种种迹象表明,全球温度正在逐渐升高,全球变暖已经成为不争的事实。这个问题已经越来越被人们所关注,而对于全球变暖的研究,也成为了世界各地科研工作者们的热点问题。本文的写作目的,是希望通过使用相关网络和相关矩阵这两种数学模型作为研究载体,在此基础上结合一系列数学,计算机,生物信息学领域的方法进行分析,一方面用来验证随着时间的推移,气温的升高,不同地域之间的气候相似性正在增加,气候多样性逐渐丧失的假设;另一方面也可以为预测全球气温未来走势,理解全球气候表现形式提供一个崭新的视角。由于文本的定位是学术性科研论文,文章的总体框架也遵循相关理论介绍,算法选择、修正以及对数据进行实验,最终得出结论。本文的主要研究步骤和整体研究思路概括如下:首先,我们将美国802个气象站100年来的每月平均气温数据进行预处理并以十年为一个时间跨度将数据分为十组。通过将温度变化曲线经过离散哈特利变换后得到的变换系数作为向量在各个维度上的分量,进而使用向量间欧几里德距离来刻画两两气象站对间的相关性。接着,基于时间复杂度的考虑,我们使用蒙特卡罗算法对气象站间相关性的统计显著性进行置换检验。在此基础上,我们对每组数据分别构建了比较可靠的,具有统计显著性的相关矩阵和相关网络。随后,我们从度数分布,公共图,聚类系数等方面对相关网络做了基础分析。又从子图角度对网络和与它们相对的随机图做了对比和分析,得到的数据结果正好支持本文的研究需要和假设。我们还探寻了相关网络的团体结构,并结合美国的地理特点,生成了三个气象站聚类。对这三个具有地域特色的气象站聚类,我们也从子图角度对网络作了分析和比对,得出了一些区域性演化特点。最后,本文又对相关度P值矩阵进行展示和比较。主要通过使用把相关度P值矩阵的特征值和特征向量作为主成分来进行分析以及直接比较矩阵夹角余弦这两种方法来表征不同矩阵间的差异,从而达到考察矩阵相似度的目的。从实验结果中我们发现,气温变化相关度网络中衡量复杂结构子图出现数目的统计量与温度变化趋势相反。即:随着温度的升高,网络中复杂结构子图出现的频率降低。这从网络拓扑结构的角度说明随着温度的升高,气温变化相关度网络正在逐渐接近随机图。而根据美国地域特点所生成的三个气象站聚类所表现出来的子图频率不一致现象,也正好与一些官方气象报告中的结论不谋而合。另一方面,矩阵比较的结果也由特征值特征向量的欧几里德距离,均方根差和夹角余弦等指标表征出来,并且显示出随着时间的流逝,相邻温度变化相关P值矩阵之间的差异也有逐渐变小的趋势。这也从另一角度印证了本文的假设,即:全球变暖导致气候多样性丧失,全球温度变化相关性总体变得相对混乱。温度变化