气候统计第五章摘要.pptVIP

气候变化趋势分析 概述 随时间变化的一列气候数据构成了一个气候时间序列。 天气过程长期演变趋势是气候变化或变迁研究的重要内容。 趋势是指气候要素大体的变化情况，即描述很长时间尺度的演变过程。 研究的变量通常是离散观测或模拟得到的站点或格点随机序列，如月平均温度、年降水总量等等。 气候时间序列的一般特征 数据的取值随时间变化； 每一时刻取值具有随机性； 前后时刻数据之间具有相关性和持续性。 序列整体上有上升或下降趋势，并呈现周期性振荡； 在某一个时刻数据取值可能出现转折或突变。 气候时间序列构成分量 任何一个气候时间序列都可以由下式表述： 为气候趋势分量，尽管气候时间序列一般呈现随机起伏的形态，但在一段较长的时间内，如几十年的时间尺度，时间序列仍然呈现出逐渐上升或下降的趋势，它是一种相对序列长度的气候波动； 线性趋势 气候时间序列构成分量 任何一个气候时间序列都可以由下式表述： 为气候序列存在的一种固有周期性变化，如年变化、月变化等； 为循环变化分量，准周期性，代表气候序列周期长度不严格的隐含周期性波动，如几年、十几年或几十年长度的波动； 准周期性 气候时间序列构成分量 任何一个气候时间序列都可以由下式表述： 为平稳时间序列分量； 为随机扰动分量，即白噪声； 平稳时间序列 将某种随机变量按出现时间的顺序排列起来称为时间序列.平稳时间序列是指其中随机变量的时间序列,它的前期演变过程的统计相关规律在未来的一段时间内是不变的,也就是说它的数学期望值与方差是不变的,它的相关函数只与时间间隔有关而与时间无关。 平稳时间序列图 非平稳时间序列图 白噪声和红噪声 白噪声过程表示不含有任何规律性波动的纯随机过程。我们知道，白光是由各种波长颜色的光所共同组成的，白噪声就是有强度相同的各种频率振荡共同组成的随机序列。 红噪声过程是另一种随机过程，泛指一种含极长波长的红外光所组成。随频率增加噪声能量单调递减。 标准正态白噪声序列时序图 线性倾向趋势估计 表示样本量为n的某一气候变量， 表示 气候变量所对应的时间，建立一元线性回归方程： 该一元线性回归方程的预报因子为时间t，因此，它反映了气候变量随时间的变化情况。 a和b为回归系数，可由最小二乘法估计。 线性倾向趋势估计——说明 预报因子t对应的时间序列： 可以是年份； 可以是序号； 或其它时间单位值。 结果分析——回归系数b 回归系数b——倾向值 回归系数b的符号表示气候变量x的趋势倾向； b0，变量x随时间t的增加呈上升趋势； b0，变量x随时间t的增加呈下降趋势； b值的大小反映了上升或下降的速率，即表示上升或下降的倾向程度。 结果分析——相关系数r 相关系数r表示变量x与时间t之间线性相关的密切程度。 r=0，b=0，变量x的变化与时间t无关； r0，b0，变量x随时间t呈上升趋势； r0，b0，变量x随时间t呈下降趋势； |r|越接近于0，变量x与时间t之间的线性相关就越小； |r|越大，变量x与时间t之间的线性相关就越大； 结果分析——检验 可通过对相关系数进行检验来判断变化趋势是否显著： 给定显著性水平， ，若 ，表明变量x随时间t的变化趋势是显著的，否则则不显著； 也可对回归方程进行显著性检验： 遵从分子自由度为1和分母n-2的F分布 结果分析——例子 滑动平均——概述 气候要素的时间序列中包含多种时间尺度变化，对于趋势分析而言，我们希望保留长期变化过程，而去除掉其它成分； 滑动平均是趋势拟合技术最基础的方法，相当于低通滤波； 即把序列高频分量滤去，而突出长期或气候变化趋势； 用确定时间序列的平滑值来显示变化趋势。 滑动平均——公式 原始数据序列： 滑动后序列为： 2L+1为滑动区间/滑动长度，这样处理则使滑动后时间序列起始点可落在原时间序列对应的坐标点上 滑动平均——权重 上式中 为权重系数，且为对称的，即： ； 权重可以相等也可以不等，但必须满足所有权重之和等于1； 对于等权重而言，如为3年的滑动平均，则L=1，每个权重为1/3； 通常为了能更好的体现平滑效果，多采用非等权重平滑，如对于3点的1-2-1加权平滑。 3点滑动平均与3点加权滑动平均（1-2-1） 3点滑动平均与3点加权滑动平均（1-2-1） 3点加权平均使得中心点附近的权重更高； 3点加权平均的平滑结果比简单的3点平滑结果更加光滑； 通常权重系数越多，则得到的结果越光滑。 3点滑动平均与3点加权滑动平均（1-2-1） 响应函数 首先将滤波前和滤波后数据分别进行Fourier展开，即数据分别由不同频率的谐波组成。 对于给定的频率f，比