온도 이상, 특히 극한의 온도는 생태계, 경제 및 인간 건강에 잠재적으로 심각한 영향을 미치면서 주목을 끌었습니다. 역사적 및 잠재적 인 미래 온도 이상의 영향은 지역적으로나 지역적으로 구체적입니다. 온도 이상의 지역적 특성을 이해하고 인간 정착 환경 관리의 요구를 충족시키기 위해 양의 연구 그룹은 특히 지역 규모 온도 이상 평가를 용이하게하는 3 단계 하이브리드 모델을 제시합니다 [1].
.클러스터링은 데이터 세트를 클러스터라고하는 의미있는 그룹 세트로 분할하는 프로세스입니다. K- 평균 클러스터링 알고리즘은 데이터 데이터를 k 비 겹치는 영역으로 분할 할 수있는 가장 간단한 감독 학습 알고리즘 중 하나입니다. 클러스터 분석에 의한 온도 이상의 지역화에서, 유사한 온도 특성을 가진 스테이션은 함께 그룹화되어 클러스터를 형성합니다. 그러나 초기 클러스터 센터와 클러스터 번호에 의해 신뢰성이 과도하게 영향을받습니다. 지역화 중 불확실성을 줄이고 객관성을 촉진하기 위해,이 논문에서 각각 경험적 직교 함수 (EOF) 및 회전 된 경험적 직교 함수 (REOF) 분석을 사용하여 클러스터의 클러스터 수와 중심을 선험적으로 선택 하였다. 객관적인 지역화를 기반으로 3 단계 하이브리드 모델이 개발되었습니다.
3 단계 하이브리드 모델의 목표는 지역적으로 일관된 변화를 식별하고, 하위 지역의 추세를 분석하며, 민감한 영역을 발견하는 것이 었습니다. 공간 지역화 단계, 시간적 경향 및 지역 민감도 분석 단계로 구성되었습니다. 단계 I 모델 EOF, REOF 및 K-MEANS 클러스터링 알고리즘을 사용하여 일관된 온도 변화가있는 하위 영역을 객관적으로 식별하는 것을 목표로합니다. 지역화를 검증하고 조정 한 후, 하위 영역의 시간적 경향은 II 단계 모델에서 Mann-Kendall Test 에 의해 분석되었다. . III 단계 모델에서 SEN의 경사 방법 를 사용하여 하위 영역 간의 온도 민감도의 비교를 수행했습니다.
3 단계 하이브리드 모델의 단계는 다음과 같습니다. 1 단계. 온도에 대한 시공간 매트릭스 X (R × T)를 설정하십시오. 2 단계. EOF 분석에 의해 클러스터 k의 수를 결정하십시오. 3 단계. REOF 분석에 의해 초기 클러스터링 센터를 결정하십시오. 4 단계. k-means 클러스터링 알고리즘을 사용하여 r 스테이션을 K 클러스터 그룹에 할당합니다. 5 단계. 클러스터 그룹과 스테이션의 지리적 위치를 기반으로 하위 영역을 식별하십시오. 6 단계. 하위 영역 내의 동질성과 하위 영역 간의 이질성을 검증하십시오. 7 단계. Mann-Kendall 테스트를 사용하여 시간 추세를 분석하십시오. 8 단계. SEN의 경사 방법을 사용하여 지역 감도를 분석하십시오.
요약하면, 이것은 기상 및 수 문학적 분야에서 공간-시간 분석에 적용될 수있는 일반적이고 체계적인 모델입니다. 이 논문은 1966 년부터 2015 년까지 중국의 537 개 스테이션에서 수집 한 일일 데이터를 사용하여 연간 평균 및 극도의 온도를 분석했습니다. 연간 평균, 최소 및 최대 온도 (TM, TNM 및 TXM)뿐만 아니라 극도의 최소 및 최대 온도 (TNE 및 TXE)를 포함하여 연간 평균, 최소 및 최대 온도 (TM, TNM 및 TXM). EOF, REOF 및 K-MEANS 클러스터링 분석의 조합은 그룹 537 온도 스테이션에 소수의 영역으로 사용되었습니다.
그림 2는 1 단계 모델에 기초한 평균 및 극한 온도 이상의 공간적 지역화를 설명했다. 하위 영역의 수는 각각 TM, TNM, TXM, TNE 및 TXE의 경우 6, 7, 8, 9 및 8입니다. 예를 들어 TM을 취한 중국은 북서, 북동부, 남서부, 중앙, 동서 및 남부 지역을 포함한 6 개의 하위 지역으로 나뉘 었습니다 (그림 2A). 각 하위 지역의 대부분의 스테이션은 동일한 클러스터 그룹에 속하며 지역적으로 일관된 변화를 나타냅니다 (그림 3). 결과 파티션은 지역의 각 스테이션이 다른 지역의 스테이션보다 같은 지역의 다른 스테이션과 더 높은 상관 관계가있는 것입니다.
지역 온도 이상의 경향과 민감도 분석에 따르면, 1966 년부터 2015 년까지 중국의 대부분의 지역에서 온도의 상당한 증가가 관찰되었지만, 지역 온도 이상의 온도는 크게 달랐다. 그림 4 (a)는 지역 온도 이상의 민감도 수준 순위를 묘사했다. 그림 4 (b)는 각 하위 지역에서 고도의 평균 고도 및 오차 막대를 나타 냈습니다.
그림 4로부터, 최대 온도는 높은 고도에서 상당히 증가한 반면, 최소 온도는 중간상 상승에서 크게 증가했습니다. 예를 들어, TNM과 TNE에서 가장 민감한 영역은 각각 991m 및 51m의 평균 상승을 갖는 영역 I 및 VI였다. TXM 지역 II 및 TXE의 영역 III의 온난화 경향은 각각 1694m 및 2098m의 평균 상승으로 가장 중요했습니다.
이러한 결과는이 기사에서 최근 1966 년부터 2015 년까지 중국의 온도 이상의 지역화, 동향 및 민감도 분석을위한 3 단계 하이브리드 모델에 설명되어 있으며, 저널 대기 연구 . . 이 작업은 Beijing Normal University의 Feifei Wu 박사, Xiaohua Yang 교수와 Zhenyao Shen 교수가 수행했습니다. 우리는 모든 사람을위한 관련 인간 정착 환경 문제를 해결하기 위해 3 단계 하이브리드 모델이 개발되기를 바랍니다.
참조 :
- f. F. Wu, X. H. Yang, Z.Y. 1966 년부터 2015 년까지 중국의 온도 이상의 지역화, 동향 및 민감도 분석을위한 3 단계 하이브리드 모델 인 Shen, 대기 연구 , 205 (2018) 80-92.
