基于全国主要城市平均气温的统计分析
地理大数据天气实验报告(3篇)
第1篇一、实验背景随着信息技术的飞速发展，地理大数据在各个领域得到了广泛应用。
地理大数据结合气象数据，可以为我们提供更精准、更全面的天气预测和气候分析。
本实验旨在利用地理大数据技术，对某地区天气进行实验研究，以期为我国气象事业提供有力支持。
二、实验目的1. 了解地理大数据在天气研究中的应用；2. 掌握地理大数据处理和分析方法；3. 分析某地区天气变化规律，为天气预报提供参考；4. 探索地理大数据在天气研究中的潜力。
三、实验内容1. 数据采集本实验所采用的数据主要包括以下几类：（1）地理数据：包括行政区划、地形地貌、水文地质等；（2）气象数据：包括气温、降水、风速、湿度等；（3）遥感数据：包括卫星遥感、航空遥感等。
2. 数据预处理（1）地理数据：对行政区划、地形地貌等数据进行清洗、归一化处理，确保数据质量；（2）气象数据：对气温、降水、风速、湿度等数据进行标准化处理，消除数据之间的尺度差异；（3）遥感数据：对遥感图像进行预处理，包括辐射校正、几何校正、波段组合等。
3. 数据融合将地理数据、气象数据和遥感数据进行融合，形成多源数据集。
融合方法主要包括：（1）空间插值：利用地理数据和遥感数据，对气象数据进行空间插值，提高数据精度；（2）时间序列分析：对气象数据进行时间序列分析，提取天气变化规律；（3）空间统计分析：利用地理数据，分析气象数据的空间分布特征。
4. 实验分析（1）气温分析：分析某地区气温的年际、季节和月际变化规律；（2）降水分析：分析某地区降水的年际、季节和月际变化规律；（3）风速分析：分析某地区风速的年际、季节和月际变化规律；（4）湿度分析：分析某地区湿度的年际、季节和月际变化规律。
四、实验结果1. 气温分析：某地区气温呈现逐年上升的趋势，夏季气温最高，冬季气温最低。
2. 降水分析：某地区降水主要集中在夏季，冬季降水较少。
年降水量呈现波动性变化。
3. 风速分析：某地区风速在春季和秋季较高，夏季和冬季较低。
北京市月平均气温分析以及未来温度预测
北京市月平均气温分析以及未来温度预测北京交通大学李荣荣、莫海燕、田龙摘要：本世纪以来所进行的一些科学观测表明，大气中各种温室气体的浓度都在增加。
温室气体吸收长波辐射并再反射回地球，从而减少向外层空间的能量净排放，大气层和地球表面将变得热起来，这就是“温室效应”。
在过去一个世纪里，全球表面平均温度已经上升了0．3℃到0．6℃，全球海平面上升了10到25厘米。
气候变暖是全世界都关注的问题。
我们以统计的方法分析北京近40几年来月平均气温的数据，对1951.1-2009.12建立时间序列模型，并结合数据的季节性、趋势性等特点，通过建立乘积性季节模型，对北京市进几十年的温度变化趋势作出统计性的解释，并对北京未来的气温作出预测，与余留12个月的月平均气温相比，进行误差分析。
关键词：时间序列；乘积型季节性模型；趋势分析；气温预测The Analysis of Monthly Mean Temperature and Forecast of theFuture Temperature of BeijingAbstract: In this century a number of scientific observations have shown that atmospheric concentrations of greenhouse gases are increasing. Greenhouse gases absorb long wave radiation, and then reflected back to Earth, thereby reducing net emissions of energy to outer space, the atmosphere and the Earth's surface will become hotter, and this is the "greenhouse effect." In the past century, global average surface temperature has increased by 0.3 ℃to 0.6 ℃, the global sea level has risen 10-25 cm. Climate warming is concerned by the world. It is analysis of two scores of years of monthly mean temperature data of Beijing by statistical method. Accordingto 1951.1-2009.12, build time series models, combined with seasonal data, trends and other characteristics, and creating Seasonal model of product type of a few decades of temperature of Beijing ,get the interpretation of statistical trends, and prediction of future temperature trends in Beijing , with the remaining 12 months compared to the average monthly temperature, finally make error analysis.Key words: Time Series，Seasonal model of product type，Analysis of trend，Temperature Forecast目录目录 (2)一、问题描述 (3)二、数据来源以及解释 (3)2.1 数据来源 (3)2.2 数据说明 (3)三、数据分析与模型建立 (3)3.1 数据初处理 (3)3.2 数据的季节性以及趋势性 (4)1.季节性 (4)2.趋势性 (4)3.3 平稳化及其检验 (5)3.3.1 平稳化检验方法 (5)3.3.2 自相关图检验 (6)3.4 时间序列模型 (9)3.4.1 季节调整的概念和作用 (9)3.4.2 季节调整的模型和方法 (10)3.4.3 模型的数学理论 (10)3.4.4 季节性模型 (13)3.5 乘积模型 (13)3.5.1 乘积模型构造原理 (13)3.5.2 乘积模型的定阶和模型拟合 (15)3.5.3 模型预测 (17)3.5.4 误差分析 (18)3.5.5 预测模型的评价 (18)四、模型讨论 (19)五、参考文献 (19)六、附件 (19)一、问题描述“全球气候变暖”一直是一个科学界主要课题，然而对于局部环境而言，极端气候的一再出现，很多人去气候变暖提出诸多质疑，以北京为例，2009年得北京就经历的罕见的寒冬，11月份大学飞扬，究竟气候是否在变暖？我们以统计的方法分析北京近40几年来月平均气温的数据，对北京市进几十年的温度变化趋势作出统计性的解释，并对北京未来的气温作出预测。
关于山东省主要城市的气候状况的分析
图三
图四为山东省各主要城市在2008年的年平均降水量。从图中，我们可以发现烟台、日照、临沂的年降水量最高，济宁、枣庄、青岛、威海的降水量次之，菏泽、聊城、德州、泰安、济南、莱芜、淄博、潍坊等大部分内陆地区的降水量相对较少，滨州、东营最少。可见大部分的降水都降落在鲁东南地区，而鲁西北地区的降水则相对贫乏。
图二
之后添加注记，并设置注记的位置，字体和大小。添加注记的时候，点击Theme-Auto Label即可，若添加的注记不合适，可以点击Window-Show Symbol Window，在弹出的对话框中修改即可。
设置完注记之后，开始对山东各地市的气候各种状况进行分析。
首先，在上述矢量化好的山东政区图的图例编辑器中，选择要分析的字段。再对各种不同区间的斑块进行颜色和数值的调整，对视图的比例尺进行调整，在这里我们统一用1：3000000。之后出图，出图步骤为：点击View-Layout，再选择出图板式，进行布局设置，设置完成后，点击File-Export，选择出图类型、名称和存储路径，点击OK即可。
图八
之后将矢量好的山东政区图转换为栅格格式，步骤为：点击Theme-Conwert to Grid。将转换为栅格的山东政区图与上述内插的结果进行叠加分析。步骤为：Analysis-Map Calculator。最后调整图例颜色，利用先前做好的模板，进行布局，出图，得到结果如图九。
从图中，我们不难发现，鲁西北地区的年蒸发量最高，然后向东南方向呈递减的趋势。与上述的年日照时数增减趋势大体相同，说明年日照时数越多的地方，日照也相对比较强烈，所以蒸发也会相对较快。但同时蒸发量也会受降水量和温度的影响，所以总体变化趋势也会与日照时数走向有差别。比如说聊城的年日照时数比较少，但是从图九中可以看到，它的各年均蒸发量还是比较高的，可能是因为聊城的年降水量比较少，气温也不算太低的原因。当然还会受其他因素的影响。总之一个地区的气候状况是各种因素综合作用的结果析
本溪市郊近60年气温变化特征和突变分析
本溪市郊近60年气温变化特征和突变分析本溪市位于辽宁省东部，是一个重要的工业城市。
在过去的60年里，本溪市的气温经历了明显的变化，并且出现了一些突变事件。
本文将对本溪市郊近60年的气温变化特征和突变进行分析。
我们来看看本溪市郊近60年的气温变化特征。
根据历年气象数据统计，本溪市郊的气温呈现出明显的季节性变化。
夏季气温较高，冬季气温较低。
年均气温在14℃左右，夏季平均气温在25℃左右，冬季平均气温在1℃左右。
从整体趋势来看，本溪市郊的气温在过去的60年里呈现出逐渐上升的趋势。
这可能与工业化进程加快、城市建设扩大等人类活动有关。
除了季节性的变化和整体上升的趋势，本溪市郊的气温还存在一些突变事件。
根据数据分析，本溪市郊在20世纪80年代后期和21世纪初期出现了两次明显的气温突变。
这两次突变事件分别发生在1988年和2001年。
1988年是本溪市郊气温自1951年以来的最高点，当年的夏季气温较往年明显升高，冬季气温较往年明显升高。
而2001年则是气温自1951年以来最低点，当年的夏季气温较往年明显降低，冬季气温较往年明显降低。
对于这两次突变事件，我们可以猜测可能有以下原因影响了本溪市郊的气温变化。
首先是城市化进程的加快，城市建设和工业化活动大量排放的废气可能对当地气温产生了明显的影响。
其次是全球气候变暖的影响，全球变暖导致的气候变化可能也间接影响了本溪市郊的气温。
大气环流和季风气候等自然因素也可能对本溪市郊气温变化产生一定的影响。
本溪市郊近60年的气温变化特征是季节性变化和整体上升的趋势。
在此基础上，还发生了两次明显的突变事件，分别是1988年和2001年。
这些变化可能由城市化进程、全球气候变暖和自然因素等多种因素共同影响所致。
了解本溪市郊气温的变化特征和突变事件，对于我们更好地认识当地气候变化、预测未来气候变化趋势具有重要意义。
1961～2004年南京市夏季气温变化特征分析
1961～2004年南京市夏季气温变化特征分析兰渝;赵现斌;安豪【摘要】[目的]分析1961 ～2004年南京市夏季平均气温、最高气温、最低气温的变化特征.[方法]利用高淳站、江宁站、江浦站、溧水站、六合站、南京站6个气象站点1961 ～2004年的日平均气温、日最高气温、日最低气温数据,采用统计分析方法,对南京夏季的平均气温、最高气温、最低气温、≥35℃高温日数和热积温的变化特征进行研究.[结果]1961 ～2004年南京夏季平均气温、最高气温、最低气温均呈现增温趋势,热积温数值虽有明显上升,但高温天数并没有显著增长;20世纪60年代是一个夏季高温期,而70、80年代夏季气温有所下降,80年代是夏季气温最低的时期,90年代和2000～2004年的平均值普遍提高,90年代以后是一个夏季变热的时期.[结论]酷暑主要分布在60年代,凉夏主要分布在70、80年代.%[Objective]To analyze the variation characteristics of the average temperature,maximum temperature and minimum temperature in Nanjing for summer during 1961-2004.[Method] The daily mean temperature,daily maximum temperature,daily minimum temperature data of six weather stations in Gaochun station,Jiangning station,Jiangpu station,Lishui station,Liuhe station and Nanjing station during 1961-2004 were used to research the variation characteristic of average temperature,maximum temperature,minimum temperature,days with temperature ≥35 ℃ and hot accumulated temperature by statistical analysis method.[Result]The average temperature,maximum temperature and minimum tempera ture of summer temperature in Nanjing during 1961-2004 showed warming trend,although the numerical hot accumulated temperature had increasedsignificantly,there was no significant increase in the number of high temperature days.The 1960s was a summer high temperature period,the summer temperature dropped in the 1970s and the 1980s,the 1980s was the lowest summer temperature period,the average temperature rose in the 1990s and 2000-2004;after the 1990s,summer temperature began hotter and hotter.[Conclusion] Hot summers were mainly distributed in the 1960s,while cool summers were mainly distributed in the 1970s and the 1980s.【期刊名称】《安徽农业科学》【年(卷),期】2016(000)002【总页数】4页(P234-237)【关键词】南京;夏季气温;高温日数;热积温;变化特征【作者】兰渝;赵现斌;安豪【作者单位】解放军理工大学气象海洋学院,江苏南京211101;解放军理工大学气象海洋学院,江苏南京211101;解放军理工大学气象海洋学院,江苏南京211101【正文语种】中文【中图分类】S161.2+2近几年来地球表面气候正经历一次显著的变化,全球气候变暖现象愈发显著，我国的气候变化趋势与全球气候变化基本一致。
1991-2013主要城市气温汇总表
指标名称年平均气温:北京年平均气温:天津年平均气温:石家庄年平均气温:太原频率年年年年单位℃℃℃℃指标ID M5452156M5452157M5452158M5452159时间区间1991:20131991:20131991:20131991:2013来源国家统计局国家统计局国家统计局国家统计局199112.5012.9013.2010.00 199213.1012.3013.609.80 199313.0012.9013.509.40 199413.7013.2014.2010.50 199513.3012.7014.2010.20 199612.7012.2013.509.80 199713.1013.1014.4010.10 199813.1013.4015.0011.50 199913.0613.0714.7111.48 200012.8312.8713.9310.72 200112.8813.0014.4010.99 200213.1013.2014.4010.90 200312.8012.7013.6010.10 200413.5113.1814.3410.88 200513.2012.9014.3010.90 200613.4013.2014.6011.80 200714.0013.6114.9111.42 200813.4013.3014.6010.90 200913.3012.9014.4011.10201012.5612.1613.9911.27 201113.4012.9014.2010.80 201212.8512.5313.9610.65 201312.8012.8013.8011.20数据来源:Wind资讯主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温年平均气温:呼和浩特年平均气温:沈阳年平均气温:长春年平均气温:哈尔滨年平均气温:上海年年年年年℃℃℃℃℃M5452160M5452161M5452162M5452163M54521641991:20131991:20131991:20131991:20131991:2013国家统计局国家统计局国家统计局国家统计局国家统计局7.207.90 6.20 4.4016.206.908.20 5.90 4.8016.106.508.00 5.80 4.4016.107.709.00 6.50 4.7017.206.808.60 6.30 4.6016.706.508.10 5.90 5.0016.207.768.80 6.70 5.7016.908.309.707.40 5.5017.808.378.92 6.03 4.8116.567.548.33 5.63 4.6117.188.238.38 6.05 4.8417.218.009.20 6.80 5.4017.507.109.007.00 5.9017.008.039.607.13 5.8417.507.708.00 5.60 4.7017.108.608.30 6.60 5.3017.908.979.037.68 6.6518.157.408.607.20 6.6017.208.007.70 6.10 5.0017.407.587.24 5.15 4.5117.20 7.907.70 5.90 5.2016.90 7.157.43 5.23 4.6216.87 7.307.90 5.60 4.3017.60主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温年平均气温:南京年平均气温:杭州年平均气温:合肥年平均气温:福州年平均气温:南昌年年年年年℃℃℃℃℃M5452165M5452166M5452167M5452168M54521691991:20131991:20131991:20131991:20131991:2013国家统计局国家统计局国家统计局国家统计局国家统计局15.2016.4015.5020.3017.7015.4016.4015.9019.5017.8015.1016.6015.5020.0017.4016.7017.6017.0020.5018.2015.8016.5016.4019.7017.8015.4016.5015.8019.9017.6016.2017.1016.7020.1017.8016.7017.9017.1021.1018.8015.6816.6816.2720.3918.1216.4317.2216.7320.4717.9016.5717.2816.8120.6318.2116.6017.4017.2020.9018.3016.0017.4016.3020.9018.5016.9417.7516.6020.7818.7816.3017.5016.2020.3018.2016.9018.2017.0020.8018.6017.3318.4417.3221.0419.1816.1017.5016.4020.4018.5016.4017.8016.7020.7018.8016.2217.3916.4320.3618.49 16.1017.2016.3020.2018.4015.9817.1116.4920.1818.0316.8018.0017.0020.4019.00主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温年平均气温:济南年平均气温:郑州年平均气温:武汉年平均气温:长沙年平均气温:广州年年年年年℃℃℃℃℃M5452170M5452171M5452172M5452173M54521741991:20131991:20131991:20131991:20131991:2013国家统计局国家统计局国家统计局国家统计局国家统计局14.6013.9016.4016.9022.8014.8014.0016.8017.2022.0014.6014.0016.2016.5022.2015.7015.1017.3017.3022.9015.2014.8017.4017.3022.3014.7014.2016.8016.8021.6015.4014.9017.5017.2022.0016.0015.5018.2018.1022.8015.0615.3717.4517.2322.4214.5314.9917.6917.1422.4514.6315.0618.0317.5722.5315.0015.4017.9017.7022.9013.8014.4017.4017.6022.9014.7815.5018.2718.2522.8314.4014.9017.8017.7022.8015.3015.8018.3018.5023.2015.0315.9418.5418.7823.2014.6015.6017.6018.3022.4014.8015.5017.9018.5023.0014.3115.5916.5818.2222.53 14.1015.1016.3017.9021.40 14.3415.4616.3717.5921.67 14.7016.1017.1019.2021.50主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温年平均气温:南宁年平均气温:海口年平均气温:重庆年平均气温:成都年平均气温:贵阳年年年年年℃℃℃℃℃M5452175M5452176M5452177M5452178M54521791991:20131991:20131992:20131991:20131991:2013国家统计局国家统计局国家统计局国家统计局国家统计局22.5024.9016.2015.3021.9018.1015.8015.2022.0024.3017.9016.1015.3021.9024.8018.7016.7015.2021.8024.3018.3016.5015.1021.7024.3017.7016.0015.0022.2024.6018.5016.8015.4023.0025.4019.2017.4017.3021.6624.5318.3616.7015.9021.4824.5218.1816.5813.8321.2824.8618.8017.3214.4521.7025.0018.7017.4014.6022.0025.2018.8017.2014.8121.4524.7318.3916.2314.6321.4025.1018.6016.2014.1022.0025.4019.2016.9014.8021.7324.1019.0216.8114.9120.8023.4018.5016.3014.1022.2024.3019.0016.8014.9021.8224.5818.6316.0414.6420.7023.3018.8015.9014.0021.4224.5818.3015.8613.65 21.6024.3019.8016.9015.10主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温主要城市平均气温年平均气温:昆明年平均气温:拉萨年平均气温:西安年平均气温:兰州年平均气温:西宁年年年年年℃℃℃℃℃M5452180M5452181M5452182M5452183M54521841991:20131991:20131991:20131991:20131991:2013国家统计局国家统计局国家统计局国家统计局国家统计局15.208.1013.7010.407.0016.1013.309.60 6.6015.1013.209.70 6.5015.708.5014.4010.607.1015.608.9014.7010.00 5.1015.608.5013.709.60 4.9015.407.5014.8010.90 5.5016.509.0015.0011.40 6.3016.329.0114.9811.08 6.0715.638.3814.4910.97 5.7516.038.7814.9511.00 6.0316.108.5015.4011.00 6.1016.408.7014.3010.80 6.0015.638.5715.3710.88 5.7516.709.3015.007.20 5.8016.409.7015.208.50 6.4015.639.7515.5611.13 6.1115.408.9014.9010.60 5.7016.6010.3015.108.00 6.2016.669.9814.557.89 6.3615.509.4014.107.70 5.7016.339.6114.177.54 5.22 16.008.9015.808.30 6.10主要城市平均气温主要城市平均气温年平均气温:银川年平均气温:乌鲁木齐年年℃℃M5452185M54521861991:20131991:2013国家统计局国家统计局9.607.708.80 6.708.40 6.109.60 6.809.007.709.60 6.7010.208.8010.507.809.487.959.627.2510.147.7010.008.009.70 6.7010.337.9810.107.5010.908.6010.388.509.908.7010.508.0010.277.39 9.907.30 9.817.39 11.208.70。
【气候】全国各地气候特点及天气变化趋势分析,助你合理安排出行!
【气候】全国各地气候特点及天气变化趋势分析，助你合理安排出行！气候是指一个地区长期以来的天气状况的统计结果，是地球大气系统对降水、温度、湿度等天气因素的长期平均情况。
它直接影响到每个人的日常生活和旅行安排。
全国各地的气候特点和天气变化趋势有很大的差异。
了解各地气候特点和天气变化趋势，能够帮助我们更好地进行出行规划，保证安全和舒适度。
1. 北京的四季分明和多风天气北京位于中国的北部地区，由于地处内陆，气候干燥，四季分明。
北京的冬季寒冷而干燥，夏季炎热而多雨。
在春季和秋季，北京的天气温和宜人。
几乎每年五月中旬，北京会迎来一场沙尘暴袭击，这是因为近郊地区的荒漠化加剧，并且经常有强风刮过北京。
在夏季，北京也经常遭遇雷暴和降雨。
雷暴天气可能会导致交通拥堵和航班延误，出行时务必注意。
2. 上海的湿润气候和季风影响上海位于中国的东南部，沿海地区。
由于受到季风的影响，上海的气候湿润，并且四季分明。
夏季炎热潮湿，冬季寒冷多雨，春季和秋季温和多雨。
由于季风的作用，上海的夏季经常出现持续高温天气和高湿度。
此时，出行需注意防暑和防潮。
另外，在秋季，上海有较长的台风季节，台风可能给上海地区带来暴雨和强风，出行时请关注天气预报。
3. 广州的湿热气候和多雨季节广州位于中国的南部地区，属于亚热带气候。
由于受到海洋的影响，广州的气候湿热，年平均温度较高，雨量充足。
夏季炎热潮湿，冬季相对温暖。
广州的气候特点是多雨，尤其是夏季。
广州的雨季通常从4月开始，持续到9月。
此时，出行需备好雨具并注意防潮。
此外，广州还会受到台风的影响，台风带来的暴雨和强风可能造成交通中断和航班取消。
4. 成都的高原气候和多风晴朗成都位于中国的西南部，是一个典型的高原城市。
成都的气候以温暖多雨为主。
春季和秋季温和多雨，夏季炎热多雨，冬季寒冷干燥。
成都的气候特点是阳光充足、四季分明。
因为位于高原，成都的紫外线较强，出行时需做好防晒措施。
此外，夏季成都也可能遭遇暴雨和雷暴天气，出行时请密切关注天气预报。
近60年深圳气候平均值变化特征分析
近60年深圳气候平均值变化特征分析王博;邬明;张丽【摘要】利用深圳国家基本气象站1953-2010年的观测资料,分析深圳气象要素平均值变化趋势和气候特点.结果表明,深圳总体呈现气温升高、降水量起伏、相对湿度下降和日照时数减少趋势.深圳的夏季延长、秋冬渐短,雷雨影响时段略有延长.另外,冬季平均气温的升高对深圳暖冬年份的判定有较为明显的影响,在气候评价等气候业务中需要注意这些差异.【期刊名称】《气象与减灾研究》【年(卷),期】2012(035)002【总页数】5页(P67-71)【关键词】气候;变化趋势;统计分析【作者】王博;邬明;张丽【作者单位】深圳市国家气候观象台,广东深圳518040;深圳市国家气候观象台,广东深圳518040;深圳市国家气候观象台,广东深圳518040【正文语种】中文【中图分类】P467自1952年7月建站至今，深圳国家基本气象站已积累了近60年地面观测资料。
随着全球气候变暖和城市化发展进程，深圳本地气候已呈现出一些变化，对这些变化进行分析有助于认识深圳气候变化的规律与特征。
按照WMO规定，每10年需更新一次气候平均值。
针对气候平均值的改变对气候业务的影响，一些学者认为，1961—1990年和1971—2000年气候平均值存在的差异，会导致中国冬季气温距平降低、南方夏季降水距平偏少等趋势，并对气候影响评价、气候预测等业务产生一定的影响［1-3］。
张恩洁等［4］利用1953—2004年主要气象要素资料对50多年的气候特点进行总体分析，提供了一个深圳气候变化及主要气象灾害特点的概况。
张小丽［5］采用1961—1990年和1971—2000年气候平均值，对比分析了深圳主要气象要素滑动的气候平均值的演变，结果表明，由于全球大气增温和深圳城市化的影响，深圳多年气候平均值出现了气温上升、雨量增加、湿度下降、日照减少等变化特点。
周彦丽等［6］、霍飞等［7］研究表明，人类活动造成的温度变化已超过自然因素造成的变化，不断增加的城市面积和人为热源共同引发了热岛效应。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于全国主要城市平均气温的统计分析摘要本文主要采用2012年全国主要城市平均气温的统计数据，首先通过相关分析对全国主要城市的平均气温进行简单的相关分析，然后在控制平均气温的基础上对个月平均气温进行偏相关分析；其次运用聚类分析对各相似省份进行聚类分析；最后运用因子分析对各城市进行因子分析，计算出每个城市的综合得分，通过综合得分计算出每个城市平均气温的排名。
关键词：相关分析；聚类分析；因子分析1、研究背景及目的全球气温变暖为世人所瞩目，近几十年来的全球气候变暖是一个国内外都非常关注的重大问题。
自从全球气温变暖的议题出现以来，关于气温的不正常变化仁者见仁，智者见智。
气温的变化对农作物，人们的生活及经济的运行都有重要的影响。
全世界的气温研究工作者都研究出了许多关于气温的结论，但都有一个共性即全球气温变暖。
然而我国跨北纬4度到北纬53度，从东经73度到东经135度，具有比较丰富的气候和比较多变的气温，因此对我国气温的研究具有很重要的意义。
在此大背景下，对我国气温的研究不仅能说明我国气温的分布和变化，同时对世界气温的研究同样具有重要作用。
本文的研究目的如下：通过对我国主要城镇平均气温的研究和分析，一方面可以得出我国各市平均气温与全国平均气温差异；另一方面也可以给我们以后的就业进行指导，在适宜的季节去适宜的城市工作。
2、研究方法气温的变化不仅能促进经济的发展，同时也能阻碍经济的发展。
据此我们通过全国各主要城市每个月份的平均气温对我国气温的分布情况进行分析。
本研究采用的数据是《中国2012年主要城市平均气温的数据指标》，数据摘自《中国统计年鉴2013》7-7.采用的分析方法主要有相关分析，聚类分析，因子分析等。
基本思路是：首先利用线图分析各个月份平均气温的分布，然后利用条形图分析全国主要城市平均气温的对比，得出平均气温最高和最低的城市；然后利用因子分析对各个月份的平均气温进行相关分析；其次利用聚类分析对各个城市在不同气温下的类别；再次利用因子分析对构成平均气温的各各月平均气温提取公因子；最后使用一些简单的SPSS数据处理技巧依据提出的公因子对各城市进行分类及排序。
3、实证分析由于从国家统计局网站下载的数据为EXCEL格式，可以将数据导入成SPSS 数据，我们共设置了14个变量，分别是“城市”、“@1月”、“@2月”、“@3月”、“@4月”、“@5月”、“@6月”、“@7月”、“@8月”、“@9月”、“@10月”、“@11月”、“@12月”和“年平均气温”。
样本是中国2012年全国重要城市平均气温的主要数据。
数据参见附表1。
3.1、画基本图形图1通过图1可以看出全国平均的月份气温最低在0度左右，最高在25度左右，说明全国平均月份气温比较温和。
图2条形图反映的是各个城市的年平均气温的情况，最高的为海口，最低的为哈尔滨，比较符合现实的气温分布。
3.2、相关分析对于相关分析主要有以下几部分；第一、对每个季度的平均气温进行简单相关分析；第二、在控制年平均气温的情况下，再分别对各季度的平均气温进行偏相关分析。
3.2.1各季度平均气温的相关分析相关性1月2月3月1月Pearson 相关性 1 .989**.981**显著性（双侧）.000 .000N 31 31 312月Pearson 相关性.989** 1 .984**显著性（双侧）.000 .000N 31 31 313月Pearson 相关性.981**.984** 1显著性（双侧）.000 .000N 31 31 31**. 在 .01 水平（双侧）上显著相关。
图3显示的是1月、2月和3月的平均气温的相关性，可以看出这三个月的相关性比较明显。
通过这三个月的相关分析我们容易得到其他三个季度的气温也具有比较强的相关性。
3.2.2各个季度平均气温的偏相关分析图4相关性控制变量1月2月3月年平均1月相关性 1.000 .913 .724显著性（双侧）. .000 .0000 28 28df2月相关性.913 1.000 .859显著性（双侧）.000 . .000df 28 0 283月相关性.724 .859 1.000显著性（双侧）.000 .000 .df 28 28 0在控制年平均气温的情况下第一季度个月平均气温的相关性有所下降，但是没有改变它们的相关性。
说明各个季度各个月份的平均气温都具有非常强的相关性。
图5图5表示的是各个月份平均气温的相关图，可以看出每个月份之间的相关性都非常好。
3.3聚类分析图8聚类成员案例号城市聚类距离1 北京 3 4.6862 天津3 4.2153 石家庄 3 6.4704 太原 3 5.9965 呼和浩特 1 4.7726 沈阳 1 5.2917 长春 1 7.2958 哈尔滨 1 10.3969 上海 2 3.93310 南京 2 4.35411 杭州 2 3.89612 合肥 2 4.86913 福州 4 8.10614 南昌 2 5.97715 济南 3 7.86016 郑州 2 8.48717 武汉 2 4.32818 长沙(望城) 2 4.95319 广州 4 1.88520 南宁 4 3.34621 海口 4 10.97322 重庆(沙坪坝) 2 7.87023 成都(温江) 2 5.00524 贵阳 2 11.22325 昆明 2 16.41926 拉萨 3 17.50427 西安(泾河) 3 7.07928 兰州(皋兰) 1 8.33829 西宁 1 13.20830 银川 3 9.75631 乌鲁木齐 1 7.466通过聚类分析，由图6到图8我们可以清晰的看出，在图6和图8中对各个城市的划分比较统一，而在图7中我们显然发现对于气温我们可以分成4类，分别是5、6、7、8、9月为第一类，4、10月为第二类，3、11月第三类，1、2、12月为第四类，很显然是根据气温的从高到低进行分类的，第一类温度最高，第二类次之，第三类温度稍低，第四类温度最低。
3.4因子分析在上面的研究中，我们分别对温度和城市进行了分类，并且对气温进行了相关分析，得出了气温的分布情况，并且研究了气温对城市的影响，但是由于各种变量的多重共线性问题，不太利于具体问题意义解释，因此我们可以利用因子分析对各个月份的平均气温变量提取公因子，对数据进行降维处理。
首先利用主菜单分析中的降维工具条进行因子分析。
在对话框中，依次将“@1月”、“@2月”、“@3月”、“@4月”、“@5月”、“@6月”、“@7月”、“@8月”、“@9月”、“@10月”、“@11月”和“@12月”添加到“变量”列表中。
接着在相应的按钮中选中输出相关系数矩阵和KMO和Bartlett的球形度检验的复选框，并且设置特征根大于1为提取公因子的要求，利用最大方差法进行因子旋转，最后保存因子得分变量，并显示因子得分系数矩阵，输出结果参见图9至图15（1）KMO 和 Bartlett 的检验，如图9所示，KMO的取值为0.811，表明变量间有较强的相关性，数据很适合做因子分析。
Bartlett检验的Sig.值为0.000，说明数据来自正态总体，适合进一步分析。
图9KMO 和 Bartlett 的检验取样足够度的 Kaiser-Meyer-Olkin 度量。
.811Bartlett 的球形度检验近似卡方1009.087 df 66 Sig. .000（2）变量共同度，指的是按照所选标准提取相应数量主成分后，各变量中信息分别被提取的比例。
如图10所示，所有变量共同度都在90%以上，所以提取这几个公因子对各变量的解释力非常好。
公因子方差初始提取1月 1.000 .9842月 1.000 .9873月 1.000 .9904月 1.000 .9525月 1.000 .8906月 1.000 .9257月 1.000 .9628月 1.000 .9249月 1.000 .95210月 1.000 .98411月 1.000 .98712月 1.000 .986提取方法：主成份分析。
（3两个特征值大于1，所以只选取了前两个公因子；“提取平方和载入”一栏显示第一公因子的方差贡献率是82.367%，前两个公因子的方差总和占所有主成分方差的96.014%，可见选取前两个因子已足够替代原来的变量。
解释的总方差成份初始特征值提取平方和载入旋转平方和载入合计方差的 % 累积 % 合计方差的 % 累积 % 合计方差的 % 累积 %1 9.884 82.367 82.367 9.884 82.367 82.367 6.458 53.813 53.8132 1.638 13.646 96.014 1.638 13.646 96.014 5.064 42.201 96.0143 .260 2.166 98.1804 .074 .618 98.7985 .065 .545 99.3436 .032 .266 99.6107 .025 .208 99.8188 .008 .070 99.8889 .007 .056 99.94410 .005 .040 99.98411 .001 .010 99.99412 .001 .006 100.000提取方法：主成份分析。
可以看到有；两个成分的特征值超过1。
图12（5）成分矩阵，如表13可见，所有的因子都聚集在第一主成分中，因此有必要进行因子旋转。
我们利用最大方差法进行因子旋转得到的旋转成分矩阵如图13所示。
图13成份矩阵a成份1 210月.992 -.0324月.975 -.00211月.958 -.2629月.951 .2161月.927 -.3525月.916 .22712月.906 -.4072月.895 -.4328月.838 .4716月.821 .5007月.750 .632提取方法 :主成份。
a. 已提取了 2 个成份。
图14旋转成份矩阵a成份1 22月.962 .24612月.955 .2733月.937 .3331月.936 .32911月.902 .41710月.779 .6154月.747 .6277月.166 .9666月.305 .9128月.337 .9009月.588 .7785月.554 .763提取方法 :主成份。
旋转法 :具有 Kaiser 标准化的正交旋转法。
a. 旋转在 3 次迭代后收敛。
这样每个因子都很明确了，第一主成分包括1、2、3、4、10、11、12月，可以命名为较冷气温；第二主成分包括5、6、7、8、9月，可以命名为叫人气温。
（6）成分得分矩阵成份得分系数矩阵成份1 21月.210 -.1043月.210 -.1034月.076 .0635月-.018 .1656月-.133 .2877月-.191 .3448月-.121 .2759月-.011 .16310月.089 .05011月.177 -.06012月.230 -.131提取方法 :主成份。