УДК 51-73: 504.37
Связь удельной влажности воздуха с характеристиками атмосферы и подстилающей поверхности в летний сезон для территории Дальнего Востока
Безуглова Надежда Николаевна – кандидат физико-математических наук, старший научный сотрудник Лаборатории физики атмосферно-гидросферных процессов Института водных и экологических проблем Сибирского отделения Российской академии наук.
Суковатов Константин Юрьевич – кандидат физико-математических наук, научный сотрудник Лаборатории физики атмосферно-гидросферных процессов Института водных и экологических проблем Сибирского отделения Российской академии наук.
Аннотация: Статья посвящена анализу зависимости изменения удельной влажности атмосферного воздуха для исследуемой территории от значений атмосферных и приземных метеопараметров. Выполнен расчет характеристик пространственной корреляции, построены регрессионные соотношения с использованием трех разных методов, характеризующие статистическую взаимосвязь между анализируемыми параметрами.
Проведена проверка статистических гипотез, показана статистическая значимость полученных результатов. На основе анализа множества вычислительных и статистических параметров осуществлен выбор уравнений регрессии с наиболее оптимальными свойствами.
Ключевые слова: множественная регрессия, удельная влажность, статистический анализ, данные реанализа, спутниковые данные.
Введение
В процессе анализа пространственных и временных колебаний гидрометеорологических параметров для обширных территорий, а также для больших временных интервалов в связи с низкой плотностью сети измерительных станций, пропусками в рядах измерений часто возникает проблема обеспечения гидрометеорологическими данными [1,2]. В подобных случаях целесообразно использовать данные из других источников: сеточные массивы, спутниковые измерения, данные реанализа с малым шагом по пространству. По этой причине актуальной является задача обнаружения связей между распределением по пространству исследуемой величины с различными гидрометеорологическими характеристиками, создание регрессионных уравнений.
Полученные регрессионные формулы позволяют оценивать изменчивость анализируемой величины, используя данные с более мелкой сеткой и соответственно более высокой степенью детализации.
Данные и методы
В качестве исходных данных для анализа и последующей статистической обработки использовался массив реанализа NCEP-DOE Reanalysis 2 [3]. Указанная система реанализа имеет широкий диапазон характеристик в виде сеточных массивов с шагом 2,5 градуса. Рассматриваемая территория, ограниченная координатами 49-56oс.ш., 130-140o в.д., относится к зоне средних широт дальневосточного региона. Для обработки использовались временные ряды летнего сезона, усредненные за период 2013-2017 гг.
Анализ исходных данных и построение уравнений регрессии выполнено с использованием программных сценариев, разработанных авторами на языке программирования Python (Питон).
В качестве зависимой переменной (предиктанта) использовали удельную влажность, предикторами являлись: интенсивность осадков (Prate), увлажненность почвы (Soilw), поверхностный сток (Runof), поток скрытой теплоты (Lhftl), скорость потенциальной эвапотранспирации (Pevpr), индексы зональности и меридиональности (ZCI, MCI), характеризующие соотношение меридиональной и зональной составляющих скорости ветра для исследуемой территории.
Результаты
На первом этапе проанализирована изменчивость распределения в пространстве предиктанта ((удельной влажности) с использованием трех групп статистических параметров: числа обусловленности (CondNo), коэффициента детерминации (R2), уровня значимости для критерия Харке-Бера (p(J-B-крит)).
В таблице 1представлены значения статистических параметров для разных видов регрессионных моделей (OLS, WLS, GLSAR).
Таблица 1. Значения статистических параметров для разных типов линейной регрессии.
Модель/ Параметр |
CondNo |
R2 |
P(J-B-крит) |
|||
OLS/WLS |
GLSAR |
OLS/WLS |
GLSAR |
OLS/WLS |
GLSAR |
|
Prate |
5×104 |
2,3×104 |
0,77 |
0,29 |
0,29 |
4,7×10–4 |
Soilw |
3,7×10 |
4,4 |
0,41 |
0,24 |
4,7×10–4 |
4,7×10–4 |
Runof |
3,2 |
11 |
0,06 |
0,01 |
5,7×10–5 |
5,7×10–5 |
Lhftl |
1,7×102 |
1,7×102 |
0,84 |
0,58 |
1,7×10–3 |
1,7×10–3 |
Pevpr |
1,5×103 |
1,5×103 |
0,12 |
0,27 |
1,5×10–4 |
1,5×10–4 |
ZCI |
4,71 |
1,5 |
0,41 |
0,1 |
0,71 |
1,5×10–4 |
MCI |
2,1 |
2,7 |
0,51 |
1,4×10–3 |
1,4×10–3 |
1,4×10–3 |
Далее на основании методов обыкновенной множественной линейной регрессии (OLS Multiple Regression), взвешенной многопараметрической линейной регрессии (WLS Multiple Regression) и обобщенной авторегрессионной множественной линейной регрессии (GLSAR Multiple Regression) были созданы регрессионные уравнения. Различие указанных методов заключается в ряде условий, которые приводят к изменению вида системы линейных алгебраических уравнений (СЛАУ). Для проверки значимости регрессии использованы критерий Фишера и коэффициент детерминации. Надежность коэффициентов регрессии верифицирована с помощью критерия Стьюдента. Анализ остатков осуществлен статистических оценок Дарбина-Уотсона и Харке-Бера [4].
В результате были построены многопараметрические регрессионные выражения, определяющие связь между атмосферной влажностью и анализируемыми параметрами гидрометеорологическими параметрами и свойствами подстилающей поверхности. В таблице 1 приведены результаты расчетов величин характеристик численной устойчивости и параметров статистической значимости для полученных эмпирических соотношений (число обусловленности матрицы СЛАУ, коэффициент детерминации и уровень значимости для критерия Харке-Бера).
Выводы
Для рассматриваемой области распределение удельной влажности по пространству в существенной степени зависит от потока скрытой теплоты, осадков и меридиональной составляющей скорости ветра атмосферного воздуха. Высокие значения числа обусловленности в случае многопараметрических уравнений не позволяют использовать их с целью восстановления значений удельной влажности. Целесообразно применять однопараметрические регрессионные уравнения. Анализ численной надежности и статистических характеристик полученных выражений показал, что наиболее удачными являются уравнения, в которых фигурируют влажность атмосферного воздуха и потоки скрытой теплоты, а также соотношения между атмосферной влажностью и меридиональной составляющей скорости ветра атмосферного воздуха.
Список литературы
- Hession S.L., Moore N. A spatial regression analysis og the influence of topography on monthly rainfall in East Africa // International journal of climatology. V. 31. 2011. P. 1440-1456.
- Дюкарев Е.А. Прогноз глубины промерзания почвы с помощью простейшей регрессионной модели // Вестник Томского государственного университета. № 387. 2014. С. 266-270.
- NCEP/DOE Reanalysis II / Physical Sciences Laboratory [Электронный ресурс]. – URL: http://www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis2.html.
- Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. М.:Изд. Дом “Вильямс”. 2007. 912 с.