本發(fā)明屬于氣象要素時空預(yù)測分布圖繪制方法技術(shù)，尤其涉及一種氣溫時空預(yù)測分布圖繪制方法。
背景技術(shù)：
：：：氣象條件與社會生產(chǎn)生活息息相關(guān)，氣象要素的時間和空間分布規(guī)律一直是研究的重點(diǎn)，傳統(tǒng)的針對氣象的時空分布圖一般是基于matlab、R等工具進(jìn)行研究，技術(shù)路線處于理論探索階段，技術(shù)的可行性差，而且傳統(tǒng)的氣象數(shù)據(jù)研究方法往往是氣象的時間和空間規(guī)律分開進(jìn)行，單純的運(yùn)用時間序列分析和空間插值分析不能充分挖掘時空數(shù)據(jù)價值，只進(jìn)行時間分析會丟失數(shù)據(jù)的空間分布規(guī)律，僅進(jìn)行空間分析又會丟失站點(diǎn)數(shù)據(jù)時間規(guī)律，導(dǎo)致預(yù)測出的時空分布圖精確性差，可行性差等問題；現(xiàn)實(shí)生活中，時間和空間是分不開的，人們更需要的是時間和空間結(jié)合的規(guī)律信息，空間上分布離散的氣象站點(diǎn)不間斷觀測獲取大量的氣象時空數(shù)據(jù)，如何利用這些氣象數(shù)據(jù)挖掘其時間變化規(guī)律并推演獲取沒有觀測站點(diǎn)空間位置的氣象規(guī)律是社會關(guān)注的問題。技術(shù)實(shí)現(xiàn)要素：：本發(fā)明要解決的技術(shù)問題：提供一種氣溫時空預(yù)測分布圖繪制方法，以解決現(xiàn)有技術(shù)中采用傳統(tǒng)的氣象數(shù)據(jù)研究方法往往是氣象的時間和空間規(guī)律分開進(jìn)行，單純的運(yùn)用時間序列分析和空間插值分析不能充分挖掘時空數(shù)據(jù)價值，只進(jìn)行時間分析會丟失數(shù)據(jù)的空間分布規(guī)律，僅進(jìn)行空間分析又會丟失站點(diǎn)數(shù)據(jù)時間規(guī)律，導(dǎo)致預(yù)測出的時空分布圖精確性差，可行性差等問題。發(fā)明技術(shù)方案：一種氣溫時空預(yù)測分布圖繪制方法，它包括：步驟1、采集數(shù)據(jù)：采集區(qū)域內(nèi)所有氣象觀測點(diǎn)記載的日氣溫觀測數(shù)據(jù)，計算得到相應(yīng)的月平均氣溫值，形成月平均氣溫時間序列；步驟2、模型選擇：選用乘積季節(jié)ARIMA(p,d,q)(P,D,Q)s模型作為時間預(yù)測模型，p、d、q和P、D、Q分別是連續(xù)性和季節(jié)性自回歸(AR)、差分(I)、移動平均(MA)的階值，s是季節(jié)性周期所包含的時點(diǎn)數(shù)，選用Kriging模型作為空間預(yù)測模型；步驟3、確定乘積季節(jié)ARIMA(p,d,q)(P,D,Q)s模型的s值；步驟4、確定ARIMA(p,d,q)(P,D,Q)s模型參數(shù)值；步驟5、ARIMA(p,d,q)(P,D,Q)s模型診斷檢驗(yàn)；步驟6、對克里金插值的數(shù)據(jù)進(jìn)行預(yù)處理；步驟7、構(gòu)建Kriging模型變異函數(shù)；步驟8、克里金插值及診斷；步驟9、氣溫時空預(yù)測分布圖繪制。步驟2所述的ARIMA(p,d,q)(P,D,Q)s模型的表達(dá)式為：式中B為后移算子，Bs為季節(jié)項(xiàng)的后移算子，Δ＝1-B為差分算子，Δs＝1-Bs稱為季節(jié)性差分算子，為自回歸系數(shù)，ΦΡ為季節(jié)性自回歸系數(shù)，νq為滑動平均系數(shù)，θQ為季節(jié)性滑動平均系數(shù)，s為季節(jié)性周期，D為季節(jié)性差分階數(shù)，{xt,t＝0,±1,…}為一隨機(jī)時間序列，{zt,t＝0,±1,…}為季節(jié)性一隨機(jī)時間序列。步驟3.1、對月平均氣溫時間序列進(jìn)行分解，獲取observed、trend、seasonal、random四個模塊，分別表示氣溫值的原時間序列、趨勢項(xiàng)、季節(jié)規(guī)律項(xiàng)和隨機(jī)項(xiàng)；步驟3.2、從月平均氣溫時間序列分解的季節(jié)項(xiàng)的周期值確定s值。步驟4確定ARIMA(p,d,q)(P,D,Q)s模型參數(shù)值的方法包括：步驟4.1、對氣溫值的原時間序列數(shù)據(jù)做季節(jié)差分，依次對d和D賦值0，1，2觀察差分后的數(shù)據(jù)序列是否平穩(wěn)，若不平穩(wěn)，修改d和D的值，當(dāng)差分后數(shù)據(jù)項(xiàng)平穩(wěn)時，當(dāng)前d和D的值為d和D的參數(shù)值；步驟4.2、p和P、q和Q的值通過AIC或SBC準(zhǔn)則判斷得出。步驟5、ARIMA(p,d,q)(P,D,Q)s模型診斷檢驗(yàn)方法為：通過獲取模型的殘差，其殘差表現(xiàn)為白噪聲，則模型是合理的。步驟6對克里金插值的數(shù)據(jù)進(jìn)行預(yù)處理方法為：對月平均氣溫時間序列進(jìn)行數(shù)據(jù)的log變化并在空間上進(jìn)行一階多項(xiàng)式去趨勢處理。步驟7所述構(gòu)建Kriging模型變異函數(shù)的表達(dá)式為：0*nugget+0.01002*stable(1.8182,1.7873)，式中：nugget為塊金值，stable為平穩(wěn)模型。步驟8所述克里金插值及診斷方法為：步驟8.1、采用ArcGIS軟件“地統(tǒng)計模塊”進(jìn)行插值；步驟8.2、采用Kriging模型普通克里金插值方法進(jìn)行插值；步驟8.3、比較二種插值方法的插值精確度；步驟8.4、通過二者的插值精確度判定出利用預(yù)測的年平均氣溫數(shù)據(jù)進(jìn)行克里金插值的合理性。步驟9所述氣溫時空預(yù)測分布圖繪制的方法為：通過ArcGIS軟件進(jìn)行氣溫時空預(yù)測分布圖繪制。本發(fā)明有益效果：本發(fā)明是對具有時空屬性數(shù)據(jù)進(jìn)行時間和空間結(jié)合預(yù)測的一種方法，提供了一套氣溫時空預(yù)測分布圖繪制的可行性技術(shù)路線，彌補(bǔ)了時空數(shù)據(jù)分布規(guī)律探索中的時間和空間信息挖掘不充分的問題，有效的結(jié)合了氣象數(shù)據(jù)時間和空間數(shù)據(jù)規(guī)律；該方法通過時間上和空間上的規(guī)律性預(yù)測未來時間和沒有數(shù)據(jù)的空間上數(shù)據(jù)，通過獲取氣象時空分布圖可以分析區(qū)域氣象分布規(guī)律，這種氣象的時空分布規(guī)律既體現(xiàn)空間位置規(guī)律又包含時間變化規(guī)律，可以預(yù)測未來時間未觀測空間點(diǎn)的氣象規(guī)律。本發(fā)明將時間和空間信息結(jié)合，充分利用氣象數(shù)據(jù)的時間和空間信息，獲取一種氣溫時空預(yù)測分布圖繪制方法，以滿足獲取空間區(qū)域氣象分布規(guī)律和預(yù)測未來時間氣象條件的需求，從而有效的指導(dǎo)生產(chǎn)生活；解決了現(xiàn)有技術(shù)中采用傳統(tǒng)的氣象數(shù)據(jù)研究方法往往是氣象的時間和空間規(guī)律分開進(jìn)行，單純的運(yùn)用時間序列分析和空間插值分析不能充分挖掘時空數(shù)據(jù)價值，只進(jìn)行時間分析會丟失數(shù)據(jù)的空間分布規(guī)律，僅進(jìn)行空間分析又會丟失站點(diǎn)數(shù)據(jù)時間規(guī)律，導(dǎo)致預(yù)測出的時空分布圖精確性差，可行性差等問題。附圖說明：圖1本發(fā)明實(shí)施例中貴州省氣象觀測站點(diǎn)分布圖；圖2本發(fā)明實(shí)施例中貴州年平均氣溫ARIMA模型預(yù)測值示意圖；圖3為本發(fā)明施例中貴州年平均氣溫分布示意圖。具體實(shí)施方式：一種氣溫時空預(yù)測分布圖繪制方法，它包括：步驟1、采集數(shù)據(jù)：采集區(qū)域內(nèi)所有氣象觀測點(diǎn)記載的日氣溫觀測數(shù)據(jù)，計算得到相應(yīng)的月平均氣溫值，形成月平均氣溫時間序列；步驟2、模型選擇：選用乘積季節(jié)ARIMA(p,d,q)(P,D,Q)s模型作為時間預(yù)測模型，p、d、q和P、D、Q分別是連續(xù)性和季節(jié)性自回歸(AR)、差分(I)、移動平均(MA)的階值，s是季節(jié)性周期所包含的時點(diǎn)數(shù)，選用Kriging模型作為空間預(yù)測模型；步驟3、確定乘積季節(jié)ARIMA(p,d,q)(P,D,Q)s模型的s值；步驟4、確定ARIMA(p,d,q)(P,D,Q)s模型參數(shù)值；步驟5、ARIMA(p,d,q)(P,D,Q)s模型診斷檢驗(yàn)；步驟6、對克里金插值的數(shù)據(jù)進(jìn)行預(yù)處理；步驟7、構(gòu)建Kriging模型變異函數(shù)；步驟8、克里金插值及診斷；步驟9、氣溫時空預(yù)測分布圖繪制。步驟2所述的ARIMA(p,d,q)(P,D,Q)s模型的表達(dá)式為：式中B為后移算子，Bs為季節(jié)項(xiàng)的后移算子，Δ＝1-B為差分算子，Δs＝1-Bs稱為季節(jié)性差分算子，為自回歸系數(shù)，ΦΡ為季節(jié)性自回歸系數(shù)，νq為滑動平均系數(shù)，θQ為季節(jié)性滑動平均系數(shù)，s為季節(jié)性周期，D為季節(jié)性差分階數(shù)，{xt,t＝0,±1,…}為一隨機(jī)時間序列，{zt,t＝0,±1,…}為季節(jié)性一隨機(jī)時間序列。步驟3.1、對月平均氣溫時間序列進(jìn)行分解，獲取observed、trend、seasonal、random四個模塊，分別表示氣溫值的原時間序列、趨勢項(xiàng)、季節(jié)規(guī)律項(xiàng)和隨機(jī)項(xiàng)；步驟3.2、從月平均氣溫時間序列分解的季節(jié)項(xiàng)的周期值確定s值。步驟4確定ARIMA(p,d,q)(P,D,Q)s模型參數(shù)值的方法包括：步驟4.1、對氣溫值的原時間序列數(shù)據(jù)做季節(jié)差分，依次對d和D賦值0，1，2觀察差分后的數(shù)據(jù)序列是否平穩(wěn)，若不平穩(wěn)，修改d和D的值，當(dāng)差分后數(shù)據(jù)項(xiàng)平穩(wěn)時，當(dāng)前d和D的值為d和D的參數(shù)值；步驟4.2、p和P、q和Q的值通過AIC或SBC準(zhǔn)則判斷得出。步驟5、ARIMA(p,d,q)(P,D,Q)s模型診斷檢驗(yàn)方法為：通過獲取模型的殘差，其殘差表現(xiàn)為白噪聲，則模型是合理的。步驟6對克里金插值的數(shù)據(jù)進(jìn)行預(yù)處理方法為：對月平均氣溫時間序列進(jìn)行數(shù)據(jù)的log變化并在空間上進(jìn)行一階多項(xiàng)式去趨勢處理。步驟7所述構(gòu)建Kriging模型變異函數(shù)的表達(dá)式為：0*nugget+0.01002*stable(1.8182,1.7873)，式中：nugget為塊金值，stable為平穩(wěn)模型。步驟8所述克里金插值及診斷方法為：步驟8.1、采用ArcGIS軟件“地統(tǒng)計模塊”進(jìn)行插值；步驟8.2、采用Kriging模型普通克里金插值方法進(jìn)行插值；步驟8.3、比較二種插值方法的插值精確度；步驟8.4、通過二者的插值精確度判定出利用預(yù)測的年平均氣溫數(shù)據(jù)進(jìn)行克里金插值的合理性。步驟9所述氣溫時空預(yù)測分布圖繪制的方法為：通過ArcGIS軟件進(jìn)行氣溫時空預(yù)測分布圖繪制。下面結(jié)合實(shí)例對本發(fā)明作進(jìn)一步細(xì)化說明：一種氣溫時空預(yù)測分布圖繪制方法，它包括：步驟1、模型選擇選擇：ARIMA模型，是一種應(yīng)用廣泛的時間序列預(yù)測方法模型，其基本思想是：將預(yù)測對象隨時間推移而形成的數(shù)據(jù)視為一個隨機(jī)序列，用一定的數(shù)據(jù)模型來近似描述這個序列，這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預(yù)測未來值。ARIMA模型具體形式中包含乘積季節(jié)ARIMA(p,d,q)(P,D,Q)s模型，它是連續(xù)性ARIMA(p,d,q)模型和季節(jié)性ARIMA(P,D,Q)s模型的結(jié)合，其中p,d,q和P,D,Q分別是連續(xù)性和季節(jié)性自回歸(AR)、差分(I)、移動平均(MA)的階值，s是一個季節(jié)性周期所包含的時點(diǎn)數(shù)。當(dāng)一時間序列不僅含有季節(jié)性成分，還混有非季節(jié)性成分時，若單一采用季節(jié)性ARIMA或非季節(jié)性ARIMA模型進(jìn)行分析，其預(yù)測效果會不理想，這時可用ARIMA中的季節(jié)ARIMA(p,d,q)(P,D,Q)s模型，本發(fā)明采用的是季節(jié)ARIMA(p,d,q)(P,D,Q)s模型，其模型公式如下。式中B為后移算子，Bs為季節(jié)項(xiàng)的后移算子，Δ＝1-B稱為差分算子，Δs＝1-Bs稱為季節(jié)性差分算子，為自回歸系數(shù)，ΦΡ為季節(jié)性自回歸系數(shù)，νq為滑動平均系數(shù)，θQ為季節(jié)性滑動平均系數(shù)，s為季節(jié)性周期，D為季節(jié)性差分階數(shù)，{xt,t＝0,±1,…}為一隨機(jī)時間序列，{zt,t＝0,±1,…}為季節(jié)性一隨機(jī)時間序列?？死锝鸩逯凳堑乩硇畔⒌亟y(tǒng)計學(xué)的核心，是通過空間已知觀測點(diǎn)數(shù)據(jù)估算待估點(diǎn)數(shù)據(jù)的一種方法，普通Kriging是Kriging插值方法中的一種，它是一種線性無偏最優(yōu)插值，充分考慮了空間結(jié)構(gòu)信息。ARIMA模型是分析時間序列數(shù)據(jù)的不同時間節(jié)點(diǎn)的自相關(guān)關(guān)系，運(yùn)用這種關(guān)系來對未知時間節(jié)點(diǎn)數(shù)據(jù)進(jìn)行外推，Kriging模型是運(yùn)用空間自相關(guān)關(guān)系(通過變異函數(shù)刻畫)將空間離散數(shù)據(jù)內(nèi)插獲取空間連續(xù)數(shù)據(jù)。兩種方法一種是時間上的預(yù)測，一種是空間上的“預(yù)測”，都是通過變量自相關(guān)關(guān)系作為理論基礎(chǔ)，本發(fā)明選用ARIMA模型和Kriging模型進(jìn)行氣溫數(shù)據(jù)的時空預(yù)測。步驟2、采集數(shù)據(jù)：采用了由貴州省氣象局提供的貴州省內(nèi)分布離散的19個氣象觀測站點(diǎn)的觀測數(shù)據(jù)，每個氣象觀測站點(diǎn)記錄了從1951年至2007年的日氣溫值，通過計算獲取相應(yīng)的月平均氣溫值，每一個站點(diǎn)都形成一個由1951年至2007年的月平均氣溫時間序列，共計19條月平均氣溫時間序列。數(shù)據(jù)通過PostgreSQL數(shù)據(jù)庫以表的形式進(jìn)行管理。步驟3、確定乘積季節(jié)ARIMA(p,d,q)(P,D,Q)s模型的s值：構(gòu)建ARIMA模型首先需要獲取月平均氣溫時間序列的特征，通過對月平均氣溫時間序列運(yùn)用加法模型進(jìn)行分解，分解獲取observed、trend、seasonal、random四個模塊，分別表示氣溫值的原時間序列、趨勢項(xiàng)、季節(jié)規(guī)律項(xiàng)和隨機(jī)項(xiàng)。隨機(jī)項(xiàng)是原時間序列去除趨勢和季節(jié)規(guī)律后的數(shù)據(jù)表現(xiàn)，隨機(jī)數(shù)據(jù)表現(xiàn)為白噪聲過程表示原時間序列特征基本由季節(jié)項(xiàng)和趨勢項(xiàng)體現(xiàn)。從月平均氣溫時間序列分解的季節(jié)項(xiàng)規(guī)律性表現(xiàn)為12的周期性，因此判定ARIMA(p,d,q)(P,D,Q)s模型中s的值為12。為進(jìn)一步明確s的值為12，采用不同延遲步長的數(shù)據(jù)自相關(guān)分析方法進(jìn)行驗(yàn)證，通過延遲步長從1到12的散點(diǎn)與直線的進(jìn)行擬合，擬合越好說明相關(guān)性越大，獲知當(dāng)延遲步長為12時擬合最好，表示某年的第i月與第(i+12)月(即次年的第i月)數(shù)據(jù)相關(guān)性最強(qiáng)，從而驗(yàn)證了月平均氣溫時間序列周期為12，ARIMA(p,d,q)(P,D,Q)s模型中s可以判定等于12。步驟4、確定ARIMA(p,d,q)(P,D,Q)s模型參數(shù)值：季節(jié)ARIMA(p,d,q)(P,D,Q)s模型參數(shù)估計是確定模型參數(shù)p、d、q、P、D、Q的過程，首先確定d和D的值，d、D為差分次數(shù)，一般取值為0、1、2之一，首先對原數(shù)據(jù)做季節(jié)差分，依次對d和D賦值0，1，2觀察差分后的數(shù)據(jù)序列是否平穩(wěn)，若不平穩(wěn)，修改d和D的值，當(dāng)差分后數(shù)據(jù)項(xiàng)平穩(wěn)時(差分是否平穩(wěn)是通過差分方法ACF和PACF結(jié)果展示的)，項(xiàng)目差分活動d＝1,D＝0時差分結(jié)果最優(yōu)，差分后數(shù)據(jù)序列趨于平穩(wěn)。從而判斷d＝1，D＝0。模型其他參數(shù)確定一般參考AIC或SBC準(zhǔn)則判斷。AIC準(zhǔn)則同時體現(xiàn)了殘差不相關(guān)原則和簡潔原則，并排除了建模者的主觀影響，但要求數(shù)據(jù)序列服從正態(tài)分布和進(jìn)行最大似然估計；SBC是Schwarz貝葉斯準(zhǔn)則，它比AIC多考慮了殘差個數(shù)的影響，當(dāng)N—>∞時，SBC準(zhǔn)則確定的最佳模型階數(shù)往往與真實(shí)模型的階數(shù)相一致，而AIC準(zhǔn)則則比真實(shí)模型的階數(shù)高，AIC值與SBC值都是較小時模型較好。發(fā)明首先確定模型中d、D值(d＝1,D＝0)，然后通過R語言中auto.arima()方法，選擇SBC準(zhǔn)則進(jìn)行模型選擇。實(shí)驗(yàn)證明ARIMA(1,1,1)(0,0,1)[12]時SBC最優(yōu)，該模型下AIC值和BIC較其他模型值小，其對應(yīng)的方差、最大似然值、AIC值和BIC值見表1。模型確定后為進(jìn)一步確定所選模型為最優(yōu)，防止模型參數(shù)選擇錯誤，對可能的模型分別進(jìn)行了建模，并通過平均誤差(ME)、均方根誤差(RMSE)、平均絕對誤差(MAE)、平均百分誤差(MPE)、平均絕對百分誤差(MAPE)、平均絕對尺度誤差(MASE)來選擇模型，這些參數(shù)越小所需模型越好，參考表1可以進(jìn)一步確定ARIMA(1,1,1)(0,0,1)[12]為最優(yōu)，進(jìn)一步確定所需模型的合理性。表1ARIMA預(yù)測模型對比分析模型構(gòu)建完畢后可采用R語言實(shí)現(xiàn)貴州氣象數(shù)據(jù)的預(yù)測獲取2007年的月平均氣溫值。步驟5、ARIMA(p,d,q)(P,D,Q)s模型診斷檢驗(yàn)：若模型預(yù)測結(jié)果的殘差表現(xiàn)為白噪聲，即其ACF和PCAF不應(yīng)與零有統(tǒng)計學(xué)差異，若同時有幾個模型都滿足參數(shù)有統(tǒng)計學(xué)差異，殘差序列為白噪聲過程的要求，則可以考慮模型的優(yōu)度統(tǒng)計量(AIC)和貝葉斯準(zhǔn)則(SBC)、殘差序列方差(VE)以及方差估計的平方根(Std.EE)評定，AIC、SBC、VE、Std.EE越小模型預(yù)測效果越好。通過上述方法對選擇的ARIMA(1,1,1)(0,0,1)[12]模型獲取預(yù)測結(jié)果進(jìn)行檢測，證明預(yù)測結(jié)果的殘差在零值附近波動表現(xiàn)為白噪聲，因此診斷模型是合理的。步驟6、對克里金插值的數(shù)據(jù)進(jìn)行預(yù)處理：對年平均氣溫數(shù)據(jù)進(jìn)行插值時首先要滿足數(shù)據(jù)符合二階平穩(wěn)和本征假設(shè)的條件，因此在Kriging插值前需要對數(shù)據(jù)進(jìn)行處理，本發(fā)明對數(shù)據(jù)進(jìn)行正太性檢測發(fā)現(xiàn)數(shù)據(jù)不是正太分布，因此在插值前進(jìn)行數(shù)據(jù)的log變化并在空間上進(jìn)行一階多項(xiàng)式去趨勢處理，數(shù)據(jù)預(yù)處理方法采用了ArcGIS軟件中地統(tǒng)計模塊功能進(jìn)行，通過選擇數(shù)據(jù)平穩(wěn)方法按鈕實(shí)現(xiàn)該步驟數(shù)據(jù)預(yù)處理。步驟7、構(gòu)建Kriging模型變異函數(shù)：對步驟6處理的數(shù)據(jù)采用ArcGIS軟件地統(tǒng)計模塊的克里金插值功能進(jìn)行，進(jìn)行克里金插值前首先選擇變異函數(shù)模型，擬合的變異函數(shù)為：0*nugget+0.01002*stable(1.8182,1.7873)，nugget為塊金值，stable為平穩(wěn)模型，其中變程為1.8182表示在1.8182km內(nèi)認(rèn)為氣象站點(diǎn)年平均氣溫是相關(guān)的，超出這個范圍變量不相關(guān)。變異函數(shù)刻畫了年平均氣溫的空間結(jié)構(gòu)，反映了數(shù)據(jù)在空間上的分布相關(guān)性，是進(jìn)行空間插值的理論基礎(chǔ)。步驟8、克里金插值及診斷：通過克里金插值獲取2007年年平均氣溫分布圖及診斷，采用ArcGIS軟件“地統(tǒng)計模塊”進(jìn)行插值，選取了普通克里金插值方法進(jìn)行插值，插值精度的評定一方面體現(xiàn)了插值方法是否合理，另一方面可以描述不同區(qū)域的插值準(zhǔn)確程度，表2記錄的兩種插值精度(一種為真實(shí)數(shù)據(jù)進(jìn)行插值，一種是本發(fā)明方法預(yù)測的數(shù)據(jù)進(jìn)行的插值)，通過對比分析可以評定本發(fā)明方法的有效性。平均誤差、均方根誤差和標(biāo)準(zhǔn)平均誤差值越小越好，均方根標(biāo)準(zhǔn)誤差值越接近1表示插值結(jié)果越好，對比分析兩種插值結(jié)果第二種(采集數(shù)據(jù)計算值插值)插值結(jié)果較好，本發(fā)明方法略差，但插值的精度較差均在0.01位上，表示兩種插值結(jié)果精度相當(dāng)，本發(fā)明預(yù)測的年平均氣溫進(jìn)行插值和通過觀察數(shù)據(jù)計算的年平均氣溫插值精度相似。此外均方根標(biāo)準(zhǔn)誤差大于1，表示插值預(yù)測略低估了空間的變異性。表2兩種插值的插值精度對比步驟9、氣溫時空預(yù)測分布圖繪制：檢測步驟8插值方法合理，則通過ArcGIS進(jìn)行氣溫時空預(yù)測分布圖繪制，從而獲取貴州省區(qū)域的2007年的年平均氣溫值分布狀況，該分布圖是通過貴州省2006年之前的19個測站點(diǎn)觀測數(shù)據(jù)繪制而成。當(dāng)前第1頁1 2 3 當(dāng)前第1頁1 2 3