Upload
chin
View
67
Download
0
Embed Size (px)
DESCRIPTION
YFO0010 Sissejuhatus okeanograafiasse ja limnoloogiasse 5. Andmete töötlemise ja esitamise meetodid. Mõõtmistulemuste kui juhuslike arvude töötlemine metroloogia ja statistika põhikursused Käsitleme: Juhuslik protsess, tema omadused ja karakteristikud Diskretiseerimine - PowerPoint PPT Presentation
Citation preview
YFO0010 Sissejuhatus okeanograafiasse ja limnoloogiasse
5. Andmete töötlemise ja esitamise meetodid
Mõõtmistulemuste kui juhuslike arvude töötlemine metroloogia ja statistika põhikursused
Käsitleme:
• Juhuslik protsess, tema omadused ja karakteristikud• Diskretiseerimine• Filtreerimine• Juhuslike väljade interpoleerimine• Andmete assimileerimine
Trendid
Kui trendi pole silmaga näha, on matemaatiline määramine (vähimruutude meetodil) riskantne ettevõtmine
HELCOM Assessment
Toitainete trendide hindamine on olulise tähtsusega: kuidas reostuskoormuse muutus, eriti selle piiramine avaldub mere seisundis?
Hindamine pole sageli üheselt võimalik
Okeanograafiliste andmete iseloom
üldjuhul juhuslikud väljad ψ(x,y,z,t)
erijuhud:
1D aegrida ψ(x0 ,y0 ,z0 ,t)1D sügavusprofiil ψ(x0 ,y0 ,z,t0 )1D horisontaalprofiil ψ(x,y0 ,z0 ,t0 )
ψ(x0 ,y,z0 ,t0 )
2D horisontaalne kaart ψ(x,y,z0 ,t0 )2D aeg-sügavuslõige ψ(x0 ,y0 ,z,t)2D ruumiline lõige ψ(x,y0 ,z,t0 )
ψ(x0 ,y,z,t0 )
Esitus: funktsiooni
graafik
Esitus: kaart
Juhuslik protsess, tema omadused ja karakteristikud
• realisatsioon ja ansambel• tõenäosuse jaotusfunktsioon ja tõenäosustihedus,
keskväärtus ja dispersioon• statsionaarne, homogeenne ja ergoodiline protsess• korrelatsioonifunktsioon ja müra• spekter
Juhuslik protsess
funktsioon mittejuhuslikest aja- ja ruumikoordinaatidest
tzyx ,,, ,
mis argumentide igal väärtusel osutub juhuslikuks suuruseks
ühe mõõtmise käigus saame juhusliku protsessi konkreetse
realisatsiooni tn , kus Nn 1 on realisatsiooni (katse)number
realisatsioonide koguhulka nimetatakse ansambliks
tõenäosuse jaotusfunktsioon
ttF P,
jaotuse tihedusfunktsioon ehk tõenäosustihedus
d
dttf
P, ehk
tFtf
,,
Jaotusfunktsiooni ja tihedusfunktsiooni omadused
1),(0 tF 0, tF 1, tF
1, dtf
dtftF ,,
-1
0
1
2
Statsionaarne juhuslik protsess: ei sõltu ajast
FtF , ftf ,
Homogeenne juhuslik protsess: ei sõltu ruumikoordinaatidest
Juhuslik protsess on e rgoodiline , kui üle ansambli keskmistamise kaudusaadud statistilised karakteristikud (keskmine, dispersioon, korrelatsioon etc)on võrdsed ajalise (ruumilise) keskmistamisega ühe realisatsiooni põhjal.Ergoodilisus saab kehtida ainult statsionaarsete protsesside korral.
T
Tdtt
Tt
0
1limM
K o r r e la ts io o n ifu n k ts io o n
21221121 M, tttmttmtttR
s ü m m e e tr i l in e k o o rd in a a tid e s u h te s 1221 ,, ttRttR
m a k s im u m n u ll is e a ja n ih k e k o rra l tDttR ,
Statsionaarse protsessi korral sõltub ainult ajanihkest 12 tt
RRttR 21 , 20 R 0lim
R
Normeeritud korrelatsioonifunktsioon
2 R
K 11 K
s i g n a a l i l e t l i i t u b m i t t e k o r r e l e e r u v m ü r a t : ttt
m ü r a k o r r e l a t s i o o n 2 ttR
m ü r a e i k o r r e l e e r u s i g n a a l i g a 0 ttR
m ü r a s i s a l d a v a p r o t s e s s i k o r r e l a t s i o o n 2 RR
n o r m e e r i t u d k o r r e l a t s i o o n
2
2
2
22
2
K
RK
müra/signaali suhe 2
22~
222
K
1
korrelatsiooniraadius
Spekter (spektraaltihedus) määratakse korrelatsioonifunktsiooni Fourier’teisendusega
deRS i
2
1
Spekter ja korrelatsioonifunktsioon on vastastikku pööratavad
deSR i
S p e k t r i o m a d u s i :
1 . S p e k t e r o n p o s i t i i v n e 0S , k u n a s p e k t e r n ä i t a bs a g e d u s v a h e m i k u s o l e v a t e n e r g i a t j a s e e o n p o s i t i i v n e s u u r u s .K u i e k s p e r i m e n t a a l s e l t l e i t u d k o r r e l a t s i o o n i f u n k t s i o o n i s t l e i t u ds p e k t e r o s u t u b n e g a t i i v s e k s , o n k o r r e l a t s i o o n v i g a s e l t h i n n a t u d .
2 . S p e k t e r o n n u l l s a g e d u s e s u h t e s s ü m m e e t r i l i n e SS .3 . S p e k t e r p e a b s a g e d u s e a b s o l u u t v ä ä r t u s e k a s v a d e s k a h a n e m a
k i i r e s t i . D i s p e r s i o o n a v a l d u b s p e k t r i k a u d u
dSR 02 Korrelatsioonifunktsioon ja spekter ei ole juhuslikud funktsioonid. Praktilisel määramisel lõpliku hulga andmete põhjal tekivad juhuslikud vead nagu keskmise ja dispersiooni korral
K Saperiood ilinep ro tsess
e 22
juhusliku lp ro tsessildom ineeribvõnkum inesagedusega
cose 22222
222
4
Tüüpilised korrelatsioonifunktsiooni analüütilise lähenduse kujud ja neile vastavad spektrid
Pinnalainete kiirus- ja rõhuvälja spektrid erinevate mõõteseadmetega
Hoovuste 25-tunni libisevad keskmised ja spektrid Vaikse ookeani ekvaatoril Näited spektrite kasutamisest
Diskretiseerimine
• Nyquisti sagedus• vale esituse viga (aliasing error)
D e te r m in e e r i t u d p id e v a p r o t s e s s i d i s k r e t i s e e r im in e
m it te j u h u s l ik t u n d m a t u p r o ts e s s ts m õ õ d e ta k s e in te r v a ll ig a
tktsts k k u s
n
nttk
( 0 ; 0a k u i 0a ;
1dtt )
F o u r ie r ’ te is e n d u s a v a ld u b te g u r it e F o u r ie r ’ te is e n d u s te k o n v o lu ts io o n in a
dggKgfSfS k k u s
n
nffK 1
diskretiseeritud protsessi spekter
nnk
nfSdg
nggfSfS
11on pideva protsessi Fourier’ teisenduste lõpmatu summa,
kusjuures liidetavad on nihutatud sageduse n võrra
S (f)
f f
S (f)k
1
c) d)
1
1
Pideva protsessi spektrid (a, c) ja sammuga diskretiseeritud protsessi spektrid (b, d). Kui pideva protsessi spekter kahaneb nulli Nyquisti sagedusest kõrgematel sagedustel (a), ei ole diskretiseeritud protsessi nihutatud spektrid (b) ülekattuvad ning protsessi saab diskreetsete mõõtmiste põhjal rekonstrueerida. Kui Nyquisti sagedusel spekter ei kahane nulliks (c), tekib diskretiseeritud
spektrite ülekattumine (d) ning pideva protsessi rekonstrueerimine diskreetsete mõõtmiste põhjal pole võimalik.
S (f)
f f
S (f)k
1
a) b)
1
1
2
1NfNyquisti sagedus
spektrid on diskreetse “mõõtmise” tõttu nihkes
Juhusliku protsessi diskretiseerimine
olgu sta tsionaarne juhuslik protsess t mõõdetud a jasammuga
nn
Korrelatsioonifunktsioon lRlnnlnnlR MM
on mittejuhuslik, mida saab rekonstrueerida kui suurte sageduste Wf korra l on
spekter ehk korrelatsiooni Fourier’ te isendus null 0fS
Suurim mõõteintervall W2
1 Nyquisti sagedus Wf N
Hoovuse lääne-ida suunalise komponendi mõõtmise tulemused Irbe väinas ajasammuga 10 min (peenike joon). Ajatelje ühikud on antud tundides. Kui mõõta hoovuse komponenti 24 tunnise intervalliga, saame punase joonega esitatud graafiku, mis on vale esituse vea (aliasing error) tõttu moonutatud.
-25
-20
-15
-10
-5
0
5
10
15
20
0 24 48 72 96 120 144 168 192 216 240
Vale esituse viga (aliasing error): näide
Filtreerimine
• ideaalsed filtrid• libisev keskmine (running/moving average)• digitaalsed filtrid
Ideaalsed filtrid
Mõõdetud algsignaalisagedusomadused ei vasta sagelimeie ootustele
1) madalpääsufilter2) kõrgpääsufilter3) ribafilter
cf lõikesagedus
(cut-off frequency)
Nf Nyquisti sagedus
L i b i s e v a d f i l t r i d
L i b i s e v k e s k m i n e : k õ i k f i l t r i v ä ä r t u s e d ( k e s k m i s t a m i s e k a a l u d ) kh o n f i l t r i a k n a s MkM v õ r d s e d
12
1
Mkh
F i l t e r
M
Mk
knxM
ny12
1
Libisev keskmine on võrreldes ideaalse madalpääsufiltriga üsna halb (kõrgemate sageduste mõju jääb alles), kuid teda kasutatakse laialdaselt
D i g i t a a l s e d f i l t r i dm õ õ d e t u d d i s k r e e t s e d a n d m e d nx , 10 Nn i n t e r v a l l i g a D i g i t a a l n e m i t t e r e k u r s i i v n e f i l t e r : nx m u u d e t a k s e v ä l j u n d i k s ny
M
Mk
knxkhny
v ä l j u n d i F o u r i e r ' t e i s e n d u s v õ r d u b s i s e n d i j a f i l t r i F o u r i e r ' t e i s e n d u s t e k o r r u t i s e g a
XH
iknxikh
inyY
M
Mk
M
Mnknk
M
Mnn
expexp
exp
F i l t r i k u j u t i s s a g e d u s r u u m i s
M
MkkikhH exp ,
N
kk
2
o n f i l t r i s a g e d u s v a s t u s ( f r e q u e n c y r e s p o n s e ) e h k ü l e k a n d e f u n k t s i o o n ( a d m i t t a n c ef u n c t i o n )
Otsitakse kordajad h[k] nii, et filtri sagedusvastus (aken) oleks sobiva kujuga
Näide veetaseme aegrea filtreerimisest
Juhuslike väljade interpoleerimine
• optimaalinterpolatsioon ( = Kriging)
Annab väljundiks ka statistilise interpolatsioonivea jaotuse, mis võimaldab ühtlasi:• mõõtepunktide optimaalne paigutus• andmete kvaliteedi kontroll
Kui andmed on “head” ja neid on palju, annavad kõik interpolatsioonimeetodid sarnased tulemused.
Optimaalinterpolatsioon
Otsime mõõtmata punktis väärtust ümbruses mõõdetud punktide väärtuste lineaarkombinatsioonina
kusjuures kaalude summa
Kaalud leitakse tingimusest, et interpolatsiooniviga
oleks ruutkeskmiselt (üle ansambli) minimaalne
Kaalud sõltuvad korrelatsioonifunktsioonistning müra/signaal suhtest
Kui need on “täpselt” määratud, siis ontegemist parima (optimaalse) interpolatsiooniga
Korrelatsiooniraadiusesse peab jäämapiisav arv (>5) punkte, muidu viga lähebsuureks
Optimaalinterpolatsioon geoloogias = Kriging
k~
i
n
iiik w
1
~ 11
n
iiw
iw kkkd ~ˆ
min2 kd
k~
23.4 23.5 23.6 23.7 23.8 23.959.5
59.55
59.6
59.65
59.7
59.75
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
23.4 23.5 23.6 23.7 23.8 23.959.5
59.55
59.6
59.65
59.7
59.75
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
23.4 23.5 23.6 23.7 23.8 23.959.5
59.55
59.6
59.65
59.7
59.75
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Lineaarne triangulatsioon
Kriging suvaliste parameetritegaKriging optimaalsete parameetritega
Näide: temperatuuri jaotus Soome lahe suudmes mõõdetuna liikuvalt laevalt
Näide: aeg-sügavus andmete Näide: aeg-sügavus andmete interpoleerimineinterpoleerimine
• 2D aeg-sügavus optimaalinterpolatsioon• Gaussi korrelatsioonifunktsioonid aja ja
sügavuse järgi• Korrelatsioonimastaabid:
» sügavus 30 m
» aeg 6 kuud
• Müra-signaali suhe (dispersioonid)» 0.35
Soolsuse ja hapniku kihistuse muutused
1979-1999
Elken, J., Matthäus, W., Krzyminski, W., Dubra, J.Baltic Proper: Meteorological, hydrological andhydrographic forcing. Fourth Periodic Assessment ofthe State of the Marine Environment of the BalticSea, 1994-1998, Background Document. Baltic SeaEnvironment Proceedings, 82B, 2002, 43-46.
Soolsuse ja hapniku kihistuse muutused1979-1999
Läänemere lõunaosas
Elken, J., Matthäus, W., Krzyminski, W., Dubra, J.Baltic Proper: Meteorological, hydrological andhydrographic forcing. Fourth Periodic Assessment ofthe State of the Marine Environment of the BalticSea, 1994-1998, Background Document. Baltic SeaEnvironment Proceedings, 82B, 2002, 43-46.
Andmete assimileerimine
numbrilised mudelid ei ole täpsed (“triivivad” ära)vaatlusandmed sisaldavad vigu ja juhuslikku müra
Kuidas teha parimaid prognoose?
andmete assimileerimine = andmete filtreerimine ja mudelite “järeleaitamine”
Numbriline mudelDAS
Andmete assimileerimise süsteem (DAS)
O
Andme-ladu
A
A
B
F
mudel
vaatlused
Vigade statistika
X
t
vaatlused
mudeli trajektoor
Järjestikune katkev assimileerimine
analüüs analüüsanalüüsmudel mudel
obsobsobsobsobs obs
Järjestikune pidev assimileerimine
obs obs obs obs obs
Edasi-tagasi katkev assimileerimine
analüüs + mudel analüüs + mudel analüüs + mudel
obs obs obs obs obs obs
Edasi-tagasi pidev assimileerimine
analüüs + mudel
obsobs
obsobsobs
obs