气象数据分析方法合集
气象统计分析与预报方法
气象统计分析与预报方法气象统计分析与预报方法旨在利用历史气象数据和统计学方法，对未来气象变化进行预测与分析。
这些方法可以帮助气象学家和气象预报员更好地预测天气变化，提高气象预报准确性。
以下是几种常见的气象统计分析与预报方法。
1.对比分析法：此方法通过对比历史气象数据和当前观测数据，寻找相似的天气模式，并用这些相似的模式来预测未来的天气变化。
例如，可以通过对比去年同期的气象数据和当前的观测数据，预测未来几天的天气情况。
2.趋势分析法：此方法通过分析气象变量的长期变化趋势，来预测未来的气象变化。
利用统计学方法，可以发现其中一气象变量的周期性或趋势性，并根据这些趋势进行天气预测。
例如，通过分析过去几十年的气温数据，可以预测未来一段时间内的气温变化。
3.数理统计方法：此方法利用数学和统计学的原理，对气象数据进行分析和拟合，构建数学模型来预测未来的气象变化。
这种方法常用于复杂的气候系统或大气环流预测。
例如，利用统计学方法分析历史的大气压力和风场数据，可以预测未来几天的气压和风向。
4.数值模拟方法：此方法利用计算机模型对大气运动进行模拟和预测。
通过设定初值和边界条件，模型可以预测未来一段时间内的天气变化。
数值模拟方法目前是气象预报中最常用的方法之一，也是最准确的方法之一、例如，利用大气数值模型，可以预测未来几天的降水和气温等参数。
5.集合预报方法：此方法通过同时运行多个气象模型并综合其预测结果，得到更准确的天气预报。
由于气象系统的复杂性和不确定性，单一模型往往存在一定的误差和局限性。
而集合预报方法可以减小这种误差和局限性，并提高预报的可靠性。
例如，通过同时使用多个数值模型的结果，可以得到更可靠的天气预报。
综上所述，气象统计分析与预报方法是通过对历史气象数据进行分析和预测，利用统计学和数学模型的方法来预测未来的天气变化。
这些方法可以提高气象预报的准确性和可靠性，为人们提供更好的天气预报服务。
气象数据分析方法合集
气象数据分析方法合集目录气象数据分析方法合集 (1)引言 (1)背景介绍 (1)目的和意义 (2)气象数据收集与处理方法 (3)气象数据的来源 (3)数据收集方法 (4)数据处理方法 (5)气象数据分析基础 (6)数据可视化方法 (6)数据统计分析方法 (7)数据挖掘方法 (8)气象数据分析应用案例 (9)气象数据在天气预报中的应用 (9)气象数据在气候变化研究中的应用 (10)气象数据在灾害预警中的应用 (10)气象数据分析的挑战与展望 (11)数据质量与准确性问题 (11)大数据时代的挑战 (12)未来发展方向 (13)结论 (14)总结主要观点 (14)对未来研究的建议 (15)引言背景介绍气象数据分析方法合集背景介绍气象数据分析是一门研究天气现象和气候变化的学科，通过收集、整理和分析大量的气象数据，可以帮助我们更好地理解和预测天气变化，为社会经济发展和人们的生活提供重要的参考依据。
随着科技的不断进步和数据采集技术的不断提高，气象数据的规模和复杂性也在不断增加，因此，开发和应用高效、准确的气象数据分析方法变得尤为重要。
气象数据分析方法的发展可以追溯到19世纪末，当时气象学家开始使用气象观测数据来研究天气系统的运动和演变规律。
随着计算机技术的发展，气象数据分析方法也得到了极大的改进和发展。
传统的气象数据分析方法主要依赖于统计学和数学模型，通过对气象数据的统计特征和规律进行分析，来推断天气变化的趋势和规律。
然而，由于气象数据的复杂性和不确定性，传统的统计方法在处理大规模和多元的气象数据时存在一定的局限性。
近年来，随着机器学习和人工智能的快速发展，气象数据分析方法也得到了革命性的改进。
机器学习是一种通过训练模型来自动识别和学习数据模式的方法，可以帮助我们更好地理解和预测气象现象。
通过使用机器学习算法，可以从大规模的气象数据中提取出有用的信息和规律，从而提高天气预报的准确性和可靠性。
例如，利用机器学习算法可以建立气象模型，通过对历史气象数据的学习和分析，来预测未来的天气变化。
气象学研究中的数据收集与分析方法
气象学研究中的数据收集与分析方法气象学是研究大气现象及其与地球、人类活动的相互关系的学科领域。
在气象学的研究中，数据收集与分析是非常重要的一环。
本文将探讨在气象学研究中常用的数据收集与分析方法。
一、数据收集方法1.观测站数据收集观测站是气象学研究中最基本的数据来源之一。
观测站通过气象仪器和设备记录大气参数的变化，包括温度、湿度、气压、风向、风速等。
观测站数据收集具有实时性和准确性的优势，但受到观测站分布不均匀以及设备故障等因素的限制。
2.卫星遥感数据收集卫星遥感是一种有效的数据收集方法，通过卫星传感器获取地球表面和大气的信息。
卫星遥感数据具有广覆盖、连续观测和多参数获取等特点。
利用卫星遥感数据可以获取大范围的天气和气候变化信息，为气象学研究提供了重要的数据支持。
3.气象雷达数据收集气象雷达是一种利用雷达原理探测降水和气象现象的设备。
气象雷达通过发射和接收微波信号来获取降水的位置、强度和结构等信息。
气象雷达数据在气象学研究中常用于短期天气预报、雷暴监测和降水分析等方面。
二、数据分析方法1.统计分析方法统计分析是气象学研究中常用的数据分析方法之一。
通过对气象观测数据进行统计，可以揭示气象现象的规律和特征。
常用的统计分析方法包括平均值、方差、相关分析、回归分析等。
统计分析方法可以帮助气象学家探索气象系统之间的关联和影响，为进一步研究提供基础。
2.数值模拟方法数值模拟是一种通过计算机模拟大气动力学和热力学方程，预测和模拟天气和气候变化的方法。
数值模拟方法利用数值气象模型，将气象观测数据作为初始条件，模拟大气的运动和变化过程。
数值模拟方法可以分析气象系统的演化和发展规律，对气象灾害的预测和预警具有重要意义。
3.时空插值方法在气象学研究中，观测数据往往存在空间分布不均匀的问题。
时空插值方法可以通过利用已有的观测数据，推算出缺失位置和时间点的数据。
常用的时空插值方法包括克里金插值、反距离权重插值等。
时空插值方法能够填补数据空缺，提高数据的完整性和连续性。
气象数据的采集与分析方法
气象数据的采集与分析方法气象数据的采集与分析是气象学研究中至关重要的一环。
准确的气象数据能够提供有关天气变化、气候模式、环境监测等方面的信息，为相关领域的研究和决策提供基础。
本文将介绍一些常见的气象数据采集与分析方法，帮助读者更好地理解和利用气象数据。
一、气象数据的采集方法1. 气象观测站数据采集气象观测站是常见的气象数据采集点，通常包括仪器设备、观测记录及数据传输系统等。
气象观测站可以采集温度、湿度、气压、降水量等多种气象要素数据。
观测站数据采集主要依赖于仪器仪表的准确性和稳定性，同时需要保证数据记录和传输的可靠性。
2. 卫星遥感数据采集卫星遥感技术可以实现对大范围和连续的气象数据观测。
利用卫星传感器对地表气象要素进行观测和监测，可以获取遥感图像和数据。
卫星遥感数据采集需要依赖于卫星的发射和接收设备，同时对数据的处理和解译也是必要的。
3. 气象雷达数据采集气象雷达是一种主要用于天气监测和预警的设备，可以探测降水、风暴和强风等天气现象。
雷达接收到的回波信号经过处理可以提供精细的降水分布和风场信息。
气象雷达数据采集依赖于雷达设备和数据处理系统的准确性和可靠性。
4. 自动气象站数据采集自动气象站是近年来发展的一种新型气象观测设备，可以实现对气象要素的自动化观测和数据采集。
自动气象站采用传感器和无线传输技术，可以实时采集并传输温度、湿度、风速等数据。
自动气象站数据采集对设备的准确性和数据传输的可靠性有较高要求。
二、气象数据的分析方法1. 时间序列分析时间序列分析是一种常用的气象数据分析方法。
通过对时间序列数据的统计学特征、周期性和趋势进行分析，可以了解气象要素的变化规律和趋势。
常见的时间序列分析方法包括平均值计算、趋势分析、周期分解等，可以帮助研究人员更好地理解和利用气象数据。
2. 空间插值分析空间插值分析是指通过有限的气象观测数据，在空间上进行插值推断，得到全面而连续的气象要素分布图。
常用的空间插值方法有反距离加权法、克里金插值法等。
气象学中的气象数据收集和分析方法探索
气象学中的气象数据收集和分析方法探索气象学是研究大气、气象现象及其变化规律的科学。
在气象学的研究中，气象数据的收集和分析是至关重要的环节。
本文将探索气象学中常用的气象数据收集方法和数据分析方法，并探讨其在气象学研究和预报工作中的应用。
一、气象数据收集方法1.观测站点数据收集气象观测站是进行实时气象观测的基础设施，通过气象观测站点的建设和维护，可以收集到大量的气象数据。
观测站点通常配置有气温、降水量、风速、风向等气象仪器，通过定时观测和记录的方式获取数据。
这种方法可以提供实时、准确的气象数据，是气象学研究和气象预报的重要数据来源。
2.遥感数据获取遥感技术是一种通过卫星、飞机等遥测手段获取地球表面信息的技术。
在气象学中，常用的遥感数据包括红外线图像、云图、地表温度等。
遥感数据具有广覆盖、高精度等特点，可以提供大范围的气象数据，对于天气分析和气象模拟等研究具有重要意义。
3.数值模式输出数据数值模式是一种通过数学方法来描述大气变化规律的模拟方法。
在气象学中，常用的数值模式有气象数值模式、气候数值模式等。
通过数值模式的计算，可以得到大气的温度、湿度、风场等参数的空间分布和变化趋势，为气象学研究提供了重要的数据源。
二、气象数据分析方法1.统计分析方法统计分析是气象学中常用的数据分析方法之一，通过对气象数据的统计处理，可以揭示气象要素之间的关系和规律。
常用的统计分析方法包括平均值计算、相关系数分析、回归分析等。
统计分析方法可以帮助气象学家提取气象数据中的有用信息，为气象预报和气候研究提供支持。
2.时空插值方法时空插值是一种通过已有的散点气象观测数据，推算出不同位置和时间气象数据的方法。
常用的插值方法有克里金插值、多元回归插值等。
通过时空插值方法，可以获得连续的气象数据场，为气象分析和气象模拟提供了基础。
3.数据挖掘方法数据挖掘是一种通过自动或半自动的方式，从大量的数据中发现潜在的模式和规律的方法。
在气象数据分析中，数据挖掘可以帮助气象学家发现气象要素之间的关联规律以及对未来气象变化的影响因素。
气象中的统计方法总结
51气象中的统计方法总结2、判别分析；广东省徐闻气象局[20]用二级判别做台风登陆地段；3、相关分析；近20年来在气象统计中用得较多的主要有典型相关（；奇异值分解（SVD）也是提取两个场的最大线性相关；4、气象场的分解及其应用；50年代中期由Loreng引入到大气科学研究中的；4．1经验正交函数（EOF）分解；章基嘉等[30]应用经验正交函数对亚洲500hP；4．2主成份（主分量）2、判别分析广东省徐闻气象局[20]用二级判别做台风登陆地段的预报。
Fisher、Bayes以及逐步判别等虽然在气象实际中广泛应用,但严格地说,这些方法仅当变量为正态分布时才可应用， Logistic判别对变量的基本假设条件较宽,对未经正态检验的变量应用本方法是可行的，且可用于既有连续变量又有多值离散变量的情形。
吕纯濂等[21] 将Logistic判别引入中国气象界,并研究了二次Logistic判别[22]分析及逐步判别[23]在气象中的应用。
3、相关分析近20年来在气象统计中用得较多的主要有典型相关（CCA）分析和奇异值分解（SVD）方法。
CCA是提取两个气象场的最大线性相关摸态的方法。
朱盛明、祝浩敏[24]在数值预报的解释应用中用典型相关分析提取有物理意义的预报因子作预报方程。
陈嘉玲、谢炯光[25]用典型相关分析作中期冷空气预报。
黄嘉佑[26]用典型相关分析作副高的统计动力预报。
近年来发展了一种新的CCA改进方法，称为典型相关分析的BP（Barnert 和Preisendorfer）方法,在气象统计中也得到了应用[27]。
奇异值分解（SVD）也是提取两个场的最大线性相关摸态的方法，SVD 方法可以变成是两个要素场关系的扩大EOF分析。
谢炯光等[28]用奇异值分解方法，求出了广东省前汛期（4-6月）西太平洋场海温与广东省降水场的6对奇异向量，来作汛期降水趋势预报。
江志红等[29]用SVD方法讨论了中国夏半年降水与北太平洋海温异常的关系。
气象学中的气象观测数据分析与应用方法研究
气象学中的气象观测数据分析与应用方法研究气象观测数据在气象学研究和应用中起着至关重要的作用。
通过对气象观测数据的分析与应用，可以加深对天气和气候的理解，为天气预报、气候变化研究以及决策制定提供科学依据。
本文将探讨气象学中的气象观测数据的分析与应用方法。
一、气象观测数据分析方法1.1 统计分析方法统计分析是气象观测数据分析的基本方法之一。
通过对大量观测数据进行整理和计算，可以得到平均值、标准差、相关系数等统计量，从而揭示出数据的规律性和性质。
常用的统计方法包括：（1）均值和标准差分析：计算观测数据的平均值和标准差，可以评估数据的集中程度和离散程度，进而推断天气现象和气候特征。
（2）相关分析：通过计算观测数据之间的相关系数，可以揭示变量之间的关联关系，如温度与降雨量之间的相关性。
（3）频率分析：通过对观测数据的频次进行统计，可以分析天气事件的发生频率，如降水频率、风向频率等。
1.2 数值模拟方法数值模拟是一种基于大气动力学原理和数值计算方法的气象观测数据分析方法。
通过建立数值模型，将观测数据输入，并通过数值计算得到大气各种变量的数值预报结果。
数值模拟方法可以提供对天气和气候的空间分布和时序变化的模拟，为气象预报和气候研究提供重要参考。
1.3 空间插值方法气象观测数据通常只覆盖有限的观测点，而需要对更广阔区域的气象变量进行预测和估计。
空间插值方法是一种通过建立数学模型，将已知观测点的数据推导到未知区域的方法。
常用的空间插值方法包括：克里金插值、反距离加权插值、三角剖分插值等。
二、气象观测数据应用方法2.1 天气预报气象观测数据是天气预报的基础数据。
通过对气象观测数据的分析与应用，可以揭示不同天气系统的变化趋势和演变规律，从而提高天气预报的准确性和时效性。
常见的天气预报方法包括：实况分析法、模式预报法、统计预报法等。
2.2 气候变化研究气象观测数据对于气候变化研究也具有重要意义。
通过对气象观测数据的长期分析和比较，可以揭示气候的长期变化趋势和周期性变化规律，如全球气温上升、降水模式变化等。
大气中的气象数据分析介绍气象数据的处理和解读
大气中的气象数据分析介绍气象数据的处理和解读大气中的气象数据分析：介绍气象数据的处理和解读在现代气象学中，气象数据是分析和预测天气变化的重要依据。
通过对大气中的气象数据进行处理和解读，我们可以更好地了解并预测天气状况，为社会活动和决策提供可靠的依据。
本文将介绍气象数据的处理和解读方法。
一、气象数据的收集和处理1. 气象观测站气象观测站是收集气象数据的重要场所，它们分布在世界各地。
观测站一般配备有各种气象观测仪器，如温度计、湿度计、气压计、风速仪等。
这些仪器能够实时地测量不同高度、不同位置的气象数据，并将其记录下来。
2. 气象卫星和雷达除了气象观测站，气象卫星和雷达也是收集气象数据的重要手段。
气象卫星可以获取地球表面的云图、水汽图和红外图等，进而分析云层的形态、降水的分布以及气候变化的趋势。
雷达则能够探测降水、风暴等天气系统，提供详细的天气信息。
3. 数据处理气象数据收集后，需要进行处理以提取有用的信息。
常见的处理方法包括数据清洗、插值和统计。
数据清洗用于排除无效和异常值，确保数据的准确性；插值方法则可以根据已有数据推算出未观测位置的数据；统计方法则能够对一段时间内的多个数据进行分析，了解天气的长期趋势。
二、气象数据的解读和分析1. 气象参数的含义在解读气象数据之前，我们首先需要了解不同气象参数的含义。
常见的气象参数有温度、湿度、气压、风向和风速等。
温度反映了空气的热度；湿度表示空气中水分的含量；气压则反映了空气的压强；而风向和风速则描述了空气的运动情况。
2. 天气系统的分析通过分析气象数据，我们可以判断天气系统的类型和强度。
例如，根据气压图和风速图，我们可以判断出气压高低气旋的位置和强度，并进一步推测降水分布和风暴的可能性。
而通过温度湿度数据的分析，我们可以了解到潜在的云层和降水形成的条件。
3. 预测和预警最后，根据对气象数据的处理和解读，我们可以对未来天气进行预测和预警。
气象预测模型根据历史数据和物理规律建立，通过计算和模拟来推测天气变化。
- 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)。
这里a是截距，b是回归系数，y 是气温，x是降水量。利用最小二乘法，可以得到:
n yi xi − ( n i=1 xi )/n i=1 yi )( n n 2 2 i=1 xi ) /n i=1 xi − ( n i=1 (yi − y )(xi − x) n i=1 (xi − x)(xi − x) n i=1
b = = =
(A.4) (A.5) (A.6)
Sxy Sxx
截距 a 可以由下式计算得到:
n n
a = (
i=1
yi )/n − b(
i=1
xi )/n
= y − bx
Sxy 表示xy 之间的协方差，Sxx 表示x与自己的协方差，即方差。根据相关系数 2
的定义(A.2式)，可以得到: r = = =
A
气候数据分析
A.1 普通相关系数
计算方法
为了度量两个变量之间的线性关联程度，常用的指标是普通相关系数， 即Pearson相关系数。任意两个变量 x 和 y ，样本(时间长度)为n，其标准差分 别为σx 和σy 则它们之间的Pearson相关系数的计算公式是： 1 r= n 另外一种计算公式是： r=
图 目 录
A.1 北京夏季气温和降水的相关系数 . . . . . . . . . . . . . . . . . . . . . A.2 ENSO指数与全球温度的滞后相关 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 A.4 沙尘暴日数与850hPa高度高频变率方差的相关场 . . . . . . . . . . . 12 A.5 北京月平均气温的谐波分析 . . . . . . . . . . . . . . . . . . . . . . . 15 A.6 北京夏季平均气温的谐波分析 . . . . . . . . . . . . . . . . . . . . . . 21 A.7 北京夏季气温各谐波的方差贡献 . . . . . . . . . . . . . . . . . . . . . 21 A.8 500hPa高度场超长波分析 . . . . . . . . . . . . . . . . . . . . . . . . 23 A.9 Nino3区海温的功率谱分析 . . . . . . . . . . . . . . . . . . . . . . . . 29 A.10 全球副高指数和NinoC区SST交叉谱分析 . . . . . . . . . . . . . . . . 32 A.11 北京夏季气温简单滑动平均 . . . . . . . . . . . . . . . . . . . . . . . 33 A.12 1-2-1加权滑动平均的频率响应函数 . . . . . . . . . . . . . . . . . . . 35 A.13 9点二项式权重系数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 A.14 高斯滤波的频率响应函数 . . . . . . . . . . . . . . . . . . . . . . . . 39 A.15 不同参数n的权重系数的频率响应函数 . . . . . . . . . . . . . . . . . 40 A.16 北半球1月份MSLP距平EOF分析第一模态 . . . . . . . . . . . . . . . 47 A.17 不同资料处理方式EOF结果的差别 . . . . . . . . . . . . . . . . . . . 49 A.18 北半球春季NDVI和气温SVD分析结果 . . . . . . . . . . . . . . . . . 55
目
录
A 气候数据分析 A.1 普通相关系数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.3 谐波分析
1 1
A.2 秩相关系数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 A.4 功率谱分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 A.5 交叉谱分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 A.6 时间序列滤波分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 A.7 EOF分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 A.7.1 REOF分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 A.8 SVD分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
自由度的估计
简单估计：随机样本数减2，即ν = n − 2 实际上气候变量的一个突出特点就是具 有红噪声谱，即不同时间的数据之间不是完全独立的(不是随机的)。气候变量某 4
表 A.1: 累积标准化正态分布函数( Z 统计量)
1 ( F (z ) = √ 2π z 0.50 0.60 0.70 0.80 0.90 1.00 1.10 1.20 1.30 1.40 1.50 1.60 1.70 1.80 1.90 2.00 2.10 2.20 2.30 2.40 2.50 2.60 2.70 2.80 2.90 3.00 3.10 3.20 3.30 3.40 .00 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997 .01 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997 .02 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997 .03 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997 .04 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997
表 目 录
A.1 Z 统计表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.2 相关系数检验表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.3 有效自由度估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 6 7
A.4 北京气温年循环的谐波分析 . . . . . . . . . . . . . . . . . . . . . . . 16 A.5 北京夏季气温谐波F检验值 . . . . . . . . . . . . . . . . . . . . . . . . 20 A.6 不同落后步长对功率谱分析结果的影响 . . . . . . . . . . . . . . . . . 28 A.7 滑动平均计算实例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 A.8 二项式权重系数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 A.9 高斯滤波权重系数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38