Quem faz o melhor indicador estocástico do oscilador para metatrader 4 Obrigado pela próxima melhoria, posso perguntar qual é o significado e o significado da relação e como isso pode ser usado, existe alguma fórmula ou combinação compacta para aumentar a proporção de diminuição de uma forma de relação seqüencial. Por exemplo, o padrão é 8-22, quando queremos aumentá-lo com a mesma proporção de 16-44. 32-88, ou aumentar o rápido e diminuir o lento, por exemplo, do padrão 8-22 para 16-11 ou 4-44. Ou todas as proporções rápidas e lentas devem ser aumentadas de forma individual. Muito formato, combinação e complexion, realmente confuso, na verdade eu quero usá-lo com uma maneira perfeita e adequada para obter melhores resultados máximos. . Sinto muito por minha mente aborrecida. . Honestamente, quando e onde aprendemos (eu estou falando sobre o meu eu) não consegui por nós mesmos para melhor ajuste máximo, pedimos e solicitamos você e devemos fazê-lo sem hesitar em usar melhor seu código, apenas um O criador pode nos guiar melhor, obrigado Se você usa relações, tente usar taxas que não são multiplicadas pelo mesmo valor ou então você terá os mesmos valores (uma vez que a soma dos valores multiplicados por proporção será dividida pela Soma dos índices, e nos casos que você mencionou, produz o mesmo resultado). Eu usei 8 a 100 no exemplo. Este é apenas um experimento. Adicionou tipos de médias básicas (os 4 tipos incorporados) e adicionou uma relação rápida e lenta. Stochasticdigitalkahler12.mq4 Parece que a relação tem um impacto mais controlável do que o tipo ma. O exemplo tem uma relação lenta definida para 100 e o smma é usado para suavizar Pode um macd ser usado dessa maneira Editores acadêmicos: Jamal Jokar Arsanjani e Wolfgang Kainz Recebido: 15 de julho de 2016 Aceito: 16 de janeiro de 2017 Publicado: 21 de janeiro de 2017 A distribuição espacial automática As estações meteorológicas nas regiões do oeste da China (por exemplo, o Tibete e o sul de Xingjiang) são relativamente escassas. Devido à considerável variabilidade espacial das precipitações, as estimativas das chuvas que são interpoladas nessas áreas apresentam incerteza considerável com base nas atuais redes de observação. Neste artigo, é introduzido um novo método estatístico para estimar a precipitação que integra produtos de satélite e dados de observação in situ. Este método calcula as diferenças entre dados de quadros e dados de pontos com base na teoria da assimilação de dados. Em regiões nas quais a distribuição espacial das estações meteorológicas automáticas é esparsa, um método de suavização de kernel não paramétrico é adotado para processar os dados descontínuos através de correção e interpolação espacial. Uma análise comparativa do método de fusão com base no algoritmo de suavização dupla proposto aqui indicou que o método melhorou do que os utilizados em estudos anteriores com base no desvio médio, erro quadrático médio e valores de coeficiente de correlação. Nossos resultados indicam que o método proposto é mais racional e efetivo em termos de coeficiente de eficiência e distribuição espacial dos desvios. Estimativa de precipitação algoritmo de alisamento duplo de região de dispersão de região distribuída escassamente distribuída 1. Introdução A precipitação é um importante componente meteorológico com alta variabilidade. Na pesquisa hidrometeorológica, a estimativa de precipitação é um parâmetro de referência chave que fornece informações valiosas para o planejamento econômico e social. Esta informação pode proteger a vida e a propriedade das pessoas. A estimativa de precipitação tradicional é baseada em dados de observação in situ. Os dados coletados usando redes de observação distribuídas em bacias de drenagem são processados aplicando um método médio ponderado 1, um método de suavização ou interpolação 2 e um método estatístico geograficamente sintonizado 3. Tais processos são usados para obter os valores iniciais de muitos modelos hidrológicos. A distribuição temporal-espacial das precipitações na província de Shaanxi e no noroeste da China foi estudada usando dados diários de precipitação de estações meteorológicas com base em análise de regressão linear e método de análise wavelet 4, 5. No entanto, as estações de observação de superfície na China são distribuídas principalmente no sudeste e centro da China, enquanto que a distribuição espacial das estações em outras regiões é relativamente escassa. Os métodos de avaliação para classificar e ordenar as tempestades diárias em cada estação foram desenvolvidos para este tipo de região por Cheng et al. 6. Devido à óbvia variabilidade espacial da precipitação, a precipitação cumulativa em cada área estatística pode variar consideravelmente. Além disso, a distribuição da precipitação pode ser altamente heterogênea, e as estimativas de precipitação da área que são interpoladas têm maior incerteza do que as determinadas usando redes observacionais. Nos últimos anos, os cientistas fizeram esforços consideráveis para usar imagens de satélite com cobertura global para a estimativa de precipitação. A Missão de Medição de Precipitação Tropical (TRMM) é um projeto conjunto lançado pela National Aeronautics and Space Administration (NASA) e pela Japan Aerospace Exploration Agency (JAXA) em 1997 e fornece abundantes dados de precipitação tropical global 7, 8, 9. Neste artigo, o produto 3B43 (versão 7) da análise de precipitação multi-satélite TRMM de 3 h em tempo real (TMPA) foi selecionado como objeto da experiência. O TMPA foi aplicado diretamente em vários estudos hidro-meteorológicos 10, 11. No entanto, a resolução espacial da TMPA é menos do que satisfatória para estudos envolvendo heterogeneidade meteorológica ou hidrológica 12. A baixa resolução da estimativa por satélite restringe a sua aplicação hidro-meteorológica. No entanto, devido à sua demora no tempo, amostragem temporal de alta qualidade e ampla cobertura global, a TMPA fornece dados valiosos para uso em tais aplicações. A fusão dos dados de TMPA e de observação de superfície tem pelo menos duas vantagens: (i) os erros dos dois tipos de estimativas de precipitação são independentes e (ii) em áreas onde as estações de observação de superfície são distribuídas escassamente, as distribuições de precipitação construídas pela TMPA podem ser uma Referência importante. No final do século XX, o método das estatísticas espaciais havia sido introduzido em algoritmos de estimativa de precipitação, permitindo a combinação de observações de satélites e de superfície. No entanto, esta abordagem está sujeita a uma melhoria contínua. Plouffe et al. 13 compararam quatro técnicas de interpolação espacial: ponderação da distância inversa, splines de placas finas, kriging comum e kriging bayesiano. Seus resultados indicaram que a krigagem bayesiana foi melhor para a baixa precipitação no Sri Lanka. Zhang et al. 14 apresentaram um método para estimar a precipitação média de areal (AMR) usando o modelo de estimativa de doença de área baseada em hospital Sentinela tendencial (B-SHADE), observações de pluviometria tendenciosa e dados de TRMM em áreas remotas com distribuições escassas e desiguais de pluviómetros. Os resultados indicaram que B-SHADE exibiu os menores preconceitos de estimativa. Chee et al. 15 consideraram a estimativa não paramétrica de uma distribuição de mistura minimizando a distância quadrática entre a distribuição empírica e a distribuição da mistura, as quais foram alisadas usando as funções do kernel. Estudos experimentais mostraram que os novos estimadores de densidade baseados em mistura superaram os estimadores de densidade baseados no kernel populares em termos de erro quadrático integrado médio praticamente todas as distribuições estudadas como resultado da redução substancial do viés proporcionada por modelos de mistura não paramétrica e suavização dupla. Shao et al. 16 apresentaram uma técnica de suavização dupla para derivar as quantidades de precipitação em um pequeno tamanho de grade com base em observações de calibração. Eles usaram uma transformação empírica para estabilizar os resíduos e poderia facilmente aprimorar a precipitação usando o método de bootstrapping. O objetivo do estudo de Long et al. 17 era apresentar uma estrutura de fusão de dados de satélite e pluviometria adaptada para projetos de resolução grosseira e de dados escassos. Na estrutura, um método de downscaling espacial estatístico baseado nas relações entre precipitação, características topográficas e condições climáticas foi utilizado para reduzir o campo de precipitação diária de 0,25 derivado do produto de precipitação TMPA. A técnica de fusão não paramétrica do alisamento duplo do kernel, que foi adaptada para o design disperso de dados, foi combinada com o método global de otimização da evolução complexa embaralhada para fundir o TRMM reduzido e a precipitação calibrada com erro mínimo de validação cruzada. Nerini et al. 18 compararam dois métodos de fusão de dados de precipitação não paramétricos com dois métodos geoestatísticos para otimizar o desempenho hidrometeorológico de um produto de precipitação por satélite em uma bacia hidrográfica tropical de mesoescala no Peru. Os resultados foram avaliados utilizando os seguintes métodos: (1) um procedimento de validação cruzada e (2) análise de balanço hídrico e modelagem hidrológica. Eles descobriram que o método de suavização de kernel duplo proporcionou a melhoria mais consistente em relação ao produto satelital original, tanto na avaliação cruzada quanto na avaliação hidrológica. Assim, foi proposta uma abordagem sistemática para a seleção de uma técnica para mesclar os dados do satélite-pluviometria com base nas características dos dados. Os dados de precipitação subdaily por satélite foram analisados por Pfeifroth et al. 19 na África Ocidental, uma região com considerável variabilidade diurna. Ingebrigtsen et al. 20 investigaram aspectos de várias estimativas usando um modelo espacial não estacionário bayesiano de precipitação anual com base em observações de vários anos. O modelo continha repetições de campos espaciais, o que aumentou a precisão das estimativas e as tornou menos sensíveis aos valores anteriores. Analisaram os dados de precipitação do sul da Noruega e investigaram as propriedades estatísticas do modelo replicado em um estudo de simulação. Um estudo na Austrália 21 avaliou os métodos geoestatísticos selecionados para estimar os mapas diários de precipitação em toda a Austrália. Este estudo examinou as mudanças no problema de suporte e a intermitência espacial dos dados diários de precipitação misturando dados de satélite e calibração. Uma regressão geograficamente ponderada (GWR) 22 foi utilizada para estimar a distribuição espacial do erro do produto TRMM usando elevação e latitude geográfica e longitude como variáveis independentes. Um modelo de precipitação foi desenvolvido combinando medidas de precipitação baseadas no solo e baseadas em satélites, e a precisão do modelo foi validada usando um método de validação cruzada com base em medidas de calibres de precipitação. Os resultados do estudo da China 23 mostraram que, em comparação com a TMPA, as Recuperações Integradas de Multisatélites para a Medição Global de Precipitação (GPM), conhecidas como IMERG, melhoraram significativamente a precisão da precipitação na região de Xinjiang e no Planalto Qinghai-Tibete. No entanto, a maioria dos produtos IMERG sobre essas áreas não são confiáveis. Gotway et al. 24 forneceu uma visão geral atualizada sobre como resolver o problema de dados espaciais incompatíveis. Kyriakidis 25 apresentou um método geo-estatístico baseado em variações na resolução espacial, nos quais os modelos de estrutura de covariância de área a área e de área a ponto adequados são adotados para calcular e obter dados de área e para predição em um ponto desejado. Pan et al. 26 e Gao et al. 27 adotaram o método de interpolação ideal para um teste de fusão com base em dados de observação de satélites e de superfície e chegaram a conclusões semelhantes, a saber, que o produto fundido melhorou de forma apreciável a precisão da estimativa de precipitação e expandiu o escopo da estimativa para refletir a informação de precipitação para plataformas em várias escalas . Shen et al. 28 avaliaram a qualidade do produto fundido e descobriram que o produto fundido tornou-se mais racional em termos de valor de precipitação e distribuição espacial utilizando efetivamente as respectivas vantagens das observações de superfície e a precipitação recuperada por satélite. Este método de fusão reduziu o desvio médio e o erro do quadrado médio-quadrado e melhorou ainda mais a qualidade do produto e apresentou uma certa vantagem na monitoração quantitativa da precipitação pesada. O presente artigo propõe um novo método estatístico que funde os dados da TMPA e de observação de superfície. Quando há desvios de dados TMPA e nenhuma hipótese espacial relativamente forte, este método ainda pode gerar um quadro estatístico não paramétrico extremamente satisfatório e obter uma excelente intermitência de correção e interpolação espacial, mesmo em áreas nas quais as estações de observação superficial são escassamente distribuídas. 2. Área de Estudo e Dados Experimentais Neste artigo, os dados da estação meteorológica automática foram derivados da Rede do Sistema de Serviço de Compartilhamento de Dados Meteorológicos da China, e eles foram preparados em arquivos de dados de valor diário pelo Centro Nacional de Informação Meteorológica (NMIC). Esta rede inclui 839 estações que cobrem o intervalo de tempo de 2005 a 2010. Devido à complexa topografia da China, a distribuição espacial da rede nacional de pluviômetros em estações meteorológicas automáticas é desigual (ou seja, é densa a leste e escassa no oeste ). Assim, é necessário avaliar a qualidade do método de fusão em regiões com diferentes densidades. Três tamanhos iguais de regiões de grade foram selecionados de acordo com a área experimental, ou seja, região C1 no oeste (onde há 12 estações principalmente dispersas), região C2 no centro (onde há 68 estações) e região C3 no sudeste (Onde existem 162 estações mais densamente distribuídas), como mostrado na Figura 1. Os dados da estação meteorológica automática em C1, C2 e C3 foram fundidos com o produto de precipitação TMPA e seus resultados foram rotulados como C1, C2 e C3, respectivamente. Os efeitos de fusão sob as três densidades de rede regional foram testados. TMPA, o produto da sétima edição da TRMM adotado para dados de satélite, foi reconhecido como o produto com maior precisão entre os produtos de precipitação TRMM. Os dados de análise de precipitação obtidos por 3 h pela TMPA foram primeiro acumulados em dados diários de precipitação e depois em dados mensais de precipitação. O produto de precipitação TMPA adotado neste trabalho variou de 2005 a 2010 em termos de intervalo de tempo e de 10 N a 50 N de latitude. 3. Método para a integração de produtos de precipitação por satélite O método proposto neste documento é usado para estimar a precipitação através da fusão de vários dados espaciais, e é derivado da teoria da assimilação de dados. A assimilação de dados envolve o processamento de diferentes fontes de dados para que os produtos finais possam ser integrados. Na previsão numérica do tempo, a assimilação de dados é inicialmente considerada um processo usado para fornecer campos iniciais para a predição numérica das distribuições espaciais e temporais de dados de observação. A chave para este método reside no cálculo das diferenças entre dados de área e dados de pontos. O método de interpolação adotado neste artigo é o alisamento do kernel, que, em contraste com o método de Kriging, não depende da hipótese de estacionaridade e pode ser aplicado em circunstâncias em que a hipótese estatística geográfica falhou, ou seja, quando os dados geográficos envolvidos em uma A análise estatística da geografia está relacionada ou correlacionada, heterogênea e não atende aos pressupostos de aleatoriedade da análise estatística geral. Além disso, são discutidos dois problemas relacionados ao método de fusão baseado em erro residual: (1) o uso do TMPA original como o campo de fundo é problemático, portanto, o pré-processamento de dados de área é essencial (2) o método comum de suavização do kernel, após Sendo melhorado, pode melhorar a expressão visual e a eficiência da estimativa em uma área esparsa. 3.1. Princípio da fusão de dados não paramétricos baseados em erros residuais Embora a chave para a análise residual baseada em erro reside no cálculo das diferenças entre o campo de fundo e os valores observados, o método de fusão não paramétrico baseado em erro residual visa resolver a média ponderada de erros residuais de acordo com À distância entre os pontos de observação. O campo de estimativa é obtido através da combinação do campo de erro residual com o campo de fundo. Portanto, o campo de estimativa é obtido através do ajuste de dados de observação adjacentes, e o campo de fundo será mantido se não houver dados de observação locais. As relações entre o campo de fundo X B. O campo de observação X O. E o erro residual D pode ser expresso pelo seguinte sistema de equações: V ar (e B) B 2 onde B não pode ser 0 e variará no espaço. Embora existam pressupostos independentes, o erro de fundo de dois pixels adjacentes dos dados do raster geralmente está relacionado. Em comparação com o modelo em que o erro correlacionado é mais preciso, a violação da suposição de independência pode levar a uma variação de estimativa maior. No entanto, o desvio ainda é próximo de zero. Se houver uma forte correlação, é mais difícil obter estimativas de incerteza. Este caso não é considerado neste estudo. Em estudos futuros, este pressuposto de independência levará em consideração o erro de fundo e o cálculo da incerteza. Em contraste com o erro de fundo, o erro de medição é considerado como ruído gaussiano branco e é expresso como V ar (e O) O 2 O ruído gaussiano branco é um tipo de erro acidental que segue a distribuição normal. O erro acidental é o erro causado pela incerteza da medida, incluindo o erro humano. De acordo com Equações (1) (3), o modelo não paramétrico é usado para expressar o campo de erro residual, como mostrado pela fórmula abaixo: Equação D (S i) e B (S i) e O (S i) (9) Indica que o campo de erro residual é igual à diferença entre o erro de fundo e o erro de observação. O campo de estimativa XM pode adotar o modelo não paramétrico baseado em erro residual para estimação, como mostrado pela fórmula abaixo: D (S i) XB (S i) XO (S i) B (S) onde h é um número positivo e é Conhecida como largura de banda. O modelo não paramétrico emprega a função kernel para atribuir os pesos de acordo com as distâncias entre os pontos de observação periféricos. A adoção do método de fusão não paramétrico baseado em erro residual envolve três etapas: (i) calcular o erro residual no ponto de observação usando Equação (10) (ii) adotar o método de suavização do kernel para estimar o erro de fundo gerado pelo erro residual Usando Equações (20) e (21) e (iii) extraia o campo de estimativa ou o campo de fundo efetivo de acordo com o erro de fundo estimado usando a Equação (12). 3.2. Definir o campo de fundo O método descrito neste documento é fornecido por Equations (10) (12) e visa a fusão de dados de raster e dados de pontos. Assim, definir claramente o campo de fundo é essencial. Dado que a fusão direta 29 gera desvios significativos no limite do plano (ou seja, o limite entre dois conjuntos de dados raster contínuos TMPA) e causa descontinuidade no campo de fundo, este artigo apresenta o método de fusão de suavização para reduzir os desvios decorrentes da fusão de dados raster E dados de pontos. A idéia básica do método é empregar a média móvel do TMPA para gerar um campo de suavização e adotar o campo auxiliar como o campo de fundo das Equações (10) (12). A janela usada pela média móvel tem o mesmo tamanho que o de um pixel no conjunto de dados raster TMPA. S i (i 1, 2, 3, 4) representa quatro pixels raster TMPA contendo a média móvel s A i (i 1, 2, 3, 4) representa a área de interseção entre S i e a janela em movimento, conforme mostrado em Figura 2 . Além disso, T (s j) representa a estimativa de precipitação TMPA para raster S i. O TMPA suavizado em s é fornecido pelas fórmulas 30 abaixo: T (s) j 1 4 w j T (s j) w j A j i 1 n A i 3.3. Algoritmo de alívio duplo O alisamento do kernel (Equação (11)) pode ser empregado para estimar efetivamente as expectativas do campo de erro em segundo plano e suas condições atendem o campo de erro residual em circunstâncias em que os pontos de observação estão densamente distribuídos. No entanto, o desempenho do suavizado normal do núcleo não é suficientemente estável, especialmente porque não pode refletir as expectativas reais bem quando os pontos de observação são escassamente distribuídos. Mais precisamente, a média condicional dos erros de fundo é resolvida usando a Equação (11), ou seja, i 1 n K (SS ih) a partir da qual se pode ver que i 1 n K (SS ih) gt 0 se e somente se houver Pelo menos um S i localizado no raio de largura de banda h de S. Supondo que apenas um ponto de observação caia dentro do escopo das amostras, o erro de fundo estimado fora do raio de largura de banda observado será zero, mas será significativamente diferente dentro do Raio de largura de banda observado, resultando na descontinuidade da estimativa de precipitação. Nas regiões remotas da China, a distribuição espacial dos pluviômetros das estações meteorológicas automáticas é extremamente escassa, e não existem estações meteorológicas automáticas em muitas regiões. Assim, tendo adotado a técnica de suavização dupla 31, este estudo indicou que a estimativa de suavização dupla foi suave nas superfícies de todas as regiões, o que assegurou que a estimativa do campo de fundo fosse suficientemente lisa e pudesse encontrar a hipótese de suavidade do campo de fundo básico . Posteriormente, o método de fusão da Equação (11) foi referido como alisamento único. A estimativa de suavização dupla baseia-se no seguinte processo: primeiro, os novos dados de pseudo observação são adicionados através de interpolação áspera, o valor estimado é obtido a partir dos dados de pseudo observação, que foram obtidos através da interpolação e os dados originais. Assim, a estimativa de suavização dupla pode ser dividida em duas etapas 30. (1) Converta os dados originais D (si) nos pseudo-dados rasterizados com tamanho de quadra L. D (sk) i 1 n K 1 (sksih 1) D (si) i 1 n K 1 (sksih 1) (2 ) Estime o campo de erro em segundo plano do conjunto de dados estendido, incluindo dados originais e pseudo-dados. BD (s) i 1 n K 2 (ssih 2) D (si) k 1 KK 2 (sskh 2) D (sk) i 1 n K 2 (ssih 2) k 1 KK 2 (sskh 2) Como valor empírico , A largura de banda h 1 foi ajustada em h 1 0,3 neste artigo, a largura de banda h 2 foi determinada através da validação cruzada. K é a quantidade de pseudo-dados. A função kernel K 1 adotou uma função kernel gaussiana, e a função kernel K 2 adotou o kernel Epanechnikov. Para garantir a suficiência dos dados estendidos, o tamanho do raster L de pseudo-dados deve atender à condição L lt h 2. Onde gt 1. De acordo com Goudenhoofd et al. 29, o parâmetro foi ajustado para 1,2 e o valor mínimo de h 2 foi de 0,3. O tamanho da quadra L dos pseudo-dados gerados foi de 0,25, o que é igual à resolução do TMPA. 3.4. Método de Fusion de Estimativa de Precipitação Primeiro, os dados TMPA são produzidos alisando os dados de precipitação adotados para o TRMM 3B43 do satélite usando as Equações (1) e (2). Em segundo lugar, o campo de erro residual D (si) é gerado subtraindo os dados de observação do pluviômetro com base nos dados TMPA usando a Equação (10). Em terceiro lugar, os pseudo-dados são calculados com base no campo de erro residual usando a Equação (20), então, o conjunto de dados é expandido de acordo com o campo de erro residual e os pseudo-dados e o campo de erro de fundo é gerado usando a Equação (21) . Finalmente, o campo de estimativa X M (Si) é formado subtraindo o campo de erro de fundo do campo de fundo usando a Equação (12). Este processo é mostrado na Figura 3. 4. Resultados experimentais Os desvios médios (AD), os erros do quadrado médio-raiz (RMSE) e os coeficientes de correlação (CC) do método de fusão sob as três diferentes densidades de rede regionais na China para julho de 2009 são fornecidos na Tabela 1. Com Uma crescente densidade de distribuição de pluviômetros, os desvios médios e os erros do quadrado médio da raiz dos dois produtos de fusão diminuíram, o que foi acompanhado por uma maior correlação espacial. Na região C1, onde os pluviômetros são escassamente distribuídos, o método de fusão proposto neste documento (referido como FMP) produziu um desvio médio de 0,082 mmh, um erro de quadrado médio da raiz de 1,960 mmh e um coeficiente de correlação de 0,455. Na região C2, onde os pluviômetros são moderadamente distribuídos, o erro de estimativa foi reduzido, o desvio médio eo erro do quadrado médio da raiz foram reduzidos para 0,058 mmh e 1,833 mmh, respectivamente, e o coeficiente de correlação foi aumentado para 0,701. Na região C3, onde os pluviômetros estão densamente distribuídos, o desvio médio e o erro do quadrado médio da raiz foram ainda mais reduzidos e o coeficiente de correlação atingiu 0,722. O método de fusão proposto por Shen et al. 28 é referido como FMS. Em seu artigo, o produto de precipitação combinado na China em uma resolução temporal-espacial de uma hora, 0,1 latitude e 0,1 longitude foi desenvolvido através de um algoritmo de mesclagem em duas etapas usando uma função de densidade de probabilidade (PDF) e interpolação ótima (OI) com base na Precipitação por hora observada em estações meteorológicas automáticas na China e recuperada da técnica CMORPH (calculadora programada do cartão MORPHing). Em comparação com o FMS, o FMP não mostrou flutuações significativas na estimativa de precipitação e poderia realizar uma estimativa geral mais estável. Na região C1, com a adoção do FMP, o desvio médio foi melhorado de 0,111 mmh para 0,082 mmh e o coeficiente de correlação foi aumentado de 0,309 para 0,455, o que sugere que poderia melhorar significativamente a estimativa de precipitação em regiões nas quais os pluviômetros são escassamente distribuídos na China. Na região C2, os dois métodos de fusão foram consistentes em termos de estimativa de precipitação. Na região C3, o FMS foi superior ao FMP em termos de estimativa de precipitação, o que sugeriu que seria melhor adotar FMS em regiões onde as estações estão densamente distribuídas. O coeficiente de eficiência (CE) é o índice de avaliação de eficiência mais comum em modelos hidrológicos, sem unidade e refere-se à fração de variância explicada por um modelo. Este documento introduziu CE para comparar comparativamente os dois métodos de fusão em termos de eficiência do modelo na região SC dispersa. Uma comparação dos dois métodos de fusão em termos de coeficiente de eficiência em julho de 2009 é fornecida na Figura 4. que mostra que todos os pontos (valor da razão CE) estavam localizados acima da linha 1: 1, sugerindo que o método adotado pela E - axis foi superior ao adotado pelo x-axis. Assim, o teste provou que seria mais eficaz adotar FMP em regiões escassamente distribuídas. Para demonstrar mais claramente que o FMP seria mais preciso em regiões nas quais os pluviômetros são escassamente distribuídos, este estudo analisou comparativamente os índices estatísticos dos dois métodos de fusão sob várias classes de precipitação e testou os resultados de fusão sob essas notas. De acordo com a intensidade da precipitação (IP), a precipitação horária pode ser dividida em cinco graus: 1,0 mm, 1,02,5 mm, 2,58,0 mm, 8,016,0 mm e gt16,0 mm. A Tabela 2 mostra que o desvio médio e o desvio relativo (RD) do FMS variam de positivo para negativo. Essa variabilidade sugere que a precipitação de baixo nível abaixo de 1,0 mmh foi superestimada, enquanto a precipitação de pelo menos 1,0 mmh foi subestimada, e mostra que o desvio aumentou gradualmente com a intensidade crescente da precipitação. Após a adoção do FMP, o campo de precipitação ainda mostrou desvios nas estimativas de precipitação até certo ponto. No entanto, os valores absolutos do desvio médio, desvio relativo e erro do quadrado médio da raiz no mesmo grau foram significativamente reduzidos em comparação com os que foram submetidos ao FMS. Para ser específico, após a adoção do FMP, a melhora nos resultados foi mais significativa quando a taxa de precipitação foi superior a 8,0 mmh. Em particular, quando a intensidade da precipitação excedeu 16,0 mmh, o desvio relativo foi reduzido dos anteriores 30,967 para 14,461. Assim, resultados mais precisos poderiam ser alcançados para uma maior intensidade de precipitação. A seção a seguir discute e compara a efetividade dos modelos em função da distribuição espacial dos pluviômetros. As distribuições espaciais dos coeficientes de eficiência obtidos pelo FMS e FMP entre maio e setembro de 2005 a 2010 são fornecidas na Figura 5 e na Figura 6. respectivamente. Em algumas regiões chinesas remotas, os pluviômetros estão distribuídos escassamente (por exemplo, região C1 na Figura 5 e Figura 6), e o FMS não conseguiu estimar bem a precipitação, os coeficientes de eficiência geralmente foram inferiores a 0,5. Após a adoção do FMP, os coeficientes de eficiência diminuíram na faixa de 0,5 e 0,9 e até mesmo ultrapassaram 0,9 em alguns casos, o que demonstrou que seria mais preciso e eficaz adotar FMP em regiões nas quais os pluviômetros são escassamente distribuídos. Para demonstrar ainda que o FMP obteria resultados mais precisos para a estimativa de precipitação em regiões nas quais os pluviômetros são escassamente distribuídos, calculamos os preconceitos entre as estimativas de precipitação obtidas utilizando os dois métodos e as observações de precipitação obtidas nas estações da região C1 entre maio e setembro De 2005 a 2010 (ver os resultados na Figura 7 e na Figura 8). Ambos os métodos subestimaram a precipitação na região ocidental escassamente distribuída, o que pode ser explicado pela distribuição dispersa dos pluviômetros e pela convecção atmosférica local, os viés obtidos pelo FMS foram concentrados principalmente na faixa de lt1 e os preconceitos de apenas duas estações variaram entre 1 e 0,1. Após a adoção do algoritmo de alisamento duplo deste documento para processamento (FMP), os viés geralmente ficaram dentro do intervalo de 1 a 0,1 (cinco estações) e o intervalo de 0,1 a 0 (seis estações), e apenas uma estação tinha Uma polarização dentro do intervalo de 0 a 0,1. Esta melhoria demonstrou plenamente que, em regiões escassamente distribuídas, o algoritmo de alisamento duplo poderia reduzir de forma mais efetiva os erros e mais satisfatoriamente refletir os eventos de precipitação. O mapa raster do campo de precipitação mensal médio gerado pelo FMS e o gerado pelo FMP entre maio e setembro de 2005 a 2010 são fornecidos na Figura 9 e na Figura 10. respectivamente. Os dois métodos foram semelhantes em termos de distribuição global do campo de precipitação, e grandes eventos de precipitação foram concentrados principalmente nas regiões sudeste. A distribuição das chuvas geradas pelo FMS foi relativamente heterogênea, especialmente em regiões onde as estações de observação superficial são distribuídas escassamente (por exemplo, região C1). O FMP, o método proposto neste artigo, adotou um processamento de suavização dupla para regiões distribuídas escassamente e melhorou a precisão do campo de precipitação, que é mais suave, como mostrado abaixo. 5. Conclusões Para abordar a questão da dispersa distribuição de estações meteorológicas automáticas nas regiões ocidentais da China, o algoritmo de alisamento duplo é adotado neste artigo. The point data of precipitation, as observed by the pluviometers, and the raster data of precipitation from TMPA are integrated into a set of discrete points, transforming the two datasets into a new type of improved dataset. Additionally, the smoothing method is adopted to correct discontinuities before TMPA is fused. The experimental results indicate that compared with the method of Shen et al. the double-smoothing algorithm is more rational and effective in terms of both the magnitudes and spatial distribution of precipitation. That is, in regions in which pluviometers are sparsely distributed, the variation in the average deviation and root-mean-square error with time is insignificant. The double-smoothing algorithm can more accurately estimate heavy precipitation. The precipitation estimation method of this paper is proposed with a view towards individual differences the next research objective is to introduce more variables into the background field to further improve the estimation efficiency. Acknowledgments This work was financially supported by the National Nature Science Foundation of China (No. 41071253 and No. 41271410). The authors would like to thank the editor and anonymous reviewers for their careful reading and helpful remarks. Author Contributions Shuoben Bi and Dongqi Chen conceived and designed the experiments Dongqi Chen and Jian Pan performed the experiments Dongqi Chen and Jian Pan wrote the Chinese paper Shengjie Bi and Jun Wang translated the paper. Conflicts of Interest The authors declare no conflict of interest. References Yan, L. Weighted average method at the regional geoid refinement of the study. Bull. Surv. Mapp. 2012. S1. 205206. Google Scholar Hutchinson, M. F. Interpolation of rainfall data with thin plate smoothing splines. Part II: Analysis of topographic dependence. J. Geogr. Inf. Decis. Anal. 1998 . 2. 152167. Google Scholar Zhao, N. Yue, T. X. Wang, C. L. Surface modeling of seasonal mean precipitation in China during 19512010. Prog. Geogr. 2013. 32. 4958. Google Scholar Hu, L. Sang, Y. Z. Su, J. Zhang, W. J. Wang, Q. Spatial and temporal characteristics of rainfall erosivity in Shaanxi Province. Arid Land Geogr. 2014. 37. 11011107. Google Scholar Qian, L. Yang, Y. L. Zhang, Y. L. Teng, J. Liu, J. J. Temporal and spatial distribution and influence factors of extreme precipitation in eastern Hexi corridor. Arid Land Geogr. 2015. 38. 207214. Google Scholar Cheng, X. X. Liang, Q. C. Cai, X. L. Characteristic analyses and procedure evaluation of rainstorm in Shaanxi Province. Arid Land Geogr. 2014. 37. 6673. Google Scholar Ji, T. Liu, R. Yang, H. He, T. R. Wu, J. F. Spatial downscaling of precipitation using Multi-source remote sensing data: A case study of Sichuan-Chongqing region. J. Geo-Inf. Sci. 2015. 17. 108117. Google Scholar Ji, X. Luo, Y. Quality assessment of the TRMM precipitation date in mid Tianshan Mountain. Arid Land Geogr. 2013. 36. 253262. Google Scholar Kummerow, C. Simpson, J. Thiele, O. Barnes, W. Chang, A. T.C. Stocker, E. Adler, R. F. Hou, A. Kakar, R. Wentz, F. et al. The status of the Tropical Rainfall Measuring Mission (TRMM) after two years in orbit. J. Appl. Meteor. 2000 . 39. 19651982. 2.0.CO2 classgoogle-scholar targetblankGoogle Scholar CrossRef Collischonn, B. Collischonn, W. Tucci, C. E.M. Daily hydrological modeling in the Amazon Basin using TRMM rainfall estimates. J. Hydrol. 2008 . 360. 207216. Google Scholar CrossRef Su, F. Hong, Y. Lettenmaier, D. P. Evaluation of TRMM Multisatellite Precipitation Analysis (TMPA) and its utility in hydrologic prediction in the La Plata basin. J. Hydrometeor. 2008 . 9. 622640. Google Scholar CrossRef Chiew, F. H.S. Vaze, J. Viney, N. R. Jordan, P. W. Perraud, J. M. Zhang, L. Teng, J. Young, W. J. Rainfall-Runoff Modelling across the Murray-Darling Basin: A Report to the Australian Government from the CSIRO Murray-Darling Basin Sustainable Yields Project CSIRO: Canberra, Australia, 2008. Google Scholar Plouffe, C. C.F. Robertson, C. Chandrapala, L. Comparing interpolation techniques for monthly rainfall mapping using multiple evaluation criteria and auxiliary data sources: A case study of Sri Lanka. Environ. Model. Softw. 2015. 67. 5771. Google Scholar CrossRef Zhang, T. Li, B. Wang, J. Hu, M. Xu, L. Estimation of areal mean rainfall in remote areas using B-SHADE Model. Adv. Meteorol. 2016. 2016. 7643753. Google Scholar CrossRef Chee, C. Wang, Y. Minimum quadratic distance density estimation using nonparametric mixtures. Comput. Esttista. Data Anal. 2013. 57. 116. Google Scholar CrossRef Shao, Q. Lerat, J. Brink, H. Tomkins, K. Yang, A. Peeters, L. Li, M. Zhang, L. Podger, G. Renzullo, L. J. Gauge based precipitation estimation and associated model and product uncertainties. J. Hydrol. 2012. 444. 100112. Google Scholar CrossRef Long, Y. Zhang, Y. Ma, Q. A merging framework for rainfall estimation at high spatiotemporal resolution for distributed hydrological modeling in a data-scarce area. Remote Sens. 2016 . 8. 599. Google Scholar CrossRef Nerini, D. Zulkafli, Z. Wang, L. Onof, C. Buytaert, W. Lavado-Casimiro, W. Guyot, J. A comparative analysis of TRMMRain gauge data merging techniques at the daily Time scale for distributed rainfallrunoff modeling applications. J. Hydrometeor. 2015. 16. 21532168. Google Scholar CrossRef Pfeifroth, U. Trentmann, J. Fink, A. H. Ahrens, B. Evaluating satellite-based diurnal cycles of precipitation in the African Tropics. J. Appl. Meteor. Climatol. 2016. 55. 2339. Google Scholar CrossRef Ingebrigtsen, R. Lindgren, F. Steinsland, I. Martino, S. Estimation of a non-stationary model for annual precipitation in southern Norway using replicates of the spatial field. Spat. Stat. 2015. 14. 338364. Google Scholar CrossRef Chappell, A. Renzullo, L. J. Raupach, T. H. Haylock, M. Evaluating geostatistical methods of blending satellite and gauge data to estimate near real-time daily rainfall for Australia. J. Hydrol. 2013. 493. 105114. Google Scholar CrossRef Lv, A. Zhou, L. A rainfall model based on a geographically weighted regression algorithm for rainfall estimations over the arid Qaidam Basin in China. Remote Sens. 2016 . 8. 311. Google Scholar CrossRef Chen, F. Li, X. Evaluation of IMERG and TRMM 3B43 monthly precipitation products over mainland China. Remote Sens. 2016 . 8. 472. Google Scholar CrossRef Gotway, C. A. Young, L. J. Combining incompatible spatial data. J. Am. Stat. Assoc. 2002. 97. 632648. Google Scholar CrossRef Kyriakidis, P. C. A geostatistical framework for area-to-point spatial interpolation. Geogr. Anal. 2004 . 36. 259289. Google Scholar CrossRef Pan, Y. Shen, Y. Yu, J. J. Zhao, P. Analysis of the combined gauge-satellite hourly precipitation over China based on the OI technique. Acta Meteorol. Sin. 2012. 70. 13811389. Google Scholar Gao, X. R. Liang, J. Y. Li, C. H. Zhang, W. Preliminary studies on merged techniques based on precipitation information from multiplatform (radar, satellite and rain gauge). Plateau Meteorol. 2013. 32. 549555. Google Scholar Shen, Y. Pan, Y. Yu, J. J. Zhou, Z. J. Quality assessment of hourly merged precipitation product over China. Trans. Atmos. Sci. 2013. 36. 3746. Google Scholar Goudenhoofdt, E. Delobbe, L. Evaluation of radar-gauge merging methods for quantitative precipitation estimates. Hydrol. Earth Syst. Sci. 2009. 13. 195203. Google Scholar CrossRef Li, M. Shao, Q. An improved statistical approach to merge satellite rainfall estimates and raingauge data. J. Hydrol. 2010. 385. 5164. Google Scholar CrossRef Chu, C. K. Deng, W. An interpolation method for adapting to sparse design in multivariate nonparametric regression. J. Stat. Plan. Inference 2003 . 116. 91111. Google Scholar CrossRef Figure 1. Distribution map for the automatic weather stations in regions C1, C2, and C3. Figure 1. Distribution map for the automatic weather stations in regions C1, C2, and C3.Better moving average --how to get it Build A Better Moving Average Details Parent Category: Featured Articles Category: Indicators Written by Richard D. Ahrens Smooth Those Spikes Is it possible to have a moving average that minimizes zigzags and powers through the occasional price spike Find out here. Smoothing market price data sounds like a simple concept, yet it is extremely difficult to do. We apply moving averages to a time series to reduce noise and reveal the underlying trend with as little delay as possible. As such, there are three main elements we have to look at: 1)Trend In digital signal processing (DSP), this is also referred to as the signal. 2)Noise Gyrations inherent in any complex system. 3)Delay How long we have to wait to get an answer. Moving averages essentially act as low-pass filters, that is, they are supposed to smooth away high-frequency noise and leave the lower-frequency signal for us to view. The problem is that large price changes can overwhelm the smoothing ability of short-term averages, and long-term averages introduce so much delay that the answers are of limited use by the time we get them. IS THERE AN OPTIMAL AVERAGE A 200-day simple moving average (SMA) does a wonderful job of getting rid of noise, but you have to wait 100 days to get an answer. An 11-day simple moving average gets you an answer with only five days of delay, but doesnt do much to quiet the noise. You can see why its difficult to smooth price data Rest of the article not available. It is worth trying to find out what Richard d Ahrens actually said on how to get the job done. Things to think of Traders use 20,50,200 moving averages for short, medium and long term. How about checking a 50ma after 25days to get a dependable result or trying to check noise free price average after 50days while using a 100day moving average It depends on the traders time frame choice. surely not a zone for daytraders. or there can be a way for those trading above 30minute or 60minute timeframes. Last edited by ford7k 11th October 2013 at 06:09 PM. Re: Better moving average --how to get it No matter what smoothing algo we use it will have to follow the price. The above article(part that is available) talks about 2 things, removing noise(i. e. smoothing) and delay (i. e Lag) but there are actually 3 things to consider with a MA 1. Smoothing 2. Lag 3. Overshoot Try using Linear Regression curve to check what it means by overshoot. From the freely available ones on Amibroker HMA would be the best one that sticks to the price showing the direction with minimum lag and overshoot and good smoothness. From proprietary ones Jurik is supposed to be good. But, no smoothing filter (i. e. moving average) can differentiate between a pullback and reversal. Just to satisfy the mind one can use different tricks. like using variable period for generating the MA, for e. g. use bigger number for period when there is low volatility or volume traded is low or using faster smoothing when the range is big.
No comments:
Post a Comment