《数学建模:基于R》——2.4 数学建模案例分析——气象观察站的优化

2.4 数学建模案例分析——气象观察站的优化

2.4.1 问题的提出

某地区内有12个气象观测站,为了节省开支,计划减少气象观测站的数目.已知该地区12个气象观测站的位置,以及10年来各站测得的年降水量(见表2.14,为便于计算,将表中的数据保存在文本文件rainfall.data中).减少哪些观测站可以使所得到的降水量的信息足够大?观察站分布如图2.7所示.

2.4.2 假设

2.4.3 分析

题目要求减少一些观测站,但获得的降水量的信息足够大,如何做到这一点呢?首先要考虑降水量的信息问题.对一个观测站而言,统计10年降水量的均值与方差,均值表示该观测站处降水量的大小,而方差表示降水量变化的大小.粗略地说,如果某观测站测得的降水量的方差为0(这当然是不可能的),则表示该处的降水没有变化,因此,可以用以前的降水量来代替以后的降水量.另一方面,由于相近地域的气象特性具有较大的相似性和相关性,被去掉观测站点的降水量与它附近的观测站点的降水量可以被认为是近似的线性关系.另外,需要对去掉站点的估计值与原观测值进行比较,用以检验估计的效果.因此,得到以下原则

原则1:尽可能去掉降水量方差小的观测站点,用以前的数据来估计这些点的降水量.

原则2:去掉站点的降水量由其他站点降水量的回归方程来估计.

原则3:对去掉站点的观测值与估计值进行比较.

2.4.4 问题的求解




2.4.5 结论

从图2.8中可以看到,12号观测站、7号观测站和10号观测站的预测值与实际值较为接近,但5号观测站的预测值与实际值相差较大,因此,只去掉三个站可能更合理.

时间: 2024-09-20 19:40:51

《数学建模:基于R》——2.4 数学建模案例分析——气象观察站的优化的相关文章

《数学建模:基于R》一一2.4 数学建模案例分析——气象观察站的优化

2.4.2 假设 图2.7 气象观察站分布图1) 相近地域的气象特性具有较大的相似性和相关性,它们之间的影响可以近似为一种线性关系.2) 该地区的地理特性具有一定的均匀性,而不是表现为复杂多变的地理特性.3) 在距离较远的条件下,由于地形.环境等因素而造成不同区域的年降水量相似的可能性很小,可以被忽略.不同区域的降水量的差异主要与距离有关.4) 不考虑其他区域对本地区的影响.2.4.3 分析题目要求减少一些观测站,但获得的降水量的信息足够大,如何做到这一点呢?首先要考虑降水量的信息问题.对一个观

基于R树索引的点面关系判断以及效率优化统计

文章版权由作者李晓晖和博客园共有,若转载请于明显处标明出处:http://www.cnblogs.com/naaoveGIS/ 1.背景 在之前的博客中,我分别介绍了基于网格的空间索引(http://www.cnblogs.com/naaoveGIS/p/5148185.html)以及四叉树和网格结合的联合索引(http://www.cnblogs.com/naaoveGIS/p/6641449.html),要解决的问题均是判断一个点落在了面图层中的哪个面要素中.单从算法层面上分析,以上两种索引

《R语言机器学习:实用案例分析》——1.7节机器学习基础

1.7 机器学习基础 既然你已经回顾了关于R的内容,我们将讨论机器学习的基础:什么是机器学习,今天如何使用机器学习,以及机器学习中的主要领域.本节将对机器学习进行概述,为你进入下一章机器学习的深入研究做铺垫.1.7.1 机器学习--真正的含义是什么 由于机器学习是一个囊括和借鉴了计算机科学中多个领域的概念和技巧的一门学科,所以它还没有一个明确的教科书定义.在大学中,机器学习也作为一个学术课程进行教授.随着机器学习和数据科学在网上的教育视频.课程和培训形式被大众广泛接受,该学科在最近有了显著的发展

《R语言机器学习:实用案例分析》——2.3节算法家族

2.3 算法家族在机器学习领域中有大量的算法,并且每年都有越来越多的算法被设计出来.在这个领域中有大量的研究,因此算法列表在不断地增加.并且,算法的使用越多,算法的改进也就越多.机器学习是一个工业和学术共同发展的领域.但是,正如蜘蛛侠被告知的"力量越大责任越大"一样,你应该也能理解掌握机器学习带来的责任.面对如此之多可用的算法,有必要了解它们是什么,适用于何种情况.在起初或许会感到无所适从和困惑,但是把这些算法进行分类是有帮助的.机器学习算法可以通过多种方式进行分类.最普遍的方式是将它

《R语言机器学习:实用案例分析》——1.2节R的数据结构

1.2 R的数据结构 这里将介绍R中最有用的数据结构,并在一些虚构的示例中使用它们,以便更好地掌握它们的语法和构造.这里将介绍的主要数据结构包括: 向量 数组和矩阵 列表 数据框 这些数据结构在R和R添加包以及函数(包括我们在后续章节中将要使用的机器学习函数和算法)中广泛地使用.因此知道如何有效地使用这些数据结构来处理数据是十分必 要的.1.2.1 向量 正如我们在上一节中简单提到的,向量是R中最基本的数据结构.我们使用向量来表示任何内容,包括输入和输出.我们以前知道如何生成向量以及对它们进行数

《R语言机器学习:实用案例分析》——1.1节探究R的基本内容

1.1 探究R的基本内容这里,假定你至少已经熟悉了R中的基础内容,或者以前已经使用过R.因此,我们不会介绍太多有关下载和安装的内容.网上提供了这些部分的大量相关信息.推荐你使用RStudio,这是一个集成开发环境(IDE),它比R自带的图形用户界面(GUI)更好用.可以访问https://www.rstudio.com/ 获取更多信息.更多关于R项目的详细内容,可以访问https://www.r-project.org/获取R语言的概览.除此以外,在该网站有R语言的大量精彩的添加包,可以在网站h

《R语言机器学习:实用案例分析》——2.2节机器学习算法

2.2 机器学习算法目前为止,我们已经大致了解了机器学习.我们理解了机器学习的定义是指,计算机程序在经验E形式的数据的帮助下,改进其性能P,进而学习了任务T.我们还看到,由于没有一步一步执行的代码,而是让程序形成对问题的理解,进而帮助我们解决问题,所以机器学习与传统的程序范式是不同的.更让我们惊讶的是,这样的一个程序就工作在我们面前.一直以来,虽然我们学习了机器学习的概念,但是我们仍将这个神奇的计算机程序当作一个帮助我们学习和解决问题的神秘黑匣子.现在是让我们揭晓谜底,探究面纱下这些神奇算法的时

《R语言机器学习:实用案例分析》——1.3节使用函数

1.3 使用函数接下来,我们将介绍函数.函数是一种有助于简单地结构化和模块化代码的技术或者方法,它是一组完成特定任务的具体代码行,当你需要执行该任务时可以直接执行该函数,而不需要再次编写它们.在R中,函数仅仅作为另一种数据类型,在需要时可以对函数进行赋值和操作,也可以将其作为参数传递给其他函数.下面将介绍这些内容.1.3.1 内置函数R由基础添加包中的许多函数构成,当你安装更多的添加包时,你也将以函数的形式获取更多的功能.在下面的例子中我们将看到一些新的内置函数: > sqrt(5) [1] 2

《R语言机器学习:实用案例分析》——1.5节高级结构

1.5 高级结构 当我们讨论不使用循环来操作向量时,我们前面提到向量化这个术语.虽然循环是遍 历向量并进行计算的一个好方法,但是在处理现大数据时它并不是非常有效.这时,R 提 供了下面介绍的一些高级结构.我们将介绍以下函数: J lapply :对列表进行循环,并对列表的每个元素进行函数求值. J sapply : lapply 的简化版本. J apply :对数组的边界进行函数求值. J tapply :对一个向量的子集进行函数求值. J mapply : lapply 的多元版本.1.5.