气象资料的分析与预测问题建模

合集下载

数学建模在气象学中的应用

数学建模在气象学中的应用

数学建模在气象学中的应用气象学作为研究大气现象和天气变化的学科,对天气和气候的预测具有重要的意义。

为了更准确地预测天气情况,气象学家们借助数学建模方法,利用大量的气象数据进行分析和计算,以得出准确的预测结果。

本文将介绍数学建模在气象学中的应用,以及它对天气预测的重要性。

一、天气预测模型天气预测模型是气象学中最常见的数学建模应用之一。

通过采集、整理和分析各地的气象数据,气象学家可以建立不同的数学模型来预测天气变化。

根据不同的预测时间范围,分为短期天气预报和长期气候预测两类。

短期天气预报主要通过数学模型和计算机算法对当前天气的观测数据进行分析,并运用物理学原理和气象学的规律进行推导和预测。

常用的数学模型包括大气动力学模型、热力学模型和湍流模型等。

这些模型可以模拟大气中的运动、湍流和能量传递等过程,从而提供准确的天气预报结果。

长期气候预测则需要考虑更多的气象要素和时间变化。

气象学家通过分析历史气候数据和大气环流规律,建立起复杂的数学模型来预测未来一段时间内的气候趋势。

这些模型需要考虑的因素包括海洋温度、大气压强、气温等多个要素,因此相对于短期天气预报更加复杂和精细。

二、气象灾害预警模型除了天气预测模型,数学建模在气象学中还广泛应用于气象灾害预警领域。

气象灾害包括台风、暴雨、龙卷风等,给社会带来巨大的危害。

为了及时预警和减少灾害损失,气象学家们设计了各种数学模型,通过对气象数据的处理和分析,提前发现灾害的迹象,并发出预警信号。

例如,在台风预警模型中,气象学家们通过分析历史台风的路径和气象要素,建立起了台风生成、发展和消散的数学模型。

这些模型可以基于气象数据和物理规律,对未来的台风路径和影响范围进行模拟和预测,从而提供给公众及时的预警信息。

三、气候变化模型随着全球气候变化的日益严重,数学建模在气候学中的应用也变得越来越重要。

通过建立气候变化模型,气象学家们可以更好地理解和预测地球气候系统的变化趋势。

气候变化模型主要基于大规模气象和海洋观测数据,并结合地球物理学、生态学等相关学科的知识,通过数学建模和计算机仿真,模拟地球气候系统的运行和变化过程。

气象预测模型的建立与性能分析方法

气象预测模型的建立与性能分析方法

气象预测模型的建立与性能分析方法随着气候变化对人类活动的越来越明显的影响,气象预测成为了人们日常生活中不可忽视的一部分。

气象预测模型的建立与性能分析方法的发展,对于准确预测未来天气具有重要意义。

本文将探讨气象预测模型的建立方法以及性能分析方法,并介绍其中的一些关键技术。

气象预测模型的建立是实现准确预测的基础。

传统气象预测模型主要基于物理方程和观测数据来建立。

物理方程模型利用数学方程描述气象系统的运动和变化规律,可以提供一定程度上的预测结果。

而观测数据模型则通过大量的实测数据来进行统计分析和建模,实现对未来天气的预测。

物理方程模型在气象预测中发挥着重要作用。

它基于流体力学和热力学的基本原理,利用牛顿定律、热力学第一定律和质量守恒定律等基本方程来描述大气环流、温度、湿度等物理参数的变化。

这些方程需要通过离散化处理,转化为数值算法进行求解。

常用的方法包括有限差分法、有限元法和谱方法等。

这些方法都是空间离散的,将大气空间划分为网格或元素,通过迭代求解得到未来时间步的预测结果。

而时间离散方面常应用的方法有欧拉法和龙格库塔法等。

通过组合这些离散化方法,可以建立起描述大气物理过程的模型,实现气象预测。

观测数据模型是气象预测中另一个重要的建模方法。

它基于大量的实测数据,通过统计分析和建模来获得未来天气的趋势和规律。

观测数据模型的建立主要包括预处理、特征提取和建模三个步骤。

预处理阶段将原始观测数据进行清洗和校正,排除掉异常值和错误数据。

特征提取阶段通过对观测数据进行分析,提取出可表示天气特征的变量。

常用的特征包括温度、湿度、风速等。

建模阶段通过回归分析、时间序列分析等方法,利用历史观测数据来拟合模型,预测未来天气的变化趋势。

在气象预测模型的性能分析方面,评价指标的选择很关键。

常用的评价指标包括均方根误差(RMSE)、平均绝对误差(MAE)、相关系数等。

均方根误差是衡量预测值与观测值之间差异的一种指标,平均绝对误差用于评估预测值与观测值之间的平均误差,而相关系数则反映了预测值与观测值之间的相关程度。

最新数学建模气象分析

最新数学建模气象分析

气象资料的分析与预测问题摘要近年来由于极端天气的发生频率,致灾性日趋严重等新特点的出现,对气候发展趋势进行评价预测越显重要。

由于极端天气导致的灾害已经成为影响和制约社会和经济发展的重要因素。

如何对导致极端天气的主要因子进行识别分析,对极端气候采取相应的有效措施,可以对人类生活与生产避免风险或减少其造成的危害,同时这对社会经济的稳定、可持续发展战略的实施具有重要的意义。

首先,本文主要运用主成分分析对该城市的气象资料数据进行了分析。

通过Bartlett进行数据检验表明:Bartlett=13073.336,P<0.0001<0.05,这表明该数据不是一个单位矩阵,可以进行因子分析。

KMO=0,879说明因子分析的准确度很高。

通过SPSS软件计算可得到三个因子:Fact_1气温与气压:气压平均气温平均气温最高气温最低地面平均温度 Fact_2地面含水量:湿度平均蒸发风平均风最大 Fact_3降水:降水日照时数云总量低云量 ,得出旋转成分矩阵,从而清楚地知道各因素对该城市气候的影响率,进而得到方差贡献率矩阵,三个因子的累计贡献率为82.814%,说明能够对对该城市两年来的总体气候环境进行整体评价。

其次,我们利用GM(1,1)模型来对该城市的气候指数进行分析,并进行了中长期的预测,运用Matlab 软件计算出预测所用的模型,对发展系数-a进行评判,并进行GM(1,1)残差处理,对结果进行了优化,提高数据精度与预测的准确度。

再次,对于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的问题需要建立多元线性回归模型,把影响该城市气候的因素运用SPSS软件进行多元线性回归分析,得出多元线性回归方程,并对该城市的温度和湿度进行来了验证,结果显示较为准确。

最后,运用上述模型可以进行较为精准的评价、预测和监控预报,并预测城市在中长期内并无极端天气。

本文对人们掌握该城市的气候产生积极的影响,同时也为该城市的规划以及经济的发展提供了有关气候的参考依据。

基于深度学习的气象数据分析预测模型研究

基于深度学习的气象数据分析预测模型研究

基于深度学习的气象数据分析预测模型研究一、背景介绍气象数据分析预测模型是一种重要的天气预测技术,它通过收集大量气象数据,分析气象变化规律,实现短、中、长期天气预测,广泛应用于气象、农业、交通、水利等领域。

深度学习技术是近年来兴起的一种机器学习技术,它以模拟人脑神经网络为基础,具有快速训练、高准确率、适应性强等优点。

本文旨在研究基于深度学习的气象数据分析预测模型,提高天气预测精度和效率。

二、深度学习技术在气象数据分析预测模型中的应用深度学习技术包括卷积神经网络(CNN)、循环神经网络(RNN)和长短时记忆网络(LSTM)等。

这些神经网络模型都能够处理时序数据,适用于气象数据分析预测模型中。

目前,大多数气象数据分析预测模型采用传统的统计学方法,如自回归模型(AR)、自回归移动平均模型(ARIMA)和指数平滑模型(ES)等。

这些模型存在参数选择困难,精度低等缺点。

相对而言,深度学习技术具有更好的适应性和学习能力,可以更好的应对气象数据复杂性和时序性。

三、基于深度学习的气象数据分析预测模型设计本研究采用基于LSTM的气象数据分析预测模型。

LSTM是一种特殊的RNN,它可以更好地处理时序数据中的长期依赖关系。

该模型的基本思路是,将气象数据的时间序列作为模型输入,通过LSTM神经元进行处理,生成模型输出,即预测数据。

具体地,模型输入包括温度、湿度、风速、气压等各种气象因素,经过时间序列处理后,输出下一时刻的气象预测值。

模型的训练通过反向传播算法进行,优化模型参数,达到更好的预测效果。

四、模型实验与分析为了评估基于LSTM的气象数据分析预测模型的预测效果,本研究选取了中国北京地区2010-2019年的气象数据进行实验。

首先,对原始数据进行数据清洗和归一化处理。

然后,将数据集分为训练集和测试集,采用平均绝对误差(MAE)、均方根误差(RMSE)和皮尔逊相关系数(R)等指标进行模型评估。

实验结果表明,与传统的ARIMA模型相比,基于LSTM的气象数据分析预测模型在预测精度和效率方面都有明显提高。

气象预测模型建立与应用教程

气象预测模型建立与应用教程

气象预测模型建立与应用教程气象预测是指通过收集、分析气象数据,利用数学和物理模型来预测未来的天气变化情况。

在现代科技的支持下,气象预测模型的建立和应用变得更加精准和高效。

本篇文章将介绍气象预测模型的建立与应用教程,帮助读者更好地了解和使用气象预测模型。

一、气象预测模型建立1. 收集气象数据气象预测模型的建立首先需要收集大量的气象数据,包括温度、湿度、气压、风速等等。

这些数据可以通过气象观测站、卫星遥感等手段获取。

建立一个全面而准确的数据集对于模型的训练和预测结果的准确性至关重要。

2. 数据预处理在收集到气象数据后,我们需要对其进行预处理。

预处理的目的是去除噪声和异常值,平滑数据,并将其转换为模型可接受的形式。

常用的预处理方法包括平滑滤波、缺失值处理、标准化等。

3. 特征提取与选择在预处理后,我们需要从数据中提取出能够反映气象变化规律的特征。

特征可以是单个气象参数,也可以是多个气象参数的组合。

同时,根据特征的相关性和对模型预测的影响,我们还需要对特征进行选择,排除冗余的特征,以减少模型的复杂度和提高预测准确性。

4. 模型选择与训练目前常用的气象预测模型包括物理模型和统计模型两种。

物理模型基于气象学原理和数学物理方程,通过求解模型方程组得到预测结果。

而统计模型则是根据历史气象数据的统计规律建立的回归模型或时间序列模型。

根据不同的需求和应用场景,我们可以选择合适的模型进行训练。

模型训练需要将数据集划分为训练集和验证集,用训练集来拟合模型的参数,并通过验证集来评估模型的性能。

常用的训练算法包括线性回归、支持向量机、神经网络等。

通过不断优化模型的参数和结构,我们可以得到更准确和稳定的气象预测模型。

二、气象预测模型应用1. 短期气象预测短期气象预测主要是对未来几小时到几天的天气进行预测。

这种预测需要考虑到短期的天气系统变化和局地现象,如冷暖锋的移动、降水的分布等。

常用的短期气象预测模型包括数值天气预报模型、统计回归模型等。

台风预测中的气象数据分析与建模

台风预测中的气象数据分析与建模

台风预测中的气象数据分析与建模随着科技的不断发展,气象预测技术也在不断地进步,成为保障人们生命安全、确保国家发展稳定的重要领域之一。

台风是一种具有极强杀伤力的天气现象,其造成的风暴潮、强风、暴雨等天气灾害往往对人类的生产、生活和社会安全造成巨大的破坏。

因此,对于台风的预测与预警非常重要。

其中,气象数据分析和建模技术是实现精准台风预测的关键。

1. 台风预测概述台风是一种热带气旋,其发生范围通常位于热带和亚热带海域。

其由海洋上升气流引起低气压区形成,随着海洋热量的不断获得和被释放,台风的能量也在呈现波动上升的趋势。

当台风以较高速度旋转并移动时,往往会在靠近海岸、岛屿等地区造成高风速、暴雨等极端天气现象,给人们的生产和生活造成很大的影响。

从气象角度来看,台风的预测主要包括台风路径预测和强度预测。

其中,台风路径预测是指预测台风将从哪里进入、经过和离开,通常是预测台风眼的位置以及其路径走向;强度预测则是指预测台风的风速、风向、气压等强度参数,通常是预测台风的强度等级。

这两个预测对于人们采取适当的防御和应对措施至关重要。

2. 气象数据分析和建模气象数据分析和建模技术是实现台风预测的关键。

气象数据分析是指对气象数据进行统计和分析,找出其中与台风有关的特征和规律;而气象建模则是在气象数据基础上,利用物理学和数学模型进行台风预测。

常用的气象数据包括气象站实时数据、卫星云图数据、雷达回波数据等。

这些数据主要分为两类:一类是实时获取的观测数据,另一类是已经获取的历史数据(包括已有的预测数据)。

这些数据对于台风预测具有重要意义。

2.1 气象数据分析一般而言,气象数据分析有以下几个步骤:(1)数据采集:采集各种气象数据,包括温度、风速、气压、湿度、涡度、切变等数据。

(2)数据预处理:对采集到的数据进行初步处理,如去除重复数据、筛选无效数据、异常值处理等。

(3)数据统计描述:对数据进行基本的统计描述,如数据集中趋势、波动性等等。

气象资料的分析与预测问题建模

气象资料的分析与预测问题建模

气象资料的分析与预测问题建模一、引言气象资料的分析与预测问题建模是指利用气象数据进行分析和预测,以提供准确的天气预报和气候变化预测。

本文将详细介绍气象资料的分析与预测问题建模的标准格式,包括背景介绍、数据收集与处理、问题建模、模型评估与优化等方面。

二、背景介绍气象是研究大气现象和天气变化规律的科学,对人类的生产生活具有重要影响。

气象资料的分析与预测问题建模是为了更好地理解和预测天气变化,以便提供准确的天气预报和气候变化预测。

通过建立合适的模型,可以对气象数据进行分析和预测,帮助人们做出科学决策。

三、数据收集与处理1. 数据收集气象数据的收集包括观测站点的布设、气象仪器的使用和数据记录等。

观测站点的选择应考虑地理位置、气候条件和数据需求等因素。

气象仪器的使用应确保数据的准确性和可靠性。

数据记录应按照统一的格式和时间间隔进行,以便后续的分析和预测。

2. 数据处理气象数据处理是指对原始数据进行清洗、校正和整理等操作,以提高数据的质量和可用性。

清洗过程包括去除异常值、修复缺失值和纠正错误等。

校正过程包括对数据进行校正和校验,以确保数据的准确性和一致性。

整理过程包括对数据进行整理和转换,以便后续的分析和预测。

四、问题建模问题建模是指根据实际需求,将气象数据转化为数学模型,以便进行分析和预测。

问题建模的关键是选择合适的模型和算法,并根据实际数据进行参数估计和模型验证。

常用的问题建模方法包括统计分析、机器学习和人工智能等。

1. 统计分析统计分析是指利用统计学方法对气象数据进行分析和预测。

常用的统计分析方法包括回归分析、时间序列分析和空间插值等。

回归分析可以用来建立气象因素之间的关系模型,以预测未来的天气变化。

时间序列分析可以用来分析气象数据的周期性和趋势性,以预测未来的气候变化。

空间插值可以用来推断未观测地点的气象数据,以补充观测站点的不足。

2. 机器学习机器学习是指利用计算机算法对气象数据进行分析和预测。

常用的机器学习方法包括神经网络、支持向量机和决策树等。

气象要素预测模型的构建及其应用研究

气象要素预测模型的构建及其应用研究

气象要素预测模型的构建及其应用研究气象预测一直是人类关注的焦点之一。

不论是农业、交通,还是能源等领域,都需要依赖气象预测来进行决策。

而气象预测的准确性与精度,很大程度上取决于气象要素预测模型的质量。

1. 模型构建的思路与方法气象要素预测模型的构建需要依赖于大量的气象数据以及有效的数据处理和分析手段。

对于气象要素预测的分析,常见的方法是建立时间序列模型、回归模型、机器学习模型等。

时间序列模型是基于时间序列数据进行建模和分析,能够预测未来气象要素的变化趋势和规律。

这类模型的建立需要考虑数据的平稳性、季节性、趋势性等特征,并采用时序模型(ARIMA、SARIMA、ARMA等)进行拟合和预测。

时间序列模型可以用于气温、降水量等变量的预测分析。

回归模型则是建立在气象要素预测因素与预测变量间的相关性基础上,能够预测多因素之间的复杂关系。

这种模型可以用来预测风速、太阳辐射等变量,常用的回归模型有线性回归、多元回归、逆距离加权回归等。

机器学习模型是通过对历史数据进行训练,利用特定算法实现自动优化模型参数,并能够预测未来的气象要素变化。

这种模型适用于气象数据量大、输入变量复杂的情况,目前深度学习模型在该领域取得了广泛应用。

可以训练深度学习模型来预测大气稳定度、风向等气象要素。

2. 模型优化的技术手段气象要素预测模型的优化是模型构建过程中的重要环节,需要通过准确的数据预处理、特征分析、模型训练等步骤进行优化。

在模型优化中,常用的手段有数据挖掘技术、参数优化方法、小波分析等。

数据挖掘技术主要用于在气象数据中挖掘隐藏的知识和规律,如K-Means聚类、关联规则挖掘等。

这些技术可以帮助快速分析和发现大量气象数据中的特征和规律,是优化模型构建的重要工具之一。

参数优化方法主要关注的是优化模型的参数设置,使得模型能够最准确地拟合气象要素的变化趋势。

机器学习模型较为复杂,可以采用遗传算法、粒子群优化、灰色关联法等方法来进行模型优化。

  1. 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. 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. 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)。

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)∑==ni ii 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1022-0.719.8-164.9442.83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1023.8-1.519.5-15.62.8492.6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 , 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 ni iii Q II Q (i=1,2,3…n) (3) 若S 为05.00<≤i Q 的个数, 且n S <≤0, t 为15.0≤<i Q 的个数, s n t -≤≤0,分指数权重赋值公式:0.05, 05.00<≤i Q5.005.0),5.005.01(1≤≤--∑--=i ts n i iiQ t s QQ (4)15.0,5.0≤<i Q则11=∑=ni i P 且∑==ni ii 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15.0≤<i Q 时,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表3—6 该市第二年月平均气温与标准气温对比折线图表3—7 该市第二年月平均湿度与标准湿度对比折线图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 1.12142月份 1.1676 1.0791 1.1888 1.19013月份 1.0209 1.07314月份 1.058 1.1495月份0.984 1.01736月份0.9692 1.03517月份0.9305 0.9973 0.971 1.01618月份0.9883 0.99599月份0.9416 0.983910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。

相关文档
最新文档