成都信息工程学院毕业设计(论文).doc

成都信息工程学院毕业设计（论文）题 目： 成都市气候统计分析 系 别： 计算科学系 专 业： 信息与计算科学 班 级： 991 姓 名： 王 惠 指导老师： 刘启宽 郑丰华 二OO三年五月二十七日成都信息工程学院毕业设计（论文）专用纸摘 要气候的变化对社会经济和人民生活有着密切的关系，特别是降雨量和气温更和人们息息相关，因此合理地统计分析降雨量和气温变化，并及时预测降雨量和气温的变化趋势，这项工作具有重要意义。本文利用统计分析中的滑动平均预测、马尔科夫预测、灰色理论预测和最优气候均态预测对成都市的年降雨量和年平均气温进行统计研究，建立预报模型，得到了年降雨量和年平均气温的预测结果，并对预测结果进行误差分析，同时采用实际数据作检验，证明了本文结果是合理的，在一定条件下对气象局的实际预测具有一定的参考价值。关键词：滑动步长、状态转移矩阵、指数预测、差分预测、最优平均数成都信息工程学院毕业设计（论文）专用纸目 录序言4Chap1 成都市年降雨量预测模型5 1 滑动平均预测法 5 2 马尔科夫预测法 11 3 灰色理论预测法15 4 最优气候均态预测法18Chap2 成都市年平均气温预测模型 221 滑动平均预测法29 2 马尔科夫预测法33 3 灰色理论预测法36 4 最优气候均态预测法40Chap3 总结 41Chap4 谢辞 42参考文献 43附录 441 降雨量程序452 气温程序49序 言近年来，全球气候出现了世界范围的异常现象，各种灾害性天气和异常气候频繁发生，已日益引起各国政府的高度重视。许多灾害性气候如干旱、洪涝、低温冷害都与气候的异常密切相关。气候异常造成的灾害常常给社会经济和人民生命财产造成巨大的影响和损失。短期气候变化是指月、季和年际时间尺度的气候变化和气候异常，短期气候预测与社会和经济发展特别是农业的发展关系最为密切。短期气候预测问题目前已成为各国政府关注的焦点，加强短期气候预测研究已成为国际大气科学界的共识，对增强防灾减灾能力，趋利避害，促进国民经济的快速发展和社会效益的全面提高等都具有重大意义。成都地处四川平原，属于亚热带季风区。成都独特的地理位置使其气候具有独特的条件和特征，根据全国大范围的预报结果，很难完全满足成都的特殊需要。因而必须研制适合成都的气候特征的短期气候预测系统。降雨量和气温的变化情况是成都有别于其他城市的气候特征，因此降雨量和气温预测成为成都市气候统计预测的重点。本文着眼于成都市年降雨量和年平均气温的预测，较详细地介绍了四种预测方法和模型的基本原理、计算步骤及应用结果，取得了较满意的预测结果。有关的预测方法和模型也可以移植到其他省（区）气象部门或相关的学科领域使用。Chap1 成都市年降雨量预测模型 成都地处四川平原，特殊的地理位置使成都成为一个多雨的城市，但从60年的降雨量曲线（图略）来看，表面似乎毫无规律可循，我们怎样才能有效地利用这种雨水资源，怎样才能趋利避害呢？这就需要对降雨量进行统计分析，找出其变化规律，从而得到合理的预测结果。 本章用了统计分析中的滑动平均预测、马尔科夫预测、灰色理论预测和最优气候均态预测这四种方法对成都市的降雨量进行统计分析，并对误差进行分析，作出区间估计，得到了较好的预测结果。1 滑动平均模型1 选择预测方法 将搜集到的1939-1996年成都市降雨量数据绘制成时序曲线图和距平图（见图1和图2）。图1 原始曲线图图2 原始距平图从图中可以看出，它没有明显的上升或下降趋势，波动较大，带有很大随机性，采用滑动平均预测法可将降雨量模拟成一个较为平滑的过程。滑动平均预测法是时间序列平滑法中的一种。时间序列平滑法是利用时间序列资料进行短期预测的一种方法。其基本思想在于：除一些不规则变动外，过去的时序数据存在着某种基本形态，假设这种形态在短期内不会改变，可以作为下一期预测的基础。平滑的主要目的，在于消除时序数据的极端值，以某些较平滑的中间值作为预测的根据。 滑动平均预测法是利用时序前T期的平均值作为下一期的预测值，应用的关键在于平均期数或称移动步长T的选择。一般通过试验比较加以确定。 2 模型的原理与方法 给出时间序列n期的资料 Y1，Y2，Y3，Yn-1，Yn， 选择前T期作为试验数据。滑动平均预测法的关键在于保持平均的期数不变，总是为T，而使所求的平均值随时间变化而不但移动其公式为FT+1=（Y1+Y2+YT）/T式中 FT+1为前T期的平均值。若预测第T+2期，则 FT+2=（Y2+Y3+YT+1）/T若预测第T+3期，则 FT+3=（Y3+Y4+YT+2）/T依次类推可得到步长L=T的一组数据，再采用试探法选取不同的步长得到几组数据进行比较，计算误差E，将误差最小时的步长作为滑动平均的最佳步长L，那么第n+1期的预测值Y（n+1）为： Y（n+1）=Yn+1 El式中Yn+1 是步长为最佳步长所对应的第n+1期的值，El是步长为最佳步长所对应的误差。3 选取滑动步长采用试探法选取滑动步长，经过多次测试发现，当步长L=23时，降雨量的曲线最平滑，再经过误差分析（比较平均误差、平均绝对误差、均方误差的大小）可知，此时的误差均为最小。见下表：（只保留步长为20 23 24 25的数据，其余省略），因此确定步长L=23为最佳步长。 成都市19391996年平均降雨量时间序号（t）实际测量值（L=1）20年滑动平均值（L=20）23年滑动平均值（L=23）24年滑动平均值（L=24）25年滑动平均值（L=25）19391795.2194021028.119413704.219424819.519435696.319446903.2194571335.819468918.7194791403.51948101493.51949111770.5195012767.3195113925.3195214978.9195315846.71954161064.6195517854.1195618947.5195719697.71958201111.91959211364.41003.11960221178.71031.61961231390.21039.1 196224978.01073.41043.31963251036.71081.31051.21040.61964261086.11098.41051.61050.61040.4196527650.21107.51068.21053.11052.11966281145.11073.21060.91050.81036.9196729986.21084.51080.41064.41054.6196830847.41063.71084.01076.51061.2196931666.21031.41062.71074.11067.3197032744.9976.21051.81046.21057.8197133828.9975.01023.11039.01034.2197234820.1970.2994.21015.01030.61973351128.8962.3952.9978.01007.21974361002.2976.4968.6960.2992.7197537805.5973.3972.0970.0961.9197638883.5970.8964.4965.0963.5197739881.3967.6966.0961.1961.8197840908.6976.8958.1962.5957.9197941716.1966.6960.4956.0960.4198042886.6934.2950.4950.3946.4198143971.9919.6958.6947.7947.7198244819.3898.7952.5959.1948.7198345752.1890.8928.8947.0953.6198446997.6876.5910.3921.4939.2198547911.8872.1893.2913.9924.5198648902.0885.2890.3894.0913.8198749720.8873.0884.5890.8894.31988501074.7859.8868.6877.6884.0198951967.2871.1887.0877.2885.51990521124.6886.2879.3890.4880.8199153593.9905.2885.3889.5899.7199254869.5893.4874.3873.2877.7199355716.5895.9883.1874.1873.0199456945.6875.3881.9876.2867.8199557904.5872.5887.0884.5879.0199658711.0877.4890.6887.7885.3平均误差（ME）-81.3400-70.2625-77.0376-80.9267平均绝对误差（MAE）146.8776136.5186137.7798140.7541均方误差（MSE）183.0291173.5357174.9113177.4402取定步长以后，作出最佳步长对应的滑动平均曲线图（见图3）和距平图（相当于误差直方图）（见图4），图3 滑动平均曲线图图4 滑动平均距平图根据图3，4，我们可以一目了然地知道成都市近60年的降雨量的大致情况为：前30年降雨量偏多，而后30年降雨量偏少，最近几年正处于上升阶段。根据滑动平均的计算规律（见程序1.m），可计算出步长为23对应的1997年的降雨量为872.4696毫米。根据滑动平均的误差计算规律（见程序2.m），可计算出步长为23对应的平均误差为70.2625毫米所以，由滑动平均预测法预测出成都市1997年的降雨量为872.469670.2625毫米，即（802.2071 942.7321）之间。4 模型检验根据气象局的统计数据显示成都市1997年的年降雨量为783.2毫米，与该模型所预测出的结果有一定的吻合性。5 模型评价滑动平均预测法的原理简单易懂，适合于此类时间序列的数学模型，但是观察上表和上图，可以看出滑动平均法存在着滞后现象。例如，当t=27时，实际的降雨量已由上一年的1086.1毫米降至650.2毫米，而用步长为23的滑动平均得到的预测值却比上一年的预测值高出16.8毫米，到t=28时，才表现出下降趋势，这说明预测存在滞后一期的可能。因此这个模型还不是太完善，需进一步改进以解决这个滞后问题。2 马尔科夫预测法1 选择预测方法将搜集到的1939-1996年成都市年降雨量数据绘制成时序曲线图（见图1）。图1从图中可以看出，它没有明显的上升或下降趋势，波动较大，带有很大随机性，无法采用趋势外推法。分析成都降雨量的变化，一般情况下，它在t年的状态与前一年即t-1年的状态有关，而与t-1年以前的状态关系不大，可近似地认为具有马尔可夫性。1939年以来，除1949年降雨量比较大，其他年份成都的降雨量比较平稳，降雨量变化过程可近似于一个平稳的随机过程。因而拟运用马尔科夫法预测，并用1939-1996年的数据计算状态转移的频率，代替任一年份t与t+1年之间状态转移概率。2 状态划分1909-1996年成都的降雨量介于400到1800毫米之间，将这个取值域分成6个区间：400 600），600，800），800 1000），1000 1200），1200 1400），1400 1800），并分别作为六个状态E1，E2，E3，E4，E5，E6。3计算初始概率Pi 将状态分界线绘于图1（见图2），图2根据程序1可计算各状态出现的初始概率Pi，再统计处于各状态的点数（注意处于分界线上的点）（见程序1），计算结果见下表。 各状态的初始概率 状态E1E2E3E4E5E6状态界限400 600）600 800）800 1000） 1000 1200） 1200 1400） 1400 1800） 处于该状态的点数（Mi）113271133初始概率（Pi）1/5813/5827/5811/583/583/584计算状态转移概率Pij从图（1）可以统计得到历年降雨量的状态转移次数（采用人工记数法：如，一个处于状态E3的点，它的前一个点（离这个点左边最近的点）处于状态E2中，具有这个特点的点的个数即为状态E2E3的转移次数），如下表。 历年状态转移次数状态E1E2E3E4E5E6E1001000E2017410E30713411E4044120E5001200E6001002利用上两表的结果，由于我们的降雨量数据是大样本，所以可以将频率约等于概率，根据Pij=P（Ej | Ei）=Mij/Mi能够得出成都市降雨量的一步转移概率矩阵 0 0 1 0 0 0 0 1/13 7/13 4/13 1/13 0P= 1/27 7/27 13/27 4/27 1/27 1/27 0 4/11 4/11 1/11 2/11 0 0 0 1/3 2/3 0 0 0 0 1/3 0 0 2/3 0 0 1.0000 0 0 0 0 0.0769 0.5385 0.3077 0.0769 0 = 0.0370 0.2593 0.4815 0.1481 0.0370 0.0370 0 0.3636 0.3636 0.0909 0.1818 0 0 0 0.3333 0.6667 0 0 0 0 0.3333 0 0 0.66674 预测根据以往的经验得知，1996年以后成都市降雨量变化基本因循前一段时期的规律，即一步转移概率矩阵P对19962003年之间各年状态转移基本适用。因此从19962003年共进行k=7步转移，计算P7（见程序2.m）0.0171 0.2069 0.4616 0.1958 0.0687 0.0499 0.0171 0.2075 0.4621 0.1971 0.0690 0.0471 P7= 0.0171 0.2068 0.4615 0.1956 0.0686 0.0504 0.0171 0.2086 0.4619 0.1967 0.0694 0.0464 0.0171 0.2072 0.4625 0.1983 0.0690 0.0458 0.0166 0.1909 0.4534 0.1759 0.0609 0.1022因为1996年的降雨量为711.0，处于状态E2，且概率矩阵P7中 P23=0.4621P22=0.2075P24=0.1971P25=0.0690P26=0.0471P21=0.0171因而，如果成都市不发生重大事件而影响气候的变化的话，2003年成都市的降雨量最大可能将处于状态E3，即降雨量位于8001000毫米之间。从19961997年共进行K=1步转移， 0 0 1.0000 0 0 0 0 0.0769 0.5385 0.3077 0.0769 0P1=P = 0.0370 0.2593 0.4815 0.1481 0.0370 0.0370 0 0.3636 0.3636 0.0909 0.1818 0 0 0 0.3333 0.6667 0 0 0 0 0.3333 0 0 0.6667因为1996年的降雨量为711.0，处于状态E2，且概率矩阵P1中P23=0.5385p24=0.3077p22=0.0769=p25p21=p26=0因而，如果成都市不发生重大事件而影响气候的变化的话，1997年成都市的降雨量最大可能将处于状态E3，即降雨量位于8001000毫米之间。5 模型检验根据气象局的统计数据显示成都市1997年的年降雨量为783.2毫米，与该模型所预测出的结果有一定的吻合性。6。模型评价马尔科夫预测法的原理简单易懂，适合于此类时间序列的数学模型，但是由于MATLAB掌握得不够熟练，在计算历年状态转移次数Mi时，采用了人工记数，比较麻烦。3 灰色理论预测法1 选择预测方法 灰色系统理论把既含有已知信息又含有未知信息的系统称为灰色系统。气候系统是比较典型的灰色系统，将灰色动态模型用作短期气候系统的预测，有比较好的效果。2 模型的原理与步骤 灰色系统建模，其思想是用微分方程拟合时间序列，它是将原始列用累加（或累减）生成后，使其变成随机性弱化、规律性强化的生成序列（或叫生成函数），并且可用指数曲线或已知函数逼近，建立微分方程的动态模型，称为灰色模型（Grey Model），记为GM（1，1），其中第一个“1”是指一阶方程，第二个“1”是指一个变量。建模步骤如下：（1）首先对灰色数列X（0）（t），t=1，2，3，N进行一阶累加，得到AGO序列X（1）（t）。（2）建立灰色预测模型GM（1，1）。（3）累减还原，得到未来时刻的预测值。（4）对模型精度进行评估，用下列三种GM模型对X（0）进行模拟，并比较模拟精度。 对呈良好趋势的变化过程，用GM（1，1）模型，都能得到较好的精确度，但有时遇到的变化过程较差的增长趋势，用一次GM（1，1），得不到满意的精确度，常对其残差序列再进行一次GM（1，1）拟合，这就是常说GM（1，1）改进模型。模型的精确度可通过已知的前n个历史数据与其相应的n 个预测数据比较，若精确度较好，则直接预测下一个未知数据。否则，要对误差进行修正。3 降雨量预测（1） 灰色指数预测模型第一步：对X（0）作AGO，得到X（1）第二步：对X（0）进行光滑性检验。由（k）= X（0）（k）/X（1）（k-1），得 （3）= X（0）（3）/X（1）（2）=704.2/18230.380.5， （4）= X（0）（4）/X（1）（3）=819.5/25270.322时，（k）2时，（k）1，1.5，=0.5，准指数规律满足。故可对X（1）建立GM（1，1）模型。第四步：对X（1）作紧邻均值生成，令Z（1）（k）=0.5* X（1）（k）+0.5*X（1）（k-1），于是 - Z（1）（2） 1 X（0）（2） B= - Z（1）（3） 1 Y= X（0）（3） - Z（1）（58） 1 X（0）（58）第五步：对参数列a2=a，u进行最小二乘估计，得 a2=（BB）-1BY第六步：确定模型 d X（1）/ d t +a* X（1）=u及时间响应式 X1（k+1）=（X（0）（1）-u/a）*exp（-a*k）+u/a第七步：求X（1）的模拟值X1（1）=（X（1）（1），X（1）（2），X（1）（58）第八步：还原求出X（0）的模拟值。由 X1（0）（k）=X1（1）（k）-X1（1）（k-1）得X1（0）=（X1（1）（1），X1（1）（2），X1（1）（58）。即预测1997年成都市降雨量为830.6716第九步：检验误差。由程序1可计算出平均残差为4.0387，平均绝对误差为17.23%，残差平方和为212.8773。三项误差均在误差范围内，不需要进行修正。（2） 灰色差分预测模型由（1）灰色指数预测模型得知a=0.0044，u=1048.7，所以 =a/（1+0.5*a）=0.0044/（1+0.5*0.0044）=0.0044 =u/（1+0.5*a）=1048.7/（1+0.5*0.0044）=1076.4于是得 X1（0）（k）=-* X（1）（k-1） =1076.4-0.0044* X（1）（k-1）即预测1997年成都市降雨量为834.3642作误差检验：由程序1可计算出平均残差为4.1502，平均绝对误差为17.31%，残差平方和为215.4150。三项误差均在误差范围内，不需要进行修正。（3） 灰色指数预测模型由（2）灰色差分预测模型得知=0.0044，=1076.4，所以 X1（0）（k）=（-*X（0）（1）*exp（-*（k-2） =1072.9*exp（-0.0044*（k-2）得X1（0）=（X1（1）（1），X1（1）（2），X1（1）（58）。即预测1997年成都市降雨量为834.8072作误差检验：由程序1可计算出平均残差为-0.3185，平均绝对误差为3.1%，残差平方和为127.1713。三项误差均在误差范围内，不需要进行修正。（4） 由以上三种模型的平均残差、平均绝对误差和残差平方和可以看出指数模型 X1（k+1）=（X（0）（1）-u/a）*exp（-a*k）+u/a X1（0）（k）=X1（1）（k）-X1（1）（k-1）和 X1（0）（k）=（-*X（0）（1）*exp（-*（k-2）精度较高，而差分模型 X1（0）（k）=-* X（1）（k-1）精度稍低一些。4预测结果 根据以上误差比较，可以确定第二种灰色指数预测模型最精确，所以预测1997年成都市降雨量为834.80720.3185，即（834.4887 835.1257）。5模型检验根据气象局的统计数据显示成都市1997年的年降雨量为783.2毫米，与该模型所预测出的结果有一定的吻合性。6模型评价 灰色模型GM（1，1）适合此类短期气候预测，也得到了较好的预测效果。但是，事实上，在任何一个灰色系统的发展过程中，随着时间的推移，将会不断地有一些随机扰动或驱动因素进入系统，使系统的发展相继地受影响。因此，用GM（1，1）模型进行预测，精确度较高的仅仅是原点数据X（0）（n）以后的1到2个数据。一般来说，越往未来发展，越是远离时间原点，GM（1，1）的预测意义越弱。就本文我们根据19391996年的降雨量只能预测出精确度较高的1997年和1998年的降雨量，以后年份的预测值可能达不到精度要求，没有实际意义。 在实际应用中，必须不断地考虑那些随着时间推移相继进入系统的扰动或驱动因素，随时将每一个新得到的数据置入X（0）中，建立新信息模型。4 最优气候均态预测法1 选择预测方法 从近几年美国气候预测中心（Climate Prediction Center，CPC）发布发气候预测公报中看到，典型相关和最优气候均态（Optimal Climate Normal，OCP）是美国制作短期气候预测的两种常用统计方法，其中OCP主要用于温度和降雨量的预测。其实，OCP的基本思想并无新意，但在计算上有其独特之处。它是相对于持续性预测概念而言的一种预测。持续性气候的概念是用现时值作为下一时刻的预测值。该方法易于制作，并可提前一年作出下一年度的预测，并有一定的预报技巧。气候系统并不是静态不变的。因此，计算平均值所取的平均数k过于大，未必能够得到最小误差的预测。按照世界气象组织（WMO）的建议，气候平均值应基于一个特定的30年，如19511980，19611990年，这样使得世界各地均在一个统一标准下。本文把WMO推荐的均值作下一年预测作为预测评分的一个标准。2 模型的原理与方法 假设一气候变量序列Xi，i=1，2，n。构造序列 X =1/kX i-j (1) （k=1，2，n i=n1+1，n1+2，n1+L）其中n1为统计基本样本量，通常取为30年；k代表所计算的气候平均的年数；L为试验样本量；n= n1+L。（1）式表示分别求出1，2，n1年的平均值，以这些平均值依次做出n1+1，n1+2，n1+L时刻的预测。再以预测值与实际值最接近为标准，大出试验预测的每个时刻“最优”平均数。以某种准则确定出作下一时刻的平均数。3 模型的计算步骤这里给出以频率指数为准则的OCP的计算步骤：（1） 利用（1）式计算出1，2，n1年的平均值。用这些平均值依次向前做出n1+1，n1+2，n1+L年的试验预测。具体实施时，以1年平均值作为n1+1，n1+2，n1+L年的预测值，以2年平均值作为n1+1，n1+2，n1+L年的预测值，以n1年的平均值作为n1+1，n1+2，n1+L年的预测值。（2） 逐一计算以1年平均值，2年平均值，n1年平均值作为n1+1，n1+2，n1+L年预测值与观测值之间的绝对值误差。从每一年的预报中 挑选绝对值误差最小的平均值。这样得到L次试验预测的最优平均数。（3） 统计L次试验预测的最优平均数发生的频率次数m（k），代入I（k）=m（k）/L式中，以I（k）达到最大为准则，确定出预测n+1年的最优平均数k。（4） 以最近k年样本的平均值作为n+1年的预测。4 预测试验 本文利用OCP方法对成都市年平均降雨量进行了预测。以成都市19391996年降雨量作为预报效果检验的样本资料，以19931997年的预报值作为预报效果检验，计算过程简介如下：（1）1993年的预报：以19631982年降雨量作为统计样本（k=30），19831992年共10年作为挑选“最优”平均年数的时段，各年实况值、“最优”平均年数及试验预报值如表1。表1 1993年预报有关数据表年份1983198419851986198719881989199019911992实况值752.1997.6911.8902.0720.81074.7967.21124.6593.9869.5最优平均年数1051214102621010试验预报值881.2980.9911.9902.3881.21061.4958.61061.4881.2881.2由上表，“最优”平均年数频数最多为10年，故1993年的预报值为最近10年（19831992年）的平均值，由此得出1993年的预报值为891.4毫米。（2）1994年的预报：以19641983年降雨量作为统计样本（k=30），19841993年共10年作为挑选“最优”平均年数的时段，各年实况值、“最优”平均年数及试验预报值如表2。表2 1994年预报有关数据表年份1984198519861987198819891990199119921993实况值997.6911.8902.0720.81.74.7967.21124.6593.9869.5716.5最优平均年数411119141989试验预报值966.9900.6900.6863.91086.1966.91086.1863.9869.4863.9由上表，“最优”平均年数频数最多为9年，故1994年的预报值为最近9年（19851993年）的平均值，由此得出1994年的预报值为875.7毫米。（3）1995年的预报：以19651984年降雨量作为统计样本（k=30），19851994年共10年作为挑选“最优”平均年数的时段，各年实况值、“最优”平均年数及试验预报值如表3。表3 1995年预报有关数据表年份1985198619871988198919901991199219931994实况值911.8902.0720.81074.7967.21124.6593.9869.5716.5945.6最优平均年数42133311613试验预报值907.2897.7650.2927.2927.2927.2650.2868.9650.2927.2由上表，“最优”平均年数频数最多为3年，故1995年的预报值为最近3年（19921994年）的平均值，由此得出1995年的预报值为843.9毫米。（4）1996年的预报：以19661985年降雨量作为统计样本（k=30），19861995年共10年作为挑选“最优”平均年数的时段，各年实况值、“最优”平均年数及试验预报值如表4。表4 1996年预报有关数据表年份1986198719881989199019911992199319941995实况值902.0720.81074.7967.21124.6593.9869.5716.5945.6904.5最优平均年数25723178749试验预报值899.7862.71065.7992.91145.1862.7869.8862.7911.2907.8由上表，“最优”平均年数频数最多为7年，故1996年的预报值为最近7年（19891995年）的平均值，由此得出1996年的预报值为 874.5毫米。（5）1997年的预报：以19671986年降雨量作为统计样本（k=30），19871996年共10年作为挑选“最优”平均年数的时段，各年实况值、“最优”平均年数及试验预报值如表5。表5 1997年预报有关数据表年份1987198819891990199119921993199419951996实况值720.81074.7967.21124.6593.9869.5716.5945.6904.5711.0最优平均年数41114304224试验预报值811.2986.2986.2986.2811.2869.4811.2916.8916.8811.2由上表，“最优”平均年数频数最多为4年，故1997年的预报值为最近4年（19931996年）的平均值，由此得出1997年的预报值为 819.4毫米 。（6） 预报效果检验根据以往的经验取e=100毫米来评定试报准确率，即预测值与实况值之差的绝对值在误差范围内就评定为预报准确，否则就评定为预报不准确，由此准则可得知成都市19931997年平均降雨量试报准确率为60%（3/5） ，见表6表6 成都市19931997年降雨量预测检验年份19931994199519961997预测值891.4875.7843.9874.5819.4实况值716.5945.6904.5711.0783.2评定 5模型评价 最优气候均态预测模型原理简单易懂，由预测检验表可见此预测模型在成都市年平均降雨量预测中具有一定的预报能力，可作为年甚至月降雨短期气候预测的一种方法试用。Chap2 成都市年平均气温预测模型 成都属于亚热带季风区，地理环境对气温的影响很大，而气温的变化又与人们息息相关，这就需要我们对成都市的历史气温进行统计分析，并对未来气温作出合理的预测。气温系统是一个多平衡态的复杂的非线形系统，传统的短期气候预测方法大多方法单一，忽略了多种技术方法的结合，考虑到气温系统的特点及有关气候变量之间的物理关系，同时针对成都的气候特征，本长提出了滑动平均预测法、马尔科夫预测法、灰色系统预测法和最优气候均态预测法来进行成都市1998年的平均气温预测，得到了较好的效果。备注：以下模型中，为了使输入方便，将所有数据扩大10倍，在得出模型结果时将之还原。1 滑动平均预测模型1选择预测方法 将搜集到的1901-1997年成都市年平均气温数据绘制成时序曲线图（见图1）和距平图（见图2）。图1 原始曲线图图2 原始距平图从图中可以看出，它没有明显的上升或下降趋势，波动较大，带有很大随机性，采用滑动平均预测法可将降雨量模拟成一个较为平滑的过程。滑动平均预测法是时间序列平滑法中的一种