越好，将分析结果与通过权重综合指数法计算得出的结论做比较。跟据建立的气象质量评价数学模型和第一、第二两年数据对比趋势图，对该城市气候进行整体评价和中长期的分析预测。 然后针对问题二：对影响极端天气发生的主要指标，比如：降水、温度等建立监控预报体系的数学模型，并用两年内的累积气象资料进行验证。我们运用多元线性回归分析的数学方法，建立了监控预报最高温度的数学模型。该模型中我们先假设了最高温度的主要影响因素是平均气压、平均气温、平均湿度、日照时数、地面平均温度、降水量等，通过matlab编写程序验证取舍得出平均气压、平均气温、平均湿度、日照时数、地面平均温度是影响降水和温度的主要影响因素；然后，检验多元线性回归方程的拟合优度、相关性；最后，带入两年内的累积气象资料进行验证。 最后我们评价了模型的优缺点，并对模型的不足之处进行了改进。 关键词：权重综合气象质量指数；多元线性回归；正态分布。
气象资料业务系统(MDOS 操作平台业务流程一、地面自动站观测资料上传 按业务规定上传国家级测站实时地面气象分钟数据文件、小时数据文件、日数据文件、日照数据文件、 (辐射数据文件。 每日定时观测后, 登录 MDOS 平台查看本站数据完整性, 对缺测时次及时补传。 二、疑误信息处理与反馈 台站配置应值班手机,用于接收台站疑误信息短信;值班手机要保证 24小时开机,手机号码变动应及时向省级管理部门上报。 台站对疑误信息的反馈包括定时反馈、被动反馈和更正数据反馈。 (1定时反馈:在每日定时观测后,登录 MDOS 操作平台,查询本站国家站和区域站未处理疑误信息并反馈。保证疑误数据在下一次定时观测前完成反馈。 A:国家站数据质控信息处理——台站处理与反馈——台站未处理 B:区域站数据质控信息处理——台站处理与反馈——台站未处理 台站级数据处理:处理并反馈省级提交给台站的疑误查询信息。包括 3种处理流程: 流程 1:确认数据无误→处理完成。 流程 2:确认数据错误→修正(给出修改值→处理完成。流程 3:批量数据为缺测→处理完成。 (2被动反馈:收到疑误信息短信和电话后,实时登录 MDOS 操作平台反馈; 接到显性错误短信后, 先核对显性错误数据值, 检查相应观测仪器, 查明可能引起出现错误数据的原因, 并及时进行相关数据处理和观测仪器维护等工作。对省级转交台站
处理的疑误信息, 及时查明原因, 通过 MDOS 操作平台进行数据处理和反馈。台站在 收到疑误信息 12小时之内完成反馈。守班时段应急响应期间, 接收到疑误短信或电话后 1小时内进行反馈。 (3更正数据反馈:对台站本地更正过的数据要及时向省级进行反馈,更正报时效内的数据既可通过“ MDOS 数据查询与质疑”功能主动填报反馈, 也可发送更正报 进行修改;时效外的数据可通过 MDOS 平台的“数据查询与质疑”进行修改。 三、台站变动登记 包括变动信息登记(名称,台站号,级别,观测时间,机构,位置,要素, 仪器,障碍物,守班,其他 ,图像、观测记录和规范。 四、台站附加信息登记 (1备注信息登记,通过选择记录年月,事件类型,填入具体内容后,点击即可完成登记。 (2若该台站同一时间同一事件类型已经有记录内容,选择记录年月,事件类型后,具体内容文本框会显示已经填写登记的内容,用户可以直接修改后提交。 (3一般备注事件,本月天气气候概况,图像、观测记录和规范操作参照纪要信息登记方法。 五、产品下载与保存 A 、 J 文件在 MDOS 平台“功能菜单”中的“产品制作与数据服务”下的“ A 、 J 、 Y 文件管理”模块中下载。 每月 6号前将下载后的 A 、 J 文件上传至 10.79.3.18/xj/zdzh/目录下,上传后的文件如有变更请及时进行更新。
赴上海气象局个例分析 学校： 院系: 专业: 班级: 姓名: 学号： 交流实习时间：2014-8-25~2014-9-15
1 过程简述 7月14日，一个低压区在帕劳东北部海面上生成，18日，联合台风警报中心将其升格为热带风暴。日本气象厅将其升格为热带风暴，并命名为麦德姆。23日0时在台湾省台东县长滨乡沿海登陆，登陆时中心附近最大风力有14级，中心最低气压为955百帕。23日15时在福建省福清市高山镇沿海登陆，登陆时减弱为强热带风暴，在之后的漫长旅途中一直维持强热带风暴等级。 25日17点在山东省荣成市虎山镇沿海登陆，山东在台风的势力影响下产生了强降水。 图1 7月18日-26日台风路径图 图2 7月25日降水实况
麦德姆路径分析 图3 7月23日20时500hPa图 台风路径主要受副高的影响，沿588线边缘北上。由图3可以看到，在台湾中北部地区高空存在急流，即台风的引导气流。 图4 7月24日08时500hPa高度场与温度场图 由图4 可以看到在东北、华北地区一带有强冷平流，促进槽发展。
图5 7月24日20时500hPa图 到7月24日，由图5显示，台风中心到达安徽南部地区，台风低压系统的影响使副高东撤。台风位于槽前，低空辅合、高空辐散的强对流系统促进台风又一次加强。槽前及副高配合生成强大引导气流使台风在华东地区划了一道弧线，最终擦山东东部地区离去。 陆上台风强度维持原因分析 图6 7月24日20时850hPa湿度图
由图6显示，7月24日20时，850hPa的华东大部分地区水汽达到了100%，产生了强降水。产生强降水需要满足的条件有：持续的水汽输送，强烈的上升运动，持续的作用时间。如此充足的水汽又是怎么来的呢？ 图7 7月24日08时850hPa风场图 由图7显示，在南海区域存在西南风急流，将南海大量水汽不断输送入华东地区，为台风的发展提供了充足的水汽。低空辅合上升，水汽遇冷凝结形成降水，同时释放出的能量维持台风的强度。 图8 7月24日01时FY2D红外图
气象领域的GIS应用 1 GIS在气象领域的应用 我国地域辽阔，地形地貌复杂，气象的时空分布差异大，自然灾害频繁。从古到今我国人民既受益于天气，也受害于天气，与自然灾害进行了长期的斗争。随着经济的增长、人口的增加、环境的变化，气象问题越来越受到各级政府及人民的重视。因此在传统调查、规划、管理技术的基础上引进先进的技术，将更有助于加快信息的获取、更新，促进气象行业的发展。 地理信息系统（GIS），作为一门重要的空间信息技术，在越来越多的信息系统建设中发挥了重要作用。气象信息既包括空间地理信息，又包括大量与空间密不可分的气象属性信息。气象数据本质上也是地理信息，因为气象中的风速、温度、气压等都是相对于具体的空间域和时间域而言，没有地理位置的气象要素是没有任何意义的。GIS技术优势在于可以海量管理和查询气象信息，可以对地理空间数据进行分析处理，与数值模型计算相结合，还可以形象直观的可视化表达模型计算结果；GIS空间分析能力还可以与气象信息技术相结合，提供空间和动态的地理信息，并采用一定模型为决策服务提供科学依据。因此，在气象领域中引入GIS系统具有非常重要的意义。 GIS在气象领域的应用非常广泛，并不觉限于空间数据的管理发布，它辐射到整个系统的各个环节，从数据组织、存储、管理到功能的实现与应用，能够与气象业务充分结合，为整个气象信息化系统提供一个全面的解决方案。GIS是一个功能强大的平台，针对气象领域的特点，提供数据组织策略、强大的GIS功能集成、丰富的Web展现、三维渲染和遥感处理等功能。 2 基于GIS的数据组织 GIS平台数据管理机制能够克服异构和分布式带来的气象数据使用障碍，建立一个理想的应用环境，既可以保留数据异构和分布性的优势，同时也可以为更多资源共享、处理协同与任务合作方面的用户提供一致化的服务接口和方式。 2.1 分布式数据管理 基于GIS的气象数据可以实现分布式数据管理，采取“纵向多级、横向网格”的组网方案。分布式数据的存取操作、增量式订阅和发布技术均采用面向“服务”方式进行，充分体现“面向服务”的最新设计思想。通过面向“服务”设计思想和面向“地理实体”的数据模型相结合，增量式订阅和发布技术使网络节点之间、父节点与子节点之间，因不同操作系统、不同数据库平台、不同数据大小而产生的“异构数据库”可实现增量更新与同步。 图2-1 气象GIS平台分布式数据管理原理图
第22课气象分析——数字气象站 【教材分析】 数字气象站是基于物联网技术的综合气象智能应用系统。教材介绍了数字气象站的基本组成和工作流程，在传感器方面，主要是与气象数据相关的多类型传感器。校园气象站网站是一个平台，通过平台可以查询一定区域的气象数据等，学生利用气象数据，可以探究气象数据的变化规律。 【学情分析】 学生对一般生活中的气温、天气状况等气象信息有所了解，但对气象站是如何工作的，气象数据是如何取得的等问题则比较陌生，基于气象数据而开展的研究活动基本没有。 【教学目标与要求】 1. 知识与技能 （1）了解数字气象站的基本组成及工作流程。 （2）熟悉无锡校园气象站网站的各项功能。 2. 过程与方法 能通过分析无锡校园气象站所提供的各项数据，了解气温的一般变化规律，并利用该网站开展探究活动。 3. 情感、态度与价值观 能养成科学地分析、整理数据的能力，并体会先进的科学技术在科学探究中的作用。 4. 行为与创新 尝试基于气象数据，开展相应的研究活动。 【教学重点与难点】 重点：熟悉无锡校园气象站网站的各项功能。 难点：让学生利用无锡校园气象站网站开展探究活动。 【教学方法与手段】 教师演示法、信息搜集法、探究发现法、小组合作法。 【课时安排】 安排1课时。
【教学准备】 课件，实验记录表，学生计算机及气象站网站等。 【教学过程】 一、导入 师：同学们，大家都很喜欢猜谜语吧，今天老师就带来两个谜语,大家想来猜猜吗？ “我到处乱跑，谁也捉不到，我跑过树林，树木都弯腰，我跑过大海，大海的波浪高又高。”（风） “千条线，万条线，掉到水里看不见。”（雨） （学生回答） 师：刚才这两种天气现象是生活中最常见的，你能说说今天的天气情况吗？ （学生回答） 师：如果我们想知道今天详细的天气信息，我们可以怎样获得呢？ （上网、手机、电视、广播、电话……） （学生回答） 师：现在获得天气信息的途径可真多啊，那么这些气象信息是从哪里来的呢？ （气象站）（学生回答） 师：以前气象站观测员的工作很辛苦，每天晚上别人睡得很香的时候，他们还要去测量气象数据。随着科学技术的发展，我们有更简单有效的方法来收集气象数据。今天我们就来学习数字气象站。 （出示课题） 二、新授 （一）介绍数字气象站 师：我们先来了解一下数字气象站（图片略），数字气象站主要由传感器模块、数据传输和数据处理中心这三大块组成。这是风向传感器。这是风力传感器，用来测量风向和风力。这是雨量传感器，用来监测每天的降水量。这是温、湿度传感器和大气压传感器，用来测量温度、湿度和大气压。 师：数字气象站的这些组成部分你都了解了吧！我们一起来看看这些组成部
什么是回归分析 回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。 回归分析之一多元线性回归模型案例解析 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。
今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：（数据可以先用excel建立再通过spss打开） 点击“分析”——回归——线性——进入如下图所示的界面：
四、地面气象观测数据文件格式 1、总则 1.1地面气象观测数据是认识和预测天气变化、探索气候演变规律、进行科学研究和提供气象服务的基础，是我国天气气候监测网收集的最重要的资料之一。为适应地面气象观测业务的发展，有必要对2001年版的“全国地面气象资料数据模式”（简称2001年版A格式）进行补充、修改。 1.2 本格式以中国气象局2003年版《地面气象观测规范》中的“地面气象记录月报表”为依据，对2001年版A格式作了必要的修改和补充，并将格式命名为“地面气象观测数据文件格式”，作为原“全国地面气象资料数据模式”的2003年版。 1.3本格式由一个站月的原始观测数据、数据质量控制标识及相应的台站附加信息构成，包括A文件和J文件两个文件，附加信息即2001年版的“气表-1封面、封底V文件”，作为A文件的一部分。因此本格式涵盖了气表-1的全部内容。 1.4 根据2003年版的《地面气象观测规范》，本格式在2001年版A格式基础上增加了相关的要素项目；为了更好地表述数据质量，增加了数据质量控制标识。观测数据部分历史资料中的技术规定可参照“全国地面气象资料信息化基本模式暂行规定”和“补充规定”，本格式不再赘述。 1.5 根据2003年版《地面气象观测规范》的规定，本格式将2001年版单要素分钟降水量J 文件更改为多要素分钟观测数据文件，作为A文件的补充，简称J文件。 1.6 2001年版与2003年版A、J格式具体变动内容见附件“2001年版与2003年版格式变动对照表”。 1.7 本格式适用于我国现行各类地面气象台站和不同观测仪器采集的数据。 2、A文件 2.1 文件名 “地面气象观测数据文件”（简称A文件）为文本文件，文件名由17位字母、数字、符号组成，其结构为“AIIiii-YYYYMM.TXT”。 其中“A”为文件类别标识符（保留字）；“IIiii”为区站号；“YYYY”为资料年份；“MM”为资料月份，位数不足，高位补“0”；“TXT“为文件扩展名。 2.2 文件结构 A文件由台站参数、观测数据、质量控制、附加信息四个部分构成。观测数据部分的结束符为“??????”，质量控制部分的结束符为“******”，附加信息部分的结束符为“######”。具体结构详见附录1：A文件基本结构。 2.3 台站参数 台站参数是文件的第一条记录，由12组数据构成，排列顺序为区站号、纬度、经度、观测场拔海高度、气压感应器拔海高度、风速感应器距地（平台）高度、观测平台距地高度、观测方式和测站类别、观测项目标识、质量控制指示码、年份、月份。各组数据间隔符为1 位空格。 2.3.1 区站号（IIiii），由5位数字组成，前2位为区号，后3位为站号。 2.3.2 纬度（QQQQQ），由4位数字加一位字母组成，前4位为纬度，其中1～2位为度，3～4位为分，位数不足，高位补“0”。最后一位“S”、“N”分别表示南、北纬。 2.3.3 经度（LLLLLL），由5位数字加一位字母组成，前5位为经度，其中1～3位为度，4～5位为分，位数不足，高位补“0”。最后一位“E”、“W”分别表示东、西经。 2.3.4 观测场拔海高度（H1H1H1H1H1H1），由6位数字组成，第一位为拔海高度参数，实测
气象资料业务系统MDOS疑误信息分析处理 发表时间：2018-07-20T12:04:05.020Z 来源：《科技新时代》2018年5期作者：赵建军 [导读] 达拉特旗地处鄂尔多斯高原北端, 总面积8200平方公里，是鄂尔多斯市农业大旗。 （内蒙古自治区达拉特旗气象局，内蒙古达拉特旗 014300） 摘要：气象资料业务系统（MDOS）操作平台是实时和历史资料加工处理与应用的一体化业务系统，业务人员日常主要工作任务是及时反馈疑误信息，对上传数据实时质量控制。本文结合多年基层台站工作，总结了气象资料业务系统（MDOS）疑误信息的分析及处理方法，以帮助业务人员进一步强化处理气象数据的处理能力，增强气象资料的完整性、时效性和准确性水平。 关键词：MDOS平台疑误信息数据质量分析处理 引言 达拉特旗地处鄂尔多斯高原北端, 总面积8200平方公里，是鄂尔多斯市农业大旗。本区域建有一套中心自动站，33套区域自动站，达拉特旗气象局自建站以来，始终以服务地方经济建设为宗旨，及时为种植大户提供有针对性的气象服务，为农业防灾减灾，农民增收做好保障服务。 地面气象资料业务系统（MDOS）操作平台属于资料一体化加工处理与管理业务系统，可以处理和应用实中心站及区域站的数据资料，其主要功能是数据传输监控、质控信息处理和查询反馈、基础信息管理、信息报警、产品制作与数据服务等。自达拉特旗气象局开展实时——历史地面气象资料一体化业务运行工作以来，对气象资料业务系统（MDOS）积累了一些宝贵的经验。 该业务系统的应用使得主要观测要素的时效性提高到小时级，实时气象要素自动质量控制时效达到了15min，历史资料时效达到1- 2d，逐渐消除了实时和历史资料的限制，实现了各级台站之间的资料同步。在上传和实时质量控制气象资料的过程中对业务人员操作水平提出了更高的要求，业务人员应对疑误信息进行认真分析、判断和处理，在确保观测数据完整的情况下，增强气象要素数据的可靠性和有效性水平。 1、MDOS数据质量控制检查内容 对于气象资料业务系统（MDOS）操作平台来说，在对地面气象要素数据文件进行实时质量控制时，主要包括有气候学界限值检查、气候极值检查、数据内部一致性检查和数据时间一致性检查。其中气候学界限值检查主要是查看记录到的气象要素数据是否在规定的测量范围内；范围极值检查，将时间和空间插值进行结合，在广义极值分布理论的基础上，得出任意地点多年日要素极值，并通过数据插值技术，结合气象要素日变化规律，对任意地点逐时阈值进行计算；时变检查，随着时间的变化某些气象要素会发生变化，具有时间一致性特征，将该类数据对比前后观测值，来判断是否出现异常；持续性检查，某些气象要素会随着时间和区域的变化而发生变化，例如某气象要素值长时间没有变化，则可能是观测仪器故障或传输设备异常造成的。 2、常见疑误信息分析处理 2.1数据缺测的分析处理 2.1.1台站单一或多个气象要素数据缺测 首先借助于业务软件查看对应时间段内的气象要素数据是否缺测，如果缺测应重新卸载相应时次的数据信息，检查缺测数据是否恢复正常，若仍旧没有恢复正常，应根据《地面气象观测规范》中的相关要求选择合适的数据替代缺测数据或者选用人工补测，同时在备注栏中详细标明。若在多个时次内气象要素数据均出现缺测，应做好相应气象要素仪器设备与传输线路的日常检修和维护，第一时间排除故障问题，增强观测数据的完整性水平，进一步提升地面测报质量。 2.1.2人工观测数据缺测 若定时时次人工观测到的降水，冻土，日照，雪深，雪压等人工观测项目气象要素数据出现缺测，应检查业务软件对应的相关气象要素数据是否出现缺测，若缺测则可能是因人为粗心大意造成数据未输入或输入数据后没有进行保存，应结合气薄、日照纸记录反馈对应的数据信息。若气象要素出现漏测，应确保在1h内补测完成并将修正值反馈出来，若超过1h应根据缺测情况处理。 2.1.3自动站所有数据缺测 若新型自动站内所有观测数据均出现缺测，则可能是正点长Z文件缺报造成的，应查看在业务软件中是否有长Z文件形成并传输。若没有长Z文件形成，应在业务软件中选择“正点地面观测数据维护”选项，通过人工方式对“正点观测编报”进行调取，对长Z文件进行保存编发操作；若在业务软件中形成了长Z文件却没有正常传输，应使用人工的方式尽快恢复网络，并立刻补发传输长Z文件；若长Z文件在正常编发后还是有自动站气象要素数据缺测的情况，则可能是网络异常导致长Z文件传输丢失，应重新对其进行编发。 2.2数据错误处理 若天气现象与积雪深度、极大风速、最小能见度气象要素数据出现矛盾，可能有两种表现形式：其一是人工观测到的天气现象同自动观测到的能见度数据矛盾。使用人工方式观测到的能见度数据具有较强的主观性水平，且观测空间范围较大，使用前向散射能见度仪器只能实现观测点的采样，直接造成人工和自动观测到的能见度数值存在偏差的情况，环境亮度和天气现象不同，二者之间的偏差也有一定的差异。若人工观测能见度时出现视程障碍类天气现象，而自动观测却没有发现，就会有能见度同天气现象不匹配的疑误信息，此时应以人工观测记录的天气现象为准，而能见度数据应以自动观测数据为准，当视程障碍类天气现象同能见度数据不匹配，可以将其看作是正常数据。 其二是人工观测到的天气现象同气象要素数据值矛盾。例如没有出现积雪、大风天气，但却观测到积雪深度大于0cm和极大风速超过17.0m/s的情况，这种错误数据可能是人工录入天气现象时粗心造成的，应对输入的气象要素数据进行认真检查，并及时进行修改和反馈。 2.3可疑数据的处理 受到观测仪器设备技术性能、各个气象要素之间的联系和单独气象要素数据的变化规律，正常的气象要素数据应满足极限范围值检查、空间、内部和数据时间一致性的要求，否则该气象要素是可疑的疑误数据。结合MDOS气象资料业务系统，包含有数据显示查询功能和空间图查看模块，借助于数据显示查询功能可以对可疑的正点气象要素数据进行查询，同时还能对比分析前后时次的气象要素数据，根
摘要 回归分析和方差分析是探究和处理相关关系的两个重要的分支,其中回归分析方法是预测方面最常用的数学方法,它是利用统计数据来确定变量之间的关系,并且依据这种关系来预测未来的发展趋势。本文主要介绍了一元线性回归分析方法和多元线性回归分析方法的一般思想方法和一般步骤,并且用它们来研究和分析我们在生活中常遇到的一些难以用函数形式确定的变量之间的关系。在解决的过程中,建立回归方程,再通过该回归方程进行预测。 关键词:多元线性回归分析;参数估计;F检验
回归分析在数学建模中的应用 Abstract Regression analysis and analysis of variance is the inquiry and processing of the correlation between two important branches, wherein the regression analysis method is the most commonly used mathematical prediction method, it is the use of statistical data to determine the relationship between the variables, and based on this relationship predict future trends. introduces a linear regression analysis and multiple linear regression analysis method general way of thinking and the general steps, and use them to research and analysis that we encounter in our life, are difficult to determine as a function relationship between the variables in the solving process, the regression equation is established by the regression equation to predict. Keywords:Multiple linear regression analysis; parameter estimation;inspection II
气象业务辅助决策系统 2017年12月
第一章系统概述 气象业务辅助决策系统，是以先进的数字地球平台为底层，以行业应用需求为牵引，为用户提供四类服务： 1、信息的管理、查询与检索。该系统在数字地球上，融入天气专题信息图层，直观地展现作业点分布、河流分布、重点增雨区分布、气象观测仪器、气象检测实况等信息。 2、可视化专业信息，辅助业务人员决策。采用科学数据可视化技术直观展现气象雷达数据、云图数据中的强度、速度、谱宽等信息，建立气象数据与空间环境的对应关系，辅助业务人员进行分析判断。 3、模拟业务过程，辅助任务规划。该系统可根据用户输入需求，模拟飞机飞行过程，辅助用户进行航迹规划；可模拟火箭作业过程，评估任务结果。 4、链接传感器，与实际应用业务对接。系统可与飞机增雨地空通讯系统、地面车辆GPS监控系统、北斗定位系统实时对接，实现对增雨飞机和地面作业车辆的三维追踪和显示。
第二章三维地理信息平台 气象业务辅助决策系统依托DreamMap三维地理信息平台开发研制。该平台融合了地理信息技术和虚拟现实技术，可兼容调用多种政府用、军用、商用地理信息数据，逼真展现陆、海、空、天多维空间场景；可针对雨、雪、云、风等天气现象精细化建模，逼真展现天气动态变化；可提供距离、面积、高程、角度、剖面、最短距离等分析量算功能，定量了解空间环境；可标绘兴趣点、气象台站、侦察站等模型符号，并融合管理各模型属性信息。 一、空间环境展现 该平台可以逼真展现陆、海、空、天等多维环境信息，渲染矢量、注记等多种类型数据。 图1 大气环境
图2 地形环境 图3 海洋环境
图4 高精度影像数据 二、气象环境展现
1、 多元线性回归 在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。 在实际经济问题中，一个变量往往受到多个变量的影响。例如，家庭消费支出，除了受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，表现在线性回归模型中的解释变量有多个。这样的模型被称为多元线性回归模型。（multivariable linear regression model ） 多元线性回归模型的一般形式为： 其中k 为解释变量的数目，j β (j=1,2,…，k)称为回归系数（regression coefficient)。上式也被称为总体回归函数的随机表达式。它的非随机表达式为： j β也被称为偏回归系数（partial regression coefficient)。 2、 多元线性回归计算模型 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和（Σe)为最小的前提下，用最小二乘法或最大似然估计法求解参数。 设（ 11 x ， 12 x ，…， 1p x ， 1 y ），…，（ 1 n x ， 2 n x ，…， np x ， n y ）是一个样本， 用最大似然估计法估计参数： 达 到最小。
把（4）式化简可得： 引入矩阵： 方程组（5）可以化简得： 可得最大似然估计值：
3、Matlab 多元线性回归的实现 多元线性回归在Matlab 中主要实现方法如下： （1）b=regress(Y, X ) 确定回归系数的点估计值 其中 （2）[b,bint,r,rint,stats]=regress(Y,X,alpha)求回归系数的点估计和区间估计、并检 验回归模型 ①bint 表示回归系数的区间估计. ②r 表示残差 ③rint 表示置信区间 ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r2、F 值、与F 对应的 概率p 说明：相关系数r2越接近1，说明回归方程越显著；F>F1-alpha(p,n-p-1) 时拒绝H0，F 越大，说明回归方程越显著；与F 对应的概率p<α 时拒绝H0，回归模型成立。 ⑤alpha 表示显著性水平(缺省时为0.05) （3）rcoplot(r,rint) 画出残差及其置信区间
1、 多元线性回归在回归分析中，如果有两个或两个以上的自变量，就称为 多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。 在实际经济问题中，一个变量往往受到多个变量的影响。例如，家庭消费支出，除了受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，表现在线性回归模型中的解释变量有多个。这样的模型被称为多元线性回归模型。（multivariable linear regression model ） 多元线性回归模型的一般形式为： 其中k 为解释变量的数目，j β (j=1,2,…，k)称为回归系数（regression coefficient)。上式也被称为总体回归函数的随机表达式。它的非随机表达式为： j β也被称为偏回归系数（partial regression coefficient)。 2、 多元线性回归计算模型 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和（Σe)为最小的前提下，用最小二乘法或最大似然估计法求解参数。 设（ 11 x ， 12 x ，…， 1p x ， 1 y ），…，（ 1 n x ， 2 n x ，…， np x ， n y ）是一个样本， 用最大似然估计法估计参数： 达 到最小。
把（4）式化简可得： 引入矩阵： 方程组（5）可以化简得： 可得最大似然估计值：
3、Matlab 多元线性回归的实现 多元线性回归在Matlab 中主要实现方法如下： （1）b=regress(Y, X ) 确定回归系数的点估计值 其中 （2）[b,bint,r,rint,stats]=regress(Y,X,alpha)求回归系数的点估计和区间估计、并检 验回归模型 ①bint 表示回归系数的区间估计. ②r 表示残差 ③rint 表示置信区间 ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r2、F 值、与F 对应的 概率p 说明：相关系数r2越接近1，说明回归方程越显著；F>F1-alpha(p,n-p-1) 时拒绝H0，F 越大，说明回归方程越显著；与F 对应的概率p<α 时拒绝H0，回归模型成立。 ⑤alpha 表示显著性水平(缺省时为0.05) （3）rcoplot(r,rint) 画出残差及其置信区间
附录 A （规范性附录） 生态气象数据库表说明 A.1 区域级参数表 表A.1规定了区域级参数表的表名及内容。 表名：T_TEMO_REG_PAR。 表A.1 区域级参数表 A.2 区域级多媒体生态场景数据表 表A.2规定了区域级多媒体生态场景数据表的表名及内容。表名：T_TEMO_REG_M01。 表A.2 区域级多媒体生态场景数据表
A.3 区域级生态特征数据表 表A.3规定了区域级生态特征数据表的表名及内容。 表名：T_TEMO_REG_F01。 表A.3 区域级生态特征数据表
注：一般情况下，林木蓄积量无需观测，但当发生间阀、砍阀时有一定意义。 A.4 区域级生态气象灾害与天象、异常生态事件数据表 表A.4规定了区域级生态气象灾害与天象、物候、异常生态事件(仅限野生、散放动物、天灾等)数据表的表名及内容。 表名：T_TEMO_REG_E01。 表A.4 区域级生态气象灾害与天象、物候、异常生态事件(仅限野生、散放动物、天灾等) 数据表 A.5 区域级生态活动事件数据表 表A.5规定了区域级生态活动事件数据表的表名及内容。 表名：T_TEMO_REG_E02。 表A.5 区域级生态活动事件数据表 A.6 区域级大气层气象要素分钟数据表 表A.6规定了区域级大气层气象要素分钟数据表的表名及内容。 表名：T_TEMO_REG_D00_MIN。 表A.6 区域级大气层气象要素分钟数据表
A.7 区域级辐射分钟数据表 表A.7规定了区域级辐射分钟数据表的表名及内容。 表名：T_TEMO_REG_D01_MIN。 表A.7 区域级辐射分钟数据表