3. 农业气象时序数据探索性分析
拿到一份逐日气温与降水数据后，直接建模往往为时过早。探索性分析（EDA）的任务是先看清数据“长什么样”：长期趋势是否显著、年内季节波动有多强、是否存在多年周期、序列自身前后是否相关、异常值出现在哪里。本节以某农业气象站 2015—2023 年逐日平均气温（℃）与日降水量（mm）为例（示例数据，用于说明方法），完成一份可复现的探索性分析报告。
一、数据准备与基本检查
逐日数据首先应确认时间轴连续、无重复日期、缺测已标记。气温与降水的统计性质差异很大：气温近似连续、量级稳定，适合直接做分解与自相关；降水为零膨胀序列（大量 0 值）、强偏态，通常先做聚合（如月累计）或变换（如 log1p）再分析。示例中先检查：9 年共 3287 天，气温缺测 12 天，降水缺测 5 天，缺测日用线性插值补齐气温、以 0 补齐降水并单独标记，避免插值掩盖真实干旱信息。
基本统计量用于建立量级直觉：示例气温均值约 14.8 ℃，年较差约 26 ℃（1 月最低、7 月最高）；年降水量约 620 mm，其中 6—8 月占全年约 55%。这些数字决定了后续分解的周期参数与图形尺度。
二、趋势、季节性与周期性分解（STL）
STL（Seasonal-Trend decomposition using Loess）把序列拆为三部分：趋势项 T（低频变化）、季节项 S（固定周期内的重复模式）、余项 R（残差，含异常与随机波动），满足 Y = T + S + R。对逐日气温，季节周期取 365；对逐日降水，由于 0 值过多，建议先聚合为月降水再取周期 12，或对 log1p 后的日降水取周期 365。
关键参数有两个：seasonal（季节平滑窗口，需为奇数，日数据常取 365 或 731）与 trend（趋势平滑窗口，常取周期的 1.5～3 倍，如 1095）。窗口越大，曲线越平滑、越能突出长期趋势，但会削弱短期转折。示例中气温取 seasonal=365, trend=1095，用 R 的 stl() 或 Python 的 statsmodels.tsa.seasonal.STL 实现：
from statsmodels.tsa.seasonal import STL
res = STL(temp_series, period=365, seasonal=365, trend=1095, robust=True).fit()
res.trend; res.seasonal; res.residrobust=True 很重要：它用稳健拟合降低极端高温、寒潮等异常点对趋势项的拉扯。分解后应重点读三件事：趋势项在 9 年间是否单调（示例升温约 0.4 ℃/10 年，属弱升温信号）；季节项振幅是否稳定（示例夏冬振幅约 ±13 ℃，年际差异小）；余项是否近似零均值白噪声，若余项在某时段连续偏正/偏负，说明趋势窗口设置不当或存在未建模的多年周期。
三、自相关与偏自相关分析
自相关函数 ACF 衡量序列与其滞后 k 期版本的相关程度，偏自相关函数 PACF 则在剔除中间滞后影响后衡量第 k 期的直接相关。对气温日序列，ACF 呈缓慢衰减并伴随约 365 天周期的振荡，说明强记忆性与强季节性；对降水日序列，ACF 在滞后 1 天后迅速接近 0，说明日降水近似无记忆，这正是“气温可平滑、降水难预测”的统计根源。
实操中先做差分再观察：对气温做一阶差分（去趋势）或季节差分（滞后 365），ACF 的缓慢衰减会明显减弱；对月降水做一阶季节差分后，若 ACF 在滞后 12 处仍有显著尖峰，提示存在年周期残留。判断显著性可看 95% 置信带（约 ±1.96/√n），示例日序列 n≈3287，带宽约 ±0.034，超出即视为显著。ACF/PACF 的截尾与拖尾形态，也是后续选择 ARIMA 阶数（p、q、P、Q）的直接依据。
四、可视化方法与结果判读
探索性分析的可视化应“一图一问题”：时序折线看整体走势与异常；STL 分解图看趋势与季节的分离效果；ACF/PACF 图看相关结构；箱线图或热力图看月份/年份的分布差异。下图给出本节分析流程与各环节的判读要点：
读图时注意：趋势项若在末端突然上翘，多半是 STL 端点效应，应结合原始数据核对；季节项振幅若逐年变化，说明季节模式本身在漂移，需考虑动态季节模型；余项中连续同号段往往对应寒潮、干旱等真实事件，不应简单当作噪声剔除。
五、分析结论与报告要点
示例数据的探索性结论可归纳为：气温序列具有强年周期（振幅约 ±13 ℃）与弱升温趋势（约 0.4 ℃/10 年），日尺度 ACF 衰减慢、季节差分后趋于平稳，适合季节 ARIMA 或 STL 残差建模；降水序列零膨胀、日尺度近似无记忆，宜聚合到月尺度分析，月降水 ACF 在滞后 12 处显著，提示年周期主导。报告应同时给出图形与数值证据，并明确标注示例参数与假设，避免把演示结果当作实测结论。