Ahrens Moving Average Formula

Wer macht den besten stochastischen Oszillator Indikator für metatrader 4 Vielen Dank für die nächste Verbesserung, kann ich fragen, was genau das Verhältnis bedeutet und beantragt, und wie dies verwendet werden könnte, gibt es eine kompakte Formel oder Kombination zur Verringerung Verhältnis in einem sequentiellen Verhältnis Weise zu erhöhen. Zum Beispiel Standard ist 8-22, wenn wir es mit dem gleichen Verhältnis wie 16-44 erhöhen wollen. 32-88, oder erhöhen Sie das schnelle und verringern Sie das langsame, zum Beispiel von Standard 8-22 zu 16-11 oder 4-44. Oder jedes schnelle und langsame Verhältnis sollte erhöht werden einzeln sinken. Eine Menge von Format, Kombination und Teint, wirklich verwirrt, eigentlich möchte ich es mit einem perfekten und richtigen Weg, um beste maximale Ergebnisse zu erhalten. . So leid für meine dumme Meinung. . Ehrlich, wann und wo wir Lerner (ich spreche über mein Selbst) keine Möglichkeit von uns selbst für die beste maximale Feinabstimmung gefunden, fragen wir und bitten Sie, und wir sollten es tun, mit zögernd für den besten Gebrauch von Ihrem Code, nur ein Schöpfer kann am besten führen uns, Dank Wenn Sie Verhältnisse verwenden, dann versuchen, Verhältnisse verwenden, die nicht beide multipliziert werden bu den gleichen Wert oder dann werden Sie die gleichen Werte haben (da die Summe der Verhältnis multipliziert werden Werte werden durch die geteilt werden Summe der Verhältnisse, und in den erwähnten Fällen führt es zu dem gleichen Ergebnis). Im Beispiel habe ich 8 bis 100 verwendet. Das ist nur ein Experiment. (Die 4 eingebauten Typen) und fügte schnelles und langsames Verhältnis hinzu. Stochasticdigitalkahler12.mq4 Es scheint, dass das Verhältnis mehr kontrollierbare Auswirkungen als die ma-Typ hat. Das Beispiel hat ein langsames Verhältnis auf 100 gesetzt und smma wird für die Glättung verwendet Kann ein macd auf diese Weise verwendet werdenAkademische Redakteure: Jamal Jokar Arsanjani und Wolfgang Kainz erhielt: 15 Juli 2016 Akzeptiert: 16 Januar 2017 Veröffentlicht: 21 Januar 2017 Die räumliche Verteilung der automatischen Wetter-Stationen in Regionen des westlichen China (zB Tibet und südlichen Xingjiang) ist relativ spärlich. Aufgrund der beträchtlichen räumlichen Variabilität der Niederschläge weisen die in diesen Gebieten interpolierten Schätzungen von Niederschlägen eine erhebliche Unsicherheit auf, die auf den aktuellen Beobachtungsnetzen beruht. In dieser Arbeit wird ein neues statistisches Verfahren zur Schätzung des Niederschlags eingeführt, das Satellitenprodukte und in situ Beobachtungsdaten integriert. Diese Methode berechnet die Differenzen zwischen Rasterdaten und Punktdaten basierend auf der Theorie der Datenassimilation. In Regionen, in denen die räumliche Verteilung von automatischen Wetterstationen spärlich ist, wird ein nichtparametrisches Kernelglättungsverfahren angewandt, um die diskontinuierlichen Daten durch Korrektur und räumliche Interpolation zu verarbeiten. Eine vergleichende Analyse des Fusionsverfahrens auf der Grundlage des hier vorgeschlagenen Doppelglättungsalgorithmus zeigte, dass das Verfahren besser durchgeführt wurde als die, die in früheren Studien auf der Grundlage der durchschnittlichen Abweichung, des mittleren quadratischen Fehlers und der Korrelationskoeffizientenwerte verwendet wurden. Unsere Ergebnisse zeigen, dass die vorgeschlagene Methode sowohl hinsichtlich des Wirkungsgradkoeffizienten als auch der räumlichen Verteilung der Abweichungen rationeller und effektiver ist. Niederschlagsschätzung spärlich verteilter Bereich Datenfusion Doppelglättungsalgorithmus 1. Einleitung Die Niederschlagsmenge ist eine große meteorologische Komponente mit hoher Variabilität. In der hydro-meteorologischen Forschung ist die Niederschlagsschätzung ein wichtiger Referenzparameter, der wertvolle Informationen für die wirtschaftliche und soziale Planung liefert. Diese Informationen können Völker Leben und Eigentum schützen. Die traditionelle Niederschlagsschätzung basiert auf in situ Beobachtungsdaten. Die mit Hilfe von in den Entwässerungsbecken verteilten Beobachtungsnetzwerke erhobenen Daten werden unter Anwendung eines gewichteten Mittelwertes 1, eines Glättungs - oder Interpolationsverfahrens 2 und eines geographisch abgestimmten statistischen Verfahrens 3 verarbeitet. Solche Verfahren werden verwendet, um die Ausgangswerte vieler hydrologischer Modelle zu erhalten. Die zeitlich-räumliche Verteilung der Niederschläge in der Provinz Shaanxi und im Nordwesten Chinas wurde unter Verwendung von täglichen Niederschlagsdaten von Wetterstationen anhand einer linearen Regressionsanalyse und der Wavelet-Analysemethode 4, 5 untersucht. Allerdings sind die Beobachtungsstationen in China hauptsächlich in Südost - und Zentralchina verteilt, während die räumliche Verteilung der Stationen in anderen Regionen relativ spärlich ist. Für diese Art von Region wurden von Cheng et al. Bewertungsmethoden für die Klassifizierung und Anordnung der täglichen Regenschauer an jeder Station entwickelt. 6. Aufgrund der offensichtlichen räumlichen Variabilität der Niederschläge kann die kumulative Ausfällung in jedem statistischen Bereich erheblich variieren. Zusätzlich kann die Niederschlagsverteilung sehr heterogen sein, und Schätzungen von Flächenregen, die interpoliert werden, weisen eine höhere Unsicherheit auf als die, die durch Beobachtungsnetzwerke bestimmt werden. In den letzten Jahren haben die Wissenschaftler erhebliche Anstrengungen unternommen, um Satellitenbilder mit globaler Abdeckung für die Niederschlagsschätzung zu verwenden. Die Tropical Rainfall Measuring Mission (TRMM) ist ein gemeinsames Projekt, das von der Nationalen Luft - und Raumfahrtbehörde (NASA) und der Japan Aerospace Exploration Agency (JAXA) 1997 ins Leben gerufen wurde und reichlich globale tropische Niederschlagsdaten liefert 7, 8, 9. In dieser Arbeit wurde das Produkt 3B43 (Version 7) der Echtzeit-3-Stunden-TRMM-Multisatelliten-Niederschlagsanalyse (TMPA) als Gegenstand des Experiments ausgewählt. TMPA wurde in verschiedenen hydro-meteorologischen Studien 10, 11 direkt angewendet. Allerdings ist die räumliche Auflösung von TMPA für Studien mit meteorologischer oder hydrologischer Heterogenität weniger als zufriedenstellend 12. Die geringe Auflösung der satellitenbasierten Schätzung beschränkt ihre hydrometeorologische Anwendung. Dennoch bietet TMPA aufgrund seiner zeitlichen Verzögerung, hochwertigen zeitlichen Probenahme und einer breiten globalen Abdeckung wertvolle Daten für den Einsatz in solchen Anwendungen. Die Fusion von TMPA und Oberflächenbeobachtungsdaten weist mindestens zwei Vorteile auf: (i) die Fehler der beiden Arten von Niederschlagsschätzungen sind unabhängig und (ii) in Bereichen, in denen Oberflächenbeobachtungsstationen spärlich verteilt sind, können Niederschlagsverteilungen, die durch TMPA konstruiert werden, Wichtige Referenz. Bis Ende des 20. Jahrhunderts wurde die Methode der räumlichen Statistik in Präzipitationsschätzalgorithmen eingeführt, die die Kombination von Satelliten - und Oberflächenbeobachtungen ermöglichen. Dieser Ansatz unterliegt jedoch einer kontinuierlichen Verbesserung. Plouffe et al. 13 verglichen vier räumliche Interpolationstechniken: inverse Distanzgewichtung, dünne Plattenverzahnungen, gewöhnliche Kriging und Bayes'sche Krümmung. Ihre Ergebnisse zeigten, dass Bayesian Kriging am besten für niedrige Niederschläge in Sri Lanka durchgeführt. Zhang et al. 14 präsentierten eine Methode zur Schätzung der mittleren mittleren Regenmenge (AMR) unter Verwendung des Biased Sentinel Hospital-Based Area Disease Estimation (B-SHADE) - Modells, vorgespannte Beobachtungen über die Regenmessung und TRMM-Daten in abgelegenen Gebieten mit spärlichen und unebenen Verteilungen von Regenmessgeräten. Die Ergebnisse zeigten, dass B-SHADE die niedrigsten Schätzvorgaben aufwies. Chee et al. 15 als nichtparametrische Schätzung einer Mischverteilung durch Minimierung des quadratischen Abstands zwischen der empirischen Verteilung und der Gemischverteilung, die beide mit Hilfe von Kernfunktionen geglättet wurden. Experimentelle Untersuchungen zeigten, dass die neue Mischung basierten Dichteschätzer die beliebten Kernel-basierte Dichteschätzer in Bezug auf die mittlere integrierte quadratische Fehler besser als für praktisch alle Verteilungen als Folge der erheblichen Bias-Reduktion studierte von nichtparametrischer Mischmodelle und Doppel Glättung zur Verfügung gestellt. Shao et al. 16 präsentierten eine Doppelglättungstechnik, um die Niederschlagsmengen bei einer kleinen Rastergrße auf der Grundlage von Beobachtungen zu gewinnen. Sie verwendeten eine empirische Transformation, um die Residuen zu stabilisieren und konnten die Präzipitation mit dem Bootstrapping-Verfahren leicht nach oben skalieren. Das Ziel der Studie von Long et al. 17 war es, ein Satelliten-und Regen-Messgerät Daten-Merging Framework für grobe Auflösung und datensparende Designs angepasst präsentieren. In dem Rahmen wurde ein statistisches räumliches Downscaling-Verfahren auf der Grundlage der Beziehungen zwischen Niederschlag, topographischen Merkmalen und Wetterbedingungen verwendet, um das 0,25 tägliche Niederschlagsfeld, das von dem TMPA-Präzipitationsprodukt abgeleitet wurde, downscale. Die nichtparametrischer Verschmelzen Technik der doppelten Kernglättung, die für die datenarmen Design angepasst wurde, wurde mit dem globalen Optimierungsverfahren gemischt komplexen Evolution kombiniert, um die verkleinerte TRMM und geeicht Niederschläge mit minimalen Quervalidierungsfehler zu fusionieren. Nerini et al. 18 verglichen zwei nichtparametrische Niederschlagsdaten-Zusammenführungsmethoden mit zwei geostatistischen Methoden zur Optimierung der hydrometeorologischen Leistungsfähigkeit eines satellitengestützten Niederschlagsprodukts über einer mesoskaligen tropischen Anden-Wasserscheide in Peru. Die Ergebnisse wurden mit den folgenden Methoden bewertet: (1) einem Kreuzvalidierungsverfahren und (2) einer Wasseranalyse des Wassers und einer hydrologischen Modellierung. Sie fanden, dass die Doppelkern-Glättungsmethode die konsistenteste Verbesserung gegenüber dem ursprünglichen Satellitenprodukt sowohl bei der Kreuzvalidierung als auch bei der hydrologischen Bewertung lieferte. Daher wurde ein systematischer Ansatz zur Auswahl einer Technik zum Zusammenführen von Satelliten-Regenmessdaten basierend auf den Dateneigenschaften vorgeschlagen. Subdaily satellitengestützte Niederschlagsdaten wurden von Pfeifroth et al. 19 in Westafrika, eine Region mit erheblichen täglichen Variabilität. Ingebrigtsen et al. 20 untersuchten Aspekte verschiedener Schätzungen unter Verwendung eines Bayesschen nichtstationären Raummodells für die jährliche Niederschlagsmenge auf der Basis von Beobachtungen aus mehreren Jahren. Das Modell enthielt Replikate von räumlichen Feldern, die die Präzision von Schätzungen erhöhten und sie weniger empfindlich gegenüber früheren Werten machten. Sie analysierten Niederschlagsdaten aus Südnorwegen und untersuchten die statistischen Eigenschaften des replizierten Modells in einer Simulationsstudie. Eine Studie in Australien 21 untersuchte ausgewählte geostatistische Methoden zur Schätzung der täglichen Niederschlagskarten in ganz Australien. Diese Studie untersuchte die Änderungen in der Support-Problem und räumliche Intermittenz der täglichen Niederschlagsdaten durch Mischen Satelliten-und Messgeräte-Daten. Eine geographisch gewichtete Regression (GWR) 22 wurde verwendet, um die räumliche Verteilung des TRMM Produktfehlers unter Verwendung von Elevation und geographischer Breite und Länge als unabhängige Variablen abzuschätzen. Ein Regenfallmodell wurde durch die Kombination von bodenbasierten und satellitengestützten Niederschlagsmessungen entwickelt, und die Modellgenauigkeit wurde mit einer Kreuzvalidierungsmethode basierend auf Niederschlagsmessung validiert. Die Ergebnisse der Studie aus China 23 zeigten, dass im Vergleich zu TMPA, Integrated Multisatellite Retrievals für den Global Precipitation Measurement (GPM), bezeichnet als IMERG, signifikant die Schätzgenauigkeit der Niederschläge in der Region Xinjiang und auf dem Qinghai-Tibet-Plateau verbessert. Allerdings sind die meisten IMERG-Produkte in diesen Bereichen unzuverlässig. Gotway et al. 24 einen aktuellen Überblick über die Lösung des Problems von inkompatiblen räumlichen Daten. Kyriakidis 25 präsentierte ein geostatisches Verfahren, das auf Variationen der räumlichen Auflösung beruht, in der geeignete Flächen-zu-Flächen - und Flächen-zu-Punkt-Kovarianzstrukturmodelle zur Berechnung und Gewinnung von Flächenwerten und zur Vorhersage an einer gewünschten Stelle verwendet werden. Pan et al. 26 und Gao et al. 27 nahm die optimale Interpolationsverfahren für ein Fusionstest auf Basis von Satelliten und Oberflächenbeobachtungsdaten und kam zu ähnlichen Schlussfolgerungen, nämlich dass das fusionierte Produkt merklich die Genauigkeit der Niederschlagsschätzung verbessert und erweitert den Umfang der Schätzung Niederschlagsinformationen für Plattformen auf verschiedenen Ebenen zu reflektieren . Shen et al. 28 untersuchten die Qualität des fusionierten Produkts und fanden Hinweise, dass das Fusionsprodukt sowohl hinsichtlich des Niederschlagswerts als auch der räumlichen Verteilung rationeller wurde, indem die jeweiligen Vorteile von Oberflächenbeobachtungen und satellitengelagertem Niederschlag effektiv genutzt wurden. Dieses Fusionsverfahren reduzierte die durchschnittliche Abweichung und den mittleren quadratischen Fehler und verbesserte die Produktqualität und stellte einen gewissen Vorteil bei der quantitativen Überwachung der starken Ausfällung dar. Die vorliegende Arbeit schlägt eine neue statistische Methode vor, die TMPA und Oberflächenbeobachtungsdaten sichert. Wenn es TMPA-Datenabweichungen und keine relativ starke räumliche Hypothese gibt, kann dieses Verfahren noch ein äußerst befriedigendes nichtparametrisches statistisches Gerüst erzeugen und eine ausgezeichnete intermittierende Korrektur und räumliche Interpolation auch in Bereichen erzielen, in denen Oberflächenbeobachtungsstationen spärlich verteilt sind. 2. Studienbereich und experimentelle Daten In diesem Papier wurden die automatischen Wetterstationsdaten aus dem System des Netzes für die Datenübertragung im chinesischen Meteorologiedienstsystem abgeleitet und in den Tageswertdatendateien des National Meteorological Information Centre (NMIC) erstellt. Dieses Netz umfasst 839 Stationen, die das Zeitintervall von 2005 bis 2010 abdecken. Aufgrund der komplexen Topographie Chinas ist die räumliche Verteilung des nationalen Netzes von Pluviometern in automatischen Wetterstationen uneben (dh im Osten dicht und im Westen spärlich) ). Daher ist es notwendig, die Qualität des Fusionsverfahrens in Bereichen mit unterschiedlichen Dichten zu bewerten. Entsprechend dem experimentellen Bereich wurden drei gleiche Größen von Gitterregionen ausgewählt, dh die Region C1 im Westen (wo es 12 meist spärlich verteilte Stationen gibt), die Region C2 im Zentrum (mit 68 Stationen) und die Region C3 im Südosten (Wo es 162 mehr dicht verteilte Stationen gibt), wie in Fig. 1 gezeigt. Die automatischen Wetterstationsdaten in C1, C2 und C3 wurden mit dem TMPA-Präzipitationsprodukt fusioniert und ihre Ergebnisse wurden als C1, C2 und C3 markiert, beziehungsweise. Die Fusionseffekte wurden unter den drei regionalen Netzdichten getestet. TMPA, das siebte Ausgabeprodukt von TRMM für Satellitendaten, wurde als das Produkt mit der höchsten Präzision unter den TRMM-Präzipitationsprodukten anerkannt. Die Daten, die pro 3 h durch TMPA erhalten wurden, wurden zuerst in tägliche Präzipitationsdaten und dann in monatliche Präzipitationsdaten akkumuliert. Das in dieser Arbeit verabschiedete TMPA-Präzipitationsprodukt reichte von 2005 bis 2010 in Bezug auf das Zeitintervall und von 10 N auf 50 N Breitengrad. 3. Verfahren zur Integration von Satelliten-Niederschlagsprodukten Das in diesem Papier vorgeschlagene Verfahren wird verwendet, um die Ausfällung durch Verschmelzen verschiedener räumlicher Daten abzuschätzen, und es wird aus der Theorie der Datenassimilierung abgeleitet. Die Datenassimilation beinhaltet die Verarbeitung unterschiedlicher Datenquellen, so dass die Endprodukte integriert werden können. In der numerischen Wettervorhersage wird die Datenassimilation zunächst als ein Prozess betrachtet, der verwendet wird, um Anfangsfelder für die numerische Vorhersage der räumlichen und zeitlichen Verteilungen von Beobachtungsdaten bereitzustellen. Der Schlüssel zu dieser Methode besteht darin, die Unterschiede zwischen Bereichsdaten und Punktdaten zu berechnen. Die in dieser Arbeit verwendete Interpolationsmethode ist eine Kernelglättung, die im Gegensatz zur Kriging - Methode nicht von der Stationaritätshypothese abhängt und in Situationen angewendet werden kann, in denen die geographische statistische Hypothese fehlgeschlagen ist, dh wenn die geographischen Daten an einer Statistische Analyse der Geographie sind verwandt oder korreliert, heterogen und nicht die Zufälligkeit Annahmen der allgemeinen statistischen Analyse. Darüber hinaus werden zwei Fragen im Zusammenhang mit dem Restfehler-basierten Fusionsverfahren diskutiert: (1) die Verwendung des ursprünglichen TMPA als Hintergrundfeld ist problematisch, daher ist die Vorverarbeitung von Bereichsdaten nach dem gewöhnlichen Kernel-Glättungsverfahren wesentlich (2) Verbessert werden kann, können die visuelle Expression und die Effizienz der Schätzung in einem spärlichen Bereich verbessern. 3.1. Prinzip der Restfehlerbasierten nichtparametrischen Datenfusion Während der Schlüssel zur Restfehleranalyse darin besteht, die Unterschiede zwischen dem Hintergrundfeld und den beobachteten Werten zu berechnen, zielt das Restfehler-basierte nichtparametrische Fusionsverfahren darauf ab, das gewichtete Mittel der Restfehler zu lösen Auf den Abstand zwischen den Beobachtungspunkten. Das Schätzfeld wird durch Kombinieren des Restfehlerfeldes mit dem Hintergrundfeld erhalten. Daher wird das Schätzfeld durch die Einstellung benachbarter Beobachtungsdaten erhalten, und das Hintergrundfeld wird beibehalten, wenn es keine lokalen Beobachtungsdaten gibt. Die Beziehungen zwischen dem Hintergrundfeld X B. Das Beobachtungsfeld X O. Und der Restfehler D kann durch das folgende Gleichungssystem ausgedrückt werden: V ar (e B) B 2 wobei B nicht 0 sein kann und im Raum variieren wird. Obwohl unabhängige Annahmen vorhanden sind, ist der Hintergrundfehler von zwei benachbarten Pixeln der Rasterdaten im allgemeinen zusammenhängend. Im Vergleich zum Modell, bei dem der korrelierte Fehler genauer ist, kann die Verletzung der Unabhängigkeitsannahme zu einer größeren Schätzabweichung führen. Allerdings ist die Abweichung noch nahe Null. Wenn es eine starke Korrelation gibt, ist es schwieriger, Schätzungen der Unsicherheit zu erhalten. Dieser Fall wird in dieser Studie nicht berücksichtigt. In künftigen Studien wird diese Unabhängigkeitsannahme den Hintergrundfehler und die Berechnung der Unsicherheit berücksichtigen. Im Gegensatz zum Hintergrundfehler wird der Messfehler als weißes Gaußsches Rauschen betrachtet und als V ar (e O) O 2 ausgedrückt. Weißes Gaußsches Rauschen ist ein zufälliger Fehler, der der Normalverteilung folgt. Zufälliger Fehler ist der Fehler, der durch die Unsicherheit der Messung, einschließlich menschlicher Fehler verursacht wird. Gemäß Gleichungen (1) (3) wird das nichtparametrische Modell verwendet, um das Restfehlerfeld auszudrücken, wie durch die nachstehende Formel dargestellt: D (S i) e B (S i) Dass das Restfehlerfeld gleich der Differenz zwischen dem Hintergrundfehler und dem Beobachtungsfehler ist. Das Schätzfeld XM kann das Restfehler-basierte nichtparametrische Modell zur Schätzung annehmen, wie durch die nachstehende Formel dargestellt: D (S i) XB (S i) X O (S i) B (S) wobei h eine positive Zahl ist und ist Die als Bandbreite bezeichnet wird. Das nichtparametrische Modell verwendet die Kernfunktion, um die Gewichte gemäß den Abständen zwischen peripheren Beobachtungspunkten zuzuordnen. Die Anwendung des auf Restfehlern basierenden nichtparametrischen Fusionsverfahrens beinhaltet drei Schritte: (i) Berechnen des Restfehlers an dem Beobachtungspunkt unter Verwendung von Gleichung (10) (ii) Bestimmen des Kernel-Glättungsverfahrens, um den durch den Restfehler erzeugten Hintergrundfehler abzuschätzen Unter Verwendung der Gleichungen (20) und (21) und (iii) das Schätzfeld oder das effektive Hintergrundfeld gemäß dem geschätzten Hintergrundfehler unter Verwendung von Gleichung (12) extrahieren. 3.2. Einstellen des Hintergrundfeldes Das in diesem Papier beschriebene Verfahren ist durch die Gleichungen (10) (12) gegeben und zielt darauf ab, Rasterdaten und Punktdaten zu verschmelzen. Daher ist es notwendig, das Hintergrundfeld klar zu definieren. Da die direkte Fusion 29 signifikante Abweichungen auf der ebenen Grenze (dh die Grenze zwischen zwei kontinuierlichen TMPA-Raster-Datasets) erzeugt und eine Unstetigkeit im Hintergrundfeld verursacht, führt dieses Papier das Glättungs-Fusionsverfahren ein, um die durch die Fusion von Rasterdaten verursachten Grenzabweichungen zu reduzieren Und Punktdaten. Die Grundidee des Verfahrens besteht darin, den gleitenden Durchschnitt von TMPA zu verwenden, um ein Glättungsfeld zu erzeugen und das Hilfsfeld als Hintergrundfeld der Gleichungen (10) (12) anzunehmen. Das vom gleitenden Durchschnitt verwendete Fenster hat dieselbe Größe wie das Pixel im TMPA-Raster-Dataset. S i (i 1, 2, 3, 4) repräsentiert vier TMPA-Rasterpixel, die den gleitenden Durchschnitt s A i (i 1, 2, 3, 4) enthalten, den Schnittbereich zwischen S i und dem sich bewegenden Fenster Figur 2 . Außerdem repräsentiert T (s j) die TMPA-Präzipitationsschätzung für das Raster S i. Das geglättete TMPA bei s wird durch die nachstehenden Formeln 30 bereitgestellt: T (s) j 1 4 w j T (s j) w j A j i 1 n A i 3.3. Doppelglättungsalgorithmus Kernelglättung (Gleichung (11)) kann verwendet werden, um die Erwartungen des Hintergrundfehlerfeldes wirksam abzuschätzen, und seine Bedingungen erfüllen das Restfehlerfeld unter Umständen, wo Beobachtungspunkte dicht verteilt sind. Jedoch ist die Leistung der gewöhnlichen Kernelglättung nicht stabil genug, zumal sie die wahren Erwartungen nicht gut widerspiegeln kann, wenn die Beobachtungspunkte spärlich verteilt sind. Genauer gesagt, wird das bedingte Mittel der Hintergrundfehler unter Verwendung von Gleichung (11) gelöst, dh i 1 n K (SS ih), aus der ersichtlich ist, daß i 1 n K (SS ih) gt 0 genau dann, wenn es existiert Wobei zumindest ein S i in dem Bandbreitenradius h von S liegt. Unter der Annahme, dass nur ein Beobachtungspunkt in den Bereich der Abtastwerte fällt, wird der abgeschätzte Hintergrundfehler außerhalb des beobachteten Bandbreitenradius null sein, aber er wird signifikant unterschiedlich sein Beobachteten Bandbreitenradius, was zu einer Diskontinuität der Präzipitationsschätzung führt. In abgelegenen Regionen Chinas ist die räumliche Verteilung der Pluviometer automatischer Wetterstationen extrem spärlich, und es gibt in vielen Regionen keine automatischen Wetterstationen. Diese Untersuchung ergab, dass die doppelte Glättungsschätzung auf den Oberflächen aller Regionen glatt war, wodurch sichergestellt wurde, dass die Hintergrundfeldschätzung glatt genug war und die Glättungshypothese des grundlegenden Hintergrundfeldes erfüllen konnte . Anschließend wurde das Schmelzverfahren nach Gleichung (11) als Einzelglättung bezeichnet. Die Doppelglättungsschätzung basiert auf dem folgenden Verfahren: Zunächst werden neue Pseudo-Beobachtungsdaten durch eine grobe Interpolationssekunde hinzugefügt, der geschätzte Wert wird aus den durch Interpolation erhaltenen Pseudo-Beobachtungsdaten und den ursprünglichen Daten erhalten. Somit kann die Doppelglättungsschätzung in zwei Schritte 30 unterteilt werden. (1) Umwandeln der ursprünglichen Daten D (si) in die gerasterten Pseudodaten mit der Rastergröße L. D (sk) i 1 n K 1 (sksih 1) D (si) i 1 n K 1 (sksih 1) (2 ) Schätzen Sie das Hintergrundfehlerfeld aus dem erweiterten Datensatz ein, einschließlich Originaldaten und Pseudodaten. BD (s) i 1 n K 2 (ss 2) D (si) k 1 KK 2 (sskh 2) D (sk) i 1 n K 2 (ss 2) k 1 KK 2 (sskh 2) Als empirischer Wert Wurde die Bandbreite h & sub1; auf h & sub1; & sub3; 0,3 gesetzt. In diesem Papier wurde die Bandbreite h & sub2; durch Kreuzvalidierung bestimmt. K ist die Menge an Pseudodaten. Die Kernfunktion K1 nahm eine Gaußsche Kernfunktion an und die Kernfunktion K2 nahm den Epanechnikov-Kern an. Um die Ausreichbarkeit von erweiterten Daten sicherzustellen, muss die Rastergröße L von Pseudodaten die Bedingung L lt h 2 erfüllen. Wobei gt 1 ist. Nach Goudenhoofd et al. 29 wurde der Parameter auf 1,2 gesetzt, und der minimale Wert von h 2 war 0,3. Die Rastergröße L der erzeugten Pseudodaten betrug 0,25, was gleich der Auflösung von TMPA ist. 3.4. Fusionsverfahren der Niederschlagsschätzung Zuerst werden die TMPA-Daten durch Glättung der Niederschlagsdaten erzeugt, die für den Satelliten TRMM 3B43 unter Verwendung der Gleichungen (1) und (2) verwendet wurden. Zweitens wird das Restfehlerfeld D (si) durch Subtrahieren der Pluviometer-Beobachtungsdaten basierend auf den TMPA-Daten unter Verwendung von Gleichung (10) erzeugt. Drittens werden die Pseudodaten basierend auf dem Restfehlerfeld unter Verwendung von Gleichung (20) berechnet, dann wird der Datensatz entsprechend dem Restfehlerfeld und den Pseudodaten erweitert und das Hintergrundfehlerfeld wird unter Verwendung von Gleichung (21) erzeugt, . Schließlich wird das Schätzfeld X M (Si) durch Subtrahieren des Hintergrundfehlerfeldes von dem Hintergrundfeld unter Verwendung von Gleichung (12) gebildet. Dieser Vorgang ist in Fig. 3 gezeigt. 4. Experimentelle Ergebnisse In Tabelle 1 sind die durchschnittlichen Abweichungen (AD), die Wurzelmittel-Quadrat-Fehler (RMSE) und die Korrelationskoeffizienten (CC) der Fusionsmethode unter den drei regionalen Netzwerkdichten in China im Juli 2009 aufgeführt Eine zunehmende Verteilungsdichte von Pluviometern, sanken die mittleren Abweichungen und die quadratischen Mittelwerte der beiden Fusionsprodukte, was mit einer erhöhten räumlichen Korrelation einherging. Im Bereich C1, wo die Pluviometer spärlich verteilt sind, ergab das in diesem Dokument vorgeschlagene Fusionsverfahren (bezeichnet als FMP) eine mittlere Abweichung von 0,082 mmh, einen mittleren Fehlerquadrat von 1,960 mmh und einen Korrelationskoeffizienten von 0,455. Im Bereich C2, wo die Pluviometer mäßig verteilt sind, wurde der Schätzfehler reduziert, wobei die durchschnittliche Abweichung und der mittlere Quadratfehler auf 0,058 mmh bzw. 1,833 mmh verringert wurden und der Korrelationskoeffizient auf 0,701 erhöht wurde. Im Bereich C3, wo die Pluviometer dicht verteilt sind, wurden die durchschnittliche Abweichung und der Mittelwert-Quadrat-Fehler weiter reduziert und der Korrelationskoeffizient so hoch wie 0,722 erreicht. Die von Shen et al. 28 wird als FMS bezeichnet. In ihrer Arbeit wurde das verschmolzene Niederschlagsprodukt in China mit einer zweidimensionalen Verschmelzungsalgorithmus mit einer Wahrscheinlichkeitsdichtefunktion (PDF) und einer optimalen Interpolation (OI) auf der Basis der Stunden-, 0,1-Breiten - und 0,1-Längen-Zeit-Auflösung entwickelt Stunden-Niederschlag beobachtet bei automatischen Wetterstationen in China und abgerufen CMORPH (Karte programmiert Rechner MORPH-Technik) Satelliten-Daten. Im Vergleich zu FMS zeigte FMP keine signifikanten Schwankungen der Niederschlagsschätzung und konnte eine stabilere Gesamtschätzung realisieren. Im Bereich C1 wurde mit der Annahme von FMP die mittlere Abweichung von 0,121 mmh auf 0,082 mmh verbessert und der Korrelationskoeffizient von 0,309 auf 0,455 erhöht, was nahelegt, dass die Ausfällungsschätzung in Bereichen, in denen Pluviometer spärlich verteilt sind, stark verbessert werden kann in China. Im Bereich C2 waren die beiden Fusionsmethoden hinsichtlich der Präzipitationsschätzung konsistent. In der Region C3 war FMS der FMP im Hinblick auf die Niederschlagsschätzung überlegen, was darauf hindeutete, dass es besser wäre, FMS in Regionen anzunehmen, in denen Stationen dicht verteilt sind. Der Wirkungsgradkoeffizient (CE) ist der häufigste Wirkungsgrad-Bewertungsindex in hydrologischen Modellen, er ist unitless und bezieht sich auf den Bruchteil der Varianz, der durch ein Modell erklärt wird. Dieses Papier führte CE ein, um die beiden Fusionsverfahren experimentell im Hinblick auf die Modellwirksamkeit im spärlich verteilten Bereich C1 zu vergleichen. Ein Vergleich der beiden Fusionsmethoden im Hinblick auf den Wirkungskoeffizienten im Juli 2009 ist in Abbildung 4 dargestellt. Dies zeigt, dass sich alle Punkte (CE-Verhältnis-Wert) oberhalb der Linie 1: 1 befanden Y - Achse derjenigen übertraf, die von der x-Achse angenommen wurde. Somit zeigte der Test, dass es effektiver wäre, FMP in spärlich verteilten Regionen anzunehmen. Um klarer zu zeigen, dass FMP in Bereichen, in denen Pluviometer spärlich verteilt sind, genauer wäre, analysierte dieses Papier die statistischen Indizes der beiden Fusionsverfahren unter verschiedenen Präzipitationsgraden und testete die Fusionsergebnisse unter diesen Graden. Entsprechend der Niederschlagsintensität (IP) kann die stündliche Ausfällung in fünf Grade unterteilt werden: lt1.0 mm, 1.02.5 mm, 2.58.0 mm, 8.016.0 mm und gt16.0 mm. Tabelle 2 zeigt, dass die durchschnittliche Abweichung und relative Abweichung (RD) von FMS von positiv zu negativ variieren. Diese Variabilität deutet darauf hin, dass Niederschlags-Niederschlag unter 1,0 mmh überschätzt wurde, während Niederschlag von mindestens 1,0 mmh unterschätzt wurde, und es zeigt, dass die Abweichung allmählich mit zunehmender Niederschlagsmenge zunahm. Nach der Verabschiedung von FMP zeigte das Niederschlagsfeld bis zu einem gewissen Grad noch Abweichungen in den Niederschlagsschätzungen. Jedoch waren die Absolutwerte der mittleren Abweichung, relativen Abweichung und des Mittelwert-Quadrat-Fehlers unter der gleichen Note im Vergleich zu denjenigen unter FMS signifikant reduziert. Genauer gesagt war nach der Verabschiedung von FMP die Verbesserung der Ergebnisse am signifikantesten, wenn die Ausfällungsrate über 8,0 mmh lag. Insbesondere wenn die Intensität des Niederschlags 16,0 mmh überschritt, wurde die relative Abweichung von den vorherigen 30,967 auf 14,461 verringert. Somit können genauere Ergebnisse für eine höhere Intensität des Niederschlags erzielt werden. Im folgenden wird die Effektivität der Modelle in Abhängigkeit von der räumlichen Verteilung der Pluviometer diskutiert und verglichen. Die räumlichen Verteilungen der Effektivitätskoeffizienten, die FMS und FMP zwischen Mai und September von 2005 bis 2010 erhalten haben, sind in Abbildung 5 bzw. Abbildung 6 dargestellt. In einigen entfernten chinesischen Regionen sind die Pluviometer spärlich verteilt (z. B. Bereich C1 in Fig. 5 und Fig. 6), und FMS konnte die Ausfällungsvertiefung nicht schätzen, so daß die Wirkungskoeffizienten im allgemeinen unter 0,5 lagen. Nach der Verabschiedung von FMP sanken die Effizienzkoeffizienten im Bereich von 0,5 und 0,9 und überschritten sogar in einigen Fällen sogar 0,9, was zeigte, dass es genauer und effektiver wäre, FMP in Bereichen anzuwenden, in denen Pluviometer spärlich verteilt sind. Um weiter zu zeigen, dass FMP genauere Ergebnisse für die Niederschlagsschätzung in Bereichen liefert, in denen die Pluviometer spärlich verteilt sind, berechneten wir die Vorspannungen zwischen den Niederschlagsschätzungen, die mit den beiden Methoden und den Niederschlagsbeobachtungen an den Stationen in der Region C1 zwischen Mai und September erhalten wurden Von 2005 bis 2010 (siehe die Ergebnisse in Abbildung 7 und Abbildung 8). Beide Verfahren unterschätzten die Ausscheidung in der spärlich verteilten westlichen Region, was durch die spärliche Verteilung der Pluviometer erklärt werden kann, und durch die lokale atmosphärische Konvektion wurden die durch FMS erhaltenen Vorspannungen hauptsächlich im Bereich von lt1 konzentriert und die Vorspannungen von nur zwei Stationen rangierten zwischen 1 und 0,1. Nach der Annahme des Doppelglättungsalgorithmus dieses Papiers zur Verarbeitung (FMP) fielen die Vorspannungen im allgemeinen im Bereich von 1 bis 0,1 (fünf Stationen) und im Bereich von 0,1 bis 0 (sechs Stationen) und nur eine Station hatte Eine Vorspannung im Bereich von 0 bis 0,1. Diese Verbesserung zeigte vollständig, dass der doppelglättende Algorithmus in spärlich verteilten Bereichen die Fehler effektiver reduzieren und die Ausfällungsereignisse zufriedenstellender widerspiegeln könnte. Die Rasterkarte des durch FMS erzeugten durchschnittlichen monatlichen Niederschlagsfeldes und die von FMP zwischen Mai und September von 2005 bis 2010 erzeugte Rasterkarte ist in den Abbildungen 9 bzw. 10 dargestellt. Die beiden Methoden waren hinsichtlich der Gesamtverteilung des Niederschlagsfeldes ähnlich, und die großen Niederschlagsereignisse konzentrierten sich hauptsächlich auf die südöstlichen Regionen. Die Verteilung von Niederschlägen, die durch FMS erzeugt wurden, war relativ heterogen, insbesondere in Regionen, in denen oberflächliche Beobachtungsstationen spärlich verteilt sind (z. B. Bereich C1). FMP, die Methode in diesem Papier vorgeschlagen, nahm eine doppelte Glättung Verarbeitung für spärlich verteilte Regionen und verbessert die Präzision des Niederschlagsfeldes, die glatter ist, wie unten gezeigt. 5. Schlussfolgerungen Um die Frage der spärlichen Verteilung von automatischen Wetterstationen in den westlichen Regionen Chinas zu behandeln, wird in dieser Arbeit der Doppelglättungsalgorithmus angenommen. 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. Stier. 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. Modell. 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. Statist. 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. Sünde. 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.