Matlab地理信息绘图—数据诊断

已于 2023-10-11 23:33:01 修改
阅读量175 收藏
点赞数
分类专栏： Matlab相关 文章标签： matlab python 开发语言
于 2023-10-11 19:15:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38734327/article/details/133769263
版权

文章目录

数据诊断分析（均值方差）

  • 均值方差检测是一种简单但有效的异常检测方法，主要基于样本的均值和方差的统计信息。该方法的核心思想是假设正常的样本点应该聚集在某个区域，而异常点则可能远离这个区域。
  • 3 σ 3\sigma 3σ准则：是一种统计学中常用的规则，用于衡量数据集中的值离均值的距离。该规则基于正态分布的性质，提供了一个衡量数据集中值的离散程度的指标。
  • 具体来说， 3 σ 3\sigma 3σ准则表明：
    • 对于一个正态分布的数据集，约有 68% 的数据值会落在均值的一个标准差范围内。
    • 约有 95% 的数据值会落在均值的两个标准差范围内。
    • 约有 99.7% 的数据值会落在均值的三个标准差范围内。

Matlab代码实现

%% Figrue4-14 【NSIDC-ECMWF】DOO与天气过程和频率的关系
clear;clc;close all
load('.\data\daily_sia_7920.mat');
sia=min(cdr_sia./1e11);% 1e5 km2
for ii=1:42
    sia_day(ii)=find(cdr_sia(:,ii)./1e11==sia(ii));
end

msia=mean(sia_day);
ssia=std(sia_day);

siz=25;lind=1.5;
x_0=0.10;
y_0=0.70;
len=0.85;
width=0.25;
d_x=0.32;
d_y=-0.27;
px=[0 0 0 0];
py=[0 1 2 3];
%======================================================
set(gcf,'color',[1 1 1],'position',[10 45 800 800*1.2]);%get(0,'screensize')
axes('position',[x_0+d_x*px(1), y_0+d_y*py(1), len, width]);
plot(sia_day,'k-*','linewidth',lind);hold on
plot([1 42],[msia,msia],'k-','linewidth',lind);hold on
plot([1 42],[msia+ssia,msia+ssia],'k--','linewidth',lind);hold on
plot([1 42],[msia-ssia,msia-ssia],'k--','linewidth',lind);hold on
C1=sia_day;C1(C1>msia-ssia)=nan;
C3=sia_day;C3(C3<msia+ssia)=nan;
scatter([1:42],C1,60,'b','filled','s');hold on
scatter([1:42],C3,60,'r','filled','^');hold on
set(gca,'linewidth',lind);grid on
set(gca,'xlim',[0 43],'xtick',1:5:42,'xticklabel','',...
    'fontname','Times New Roman','FontSize',siz-10,'fontweight','bold')
set(gca,'ylim',[210 280],'ytick',210:20:280,'yticklabel',num2str([210:20:280]','%.0f'),'Fontname',...
    'Times New Roman','FontSize',siz-10,'fontweight','bold');
ylabel('Day of year (d)','fontname','Times New Roman',...
    'FontSize',siz-10,'fontweight','bold');
hh=get(gca);
X=hh.XLim;
Y=hh.YLim;
k1=[0.03 0.8];
k2=[0.3 0.8];
k3=[0.03 0.9];
x_2=X(1)+k2(1)*(X(2)-X(1));
y_2=Y(1)+k2(2)*(Y(2)-Y(1));
x_3=X(1)+k3(1)*(X(2)-X(1));
y_3=Y(1)+k3(2)*(Y(2)-Y(1));
text(double(x_3),double(y_3),'(a)','color','k','fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
%======================天气过程频率==========================================
load('.\data\BFT_wind2_daily_7920.mat')
ue=u;
uc=mean(u);
stdc=std(u);
data1=ue-uc;
data2=ue-uc-stdc;
data3=ue-uc-2*stdc;
data1(data1<0)=nan;data1(~isnan(data1))=1;
data2(data2<0)=nan;data2(~isnan(data2))=1;
data3(data3<0)=nan;data3(~isnan(data3))=1;
mon=[31 28 31 30 31 30 31 31 30 31 30 31];
mona=[1,32,60,91,121,152,182,213,244,274,305,335];
monb=[31,59,90,120,151,181,212,243,273,304,334,365];
barmap1=[190 223 235;0 190 255;26 26 210]./255;
for mm=1:12
    datam=nansum(data1(mona(mm):monb(mm),:),1);
    datas1=nansum(data2(mona(mm):monb(mm),:),1);
    datas2=nansum(data3(mona(mm):monb(mm),:),1);
    
    datad0(mm,:)=datam-datas1;%大于平均值的天数
    datad1(mm,:)=datas1-datas2;%大于一个标准差的天数
    datad2(mm,:)=datas2;%大于两个标准差的天数
end
data590=nansum(datad0(5:9,:),1);
data591=nansum(datad1(5:9,:),1);
data592=nansum(datad2(5:9,:),1);

axes('position',[x_0+d_x*px(2), y_0+d_y*py(2), len, width]);
ch=bar([data590;data591;data592]','stacked');
grid on
set(ch(1),'FaceColor',barmap1(1,:));
set(ch(2),'FaceColor',barmap1(2,:));
set(ch(3),'FaceColor',barmap1(3,:));
set(gca,'linewidth',lind,'ylim',[0 120]);
ylabel('Days yr^{-1}','fontname','Times New Roman','FontSize',siz-10,'fontweight','bold');

text(15,110,{'>0\sigma days'},'color',barmap1(1,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
text(15,100,{'≥1\sigma days'},'color',barmap1(2,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
text(15,90,{'≥2\sigma days'},'color',barmap1(3,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
set(gca,'xlim',[0 43],'xtick',[1:5:42],'xticklabel','','Fontname',...
    'Times New Roman','FontSize',siz-10,'fontweight','bold')
hh=get(gca);
X=hh.XLim;
Y=hh.YLim;
k1=[0.03 0.8];
k2=[0.3 0.8];
k3=[0.03 0.9];
x_2=X(1)+k2(1)*(X(2)-X(1));
y_2=Y(1)+k2(2)*(Y(2)-Y(1));
x_3=X(1)+k3(1)*(X(2)-X(1));
y_3=Y(1)+k3(2)*(Y(2)-Y(1));
text(double(x_3),double(y_3),'(b)','color','k','fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
%======================天气过程强度==========================================
load('.\data\BFT_wind2_daily_7920.mat')
ue=u;
uc=mean(u);
stdc=std(u);
data1=ue-uc;
data2=ue-uc-stdc;
data3=ue-uc-2*stdc;
data1(data1<0)=nan;data1(~isnan(data1))=1;
data2(data2<0)=nan;data2(~isnan(data2))=1;
data3(data3<0)=nan;data3(~isnan(data3))=1;
barmap2=[178 38 38;255 27 255;221 159 221;255 195 204;187 143 143]./255;
for yy=1:42
    for mm=1:12
        %==============================
        events3=0;
        for aa=mona(mm):monb(mm)-2
            if ~isnan(data2(aa,yy)) &  ~isnan(data2(aa+1,yy)) & ~isnan(data2(aa+2,yy))
                events3=events3+1;
            end
            Events3(mm,yy)=events3;
        end
        %============================
        events4=0;
        for aa=mona(mm):monb(mm)-3
            if ~isnan(data2(aa,yy)) &  ~isnan(data2(aa+1,yy)) & ~isnan(data2(aa+2,yy)) & ~isnan(data2(aa+3,yy))
                events4=events4+1;
            end
            Events4(mm,yy)=events4;
        end
        %============================
        events5=0;
        for aa=mona(mm):monb(mm)-4
            if ~isnan(data2(aa,yy)) &  ~isnan(data2(aa+1,yy)) & ~isnan(data2(aa+2,yy)) & ~isnan(data2(aa+3,yy))...
                    & ~isnan(data2(aa+4,yy))
                events5=events5+1;
            end
            Events5(mm,yy)=events5;
        end
        %============================
        events6=0;
        for aa=mona(mm):monb(mm)-5
            if ~isnan(data2(aa,yy)) &  ~isnan(data2(aa+1,yy)) & ~isnan(data2(aa+2,yy)) & ~isnan(data2(aa+3,yy))...
                    & ~isnan(data2(aa+4,yy)) & ~isnan(data2(aa+5,yy))
                events6=events6+1;
            end
            Events6(mm,yy)=events6;
        end
        %============================
        events7=0;
        for aa=mona(mm):monb(mm)-6
            if ~isnan(data2(aa,yy)) &  ~isnan(data2(aa+1,yy)) & ~isnan(data2(aa+2,yy)) & ~isnan(data2(aa+3,yy))...
                    & ~isnan(data2(aa+4,yy)) & ~isnan(data2(aa+5,yy)) & ~isnan(data2(aa+6,yy))
                events7=events7+1;
            end
            Events7(mm,yy)=events7;
        end
        
    end
end
datas3=nansum(Events3(5:9,:),1);
datas4=nansum(Events4(5:9,:),1);
datas5=nansum(Events5(5:9,:),1);
datas6=nansum(Events6(5:9,:),1);
datas7=nansum(Events7(5:9,:),1);

axes('position',[x_0+d_x*px(3), y_0+d_y*py(3), len, width]);
ch=bar([datas3;datas4;datas5;datas6;datas7]','stacked');
grid on
set(ch(1),'FaceColor',barmap2(1,:));
set(ch(2),'FaceColor',barmap2(2,:));
set(ch(3),'FaceColor',barmap2(3,:));
set(ch(4),'FaceColor',barmap2(4,:));
set(ch(5),'FaceColor',barmap2(5,:));

set(gca,'linewidth',lind,'ylim',[0 60]);
ylabel('Events yr^{-1}','fontname','Times New Roman','FontSize',siz-10,'fontweight','bold');
text(15,58,{'3-days events'},'color',barmap2(1,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
text(15,53,{'4-days events'},'color',barmap2(2,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
text(15,48,{'5-days events'},'color',barmap2(3,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
text(15,43,{'6-days events'},'color',barmap2(4,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
text(15,38,{'7-days events'},'color',barmap2(5,:),'fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
set(gca,'xlim',[0 43],'xtick',[1:5:42],'xticklabel',1979:5:2020,'Fontname',...
    'Times New Roman','FontSize',siz-10,'fontweight','bold')
hh=get(gca);
X=hh.XLim;
Y=hh.YLim;
k1=[0.03 0.8];
k2=[0.3 0.8];
k3=[0.03 0.9];
x_2=X(1)+k2(1)*(X(2)-X(1));
y_2=Y(1)+k2(2)*(Y(2)-Y(1));
x_3=X(1)+k3(1)*(X(2)-X(1));
y_3=Y(1)+k3(2)*(Y(2)-Y(1));
text(double(x_3),double(y_3),'(c)','color','k','fontname',...
    'Times New Roman','fontweight','bold','fontsize',siz-10);
% export_fig(['.\map\','Figure4-14.天气过程.png'],'-r200')
% close all

结果展示

在这里插入图片描述

木叶清风666
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matlab，求图像的均值、方差、标准差
03-13
用matlab编写的，用于求图像的均值、方差、标准差，可以直接运行
精度及其3σ准则
热门推荐
hangl_ciom的博客
05-01 3万+
1 精度的概念 定义：测量值与真实值(或标准值)的接近程度，称为精度。 精度与误差的大小相对应，因此可用误差大小来表示精度的高低，误差小则精度高，误差大则精度低。 精度包含了以下三类概念： 1)准确度（Accuracy）：表示测量结果与真值之间的一致程度，它反映测量结果中系统误差与随机误差的综合。其定量特征可用测量的不确定度(或极限误差)来表示； 2)精密度（Precision）：表示在一定条件下...
【Matlab】均值方差对比图
XYZ
09-11 1万+
有些时候，为了对比不同情况下数据的均值和方差，我们可以使用表格法，但是表格法的确定在于不够直观，其实，可以利用Matlab绘图帮助我们快速而准确地表达出我们想要表达的意思。 若情况的个数比较少，那么我们可以使用箱线图表示数据的均值和方差； 箱线图又称为盒图，利用matlab的boxplot函数可以很方便地画出上面的效果： boxplot(randn(30,3)); 若情况的个数过多，...
基于MATLAB实现沉降监测数据分析
m0_57702748的博客
07-04 136
1.卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断。7.生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化。
东北大学数据科学基础(MATLAB)-笔记
tiexiaorenyu的博客
04-27 6790
(本地用typora写的md笔记,导入图片得建一个picGo图床,嫌麻烦,所以如有需要带完整图片的笔记,参见: 课件,参见:东北大学数据科学基础MATLAB学习PPT.zip) 文章目录一. acknowledge重点:**画图**/MATLAB可视化技术三. 数模算法章(Matlab's *optimization* *tool* *box*,优化工具箱)1. 退火算法四.课程进度向量化编程&如何不使用for循环[bsxfun, *arrayfun, cellfun*, spfun, struct
有关电力电子技术的一些相关仿真和分析：⑦三相桥式电压型PWM逆变器与直接/间接法控制单相全桥结构PWM整流器（MATLAB/Siumlink仿真）
xjtuymh的博客
07-17 5257
关于三相桥式电压型PWM逆变器与直接/间接法控制单相全桥结构PWM整流器的仿真模型搭建
MATLAB--文件操作相关指令
MelyLenient的博客
07-17 681
记录一下M文件创建、操作、获取信息等相关资料。MATLAB的M文件是用来代替MATLAB命令行窗口输入指令的文件。因此所有的MATLAB指令都可以再MATLAB的M文件中调用.
故障诊断 | 基于小波包能量谱对滚动轴承的故障诊断Matlab代码
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
07-21 217
故障诊断 | 基于小波包能量谱对滚动轴承的故障诊断Matlab代码
3.1、matlab双目相机标定实验
XU157303764的博客
07-20 1176
matlab双目相机标定实验
蜣螂算法（BSO）及Python和MATLAB实现
qq_45441438的博客
07-18 394
通过模拟蜣螂之间的信息交流和个体搜索行为，蜣螂算法具有较强的全局搜索能力和快速收敛性。蜣螂算法通过模拟蜣螂的群体行为和信息传递机制，实现了复杂优化问题的高效解决。蜣螂算法基于蜣螂在寻找食物时的聚集行为和信息传递机制，蜣螂通过释放信息素和相互沟通协作来找到最佳的食物来源。- 蜣螂根据个体搜索能力和信息素浓度选择移动方向，一定概率随机选择或受邻近蜣螂信息素吸引。- 根据蜣螂释放的信息素和问题适应度更新信息素浓度，增强优质解周围的信息素浓度。- 蜣螂之间通过信息素交流实现信息共享和协作，帮助蜣螂找到更优的解。
【独家首发】Matlab实现天鹰优化算法AO优化Transformer-LSTM实现负荷数据回归预测
算法如诗的博客
07-21 354
【独家首发】Matlab实现天鹰优化算法AO优化Transformer-LSTM实现负荷数据回归预测
MATLAB科研数据可视化教程
2301_78164062的博客
07-17 1164
MATLAB科研数据可视化教程
【无标题】
最新发布
weixin_42269028的博客
07-21 510
多线程学习，告一段落，这里开始使用QCustomPlot进行绘图操作，原来已经有一篇[《Qt编程技巧总结篇（1）- 画图方面》]，不过相对于上一篇，现有又有了不少新的体会，并且学到了不少可以快速、简洁、流畅与自然的进行部分绘图操作，不得不说，QCustomPlot是个很不错的工具，让Qt画起图来稍微方便了不少，对于脱离MATLAB的人来说，真是大福音啊，这篇收个小费，不白写了。
应用最优化方法及MATLAB实现——第5章代码实现
GFCLJY的博客
07-18 645
继上一章代码后，这篇主要是针对于第5章代码的实现。部分代码有更改，会在下面说明，程序运行结果跟书中不完全一样，因为部分参数，书中并没有给出其在运行时设置的值，所以我根据我自己的调试进行了设置，运行出来的结果跟书中的结果大致一致。
应用最优化方法及MATLAB实现——第4章代码实现
GFCLJY的博客
07-17 1077
因为书中几个条件使用的示例函数均相同，在此将其单独罗列出来，复制即可。
88个群智能算法优化BP神经网络 多特征输入单输出回归预测Matlab程序
2401_86241083的博客
07-19 665
在Matlab中优化神经网络的初始权重涉及选择合适的算法和方法来调整网络的权重，以优化模型的预测能力和性能。具体来说，如果有88种智能算法可供选择，那么每种算法都有其独特的优势和适用场景。
图论模型-弗洛伊德算法★★★
huahua121_的博客
07-20 1037
弗洛伊德算法是对迪杰斯特拉算法和贝尔曼福特算法的补充，它可以直接求出任意两点之间的最短路径。
Docker容器下安装Matlab，无需挂载
夜笨钟
07-18 359
Matlab的安装需要这些文件传入ubuntu后，改过相关的文件权限后，发现还是无法挂载这有可能是docker的安全管理策略导致容器不能挂载，因此采用不挂载形式，直接解压的方式安装Matlabrar用于解压Crack文件得到的文件名不能像rar一样有空格，将空格改成 _。注意，运行该命令时，终端不能处于该文件夹内。
MATLAB入门：科研绘图与数据处理利器
作为科研绘图和数据处理的重要工具，MATLAB支持广泛的科学计算任务，包括但不限于数值分析、矩阵运算、图形图像处理、信号处理和数字仿真。它的核心功能允许用户快速实现算法，并通过可视化工具展示结果。每年发布的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值