Estados Unidos
Serie de tiempo extensivas de medidas a menudo con esenciales para evaluar cambios a largo plazo y promedios como los datos de mareas y crecidas del nivel de agua. Así, huecos en los datos de series de tiempo restringe el tipo y extensión del modelamiento e investigación que pueda hacerse. La División de Investigación de la Costa de la Universidad de Texas A&M en Corpus Christi (TAMUCC-DNR, por sus siglas en inglés) ha desarrollado y comparado varios métodos basados en regresión lineal hacia adelante y hacia atrás, para interpolar los huecos en las series de tiempo de datos del nivel de agua. Hemos desarrollado un sistema informático que recupera datos reales y armónicos de nivel de agua, basado en parámetros dados por el usuario. Los datos reales de nivel de agua se buscan para puntos con datos faltantes y la localización de estos huecos es registrada. Se aplica regresión lineal hacia adelante y hacia atrás en relación con la localización de datos faltantes o huecos en los datos restantes. Después de que este proceso se completa, se usa una de tres combinaciones de la regresión hacia adelante y hacia atrás para ajustar los resultados. Finalmente, se añade la componente armónica para las nuevas series de tiempo suplementarias, y se grafican los resultados. El paquete informático creado para implementar este proceso de regresión lineal está escrito en Perl con un módulo llamado PDL (Perl Data Language). Generalmente, este proceso ha demostrado excelentes resultados en llenar huecos en nuestras series de tiempo sobre nivel de agua. El programa ha sido probado sobre datos existentes bajo tres tipos de condiciones climáticas: veranos calmos, pasos frontales y condiciones de clima extremas, como huracanes. Se variaron los parámetros con el fin de probar la precisión del método, como por ejemplo el número de parámetros usados en las regresiones lineales así como el tamaño de los huecos a llenar. Se presentan resultados para las diferentes condiciones climáticas y los distintos tamaños de los huecos y las combinaciones de coeficientes.
Extensive time series of measurements are often essential to evaluate long term changes and averages such as tidal datums and sea level rises. As such, gaps in time series data restrict the type and extent of modeling and research which may be accomplished. The Texas A&M University Corpus Christi Division of Nearshore Research (TAMUCC-DNR) has developed and compared various methods based on forward and backward linear regression to interpolate gaps in time series of water level data. We have developed a software system that retrieves actual and harmonic water level data based upon user provided parameters. The actual water level data is searched for missing data points and the location of these gaps are recorded. Forward and backward linear regression are applied in relation to the location of missing data or gaps in the remaining data. After this process is complete, one of three combinations of the forward and backward regression is used to fit the results. Finally, the harmonic component is added back into the newly supplemented time series and the results are graphed. The software created to implement this process of linear regression is written in Perl along with a Perl module called PDL (Perl Data Language). Generally, this process has demonstrated excellent results in filling gaps in our water level time series. The program was tested on existing data under three typesof typical weather conditions: calm summers, frontal passages and extreme weather conditions, such as hurricanes. The parameters varied in order to test the accuracy of the methodology included the number of coefficients utilized in the linear regression processes as well as the size of the gaps to be filled. Results are presented for the different weather conditions and the different gap size and coefficient combinations.
© 2008-2024 Fundación Dialnet · Todos los derechos reservados