基于EMD和BP算法的降水数据插补

为解决气温观测记录缺测的问题,选择反距离权重插值（Inverse Distance Weighted,IDW）、普通克里金插值（Ordinary Kriging,OK）和多元线性回归（Multiple Linear Regression,MLR）三种方法,以湖北省2020年为例,对全省逐日平均气温（T）、最高气温（T_max）和最低气温（T_min）进行空间插补,并采用平均绝对误差（Mean Absolute Error,MAE）对3种方法的插补结果进行检验。结果表明：用MLR插补得到的T_max、T_min、T的MAE最小,分别为0.41℃、0.31℃和0.20℃,其中T的插补误差在1℃以内的站点比例高达100%;相比IDW和OK,MLR插补结果的MAE空间分布均匀,其不仅随海拔高度变化较小,随季节变化也相对较小。
单站试验结果表明,当用于MLR模型的样本数量越多、时间离散度越大时,MLR对气温的插补效果越好。总体上,对日气温缺测数据的插补效果,MLR最优,IDW次之,OK最差;对于建立气象站点长时间连续气温数据集而言,MLR更适合解决区域自动气象站日气温数据缺测问题。