Misschien laat ik het iets moeilijker klinken dan dat het is. Je hoeft ook geen modeldata te gebruiken, dit werkt ook met jouw data. 
Weerdata is geschikt voor lineaire regressie, omdat het vaak continue data is (de meeste van jouw variabelen in ieder geval wel) en variabelen vaak wel redelijk lineair afhankelijk van elkaar zijn.
De methode die je nu gebruikt, is volgens mij vooral handig als je discrete data hebt (iets wat je moet opdelen, 'rood', 'groen', 'wel', 'niet').
Ik weet niet of je bekend bent met regressie, maar wat je eens kunt doen is in Excel twee variabelen aan de hand van een scatter plot tegen elkaar uitzetten en daar een lijn doortrekken. Daarmee kun je zien in hoeverre die twee variabelen van elkaar afhankelijk zijn. De formule die bij die lijn hoort is exact wat lineaire regressie is. Je hebt nu een formule om aan de hand van een inputvariabele een outputvariabele (temperatuursstijging in jouw geval) te voorspellen. Aan de hand van de spreiding kun je dan inschatten wat de foutmarge zou zijn voor die verwachting.
Wat mijn voorstel dan zou zijn, is om meerdere van die formules op te stellen voor verschillende inputvariabelen, zodat je jouw model kunt verbeteren (multilineaire regressie dus). Dit kan in python met die module die ik je doorlinkte. Die anovatest klinkt heel ingewikkeld, maar is een hoop 'magie' die op de achtergrond gebeurt en daar komen een paar waardes (p-waardes, hoe kleiner de p-waarde voor je inputvariabele, des te significanter die inputvariabele is voor je outputvariabele) uitrollen die aangeven hoe significant die inputvariabele is voor de output. Daarmee kun je bepalen of je een variabele wel of niet moet meenemen in je model. Maar ik moet toegeven vooral dat laatste is wat ingewikkelder aan ik zou je aanraden daar eerst even in te lezen.
Verder nog een tip: wees niet geïntimideerd door deze info 
. Ik weet niet hoeveel programmeerervaring je hebt, maar ik denk dat het belangrijker is eerst je model werkend te krijgen, dan dat het echt heel veel voorspellende waarde heeft. Dat maakt het ook een stuk leuker!