gma 1.x 气候气象指数计算源代码(分享)

本模块的主要内建子模块如下:

如何获得完整代码: 回复博主 或者 留言/私信 。

注意:本代码完全开源,可随意修改使用。 但如果您的成果使用或参考了本段代码,给予一定的引用说明(非强制),包括但不限于:

  • 1.作者:洛
  • 2.网站:gma.luosgeo.com
  • 3.PyPI:https://pypi.org/project/gma/
  • 3.GitHub:https://github.com/LiChongrui

其中:

clindex:气候指标计算函数
cmana:气候诊断函数
et0:蒸散计算函数
static:气候常量
utils:通用工具

示例代:1:

from ..core.arraypro import *
from .utils import *

#################################### 累积概率计算
def GammaCP(Data, Axis):
    '''gamma 分布累积概率'''
    if np.nanmin(Data) < 0:
        Data = Data + np.abs(np.nanmin(Data)) * 2    
        # Data = Data + 1000

    PF = ParameterFitting(Data, Axis = Axis)
    Data = PF.Data
    Axis = PF.Axis

    # 计算 0 值概率并填充 0 值 为 NaN
    Zeros = (Data == 0).sum(axis = Axis, keepdims = True)
    ProbabilitiesOfZero = Zeros / Data.shape[Axis]
    Data[Data == 0] = np.nan

    Alphas, Betas = ParameterFitting(Data, Axis = Axis).MLE()
    # 使用gamma CDF 查找 gamma 概率值
    GammaProbabilities = stats.gamma.cdf(Data, a = Alphas, scale = Betas)
    
    Probabilities = ProbabilitiesOfZero + (1 - ProbabilitiesOfZero) * GammaProbabilities
    
    return Probabilities 

def LogLogisticCP(Data, Axis):
    '''Log-Logistic 分布累积概率'''
    PF = ParameterFitting(Data, Axis)
    Alpha, Beta, Gamma1 = PF.LMoment()
     
    Probabilities = 1 / (1 + (Alpha / (PF.Data - Gamma1)) ** Beta)
    
    # 由于 scipy 对 non 值处理过于简单,这里不使用 scipy 的函数
    # Probabilities = stats.fisk.cdf(PF.Data, Beta, loc = Gamma1, scale = Alpha)

    return Probabilities

def Pearson3CP(Data, Axis):
    '''pearson III 分布累积概率'''
    if np.nanmin(Data) < 0:
        Data = Data + np.abs(np.nanmin(Data)) * 2    

    PF = ParameterFitting(Data, Axis)
    Data = PF.Data
    Axis = PF.Axis  

    Loc, Scale, Skew = PF.LMoment2()

    Alpha = 4.0 / (Skew ** 2)
    MINPossible = Loc - ((Alpha * Scale * Skew) / 2.0)
    
    Zeros = (Data == 0).sum(axis = Axis, keepdims = True)
    ProbabilitiesOfZero = Zeros / Data.shape[Axis]

    Probabilities = stats.pearson3.cdf(Data, Skew, Loc, Scale)

    Probabilities[(Data < 0.0005) & (ProbabilitiesOfZero > 0.0)] = 0.0
    Probabilities[(Data < 0.0005) & (ProbabilitiesOfZero <= 0.0)] = 0.0005

    Probabilities[(Data <= MINPossible) & (Skew >= 0)] = 0.0005
    Probabilities[(Data >= MINPossible) & (Skew < 0)] = 0.9995

    Probabilities = ProbabilitiesOfZero + (1.0 - ProbabilitiesOfZero) * Probabilities

    return Probabilities

def _ReshapeAndExtend(Data, Axis, Periodicity):
    '''更改输入数据维度为 (Axis / Periodicity, Periodicity, N),并补充末尾缺失数据'''
    # 交换设置轴到 0 
    if Data.ndim > 1:
        Data = np.swapaxes(Data, 0, Axis)
        S = Data.shape
        S0, S1 = S[0], np.prod(S[1:], dtype = int)
        Data = Data.reshape((S0, S1))
    else:
        Data = np.expand_dims(Data, -1)
    
    # 填充不足 Data.shape[0] / Periodicity
    B = Data.shape[0] % Periodicity
    PW = 0 if B == 0 else Periodicity - B
    
    Data = np.pad(Data, ((0, PW), (0,0)), mode = "constant", constant_values = np.nan)
    
    # 更改为目标维度(3维)
    PeriodicityTimes = Data.shape[0] // Periodicity 
    
    return Data.reshape(PeriodicityTimes, Periodicity, Data.shape[1])

def _RestoreReshapeAndExtend(Data, Axis, Shape):
    '''对 _ReshapeAndExtend 修改的维度和数据进行还原'''
    # 还原为原始维度(2维)
    Data = Data.reshape(np.prod(Data.shape[:2]), *Data.shape[2:])

    # 去除尾部填充值
    Data = Data[:Shape[Axis]]

    # 还原到初始状态
    SHP = list(Shape)
    SHP.pop(Axis)
    SHP = [Shape[Axis]] + SHP

    Data = Data.reshape(SHP)
    Data = np.swapaxes(Data, Axis, 0)
    
    return Data

############### 不同的计算方式
def _Fit(WBInScale, Periodicity, Distribution):
    '''计算标准化指数'''
    # 1.计算累积概率
    Probabilities = eval(f'{Distribution}CP')(WBInScale, 0)
    if Periodicity == 1:
        Probabilities = np.expand_dims(Probabilities, 1)
        
    # 2.生成结果
    OutInScale = stats.norm.ppf(Probabilities)
    return OutInScale

def _API(WBInScale, Axis):
    '''计算距平指数'''
    # 1.计算平均值或趋势值
    Mean = np.nanmean(WBInScale, axis = Axis, dtype = np.float64, keepdims = True)
    
    # 4.生成结果
    OutInScale = (WBInScale - Mean) / Mean
    
    return OutInScale

############### 计算结果
def _Compute(Data, Axis, Scale, Periodicity, Distribution):
    '''自动计算'''   
    Periodicity = ValueType(Periodicity, 'pint')
    
    # 0.数据准备
    DP = DataPreparation(Data, Axis) 
    Data = DP.Data
    SHP = Data.shape
    Axis = DP.Axis
    
    # 1.计算尺度
    WBInScale = DP.SumScale(Scale)
    if not (SHP[Axis] > Periodicity) and (SHP[Axis] > Scale):
        return np.full(WBInScale.shape, np.nan)

    # 2.更改输入数据维度为 (Axis / Periodicity, Periodicity, N)
    WBInScale = _ReshapeAndExtend(WBInScale, Axis, Periodicity)

    # 3.生成结果
    if Distribution == 'API':
        OutInScale = _API(WBInScale, Axis)
    else:
        OutInScale = _Fit(WBInScale, Periodicity, Distribution)

    # 4.还原数据
    OutInScale = _RestoreReshapeAndExtend(OutInScale, Axis, SHP)    
    
    return OutInScale

示例代码2:

#################################### SPEI
def SPEI(PRE, PET, Axis = None, Scale = 1, Periodicity = 12, Distribution = 'LogLogistic'):
    '''计算SPEI'''
    Distribution = GetDistribution(Distribution)
    PRE, PET = INITArray(PRE, PET)

    WB = np.subtract(PRE, PET, dtype = PRE.dtype)
    
    SPEIInScale = _Compute(WB, Axis, Scale, Periodicity, Distribution)
    
    return SPEIInScale

#################################### SPI
def SPI(PRE, Axis = None, Scale = 1, Periodicity = 12, Distribution = 'Gamma'):
    '''计算 SPI'''
    Distribution = GetDistribution(Distribution)
    SPIInScale = _Compute(PRE, Axis, Scale, Periodicity, Distribution)
    
    return SPIInScale

#################################### PAP
def PAP(PRE, Axis = None, Scale = 1, Periodicity = 12):
    '''降水距平百分率'''
    PAPInScale = _Compute(PRE, Axis, Scale, Periodicity, 'API') 
    
    return PAPInScale

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:/a/118800.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

客户案例 | 思腾合力助力深度图灵生成式AI应用平台建设

近年来&#xff0c;娱乐行业发展迅猛&#xff0c;市场容量不断扩大。从娱乐产业发展来看&#xff0c;用户对于娱乐内容和体验的需求不断攀升&#xff0c;如何将生成式AI更好的应用于照片修复、创意摄影、漫画创作、图片生成等场景中是对娱乐行业各科技公司的挑战和考验&#xf…

Kubernetes 的四个网络挑战

Kubernetes 的主要职责之一是在应用程序之间共享节点。由于这些应用程序需要相互通信并与外部世界通信&#xff0c;因此网络是一个基本的需求。 Kubernetes 托管的分布式应用程序架构 来自 Kubernetes 集群外部的请求通常通过负责将它们代理到适当服务的路由器或 API 网关进行…

Python笔记——linux/ubuntu下安装mamba,安装bob.learn库

Python笔记——linux/ubuntu下安装mamba&#xff0c;安装bob.learn库 一、安装/卸载anaconda二、安装mamba1. 命令行安装&#xff08;大坑&#xff0c;不推荐&#xff09;2. 命令行下载guihub上的安装包并安装&#xff08;推荐&#xff09;3. 网站下载安装包并安装&#xff08;…

STM32创建工程步骤

以创建led工程为例&#xff1a; 新建一个led文件夹 新建一个以led命名的工程&#xff08;用keil_uVision5&#xff09;并添加三个组。 Library文件夹里放置库函数文件。 User&#xff1a; 点亮led灯的程序&#xff1b; 直接给寄存器赋值 调用库函数。 #include "stm…

VSCode 连接不上 debian 的问题

之前一台笔记本上安装了 debian12&#xff0c;当时用 vscode 是可以连接上的&#xff0c;但今天连接突然就失败了&#xff0c;失败信息是这样的&#xff1a; 查看失败信息 因为 debian 是自动获取 ip 地址的&#xff0c;以前能连接上时&#xff0c;ip 地址是 104&#xff0c;然…

bin.zip和bin.tar.gz以及src.zip和src.tar.gz以及rpm和dmg的区别

下载JDK时Java Downloads | Oracle会有很多文件&#xff0c;时间长了容易混淆&#xff0c;在此记录一下。 如上面三张图所示: bin代表二进制文件&#xff0c;是编译后的文件&#xff0c;而src是源码。.tar.gz是linux的压缩包&#xff0c;.zip是windows的压缩包 所以: bin.ta…

分页存储管理、分段存储管理、段页式存储管理、两级页表

目录: 分页存储管理 基本地址存储机构 具有快表的地址存储机构 两级页表 分段存储管理 段页式管理方式 分页存储管理(重点) 首先回顾,逻辑地址和物理地址. 为什么要引入分页存储管理? 把物理地址下,离散的各个小片都利用起来,也就是在逻辑地址中看似是连续存储的,实际上对应…

halcon快速傅里叶变换

说明 低频特征是灰度变化不明显&#xff0c;例如图像整体轮廓&#xff0c;高频特征是图像灰度变化剧烈&#xff0c;如图像边缘和噪声。一个重要的经验结论&#xff1a;低频代表图像整体轮廓&#xff0c;高频代表了图像噪声&#xff0c;中频代表图像边缘、纹理等细节。 傅里叶变…

Ps:色彩范围

Ps菜单&#xff1a;选择/色彩范围 Select/Color Range 色彩范围 Color Range是一个功能强大选择命令&#xff0c;不仅可以基于颜色进行选择&#xff0c;而且可以基于影调进行选择。不仅可以用来检测人脸选择肤色&#xff0c;也可用来选择超出印刷色域范围的区域。 在图层蒙版的…

Apex的addError()显示的消息中实现换行

直接用‘<br/>’是无效的&#xff0c;因为addError默认不转义HTML符号&#xff0c;如果需要转义&#xff0c;应该将第二个参数escape设置为false。不过即使设置了也只对classic页面生效&#xff0c;lightning页面还是无法转义。 官方文档&#xff1a; 参考资料&#xf…

稀土/铜催化剂电催化CO2制C2+或CH4

在电化学CO2还原反应&#xff08;CO2RR&#xff09;中&#xff0c;合理调控反应途径以生成所需产物是最重要的挑战之一。基于此&#xff0c;中国科学院化学研究所韩布兴院士和朱庆宫研究员等人报道了一系列稀土-铜混合相催化剂&#xff0c;通过调整催化剂的组成和结构&#xff…

Linux环境变量

Linux环境变量 &#x1f4df;作者主页&#xff1a;慢热的陕西人 &#x1f334;专栏链接&#xff1a;Linux &#x1f4e3;欢迎各位大佬&#x1f44d;点赞&#x1f525;关注&#x1f693;收藏&#xff0c;&#x1f349;留言 本博客主要内容讲解了环境变量&#xff0c;什么是环境变…

OpenCV检测圆(Python版本)

文章目录 示例代码示例结果调参 示例代码 import cv2 import numpy as np# 加载图像 image_path DistanceComparison/test_image/1.png image cv2.imread(image_path, cv2.IMREAD_COLOR)# 将图像转换为灰度 gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用高斯模糊消除…

Python采集数据代码示例

python import requests from bs4 import BeautifulSoup # 设置信息 proxy_host proxy_port proxy_url fhttp://{proxy_host}:{proxy_port} proxy {http: proxy_url, https: proxy_url} # 设置要爬取的网页链接 url # 使用requests发送GET请求&#xff0c;并设置代理…

[C/C++]数据结构 链表OJ题:移除链表元素

题目描述: 给你一个链表的头节点 head 和一个整数 val &#xff0c;请你删除链表中所有满足 Node.val val 的节点&#xff0c;并返回 新的头节点 方法一: 从头开始遍历链表,当遇到相同元素则跳过该元素,指向下一节点 struct ListNode* removeElements(struct ListNode* head…

element tab组件,是否阻止切换

需求&#xff1a; 在tab切换之前判断当前页面是否有选择商品&#xff0c;如果有则在切换前提示用户保存 代码&#xff1a; <el-tabs v-model"tabActive" type"card" closable :before-leave"tabBefore" tab-remove"tabRemove">…

详解MES系统在质检管理中的多角度应用

MES系统的质检管理是指在制造过程中&#xff0c;利用MES系统的功能和工具来规划、执行和监控质检活动&#xff0c;以确保产品的质量符合预期标准和客户要求的管理过程。 1. 质检计划和标准制定&#xff1a; MES系统可以帮助企业制定质检计划&#xff0c;并定义质量标准和要求…

淘宝API商品详情接口丨关键词搜索接口丨用户评论接口丨淘宝销量接口

淘宝API商品详情接口&#xff0c;关键词搜索接口&#xff0c;用户评论接口&#xff0c;淘宝销量接口如下&#xff1a; 淘宝/天猫获得淘宝商品详情 API 返回值说明 item_get-获得淘宝商品详情 1.公共参数 名称类型必须描述keyString是调用key&#xff08;必须以GET方式拼接在…

Python 海龟绘图基础教学教案(十六)

Python 海龟绘图——第 32 题 题目&#xff1a;绘制下面的图形 解析&#xff1a; 循环绘制长方形里面一个小正方形 答案&#xff1a; import turtle as t for i in range(0,2): t.fd(140) t.lt(90) t.fd(80) t.lt(90) t.pu() t.fd(50) t.lt(90) t.fd(20) t.pd()for i…

Chatgpt人工智能对话源码系统分享 带完整搭建教程

ChatGPT的开发基于大规模预训练模型技术。预训练模型是一种在大量文本数据上进行训练的模型&#xff0c;可以学习到各种语言模式和知识。在ChatGPT中&#xff0c;预训练模型被用于学习如何生成文本&#xff0c;并且可以用于各种不同的任务&#xff0c;如对话生成、问答、摘要等…