《四川省未来气温与降水预测研究毕业论文.docx》由会员分享，可在线阅读，更多相关《四川省未来气温与降水预测研究毕业论文.docx（73页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、本科生毕业论文题 目 四川省未来气温与降水预测研究 学 院 水利水电学院 专 业 农业水利工程 学生姓名 学 号 0943063049 年级 09级 指导教师 教务处制表 二一三年六月十日68四川省未来气温与降水预测研究 农业水利工程 摘要： 利用四川省地区18个气象台站1979-2010年的观测数据和NCEP再分析资料，运用多元线性回归方法进行预测模式的建立和检验，然后利用IPCC提供的未来气候状况数据对四川省地区在A2情景下2015-2099年的气温和降水进行预测，得到四川省地区未来的气温和降水的具体时间分布和高分辨率的空间分布。对预测结果分析表明：四川地区未来85年的平均气温下降3.02
2、，下降幅度为26.61%；平均年降水量增加297.79 mm，增加幅度为32.86% 。平均气温和平均年降水量的空间分布差异较大，气温受地形的影响显著，降水量与地理位置关系密切；四川省地区未来85年的平均气温的空间分布总体为：西北地区低，东南地区高，由西北地区向东南地区呈阶梯状增加；高低温区域分布较为稳定，气温梯度在川西高原和平原丘陵的交界处存在明显的分界线。年平均降水的总体空间分布为：四川省中部地区降水量多，东西两侧降水量少，由中部地区向两侧地区逐渐减少；2015-2099年逐年的平均气温在预测时段的开始阶段就已经下降4.13 ，在预测时段中气温总体呈回升趋势，回升速度为0.033/a，到2
3、099年气温回升到10.01；逐年降水量呈波动上升趋势，年际间的波动较大，2073年和2074年间的差异为379.98 mm，到2099年低年降水量达到1226.39 mm。气温的空间分布年际间的变化较小，只有局部地区的气温分布有异常变动；降水的空间分布年际变化较大，且无规律，其中四川中南部地区和川西高原中部地区变化最为复杂；四川省北部边界地区气温升高，川西高原中部地区低气温显著下降，而降水量显著增加，东部地区降水量减少。关键词：气温;降水;统计降尺度;四川;预测; NCEP;IPCCPrediction studies of the future temperature and precip
4、itation in SichuanAgricultural Water Conservancy Project Zhangyunlong Abstract: Based on 18 meteorological stations in sichuan province in 1979-2010 observation data and the NCEP reanalysis data, using multiple linear regression method for the establishment of prediction model and test, then the fut
5、ure climate data from the IPCC for areas of sichuan province under the A2 scenario for predicting the air temperature and precipitation from 2015 to 2099, get specific areas of sichuan province in the future of air temperature and precipitation time distribution and space distribution of high resolu
6、tion .Analysis shows that the result of the forecast in sichuan area in the future in 85, the average temperature drop of 3.02 , the decline was 26.61%; Average annual rainfall of 297.79 mm, increase rate of 32.86%. Spatial distribution difference of average temperature and average annual rainfall i
7、s larger, the temperature is influenced by topography, precipitation and closely related to geographical location;Future areas of sichuan province in 85, the average temperature of the spatial distribution of total is: low in northwest China, south-east high, ladder shaped from northwest to southeas
8、t area increased; Regional distribution of high and low temperature is relatively stable, the temperature gradient on the border of ethnoniedicinal and plains hills is a clear dividing line. Overall spatial distribution of the average annual precipitation is: the central region of sichuan province p
9、recipitation more, less things on both sides of the rainfall, the area on both sides from the central region to gradually reduce; 2015-2099 annual average temperature at the beginning of the forecast period it has fallen by 4.13 , the temperature in the forecast period generally showed a trend of re
10、covery, recovery speed is 0.033 /a, to the rise of temperature in 2099 to 10.01 ; Precipitation showed a trend of fluctuations rise year by year, the interannual fluctuations between is larger, the difference between 2073 and 2074 is 379.98 mm, to 2099 low annual rainfall is 1226.39 mm. The temperat
11、ure between the spatial distribution of the interannual change is small, only local abnormal distribution of the temperature change; The spatial distribution of precipitation interannual change is bigger, and irregular, the central and southern sichuan region and central he ethnoniedicinal change mo
12、st complex; Northern border areas in sichuan province temperatures rise, he ethnoniedicinal central low temperatures dropped significantly, and rainfall increased significantly, the eastern region precipitation decreased.Key words: temperature; precipitation;statistical downscaling; Sichuan; predict
13、ion; NCEP;IPCC目录摘要：IIAbstract:II目录IV引言1第一章 绪论21.1研究的目的和意义21.2统计降尺度方法21.2.1统计降尺度方法的基本原理21.2.2统计降尺度方法分类31.2.3统计降尺度方法的运用步骤41.3研究的主要内容4第二章 资料和方法62.1资料62.1.1气象台站观测资料62.1.2 NCEP再分析资料72.1.3 IPCC AR4资料72.2方法82.2.1 多元线性回归82.2.2建模方法92.2.3模式检验和预测方法92.2.4反距离加权插值法10第三章 气温预测113.1多年平均气温预测113.1.1建模过程113.1.2模式检验133.
14、1.3模式预测153.1.4预测结果分析153.2年平均气温预测203.2.1建模与检验203.2.2模式预测223.2.3预测结果分析233.3月平均气温预测27第四章 降水预测304.1多年平均降水量预测304.1.1建模过程304.1.2模式检验334.1.3 模式预测354.1.4预测结果分析364.1.5异常点分析处理404.2年降水量预测414.2.1建模与检验424.2.2模式预测444.2.3预测结果分析444.3月平均降水预测49第五章 总结54参考文献55附表1 四川省地区2015-2099年平均气温预测结果（单位）57附表2 四川省地区2015-2099年年降水量预测结果
15、（单位mm）61致谢68引言气候预测，特别是异常气候预测对国民经济发展和人类可持续发展都具有重大的意义，因而成为全球关注的焦点。当今世界许多的科研机构和科学工作者都在这一领域中努力的探索着，通过对相应气候理论的研究和科学试验来解释气候形成和气候变化的原因或机理，从而进行气候预测。现阶段气候预测的主要方法是采用气候模式，但是由于全球气候模式（GCM）和大部分的海气耦合气候模式（AOGCM）的空间分辨率都较低，不能够适当的反映区域尺度复杂的地形地表情况和某些物理过程，从而很难对区域气候进行预测。降尺度方法可以弥补气候模式在区域气候预测方面的不足，并得到了广泛使用。目前为止得到应用的降尺度方法主要有
16、三种1：第一种是统计降尺度方法；第二种是动力降尺度方法；第三种是统计与动力相结合的降尺度方法。三种降尺度方法都是以AOGCM模式所提供的大尺度气候信息为基础的。动力降尺度方法就是利用与AOGCM模式耦合的区域气候模式RCM来预估区域未来的气候变化情景2,3。相对于统计降尺度方法，动力降尺度方法优点在于其能够应有于任何地方和不同的分辨率而不受观测资料的影响，缺点就是计算量大、需要时间过长，而且区域模式的性能受AOGCM模式提供的边界条件的影响很大，区域耦合模式在应用于不同区域时需要重新调整参数4。而统计降尺度方法恰好可以弥补动力降尺度方法一些方面的不足。统计降尺度方法就是采用统计方法建立大尺度气
17、候要素与区域气候要素的线性或者非线性联系。统计降尺度方法的优点为：区域气候预测计算效率高；输出的分辨率分较高；模型的参数可以受区域的下垫面特征控制。而且统计降尺度方法是区域气候预测使用最广泛的方法。本文就是运用统计降尺度方法对四川地区未来85年（2015-2099）的气候要素（气温和降水）进行预测，并对预测结果进行分析。第一章 绪论1.1研究的目的和意义由于目前AOGCM模式输出的空间分辨率较低，很难对区域气候要素的变化做出合理的预测。目前解决区域气候预测问题的方法有两种5，一种是提高AOGCM的空间分辨率6,7；另一种是采用降尺度方法。两种方法相比较之下，降尺度方法更为可行。而在降尺度方法中
18、，统计降尺度方法优于动力降尺度方法,因为统计降尺度方法解决了区域气候预测难的问题。运用统计降尺度方法对西南地区气候预测的研究较少，而且研究的主要方向是对未来气候变化趋势做出了分析，而没有得到气候要素在时间和空间上的具体分布。本文研究的目的就是利用统计降尺度方法得到四川地区未来气候要素（气温和降水）在时间上和空间上的分布情况与变化趋势。四川地处青藏高原东侧，处于我国生存环境的敏感区，又是我国气候变化的脆弱区，特别是由于高原盆地特殊的地理环境，天气气候复杂，旱涝灾害频繁，并呈上升趋势，气候变化和异常灾害对四川的社会发展和经济建设，人民生命财产和农业的丰歉都有着重大的影响。而且四川经济在西南地区占有
19、主导的地位，如果其经济受到严重的影响，那么西南地区的经济就会受到波及。所以对四川地区未来气候变化的预测有着重大的意义。在科学研究方面，区域气候变化预测研究都没有本文如此长的连续时间跨度，这是区域气候变化预测研究的一个突破，对相关领域研究都有着重要的参考价值。1.2统计降尺度方法统计降尺度方法，也被称为经验降尺度方法，是由大尺度信息获取小尺度信息的有力工具。其首先是发现和确立大尺度气候要素（预报因子）和区域气候要素（预报量）之间的经验关系；然后就是将这种经验关系应用于全球气候模式或者区域气候模式的输出，即只要给出大尺度信息（网格数据），就可以获得任一点的相关信息。1.2.1统计降尺度方法的基本原
20、理统计降尺度方法是利用多年的观测资料来建立大尺度气候要素和区域气候要素之间的统计关系，并利用独立的观测资料对这种关系进行验证，最后将这种关系运用于AOGCM模式输出的大尺度气候信息，来预估区域未来的气候变化情景（如气温和降水）。用数学关系来讲，就是需要用已有的观测数据来建立大尺度预报因子与区域气候预报量之间的统计函数关系。其统计函数关系式为： Y=F(x) （1-1）式子中Y为大尺度预报因子，F为所建立的统计函数关系，x为去与气候预报量。统计降尺度方法对未来区域气候的预测要满足三条假设：第一条是大尺度气候要素和区域气候要素之间具有显著的统计关系；第二条是这种统计关系适用于未来的气候变化；第三条
21、是大尺度气要素能被气候模式较好地模拟出来。1.2.2统计降尺度方法分类目前统计降尺度方法主要分为三种方法：转化函数法，天气发生器和天气分型法。以下是对三种统计降尺度方法简单的介绍。转换函数法是统计降尺度中应用最多的方法，又被称为回归模式法，是表示大尺度求预报因子与区域气候预报量之间的线性或非线性关系的一种简单的降尺度方式。主要分为两种类型：一种是线性转换函数法，另一种是非线性转换函数法。在研究中最常用的线性转换函数法是线性回归方法，而且最简单的统计降尺度方法就是建立大尺度气候预报因子与区域气候预报量之间的多元线性回归方程。在以往的研究中，许多科学工作者运用多元线性回归方法得到了预期的研究成果。
22、例如：Sailor等8采用多元线性回归方法模拟了美国各站点的气温；Murphy9采用相同的方法模拟了欧洲的月平均气温和月平均降水。除去多元线性回归方法，线性转换函数法还包括许多其他的方法：典型相关分析法（CCA方法）10、奇异值分解方法（SVD方法）11-14、逐步线性回归方法15-17、主分量分析（PCA）与多元线性回归相结合18-20等方法。这些方法在实际研究中都得到了应用：范丽军等21运用PCA与逐步线性回归相结合的方法对我国华北地区未来的气温进行了预估；Oshima等22分别运用PCA与CCA相结合的方法和SVD方法对日本当地降水进行了预测，并对预测结果进行了分析，其它方法的应用实例在
23、这里就不做介绍。非线性转换函数法包括人工神经网络法、支持向量机、进化编程法和广义线性模型法。其中最常用的是人工神经网络法（ANN方法），它也是非线性降尺度方法的代表。人工神经网络是由许多的神经元广泛连接而成的复杂的网络系统，是一种十分抽象的数学模型，并且可以作为一个具有高速非线性的超大规模连续时间动力学系统。人工神经网络法的优点在于它可以模拟任何线性与非线性的关系，并具有并行处理和自学习等功能。Mpelasoka23等运用ANN方法成功地模拟了新西兰的月平均气温和月平均降水。天气发生器可以看作是构建气候要素随机过程的统计气候模型。它最初是用来对缺测的历史数据进行统计补缺，使之特征接近实际观测值
24、。天气发生器通过多观测值进行拟合从而得到统计其后模型的拟合参数，然后通过统计气候模型模拟生成随机的气候要素的时间序列，其生成的时间序列和观测值非常接近。而且它的优点在于能够快速的生成较高时间分辨率和任意长度的序列24，还可以任意调整气候变化的频率。天气发生器在近几年来已广泛应用于统计降尺度方法中25-28。对于统计降尺度法来说,天气发生器不再是仅与前一天的天气状况有关25-28,而是以大尺度气候状况为条件的。以大尺度气候状况为条件的天气发生器在一定程度上克服了许多天气发生器存在的缺点,这些天气发生器过低地估计了气候要素的年际变率29。天气分型法就是对和区域气候变化有关联的大尺度大气环流进行分类
25、，一般可以利用大气环流的位势高度场、风向、湿度、云量、日照时数等信息对其进行分类。天气分型一般分为主观分型方法和客观分型方法。主观分型方法（Lamb Weather Type30,31、Grosswetterlagen等）可以充分的利用工作者的气象知识和工作经验，但是其结果不能够重建，而且这种方法只能应用于特定的区域，不能够广泛的使用。客观分型方法主要是以统计方法进行分型的，例如PCA方法、平均权重串组法32和模糊原则为基础的分类方法等33,34。统计降尺度使用天气分型法时，首先是里利用已有的区域气候要素和大尺度大气环流的观测值对和区域气候变化有关的大尺度大气环流进行分类；然后计算各类型的均值
26、、方差和发生频率等；最后通过把未来环流型的相对频率加权到区域气候状态得到未来区域气候的值。Conway等35将Lamb主观分型技术应用于英国西北部估计该地区月降水量和年平均降水概率。1.2.3统计降尺度方法的运用步骤应用统计降尺度方法预测未来气候情景的步骤大体一致。通过总结，其主要步骤可以分为五个环节：第一步是大尺度预报因子的选择，其对应的是大尺度网格数据（NCEP在分析资料）的下载和筛选；第二步是统计降尺度模式的建立，即大尺度气候预报因子和区域气候预报量之间统计关系（F）的建立；第三步是模式的检验，利用独立的观测资料对统计关系进行验证；第四步是把统计模式应用于大气环流模式的输出得到未来气候情
27、景；第五步是对预测结果进行分析研究。1.3研究的主要内容本文研究的主要内容是运用统计降尺度方法对四川地区为未来85年（2015-2099年）的气温和降水进行预测，并对预测结果进行分析研究得到四川地区未来气候变化情况。首先利用四川地区18个气象台站的观测数据（气象台站地理位置如图1.1所示）和NCEP再分析资料（气温和降水）进行统计分析，建立大尺度气候预报因子和四川地区气候预报量之间的统计关系，此统计关系即为预测所使用的统计模式；再通过独立的观测资料对统计模式进行验证；然后将此统计模式应用于IPCC所给出的澳大利亚气候模式（CSIRO-Mk3.0）的输出结果得到四川地区未来的气候变化情景，其中包
28、括年平均气温、月平均气温、年降水总量和月降水总量；最后对预测结果进行分析研究得出四川地区未来气候的变化情况和相应气候要素的变化趋势。图1.1 所选气象台站空间分布图第二章 资料和方法2.1资料本文采用的资料分为三类：气象台站观测资料、NCEP再分析资料和IPCC AR4资料。三类资料中采用的都为气温和降水资料。下面将对三种资料的来源和性质以及建模前数据的处理进行介绍。2.1.1气象台站观测资料本文采用的观测资料为四川地区18个典型气象台站（台站及台站的相关资料见表2.1）1979-2010年共32年的逐日2 m高度地面气温和降水观测资料记录，资料来源于中国气象科学数据共享服务网地面气象资料数据
29、库。为了确保计算资料的可信度，在计算月平均温度、年平均温度、月降水总量和年降水总量时，凡是对缺测的资料过多和数据异常的台站进行舍弃（18个台站是进行舍弃后挑选的），对选用台站中缺测的资料运用类比插补的办法进行补缺。台站观测的气温和降水单位分别为0.1 和0.1 mm，最后对单位进行统一以便后面的计算，气温单位为摄氏度（），降水单位为毫米（mm）。表2.1：选用台站及其地理位置和海拔高度台站名纬度（北纬）经度（东经）海拔高度（m）巴中31.51106.46358.90成都30.40104.01506.10道孚30.59101.072957.20甘孜31.37100.003393.50会理26.3
30、9102.151787.10九龙29.00101.302987.30理塘30.00100.163948.90马尔康31.54102.142664.40绵阳31.28104.41470.80南充30.47106.06297.70诺尔盖33.20102.433446.70色达32.25100.443893.90松潘32.39103.342827.70万源32.04108.02674.00西昌27.54102.161590.90小金31.00102.222367.00雅安29.59103.00627.60宜宾28.48104.36340.802.1.2 NCEP再分析资料建模和验证过程使用的NCEP
31、/NCAR再分析资料采用的是NCEP再分析资料推导数据库（ncep.reanalysis2.derived）中的资料。资料的分辨率为2.52.5，时间为1979年1月至2010年12月。NCEP大尺度气象要素中的气温（2 m）和降水被选为本文研究使用的建模预报因子。月平均气温（2 m）的数据来自于压力数据（pressure），其对应的下载文件为air.non.mean.nc；月平均降水的数据来源于地面数据（surface），对应的下载文件为pr_wtr.eatm.mon.mean.nc。由于NCEP再分析资料为大尺度网格数据，在使用之前应根据各个台站的经纬度进行降维处理，得到和台站相对应的大尺
32、度数据。最后对气温和降水的单位进行统一，并将月平均降水换算成月降水总量（换算时考虑闰年），再由月平均温度和月降水总量推算年平均温度和年降水总量。2.1.3 IPCC AR4资料IPCC AR4全名为政府间气候变化委员会第四次评估报告（Intergovermmental Panel on Climate Change 4th Assessment Report），其数据中心提供了13个新一代气候系统模式在不同情境在的模拟结果。本文采用的澳大利亚气候系统模式（csiro_mk3.0）在A2情景（SRES A2 高排放）下的模拟结果。资料的分辨率为1.8751.875，时间为2015年1月至2099
33、年12月。采用澳大利亚模式的原因是与其它12个模式相比较，澳大利亚经度等条件和四川地区更加相似。根据四川地区目前的经济发展和政策情景来看，在未来的时间里四川地区将处于经济高速发展阶段，和IPCC提出的A2情景接近，因此在四川地区气候变化预测采用A2情景预估结果。根据台站的纬度对IPCC资料数据进行降维，得到18个台站所对应的资料数据。数据来源于WCRP CMIP3 Multi-Model Data，下载的为气温和降水的月值数据，其中气温为地面高度2 m处月平均温度（单位为K），降水为时间尺度为秒的平均降水（单位为kg/(m2.s)）。考虑闰年，对气温和降水单位进行换算，使温度单位为，降水单位为
34、mm，再对年平均温度和年降水总量进行计算。本文采用的是基于多元线性回归的统计降尺度方法。研究中我们选择前24年（1979-2002）的资料用于建模，其余的8年（2003-2012）用于模式的检验。在建模过程中加入区域地理位置和海拔高度对预报因子的影响，建立大尺度气温和降水数据与台站的经纬度和海拔高度的回归方程，对大尺度气温和降水数据进行校正。然后使用校正后的大尺度数据和台站观测数据进行建模。2.2方法研究的方法是基于多元线性回归的统计降尺度方法，总体研究过程主要分为模式建立、模式检验、模式预测和预测结果分析四个步骤。总体技术路线如图2.1所示：图2.1：技术路线图2.2.1 多元线性回归基于多
35、元线性回归的统计降尺度方法是统计降尺度方法中较为简单较为直接的方法。线性回归降尺度方法是假设预报量和预报因子之间存在线性的统计关系，假设关系为： Y=AX （2-1）式子中，Y为预报量（本文为气温和降水），A为回归系数矩阵，X为预报因子。预报因子的选择要根据研究的实际情况来决定，可以用一个预报因子，也可以用多个预报因子。考虑到预报量和预报因子之间的关系随着预报因子个数的增加而变得复杂，而且预报因子数量的增加也会引入更多的系统误差，所以在本文中我们选用一个预报因子。2.2.2建模方法将四川地区18个台站的观测数据和其对应的NCEP大尺度数据进行对比（气温和降水分别进行），寻找调节因素，同时可以根
36、据对比关系获得统计关系的拟合方程。首先，将观测数据和大尺度数据进行比较得到关系系数R12，然后利用18站点各自对应的NCEP大尺度数据与相应的纬度（X），经度（Y）和海拔高度（H）建立回归方程： F=a1X+b1Y+c1H+B1 （2-2） 其中F为NCEP大尺度数据（温度或降水），a1、b1和c1为回归系数，B1为常数项。利用方程（2-2）对NCEP大尺度数据进行校正，然后将校正后的大尺度数据和观测数据进行比较得到相关系数R22，对方程（2-2）进行误差分析，在方程（2-2）中加入误差，为观测值与NCEP大尺度值的差值与相应的纬度（X），经度（Y）和海拔高度（H）建立的回归方程： =a2X+
37、b2Y+c2H+B2 （2-3）其中为观测值与NCEP大尺度值的差值，a2、b2和c2为回归系数，B2为常数项。加入误差考虑后得到了最终的数据处理拟合方程式： Fadj=a1X+b1Y+c1H+B1+ （2-4）其中Fadj为最终调整的NCEP大尺度值，将其与观测值进行比较得到相关系数R32和统计模式（预报量和预报因子的关系方程），其中相关系数之间的关系为R32R22R12。经过上述方程的处理，就是为提高预报量与预报因子之间的相关性，提高统计预测模式的准确度。2.2.3模式检验和预测方法利用2003-2010年总共8年的台站观测数据和NCEP大尺度数据对预测模式进行检验，假定预测的统计模式为：
38、 Y=aX+b （2-5）其中，Y为预报量（台站模拟值），X为预报因子（NCEP大尺度值），b为常数项。首先将NCEP大尺度数据代入方程（2-5）中，得到各个台站的模拟值；然后将台站模拟值和台站观测值进行比较，通过它们之间的相关程度来判断预测模式的可信性和准确度，如果满足就可以运用此预测模式对四川地区的气候展开预测。预测方法就是将IPCC大尺度数据应用于预测模式，模式输出的结果即为预测结果。2.2.4反距离加权插值法在对预测结果的空间分析中，空间插值的方法都在用的是反距离加权插值法，距离加权插值法（Inverse Distance to a Power）也可以称为距离倒数乘方法。距离倒数乘方格
39、网化方法是一个加权平均插值法，可以进行确切的或者圆滑的方式插值。方次参数控制着权系数如何随着离开一个格网结点距离的增加而下降。对于一个较大的方次，较近的数据点被给定一个较高的权重份额，对于一个较小的方次，权重比较均匀地分配给各数据点。 计算一个格网结点时给予一个特定数据点的权值与指定方次的从结点到观测点的该结点被赋予距离倒数成比例。当计算一个格网结点时，配给的权重是一个分数，所有权重的总和等于1.0。当一个观测点与一个格网结点重合时，该观测点被给予一个实际为 1.0 的权重，所有其它观测点被给予一个几乎为 0.0 的权重。换言之，该结点被赋给与观测点一致的值。这就是一个准确插值。 距离倒数法的
40、特征之一是要在格网区域内产生围绕观测点位置的牛眼。用距离倒数格网化时可以指定一个圆滑参数。大于零的圆滑参数保证，对于一个特定的结点，没有哪个观测点被赋予全部的权值，即使观测点与该结点重合也是如此。圆滑参数通过修匀已被插值的格网来降低牛眼影响。第三章 气温预测本章利用NCEP大尺度气温数、四川地区18个气象台站的气温观测数据和IPCC气温数据对四川未来85年（2015-2099）的气温变化进行预测分析。3.1多年平均气温预测运用NCEP和气象台站1979-2002年的多年平均气温数据建立预测模式，并利用2003-2010年响应的数据对预测模式进行检验，最后将IPCC多年平均气温数据输入预测模式进
41、行气温预测，并对预测结果进行分析。3.1.1建模过程首先将四川地区18个台站的多年平均气温（1979-2002）和其对应的NCEP大尺度数据在相同时间段的多年平均气温进行比较，数据比较见表3.1，散点图比较结果见图3.1，其相关系数（R2）为0.721。利用18个台站对应的NCEP大尺度多年平均气温（T）与其相对应的纬度（X），经度（Y）和海拔高度（H）建立回归方程，得到多年平均气温（T）其相对应的纬度（X）和经度（Y）呈显著相关，其回归方程为： T=-2.20018X+2.558293Y-192.044 （3-1）利用方程（3-1）对NCEP大尺度多年平均气温数据进行校正。将校正后的数据与观
42、测数据进行比较，数值比较见表3.1，散点图比较见图3.2，其先关系数为0.815。根据上文方法中的介绍，加入误差进行分析以提高观测数据与NCEP大尺度数据的相关性。所以利用观测多年平均气温值与NCEP大尺度多年平均气温值的差值与相对应的纬度（X），经度（Y）和海拔高度（H）建立回归方程，其回归方程为： =1.231017X-2.1165Y-0.0045H+245.8778 （3-2）最后得到多年平均气温最终的回归方程为： Tadj=T+ （3-3）即：Tadj=-0.969167X-0.053362Y-0.00445H+53.83392 （3-4）利用方程（3- 4）对NCEP大尺度多年平均气
43、温数据进行最后的校正，然后校正后的数据与观测进行比较，数值比较见表3.1，散点图比较见图3.3，其相关系数为0.959，相关性良好，所以图3中的线性关系式可以作为多年平均气温的预测模式。表3.1：NCEP 多年平均气温校正数据比对表（单位）台站名台站数值NCEP数值误差一次校正二次校正巴中16.8110.136.6810.9816.02成都16.279.326.957.1616.57道孚8.02-2.2810.29-0.785.63甘孜5.73-2.288.00-5.232.99会理15.0912.582.5111.2214.85九龙8.995.153.843.317.03理塘3.351.45
44、1.90-1.811.84马尔康8.601.896.71-0.135.96绵阳16.216.619.606.2515.85南充17.2613.553.7012.2517.32诺尔盖1.18-0.421.60-3.040.85色达0.39-4.514.90-6.04-0.11松潘6.034.042.001.074.34万源14.7212.981.7413.8114.02西昌17.018.818.208.7214.61小金11.991.8910.101.267.80雅安16.175.1511.026.3616.87宜宾17.8613.724.1412.2819.15注：误差为观测数值与NCEP数值
45、应的差值；“一次校正”和“二次校正”分别为NCEP数值应用于方程（3-1）和方程（3-4）得到的结果。图3.1：校正前多年平均气温观测值与NCEP大尺度值散点图 图3.2：第一次校正后多年平均气温观测值与NCEP大尺度值散点图图3.3：第二次校正后多年平均气温观测值与NCEP大尺度值散点图3.1.2模式检验有第二次校正好的散点图比较中得到的多年平均气温预测模式为：T预测 = 0.886T大尺度 + 2.257 (3-5)模式检验过程中，模式输入为T大尺度：NCEP大尺度气温数据；输出的为T预测：台站预测气温数据。将2003-2010年四川地区18个台站对应的NCEP多年平均气温数据输入模式，得到18个台站相应的预测数据，最后将台站的预测数据和实际观测数据进行比较，来确定预测模式是否可行。模式检验结果如下：（见表3.2和图3.4）表3.2 多年平均气温预测结果检验表（单位）台站名NCEP大尺度值台站观测值台站预测值巴中10.5016.9311.56成都9.3816.5910.57道孚-3.138.44-0.52甘孜-3.136.