合肥中小企业网站制作,建行企业银行app下载,品质好可以说成品质什么,学校网站开发E 题 黄河水沙监测数据分析 黄河是中华民族的母亲河。研究黄河水沙通量的变化规律对沿黄流域的环境治理、气候变 化和人民生活的影响#xff0c;以及对优化黄河流域水资源分配、协调人地关系、调水调沙、防洪减灾 等方面都具有重要的理论指导意义。 附件 1 给出了位于小浪底水…E 题 黄河水沙监测数据分析 黄河是中华民族的母亲河。研究黄河水沙通量的变化规律对沿黄流域的环境治理、气候变 化和人民生活的影响以及对优化黄河流域水资源分配、协调人地关系、调水调沙、防洪减灾 等方面都具有重要的理论指导意义。 附件 1 给出了位于小浪底水库下游黄河某水文站近 6 年的水位、水流量与含沙量的实际监 测数据附件 2 给出了该水文站近 6 年黄河断面的测量数据附件 3 给出了该水文站部分监测 点的相关数据。请建立数学模型研究以下问题 问题 1 研究该水文站黄河水的含沙量与时间、水位、水流量的关系并估算近 6 年该水 文站的年总水流量和年总排沙量。
#完整代码https://mbd.pub/o/bread/mbd-ZJ2cl59p#思路
有6年每天多个时刻下的水位、流量然后含沙量是只有两千条数据 其他是空着的他就问研究该水文站黄河水的含沙量与时间、水位、水流量的关系
先预测剩下的含沙量
最后在计算一下近 6 年该水文站的年总水流量和年总排沙量。
考虑到数据的时序性 通过线性回归的代码 进行拟合
通过两千条数据拿来训练然后预测剩下的一万四千条数据
#千千数模 q群790539996
#代码购买链接https://www.jdmm.cc/file/2709544/
#倒卖欢迎举报 举报有奖# In[2]:table pd.read_excel(r./data/附件1.xlsx)
for i in range(2017, 20175):
# 移除table最后一条数据重复了
# print(table.iloc[len(table)-1])table.drop((len(table)-1),inplaceTrue)i str(i)temp pd.read_excel(r./data/附件1.xlsx,sheet_name i)table pd.concat([table, temp])table table.reset_index(dropTrue)
table# In[3]:# 补齐时间
table[年].fillna(methodffill, inplaceTrue)
table[月].fillna(methodffill, inplaceTrue)
table[日].fillna(methodffill, inplaceTrue)
table# In[13]:# 数据预处理
time_list []
for i in range(len(table)):m, d, h str(int(table.iloc[i,1])), str(int(table.iloc[i,2])),str(table.iloc[i,3])if(int(table.iloc[i,1])10):m 0 str(int(table.iloc[i,1]))if(int(table.iloc[i,2])10):d 0 str(int(table.iloc[i,2]))
# print(m,d)time str(int(table.iloc[i,0]))- m- d h
# print(time)time_list.append(time)temp pd.DataFrame(time_list, columns[时刻])
temp[时刻] pd.to_datetime(temp[时刻])
# temp.to_csv(example3.csv, indexFalse)
# temp
table1 pd.concat([table, temp],axis1)
# tabledf table1.iloc[:, [7,4,5,6]]
df.to_csv(example2.csv, indexFalse)# 将索引转换为日期时间
# df.set_index(时刻, inplaceTrue)
df# In[5]:df[时刻] pd.to_datetime(df[时刻])
# 将时间序列转换为数值型特征
df[时刻] df[时刻].apply(lambda x: x.timestamp())
df# In[6]:# 提取时间、水位、水流量和含沙量的数据
data df[pd.notna(df[含沙量(kg/m3) ])]
X data[[时刻, 水位(m), 流量(m3/s)]]
y data[含沙量(kg/m3) ]
y# In[7]:# 建立线性回归模型
#LSTM
model LinearRegression()
model.fit(X, y)# In[8]:new_df df[pd.isna(df.loc[:,含沙量(kg/m3) ])]
new_X new_df.loc[:,[时刻, 水位(m), 流量(m3/s)]]
new_df.loc[:,含沙量(kg/m3) ] model.predict(new_X)
new_df# In[9]:# 使用 fillna 方法填充空白部分
table[含沙量(kg/m3) ].fillna(new_df[含沙量(kg/m3) ], inplace True)
# table.to_csv(example.csv, indexFalse)
table# In[10]:
