气象数据分析相关技术研究.doc

气象数据分析相关技术研究
摘 要:经过几十年的发展,气象信息技术获得了极大的进步,也积累了大量来自多方面的气象数据。由于我国气象大数据发展仍在起步阶段,相关方法和技术都需要进一步研究。为充分利用大量的气象数据,相关的数据分析离散的,画出来的图像具有线性特点。线性回归也通过因变量的数量分为一元线性回归和多元线性回归两类。其中多元线性回归中有大于1个的自变量,而一元线性回归只有一个自变量。线性回归的回归方程如下所示:
y=ax+b (1)
为合理使用线性回归方法,需要待分析的数据中因变量和自变量有线性相关关系。除此之外,由于线性回归方法在拟合回归曲线时使用了最小二乘法,导致数据误差对线性回归方法的拟合结果影响较大,甚至能预测出错误的结果。因此在使用时,必须事先去除待分析数据的误差从而进一步分析。
(2)逻辑回归。逻辑回归方法用于数据的基本分类。该方法是寻求两类数据之间的区别,用一个函数作为分类函数对未知的数据进行类别标注,完成数据类别的预测。逻辑回归的公式如下所示:
(2)
逻辑回归方法不要求自变量和因变量是线性相关关系。为了防止数据模型出现过拟合现象,在使用逻辑回归方法时需要筛选自变量以确保自变量和因变量之间存在相关关系。 (3)聚类分析。该方法主要实现数据内部之间的区分,让具有相同数据属性的数据聚合在一起,从而对待分析数据的内涵进行挖掘。基本的聚类方法步骤如下:第一,确定使用哪些指标来对数据进行区分;第二,计算数据指标之间的距离也就是差异程度,一般用空间距离来对比;第三,将差异程度较小的数据归结为一类,形成许多差距明显的类别[3]。
聚类分析也是当下众多研究人员使用的基本分析方法。聚类分析在具体计算时通常使用3种计算方法:Kmeans、密度聚类、层次聚类方法。
(4)判别分析。判别分析是在已知研究对象分成若干类型并已取得各种类型的一批已知样品的观测数据,在此基础上根据某些准则建立判别式,然后对未知类型的样品进行判别分析。該方法在气象上应用也非常广泛,例如利用距离相近的气象站数据来判断未知站的属类;在天气预报中,可以根据前期的天气观测值来判断是哪种天气现象或者是未来的火灾等级。
判别分析常常和聚类分析联合起来使用。当总体分类不清楚时,可以先用聚类分析对原来的一批样品进行分类,然后再用判别分析建立判别式对新样品进行判别。判别分析的具体方法非常丰富,具体包括距离判别法、Fisher判别法、Bayes判别法和逐步判别法等。
(5)主成分与因子分析。该方法利用降维的思想,在损失信息较小的前提下,将多个判别指标综合为几个主要指标。每个主要指标都是原始判别指标的线性组合,而且主要指标之间不相关,从而降低数据分析难度,简化数据分析过程,提高分析效率。
(6)时间序列分析。该方法就是对按照时间顺序排列的一组数据序列发现其中的变化规律并用于预测的统计方法。这种方法具有以下3个基本特点:假设事物发展趋势会延伸到未来;预测所依据的数据具有不规则性;不考虑事物发展之间的因果关系。在实际进行时间序列预测时,数据较为复杂,需要对时间序列的四要素进行分析,这四要素的不同组合就影响着时间序列的未来发展。这4种要素分别为长期趋势、季节变动、循环变动、不规则变动。常见的