Обработка среднегодовых значений температуры в северной Атлантике программой Serfer

                                 Министерство Образования РФ

Российский государственный гидрометеорологический университет

Кафедра ЮНЕСКО

Обработка данных программой Serfer.

                                                                                 Выполнила: с-т гр. МО-512

                                                                                 Маслов П.А.

                                                                                 Проверил: Сычев В. И.

Санкт-Петербург

2009г.

Цели и задачи: целью данной работы является обучение методам восстановления данных в узлы регулярной сетки из промежуточных точек. Так же сравнение трех наиболее популярных метода между собой.

Исходные данные: в качестве исходных данных взяты среднегодовые значения температуры в северной Атлантике за 1990г.

Исходный ряд температур имеет следующие статистические характеристики, по ним в дальнейшем будет проводиться оценка методов восстановления.

Data Counts

Active Data:                          64

Original Data:                        64

Excluded Data:                      0

Deleted Duplicates:                0

Retained Duplicates:              0

Artificial Data:                        0

Superseded Data:                 0

Minimum:                              4

Maximum:                             27.3

Mean:                                     17.2778125

Standard Deviation:                7.0285172

Variance                                  49.400054

Первым был использован наиболее распространенный метод Kriging и получено следующее распределение:

Grid File Name:                     E:\йцукен\Laba_Sich.grd

Grid Size:                              56 rows x 71 columns

Total Nodes:                         3976

Filled Nodes:                         3976

Blanked Nodes:                     0

Minimum:                     2.0433247631441

Maximum:                    27.845847661886

Mean:                          16.140848109144

Standard Deviation:               7.7010081028066

Variance:                              59.305525799493

Сравнивая статистически характеристики восстановленного ряда можно отметить следующие различия: первое это понижение минимального значения на 2     , а среднего примерно на 1      , увеличилась дисперсия и изменчивость. Несмотря на эти изменения, которые говорят о некачественном восстановлении, данный метод не плох, так как отмеченные изменения не являются принципиально большими, зато визуально, очень хорошее распределение.

Следующий метод Triangulation with Linear Interpolation.

Grid File Name:                     E:\йцукен\Laba_Sich2.grd

Grid Size:                              56 rows x 71 columns

Total Nodes:                         3976

Filled Nodes:                         2861

Blanked Nodes:                     1115

 Minimum:                             4

 Maximum:                            27.3

 Mean:                                  17.439575323314

 Standard Deviation:              6.5903563478

 Variance:                             43.432796790988

Главное, что хочется отметить в данном методе то, что после восстановления для новых данных все статистические характеристики остались неизменными, однако визуальное распределение значительно уступает рассмотренному ранее методу Kriging.

Последний из рассматриваемых методов Inverse Distance to a Power

Grid File Name:                     E:\йцукен\Laba_Sich3.grd

Grid Size:                              56 rows x 71 columns

Total Nodes:                         3976

Filled Nodes:                         3976

Blanked Nodes:                     0

 Minimum:                             4

 Maximum:                            27.3

 Mean:                                  17.007571740369

 Standard Deviation:              5.1088867771986

 Variance:                             26.100724102235

В данном методе отмечается сохранение значений максимума, минимума и среднего значения. Однако, произошло уменьшение дисперсии и изменчивости, что говорит о хорошем восстановление и о том, что этим данным можно доверять. Визуально же распределение вызывает сомнения в его достоверности.

Вывод:

Обобщая рассмотренные методы, можно сделать следующее заключение. Если требуется восстановить данные при этом не потеряв их общих статистических значений, или потери были не значительны, то тогда лучше всего использовать 2 и 3 методы. Если требуется хорошая, достоверная картинка, тогда лучше всего использовать 1 метод. Но при этом для получения данных высокого качества и надежности, для всех методов одинаково важно количество точек с исходной информацией, их не должно быть много меньше, чем точек восстановления и так же важно их расположение по отношению к восстанавливаемой области, они должны равномерно достаточно плотно покрывать ее.