【气象常用】时间序列的线性拟合

效果图:

主要步骤:

1. 数据准备:下载Hadley Centre observations datasets的HadSST数据

可参考【气象常用】时间序列图-CSDN博客

2. 数据处理:计算线性拟合

3. 图像绘制:绘制折线及拟合线,并添加文本

详细代码:着急的直接拖到最后有完整代码

步骤一:导入库包及图片存储路径并设置中文字体为宋体,西文为新罗马(没有的库包要先下好奥)

###############################################################################
# 导入库并设置字体
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from scipy.stats import linregress
# 设置西文字体为新罗马字体,中文为宋体,字号为12
from matplotlib import rcParamsconfig = {"font.family": 'serif',"font.size": 12,"mathtext.fontset": 'stix',"font.serif": ['SimSun'],}
rcParams.update(config)
rcParams['axes.unicode_minus']=False

步骤二:从csv文件读入数据

###############################################################################
datapath = r'H:/00.csdn/01data/'
figpath = r'H:/00.csdn/02fig/'# 读取csv文件,并选择指定的列
datan = pd.read_csv(datapath+'HadSST.4.0.1.0_annual_NHEM.csv', usecols=['year', 'anomaly', 'lower_bound_95pct_bias_uncertainty_range', 'upper_bound_95pct_bias_uncertainty_range'])xn = datan['year']
yn = datan['anomaly']

步骤三:计算拟合线

###############################################################################
# 拟合线计算
k1, b1, r_value1, p_value1, std_err1 = linregress(xn[0:51], yn[0:51])
k2, b2, r_value2, p_value2, std_err2 = linregress(xn[51:121], yn[51:121])
k3, b3, r_value3, p_value3, std_err3 = linregress(xn[121:], yn[121:])# 根据回归系数生成拟合直线的x值
x_fit1 = np.linspace(1850, 1901, 51)
x_fit2 = np.linspace(1901, 1970, 69)
x_fit3 = np.linspace(1971, 2025, 54)# 计算拟合直线的y值
y_fit1 = k1 * x_fit1 + b1
y_fit2 = k2 * x_fit2 + b2
y_fit3 = k3 * x_fit3 + b3

步骤四:绘制图像并添加文本

###############################################################################
#绘制图像
fig = plt.figure(figsize=(15, 8))
ax = fig.add_axes([0.1, 0.6, 0.6, 0.4])# 绘制海温折线
ax.plot(xn, yn, 'k-', linewidth=1,  )
ax.plot(x_fit1, y_fit1, 'k--', linewidth=1, )
ax.plot(x_fit2, y_fit2, 'k--', linewidth=1, )
ax.plot(x_fit3, y_fit3, 'k--', linewidth=1, )# 添加数值
ax.text(1850, -0.6 , 'y = %7.4f * x + %7.4f' %(k1, abs(b1)), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1920, -0.6 , 'y = %7.4f * x - %7.4f' %(k2, abs(b2)), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1990, -0.6 , 'y = %7.4f * x - %7.4f' %(k3, abs(b3)), color='k', fontsize=10, rotation=0, horizontalalignment="left")ax.text(1850, -0.7 , 'r_value:%7.4f' %(r_value1), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1920, -0.7 , 'r_value:%7.4f' %(r_value2), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1990, -0.7 , 'r_value:%7.4f' %(r_value3), color='k', fontsize=10, rotation=0, horizontalalignment="left")ax.text(1850, -0.8 , 'std_err:%7.4f' %(std_err1), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1920, -0.8 , 'std_err:%7.4f' %(std_err2), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1990, -0.8 , 'std_err:%7.4f' %(std_err3), color='k', fontsize=10, rotation=0, horizontalalignment="left")# 设置坐标轴信息
# xlim,ylim:设置x轴y轴显示得最大最小值
# xticks,yticks: 设置坐标轴刻度,可控制隔几个标注,本图为两个一标
# xticklabels,yticklabels:设置坐标轴刻度名称,维度要和xticks,yticks一致奥
# xlabel,ylabel:坐标轴名称
# title:图名
xlabels = np.arange(1850, 2025, 20)
ylabels = np.arange(-12, 13, 4)/10
ax.set_xticks(xlabels)
ax.set_xticklabels(xlabels, rotation = 0, fontsize = 12)
ax.set_yticks(ylabels)
ax.set_yticklabels(ylabels, fontsize = 12)
ax.set_xlabel('Year',fontsize=12)
ax.set_ylabel('Temperature Anomaly(℃)',fontsize=12)
ax.set_title('Sea Surface Temperature (HadSST4) Anomalies Over the Last 100 Years', fontsize=14)# 设置水平检验线
plt.axhline(0, color='grey', linestyle='--')

步骤五:保存图像

###############################################################################
# 保存图像
plt.savefig(figpath+'208 时间序列线性拟合.png', bbox_inches = 'tight', dpi=600, format='png')
plt.show()

完整代码在这里:

###############################################################################
# 导入库并设置字体
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from scipy.stats import linregress
# 设置西文字体为新罗马字体,中文为宋体,字号为12
from matplotlib import rcParamsconfig = {"font.family": 'serif',"font.size": 12,"mathtext.fontset": 'stix',"font.serif": ['SimSun'],}
rcParams.update(config)
rcParams['axes.unicode_minus']=False
###############################################################################
datapath = r'H:/00.csdn/01data/'
figpath = r'H:/00.csdn/02fig/'# 读取csv文件,并选择指定的列
datan = pd.read_csv(datapath+'HadSST.4.0.1.0_annual_NHEM.csv', usecols=['year', 'anomaly', 'lower_bound_95pct_bias_uncertainty_range', 'upper_bound_95pct_bias_uncertainty_range'])xn = datan['year']
yn = datan['anomaly']
###############################################################################
# 拟合线计算
k1, b1, r_value1, p_value1, std_err1 = linregress(xn[0:51], yn[0:51])
k2, b2, r_value2, p_value2, std_err2 = linregress(xn[51:121], yn[51:121])
k3, b3, r_value3, p_value3, std_err3 = linregress(xn[121:], yn[121:])# 根据回归系数生成拟合直线的x值
x_fit1 = np.linspace(1850, 1901, 51)
x_fit2 = np.linspace(1901, 1970, 69)
x_fit3 = np.linspace(1971, 2025, 54)# 计算拟合直线的y值
y_fit1 = k1 * x_fit1 + b1
y_fit2 = k2 * x_fit2 + b2
y_fit3 = k3 * x_fit3 + b3
###############################################################################
#绘制图像
fig = plt.figure(figsize=(15, 8))
ax = fig.add_axes([0.1, 0.6, 0.6, 0.4])# 绘制海温折线
ax.plot(xn, yn, 'k-', linewidth=1,  )
ax.plot(x_fit1, y_fit1, 'k--', linewidth=1, )
ax.plot(x_fit2, y_fit2, 'k--', linewidth=1, )
ax.plot(x_fit3, y_fit3, 'k--', linewidth=1, )# 添加数值
ax.text(1850, -0.6 , 'y = %7.4f * x + %7.4f' %(k1, abs(b1)), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1920, -0.6 , 'y = %7.4f * x - %7.4f' %(k2, abs(b2)), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1990, -0.6 , 'y = %7.4f * x - %7.4f' %(k3, abs(b3)), color='k', fontsize=10, rotation=0, horizontalalignment="left")ax.text(1850, -0.7 , 'r_value:%7.4f' %(r_value1), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1920, -0.7 , 'r_value:%7.4f' %(r_value2), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1990, -0.7 , 'r_value:%7.4f' %(r_value3), color='k', fontsize=10, rotation=0, horizontalalignment="left")ax.text(1850, -0.8 , 'std_err:%7.4f' %(std_err1), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1920, -0.8 , 'std_err:%7.4f' %(std_err2), color='k', fontsize=10, rotation=0, horizontalalignment="left")
ax.text(1990, -0.8 , 'std_err:%7.4f' %(std_err3), color='k', fontsize=10, rotation=0, horizontalalignment="left")# 设置坐标轴信息
# xlim,ylim:设置x轴y轴显示得最大最小值
# xticks,yticks: 设置坐标轴刻度,可控制隔几个标注,本图为两个一标
# xticklabels,yticklabels:设置坐标轴刻度名称,维度要和xticks,yticks一致奥
# xlabel,ylabel:坐标轴名称
# title:图名
xlabels = np.arange(1850, 2025, 20)
ylabels = np.arange(-12, 13, 4)/10
ax.set_xticks(xlabels)
ax.set_xticklabels(xlabels, rotation = 0, fontsize = 12)
ax.set_yticks(ylabels)
ax.set_yticklabels(ylabels, fontsize = 12)
ax.set_xlabel('Year',fontsize=12)
ax.set_ylabel('Temperature Anomaly(℃)',fontsize=12)
ax.set_title('Sea Surface Temperature (HadSST4) Anomalies Over the Last 100 Years', fontsize=14)# 设置水平检验线
plt.axhline(0, color='grey', linestyle='--')
###############################################################################
# 保存图像
plt.savefig(figpath+'208 时间序列线性拟合.png', bbox_inches = 'tight', dpi=600, format='png')
plt.show()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/13329.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Nacos部署选择数据源mysql8.0,启动报错No DataSource Set(终极解决方案)

Nacos部署选择数据源mysql8.0,启动报错No DataSource Set(终极解决方案) 选择mysql5.7正常,但是选择mysql8.0就报这个错,配置都确认无问题,但就是用不了mysql8.0 排查了好久,发现是数据库字符集…

其他自动化工程师都在偷偷学习AI技术,你再不学就落后了!一篇文章教会你使用AI!

其他自动化工程师都在偷偷学习AI技术,你再不学就落后了!一篇文章教会你使用AI! 哈喽,大家好,我是小叔。了解小叔的朋友都清楚,我从来都不是标题党,我只会用美女图片来吸引你们😂&am…

python 六句话让电脑告诉你,刚才插入的串口编号

六句话让电脑告诉你,我的串口号 第一步,安装python 编译器以及pyserial 模块第二步,写入代码 import serial.tools.list_ports usart_list list(serial.tools.list_ports.comports()) input("Please insert your serial port:")…

【OpenCV 基础知识 4】分离图像通道

cvSplit()是openCV中的一个函数,它分别复制每个通道到多个单通道图像。 void cvSplit( const CvArr* src, CvArr* dst0, CvArr* dst1, CvArr* dst2, CvArr* dst3 );.cvSplit()函数将复制src的各个通道到图像dst0,dst1,dst2和dst3中…

midjourney里有哪些常用参数?

一、stylize参数 Midjourney 经过训练,可以生成更加具有艺术色彩、构图和形式的图像。 --stylize或参数--s影响该训练的应用程度。 低风格化值生成的图像与提示词非常匹配,但艺术性较差。数值越高艺术性更好,但是和描述词相关性更差&#…

Polars,一个高效处理数据的python库

Polars 库简介 Polars 是一个用于数据操作和分析的快速、内存优化的Rust编写的DataFrame库,具有类似于Pandas的API接口。它提供了高性能的数据操作、并行计算和内存效率,适用于处理大规模数据集。 安装与使用 使用 pip 安装 Polars:pip install polarsPython 中导…

【python量化交易】—— 双均线择时策略 - Qteasy自定义交易策略【附源码】

使用qteasy自定义并回测双均线交易策略 使用qteasy自定义并回测一个双均线择时策略策略思想导入qteasy模块创建一个新的策略回测交易策略,查看结果 使用qteasy自定义并回测一个双均线择时策略 我们今天使用qteasy来回测一个双均线择时交易策略,qteasy是…

Spring初学入门(跟学笔记)

一、Spring概述 Spring是一款主流的Java EE轻量级开源框架。 Spring的核心模块:IoC(控制反转,指把创建对象过程交给Spring管理 )、AOP(面向切面编程,在不修改源代码的基础上增强代码功能) 二、…

AI大语言模型在公共服务中的应用实例

随着计算机技术的飞速发展,人工智能已经成为了当今科技领域的热门话题。从早期的图灵测试到现在的深度学习和神经网络,人工智能已经取得了令人瞩目的成就。特别是近年来,大数据、云计算、高性能计算等技术的发展为人工智能的研究提供了更加广…

【Linux深度学习5.15(堡垒机)】

JumpServer堡垒机 使用堡垒机管理服务器 一. 环境 1.将jump压缩包上传至服务器并解压2.安装jump server./jumpserver install一直选择默认就可以3.启动jumpserver./jumpserver start4.测试windows : 浏览器访问ipLinux : ssh -p2222 adminip5.登录账号 : admin 密码 : admin…

多客陪玩系统源码,线上游戏开黑陪玩,线下预约家政服务,语音陪聊,陪玩成品搭建,源码交付,支持二开,陪玩系统开发

游戏陪玩系统主要的优势就是,只要有手游和网游不断推出,就有钱可赚。为什么呢?因为电竞行业正处于上升发展阶段,而且玩游戏对于现代人来说是很好的一种解压方式,所以在市场和用户需求方面都是有保证的。再加上现代人的社交压力越…

使用 5 种有用的方法将音乐从 iTunes 传输到安卓手机

有许多在线音乐应用程序可供您选择,但如果您想在 安卓手机上欣赏 iTunes 音乐,您需要了解步骤。今天的主题是如何将音乐从 iTunes 传输到 安卓设备上。虽然没有适用于 Android 的 iTunes,但您可以在此处获取 5 种有用的方法将 iTunes 音乐传输…

Nginx-04-Docker Nginx

Docker Nginx 实战 HTTP 服务 Nginx 的最大作用,就是搭建一个 Web Server。 有了容器,只要一行命令,服务器就架设好了,完全不用配置。 运行官方 image $ docker container run \-d \-p 8080:80 \--rm \--name mynginx \nginx…

突破性能瓶颈: Java 22的性能提升之旅

Java 22带来的性能改进,特别是在垃圾回收(GC)方面的优化,对于实时系统有着显著的影响。实时系统要求在保证高响应性的同时,还需要保持较高的可靠性和稳定性。以下是一些关键点,展示了Java 22性能改进对于实…

Java进阶-SpringCloud设计模式-工厂模式的设计与详解

在Java和Spring Cloud的上下文中,虽然Spring Cloud本身并没有直接实现传统的设计模式(如工厂模式),但理解设计模式如何与Spring框架结合使用是非常重要的。工厂模式是一种创建型设计模式,它提供了一种封装对象创建过程…

网站开发之前端和后端开发的区别和联系

随着互联网的发展,网站已经成为人们日常生活中不可或缺的一部分。而网站的开发技术也在不断地发展和更新。在网站开发中,前端和后端是两个重要的概念。本文将介绍前端和后端的区别与联系。 一、前端和后端的定义 前端是指网站的用户界面,包…

【学习笔记】C++每日一记[20240515]

简述malloc/free与new/delete的区别 malloc/free是C语言提供的库函数,通过函数调用访问,需要传递参数并接收返回值;而new/delete是C的运算符,有自己的语法规则和运算方式。 malloc/free函数只能应用于基本类型,而new…

.NET使用Microsoft.IdentityModel.Tokens对SAML2.0登录断言校验

如题。使用SAML单点登录对IDP返回的Response断言使用微软提供的Microsoft.IdentityModel.Tokens对断言(Assertion)进行校验。 首先需要安装Muget包,Microsoft.IdentityModel.Tokens和Microsoft.IdentityModel.Tokens.Saml。 简易示例代码如…

手机自养号测评系统:专业应对电商平台风控,提升账号稳定性

用手机做自养号测评它具备无限生成不同真实手机底层环境的能力,每个环境都相当于一台全新的手机设备。通过先进的底层屏蔽技术,我们成功让亚马逊等平台仅能检测到我们预设的参数,如手机型号、内存、lMEI、序列号、MAC地址以及运营商信息等。每…

Stable Diffusion超详细教程!本地部署 Stable Diffusion

前言 目前市面上比较权威,并能用于工作中的AI绘画软件其实就两款: Midjourney(MJ)Stable-Diffusion(SD) MJ需要付费使用,而SD开源免费,但是上手难度和学习成本略大,并…