相关文章推荐
玩篮球的刺猬  ·  FastReport ...·  7 月前    · 
挂过科的企鹅  ·  Java ...·  32 分钟前    · 
鼻子大的甘蔗  ·  epplus ...·  56 分钟前    · 
威武的南瓜  ·  2023版:深度比较几种.NET ...·  58 分钟前    · 
稳重的警车  ·  jquery beforeunload方法 ...·  2 小时前    · 

1.1 处理方案1

1.1.1 方案

此处理方案来源于【J2019-基于标准化降水蒸散指数的甘肃省干旱时空特征分析-李亮】。
根据中国气象数据网逐日气象数据(日照时数、日最低气温、日降雨量、日相对湿度等),计算 蒸散发ET

  • 如果较少数据缺测,存在两种状况,即若缺测序列≤5d,利用近几日数据线性插值插补;
  • 若5d<缺测序列<30d,利用同一日的多年平均值补齐。
    再采用Penman-Monteith公式计算ET。
  • 若较长序列数据缺测,并导致无法采用Penman-Monteith公式,但可用FAO56提供的缺失日照时数、相对湿度和(或)风速时的计算式ET计算潜在蒸散量。

    根据地理相似性假设,即地理间距离越近,站点气象条件越相似,进行数据的插补处理。
    1)若本站多年数据缺测,且采用二级处理无法计算ET的,首先利用本站已有数据计算ET,然后计算与本站对应年限一致的相邻或基础条件相似站点的蒸散量ET。
    2)

    1.1.2 代码实现

    1.2 处理方案2

    1.论文-J2019-基于标准化降水蒸散指数的甘肃省干旱时空特征分析-李亮
    2.代码-水文气象-<

    陈新宇制作• :globe_with_meridians: 机器学习模型在时空数据建模领域取得了重要进展,例如如何预测道路网络的近期交通状况。 但是,当这些模型建立在通常从现实世界系统(例如运输系统)收集的不完整数据上时,会发生什么? 关于这个项目 在transdim(反portation d ATA IM putation)项目,我们开发了机器学习模型,以帮助解决一些时空数据模型的最严峻的挑战-从丢失的数据归集到时间序列预测。 该项目的战略目标是为时空交通数据估算和预测任务创建准确有效的解决方案。 匆忙? 请按以下方式检查我们的内容。 任务与挑战 无论我们是否喜欢,都存在丢失的数据。 真正有趣的问题是如何 处理 不完整的数据。 图1 :在时空环境中的两个经典 缺失 模式。 我们在现实世界的数据上创建了三种 缺失 的数据机制。 少数据 插补 :fire: 随机丢失(RM):每个传感器完全随机丢失观测值。 (★★★) 非随机丢失(N missingpy是一个用于在Python中丢失数据 插补 的库。 它具有与一致的API,因此,已经熟悉该界面的用户将发现自己处在熟悉的地形中。 当前,该库支持以下算法: k最近邻 插补 随机森林 插补 (MissForest) 我们计划在将来添加其他 插补 工具,因此请继续关注! pip install missingpy 1. k最近邻(kNN) 插补 # Let X be an array containing missing values from missingpy import KNNImputer imputer = KNNImputer () X_imputed = imputer . fit_transform ( X ) KNNImputer类提供了使用k最近邻方法来完成 缺失 值的归因。 使用在训练集中找到的n_neighbors最近邻居的值来推算每个样本
    本文共分为3个部分,分别从模型原理, 气象数据 处理 ,插值脚本编写三个方向进行展开介绍。目标: 1、降低学习门槛,学会利用SPSS、Excel和ArcGIS工具实现ANUSPLIN插值的全流程。 2、熟练使用SPSS(25.0)、Excel(2016)、ArcGIS(10.8)及ANUSPLIN(4.3)等软件。 3、锻炼耐心、阅读力和理解力。本例以文字和表的形式介绍全部流程(重点部分加粗表示),学习时需要认真阅读和思考。
    warnings.filterwarnings("ignore") pre_txt=np.loadtxt(r"F:\09_climate_site_data\03_日降水集中指数\02_data\pre-day.txt") print(pre_txt) pre_txt=np.array(pre_txt) print(pre_txt.shape)
    最近项目上需要加载一个问题分类下拉框,数据量不是普通的六七个,还需要有搜索功能,原生的下拉框是满足不了了, 于是使用layui的第三方组件xmSelect,功能是是非常强大的,分页,搜索,分组等等 如果需要展示更多列的数据,可以使用tableSelect layui.config({ base: './layui_exts/xmSelect/' }).extend({ xmSelect: 'xm-select' }).use(['xmSelect'],function(){
    本软件应用于 水文 资料 整编(限于地表水,主要包括:河道、渠道、水库、堰闸、潮水位、降水、泥沙、颗粒级配分析、蒸发等数据的 处理 制表功能); 在安装使用本软件前,请先浏览《操作手册》 作者邮箱:tianzhongyue@163.com;TEL:13783638985; 注意:安装后,请及时下载升级程序和技术 资料 , 博客:ttp://www.x5dj.com/tianzhongyue 安装程序制作日期:2009年06月11日 作者:田中岳
    当NC数据 少一个月时,为了进行 插补 ,我们可以采取一些方法来填补这个空 。以下是一些可能的解决方案: 1. 线性插值:线性插值是一种简单的方法,通过连接已知数据点之间的直线来填充 缺失 的值。这种方法适用于数据变化比较平缓的情况。 2. 多项式插值:多项式插值是一种基于已知数据点的多项式函数来估算 缺失 值的方法。通过使用已知数据点的多项式函数来拟合整个数据集,然后使用该函数来计算 缺失 值。 3. 趋势分析:如果数据呈现一定的趋势,例如上升或下降趋势,我们可以基于这一趋势来估计 缺失 值。可以使用常见的趋势分析方法,例如移动平均法或指数平滑法,来填补 缺失 值。 4. 相似匹配:如果我们有其他相似的NC数据,可以使用这些数据来填补 缺失 值。通过寻找具有相似特征的数据集,我们可以利用这些数据的信息来估算 缺失 值。 无论使用哪种 插补 方法,需要确保 插补 后的数据与原始数据保持一定的一致性和准确性。在 插补 数据后,应该进行验证和比对,确保 插补 后的数据能够满足分析和应用的需求。同时,需要注意 插补 方法的选择应该基于数据的特点和适用性,以及对结果的可靠性的要求。
     
    推荐文章