基于云模型与地理位置分析中国气候类型

李 娜 邓吉秋 欧阳芳 王路希

（中南大学地球科学与信息物理学院，湖南 长沙 410083）

0 引言

气候是长时间内气象要素和天气现象的平均或统计状态，时间尺度为月、季、年、数年到数百年以上。气候以冷、暖、干、湿特征来衡量，通常由某一时期的平均值和离差值表征。气候的形成主要是由于热量的变化而引起的。气候类型与地理位置有着密切的联系，研究气候类型与地理位置之间的关系对气候变化、气象预测等领域有重要的意义。

云是用语言值表示的某个定性概念与其定量表示之间的不确定性转换模型，它融合了概率论和模糊集合论的观点反映客观世界中事物或人类知识中概念的模糊性和随机性之间的内在关联[1]。显然对复杂的气候来说，单纯用一个气候类型来划定一个地区是不够的，云模型正好可以弥补这个缺陷。李德毅等人将二维云模型用于数据库知识发现中的预测问题，选取关键因素将数据库简化为一个二维域，同时将所有基本单元聚合成几类，每一类就属于一个二维云。每个基本单元对于它所属的类就有一个隶属度，同时形成了若干个定性规则，通过多规则云生成器将自然语言表达的定性知识转换成云对象表达的定性知识[2-3]。

1 中国气候类型分布

我国幅员辽阔有五种气候类型，它们在分布上有很强的空间相关性，对于不同气候类型的地区，春季升温和秋季降温速度差异很大，表1总结了五大气候类型的气温变化特点、地理分布及其代表城市。

2 云模型概述

云模型是李德毅院士在概率论和模糊数学理论两者交互的基础之上，通过特定的结构算法所形成的定性概念与其定量表示之间的转换模型。云模型不但反映了自然语言中概念的不确定性，而且反映了随机性和模糊性之间的关联性，构成定性和定量间的相互映射[5]。

云的数字特征反映了定性概念的定量特性，用期望 Ex(Expected value)、熵 En(Entropy)和超熵 He(Hyper entropy)三个数值来表征：（1）期望 Ex：是在数域空间中最能够代表定性概念的点值，反映了这个概念的云滴群的云重心；（2）熵En：熵为综合度量定性概念的模糊度和概率，揭示了模糊性和随机性的关联性。熵具有双重作用，体现了定性概念的亦此亦彼性的程度和出现多寡；（3）超熵He：是熵的不确定度量，即熵的熵.反映了在数域空间代表该语言值的所有点的不确定度的凝聚性，即云滴的凝聚度。超熵的大小间接地表示了云的离散程度和厚度。云的数字特征的独特之处在于仅仅用三个数值就可以勾画出由成千上万的云滴构成的整个云来，把定性表示的语言值中的模糊性和随机性完全集成到一起。能够极大地节省存储资源和计算资源[6]。

3 气候云模型建立

本次试验用采样的方法，在中国五大气候类型区域中各选区三个有代表性的城市作为样本建立气候类型云模型，采样数据为2012年一月至十一月平均气温数据（单位：℃）。运用逆向云发生器选取各个气候类型三座代表城市的数据通过Matlab7.0软件计算出各个气候类型的云模型：

表1 气候类型特征与分布

表2 采样城市2012年平均气温数据

（1）以海口市、三亚市、东方市为样本建立热带季风气候云模型：

计算结果：Ex=24.9182，En=4.3006，He=3.7999；

（2）以广州市、武汉市、上海市为例建立亚热带季风气候云模型：

计算结果：Ex=18.735,En=9.1007,He=8.1358；

（3）以北京市、天津市、哈尔滨市为例建立温带季风气候云模型：

计算结果：Ex=11.924，En=13.356，He=11.851；

（4）以西宁市、锡林浩特市、乌鲁木齐市为例建立温带大陆性气候云模型：

计算结果：Ex=5.6424，En=15.001，He=13.199；

（5）以格尔木市、西宁市、拉萨市为例建立高山气候云模型：

计算结果：Ex=7.5879，En=9.4278，He=8.4686。

5 研究结果分析

图1 云模型结果分析

从图1可以看出热带季风气候四季温度变化小，较容易估计温度。而温带季风气候和温带大陆性气候气温四季分明，很难估计温度，应该以月份估计气温。亚热带季风气候和高山气候居二者之间。显然上面五组得出的结果超熵过大，并不能成为典型的样本，只有增加样本数量才能提高其典型性。

用以上成果进行气候分类，以验证云模型在气候分类应用中的准确性。

表3 气候类型云模型数字特征值

现任意选取三个城市2012年一月至十一月平均温度数据，根据云模型判断其所属气候类型或接近的气候类型。

表4 验证样本城市月平均温度

长沙市样本计算结果：Ex=18.6,En=9.6847,He=8.8331；其云模型与亚热带季风气候高度相似，因此长沙市应该属于典型的亚热带季风气候。

酒泉市（甘肃省）样本计算结果：Ex=8.9364,En=12.643,He=11.461；其云模型与高山气候和温带大陆性气候相似，因此它应该是高山气候与温带大陆性气候相过渡的地带。

蒙自市（云南省）样本计算结果：Ex=20.745,En=3.5839,He=3.0061其云模型与亚热带季风气候、热带季风气候相似，应该属于这两者的过渡地带。

从图2中验证三个样本城市通过云模型数学特征与实际地理位置所处气候类型基本一致。

图2 样本城市地理位置与气候类型

6 结语

本文首次将云模型理论运用在气候类型领域，从此次研究结果可以看出，云模型在中国气候类型和气候的地理分布研究方面能起到很好的作用。

［1］付斌,李道国,王慕快.云模型研究的回顾与展望[J].计算机应用研究,2011,28(2).

［2］李德毅,孟海军,史雪梅.隶属云和隶属云发生器[J].计算机研究和发展,1995,32(6):16-21.

［3］李德毅.知识表示中的不确定性[J].中国工程科学,2000,2(10):73-79.

［4］李德毅,刘常昱,杜鹢.不确定性人工智能[J].软件学报,2004,15(11):1583-1594.

［5］王梓坤.概率论基础及其应用[M].北京:北京师范大学出版社,1995.

［6］张光卫,李德毅,李鹏,等.基于云模型的协同过滤推荐算法[J].软件学报,2007,18(10):2403-2411.

［7］LI De-yi,SHI Xue-mei,WARD P,et a1.Soft inference mechanism based on cloud models[C]// Proc of the 1st International Workshop on Logic Programming and Soft Computing,1996:38-63.

［8］LI De-yi,HAN Jia-wei,SHI Xue-mei.Knowledge representation and discovery based on linguistic atoms[J].Knowledge-based System,1998(10):431-440.

［9］李德毅,刘常昱.论正态云模型的普适性[J].中国工程科学,2004,6(8):28-34.

［10］李德毅,杜鹢.不确定性人工智能[M].北京:国防工业出版社,2005.

［11］王树良.基于数据场与云模型的空间数据挖掘和知识发现[D].武汉:武汉大学,2002.

［12］杨朝晖,李德毅.二维云模型及其在预测中的应用[J].计算机学报,1998,21(11):961-969.

［13］杜鹢,李德毅.基于云的概念划分及其在关联采掘上的应用[J].软件学报,2001,12(2):196-201.

［14］刘常昱,李德毅,杜鹢,等.正态云模型的统计分析[J].信息与控制,2005,34(2):236-239.