气象数据分析之MK检验与趋势突变检测实战
在气象数据分析中，时间序列（Time Series）是指按照时间顺序排列的一组观测数据。例如，某地连续10年每天的气温记录，或每月的降水量数据，都可以构成一个时间序列。趋势（Trend）是时间序列中长期变化的成分，反映了变量在时间维度上的总体发展方向。在气象数据中，趋势通常表现为气温上升、降水减少或风速变化等长期趋势。趋势分析旨在识别和量化这种变化，判断其是否存在统计意义上的显著性。时间序列通常包
简介：MK检验（Mann-Kendall Test）是一种广泛应用于气象数据趋势与突变点检测的非参数统计方法，适用于非正态分布和含有异常值的数据序列。本资源包“mk.rar”包含多个MK检验相关脚本，如“mk趋势分析.m”、“trendMK.m”、“MannKendall.m”和“mk.m”，可用于分析降雨量、温度、风速等气象变量的长期变化趋势。通过S统计量、Z统计量和p值判断趋势显著性，帮助研究人员识别气候变化模式，为气候预测和环境保护提供科学支持。 
1. MK检验的基本原理与适用场景
MK检验（Mann-Kendall Test）是一种广泛应用于时间序列趋势分析的非参数统计方法。它不依赖于数据的特定分布形式，适用于气象、水文、环境监测等领域的小样本数据趋势识别。MK检验通过比较时间序列中前后数据点的大小关系，构建S统计量来判断趋势的存在性与方向，具有较强的鲁棒性与适应性。本章将从MK检验的理论基础出发，解析其核心计算逻辑，并探讨其在实际气象数据分析中的适用场景与优势。
2. 气象数据趋势性分析方法
2.1 趋势分析的基本概念
2.1.1 时间序列与趋势的定义
在气象数据分析中， 时间序列（Time Series） 是指按照时间顺序排列的一组观测数据。例如，某地连续10年每天的气温记录，或每月的降水量数据，都可以构成一个时间序列。
趋势（Trend） 是时间序列中长期变化的成分，反映了变量在时间维度上的总体发展方向。在气象数据中，趋势通常表现为气温上升、降水减少或风速变化等长期趋势。趋势分析旨在识别和量化这种变化，判断其是否存在统计意义上的显著性。
时间序列通常包含以下三个基本组成部分：
| 组成成分 | 描述 |
|---|---|
| 趋势项（Trend） | 数据随时间变化的长期方向 |
| 季节项（Seasonality） | 数据在固定周期内重复出现的规律性波动 |
| 随机项（Residual） | 无法被趋势和季节解释的随机波动 |
趋势分析的核心任务是从时间序列中分离出趋势项，并对其进行建模和评估。这在气候变化研究、环境监测等领域具有重要意义。
2.1.2 常见趋势类型（线性、非线性、周期性）
在气象数据中，常见的趋势类型主要包括以下几种：
-
线性趋势（Linear Trend） ：变量随时间呈直线变化。例如，全球气温每年平均上升0.05°C。
-
非线性趋势（Nonlinear Trend） ：变量随时间变化的趋势不是直线，可能是曲线形式。例如，气温变化可能呈现指数增长或对数增长。
-
周期性趋势（Seasonal Trend） ：变量在固定周期内呈现出规律性变化，例如每年夏季气温升高，冬季下降。
-
阶段性趋势（Piecewise Trend） ：趋势在不同时间段呈现不同的变化特征，可能存在一个或多个“转折点”。
为了更直观地理解这几种趋势类型，我们可以用Python绘制示例图。
import numpy as np
import matplotlib.pyplot as plt
# 生成时间轴
t = np.arange(0, 100)
# 生成不同趋势的模拟数据
linear = 0.5 * t
nonlinear = t**1.2
seasonal = 10 * np.sin(2 * np.pi * t / 12)
piecewise = np.where(t < 50, 0.3 * t, 0.7 * t)
# 绘图
plt.figure(figsize=(14, 8))
plt.subplot(2, 2, 1)
plt.plot(t, linear)
plt.title("线性趋势")
plt.subplot(2, 2, 2)
plt.plot(t, nonlinear)
plt.title("非线性趋势")
plt.subplot(2, 2, 3)
plt.plot(t, seasonal)
plt.title("周期性趋势")
plt.subplot(2, 2, 4)
plt.plot(t, piecewise)
plt.title("阶段性趋势")
plt.tight_layout()
plt.show()
代码逻辑分析：
t = np.arange(0, 100)：生成0到99的时间点，表示100个时间步。linear = 0.5 * t：构造一个斜率为0.5的线性趋势。nonlinear = t**1.2：构造一个指数型非线性趋势。seasonal = 10 * np.sin(...)：构造一个周期为12个月的季节性趋势。piecewise = np.where(...)：使用np.where构造一个在50个时间点前后变化率不同的阶段性趋势。matplotlib.pyplot用于绘图展示四种趋势。
通过以上代码和图表，我们能够清晰地识别出不同类型的趋势特征。在实际气象数据分析中，我们需要根据数据的性质选择合适的方法来建模和检测趋势。
2.2 常用趋势分析方法对比
2.2.1 线性回归法
线性回归是一种经典的统计方法，广泛应用于趋势分析中。其基本思想是将时间作为自变量 $ t $，将气象变量值作为因变量 $ y_t $，拟合一个线性模型：
y_t = a + b \cdot t + \varepsilon_t
其中：
- $ a $ 是截距项；
- $ b $ 是趋势斜率，表示单位时间内的变化率；
- $ \varepsilon_t $ 是误差项。
优点：
- 计算简单，易于解释；
- 可以通过显著性检验判断趋势是否显著；
- 适用于线性趋势明显的气象数据。
缺点：
- 对异常值敏感；
- 要求数据满足正态分布假设；
- 不适用于非线性趋势或存在突变点的数据。
我们可以通过Python中的 statsmodels 库实现线性回归分析：
import statsmodels.api as sm
import numpy as np
# 模拟带噪声的线性趋势数据
np.random.seed(0)
t = np.arange(100)
y = 0.5 * t + np.random.normal(0, 5, size=100)
# 添加常数项
X = sm.add_constant(t)
# 构建模型并拟合
model = sm.OLS(y, X).fit()
print(model.summary())
输出结果示例：
OLS Regression Results
Dep. Variable: y R-squared: 0.783
Model: OLS Adj. R-squared: 0.781
Method: Least Squares F-statistic: 353.2
Date: ... Prob (F-statistic): 3.47e-31
Time: ... Log-Likelihood: -380.45
No. Observations: 100 AIC: 764.9
Df Residuals: 98 BIC: 770.2
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
const -0.1591 1.014 -0.157 0.876 -2.172 1.854
x1 0.4788 0.025 18.795 0.000 0.428 0.529
参数说明：
coef：估计的回归系数；std err：标准误；t：t统计量；P>|t|：p值，用于判断趋势是否显著；R-squared：模型解释的方差比例，值越大说明模型拟合越好。
从输出可以看出，趋势项系数为0.4788，p值接近0，说明存在显著的线性趋势。
2.2.2 Sen斜率估计法
Sen斜率估计法（Sen’s Slope Estimator）是一种非参数方法，常用于估计时间序列的中位趋势斜率。它不依赖于数据分布，适用于非正态分布或存在异常值的气象数据。
Sen斜率的计算步骤如下：
- 对于时间序列中的每对数据点 $ (y_i, y_j) $，其中 $ i < j $，计算斜率：
Q_{ij} = \frac{y_j - y_i}{j - i}
- 将所有 $ Q_{ij} $ 排序，取其中位数作为Sen斜率估计值。
优点：
- 不依赖数据分布；
- 对异常值不敏感；
- 适用于非线性趋势。
缺点：
- 计算复杂度高（需计算所有数据对）；
- 不提供显著性检验。
以下是使用Python计算Sen斜率的示例：
from scipy.stats import kendalltau
import numpy as np
def sen_slope(x):
n = len(x)
slopes = []
for i in range(n):
for j in range(i+1, n):
slope = (x[j] - x[i]) / (j - i)
slopes.append(slope)
return np.median(slopes)
# 模拟数据
np.random.seed(0)
data = 0.5 * np.arange(100) + np.random.normal(0, 5, size=100)
slope = sen_slope(data)
print(f"Sen斜率估计值为：{slope:.4f}")
代码逻辑分析：
for i in range(n)和for j in range(i+1, n)：遍历所有数据对；slope = (x[j] - x[i]) / (j - i)：计算每对数据点之间的斜率；np.median(slopes)：取所有斜率的中位数作为最终估计值。
输出结果为：
Sen斜率估计值为：0.4985
与真实斜率0.5非常接近，说明Sen方法具有良好的估计能力。
2.2.3 非参数方法与MK检验的优势
非参数方法 如 Mann-Kendall（MK）检验 ，不依赖数据服从特定分布，适用于小样本、非正态分布或存在缺失值的数据。MK检验通过计算S统计量和Z统计量，判断趋势是否存在显著性。
MK检验的优势：
| 优势 | 描述 |
|---|---|
| 非参数性 | 不依赖数据分布，适用于各种数据类型 |
| 对缺失值容忍度高 | 可处理少量缺失值 |
| 对异常值稳健 | 不易受极端值影响 |
| 适用性强 | 可用于气象、水文、生态等多领域 |
MK检验的基本流程如下：
graph TD
A[读取时间序列数据] --> B[计算S统计量]
B --> C[计算方差Var(S)]
C --> D[计算Z统计量]
D --> E{Z值是否显著}
E -- 是 --> F[存在显著趋势]
E -- 否 --> G[无显著趋势]
MK检验与线性回归、Sen斜率结合使用，能提供趋势存在性与趋势强度的双重信息，是气象数据分析中的重要工具。
2.3 气象数据趋势分析实践
2.3.1 数据准备与可视化
在进行趋势分析之前，首先需要准备好气象数据。我们可以使用Python从CSV文件中读取数据，并进行初步的可视化。
import pandas as pd
import matplotlib.pyplot as plt
# 读取降水数据（示例格式：date,precipitation）
df = pd.read_csv("precipitation_data.csv", parse_dates=["date"])
df.set_index("date", inplace=True)
# 查看数据结构
print(df.head())
# 绘制时间序列图
plt.figure(figsize=(12, 6))
plt.plot(df.index, df["precipitation"], label="降水数据")
plt.xlabel("时间")
plt.ylabel("降水量（mm）")
plt.title("某地区年降水量时间序列")
plt.legend()
plt.grid(True)
plt.show()
代码逻辑分析：
pd.read_csv(..., parse_dates=["date"])：将“date”列解析为日期类型；df.set_index("date")：设置日期为索引；plt.plot(...)：绘制时间序列曲线；- 图表显示了某地区多年降水变化趋势，便于初步判断是否存在趋势性。
2.3.2 不同方法在降水、温度数据中的应用比较
我们以某地区20年的月平均气温数据为例，比较线性回归、Sen斜率和MK检验三种方法在趋势分析中的表现。
from scipy.stats import kendalltau
import pymannkendall as mk
# 假设temp_data是一个numpy数组或pandas Series，包含20年每月温度数据
# 线性回归
X = sm.add_constant(np.arange(len(temp_data)))
model = sm.OLS(temp_data, X).fit()
print("线性回归结果：\n", model.summary())
# Sen斜率
sen_slope_val = sen_slope(temp_data)
print(f"Sen斜率估计值：{sen_slope_val:.4f}")
# MK检验
mk_result = mk.original_test(temp_data)
print("MK检验结果：\n", mk_result)
输出示例：
线性回归结果：
OLS Regression Results
Dep. Variable: y R-squared: 0.321
Model: OLS Adj. R-squared: 0.319
const 0.1591 1.014 0.157 0.876 -2.172 1.854
x1 0.0288 0.005 5.321 0.000 0.018 0.039
Sen斜率估计值：0.0301
MK检验结果：
statistic pvalue
trend increasing 0.00123456
h True
结果解读：
- 线性回归结果显示斜率为0.0288，p值<0.05，说明存在显著趋势；
- Sen斜率估计值为0.0301，与线性回归一致；
- MK检验结果显示趋势为“increasing”，p值为0.0012，拒绝原假设，趋势显著。
结论：
三种方法均显示气温存在显著上升趋势，说明该地区可能正在经历变暖过程。线性回归提供了趋势斜率和显著性信息，Sen斜率增强了稳健性，而MK检验则提供了非参数支持，增强了可信度。
本章通过理论分析与代码实践，系统地介绍了气象数据趋势分析的基本方法及其在实际数据中的应用。下一章将继续深入探讨MK突变点检测的实现原理与应用实例。
3. MK突变点检测实现原理
3.1 突变点检测的基本思想
3.1.1 突变点的定义与分类
突变点（Change Point）是指时间序列中某个特定时刻，数据的统计特性发生显著变化的现象。在气象、水文等时间序列分析中，突变点往往对应于气候或环境状态的转折点，例如降水模式的突然改变、温度的跃升或下降等。突变点可以分为以下几类：
| 类型 | 描述 |
|---|---|
| 突然跳跃型 | 时间序列值在某一点发生突然变化，之后保持稳定 |
| 趋势转折型 | 原有趋势发生方向性改变，如从上升变为下降 |
| 方差突变型 | 数据波动幅度发生明显变化，但均值可能不变 |
| 多重突变型 | 时间序列中存在多个突变点，表现为多个阶段性的变化 |
在MK检验中，主要关注的是趋势性突变点的检测，即通过统计方法识别出趋势方向发生显著变化的临界点。
3.1.2 突变检测方法概述
目前常用的突变点检测方法包括：
- 滑动t检验（Sliding t-test） ：通过滑动窗口对时间序列进行局部t检验，寻找显著差异点。
- Pettitt检验 ：一种非参数方法，基于曼-惠特尼U统计量来识别突变点。
- 贝叶斯突变点检测 ：利用贝叶斯推理模型，结合先验知识识别突变点。
- MK突变点检测（Mann-Kendall Change Point Detection） ：基于UF（正向统计量）与UB（反向统计量）的交点来识别突变点。
其中，MK突变点检测因其对数据分布不敏感、适用于非正态分布和小样本数据，在气象领域应用广泛。
3.2 MK突变点检测算法
3.2.1 UF与UB统计量的构造
MK突变点检测的核心在于构造两个统计量： UF（Forward U） 和 UB（Backward U） 。
UF统计量（Forward U）
UF统计量用于计算时间序列正向的趋势变化，其定义如下：
def calculate_uf(data):
n = len(data)
s = 0
var_s = 0
uf = [0] * n
for i in range(n):
for j in range(i):
if data[i] > data[j]:
s += 1
# 计算方差
var_s += i * (i + 1) * (2 * i + 1) / 18
# 计算UF
if var_s == 0:
uf[i] = 0
else:
uf[i] = (s - 0.5) / (var_s ** 0.5)
return uf
代码解释：
data：输入的时间序列数组。s：统计序列中前面元素小于当前元素的对数，反映趋势的正负。var_s：用于标准化S值的方差计算。uf[i]：第i个时间点的UF值，反映正向趋势的显著性。
UB统计量（Backward U）
UB统计量是对时间序列的反向趋势进行检测，构造方式与UF类似，但需从后向前计算：
def calculate_ub(data):
n = len(data)
s = 0
var_s = 0
ub = [0] * n
for i in range(n-1, -1, -1):
for j in range(n-1, i, -1):
if data[i] > data[j]:
s += 1
var_s += (n - i - 1) * (n - i) * (2 * (n - i - 1) + 1) / 18
if var_s == 0:
ub[i] = 0
else:
ub[i] = (-s - 0.5) / (var_s ** 0.5)
return ub
代码解释：
- 与UF不同的是，UB从后往前计算每个点的统计量，反映反向趋势。
ub[i]：第i个时间点的UB值。
UF与UB的联合分析
通过绘制UF和UB曲线，寻找两者交点，即可识别突变点。通常，若UF与UB在置信区间外交叉，则认为该点为突变点。
3.2.2 突变点的判定规则
MK突变点检测的判定规则如下：
- UF曲线与UB曲线的交点 ：如果UF与UB在±1.96（对应95%置信水平）之间相交，则认为该交点为突变点。
- 交点是否在置信区间外 ：如果UF或UB值超过临界值（如1.96或2.58），则表示趋势显著，突变点更可信。
- 多交点处理 ：当存在多个交点时，选择最显著（即UF和UB绝对值最大的交点）作为最终突变点。
示例：突变点判定流程图
graph TD
A[输入时间序列数据] --> B[计算UF统计量]
B --> C[计算UB统计量]
C --> D[绘制UF与UB曲线]
D --> E{是否存在交点?}
E -->|是| F[判断交点是否在置信区间外]
F --> G{是否超过临界值?}
G -->|是| H[确定为突变点]
G -->|否| I[忽略该交点]
E -->|否| J[无突变点]
3.3 突变点检测的应用实例
3.3.1 模拟数据中的突变识别
我们可以通过构造一个模拟时间序列来演示MK突变点检测的效果。
import numpy as np
import matplotlib.pyplot as plt
# 构造模拟数据
np.random.seed(42)
data = np.random.normal(0, 1, 50) # 前50个点服从N(0,1)
data = np.append(data, np.random.normal(3, 1, 50)) # 后50个点服从N(3,1)，模拟突变
# 计算UF和UB
uf = calculate_uf(data)
ub = calculate_ub(data)
# 绘图
plt.figure(figsize=(12, 6))
x = np.arange(len(data))
plt.plot(x, uf, label='UF')
plt.plot(x, ub, label='UB')
plt.axhline(y=1.96, color='r', linestyle='--', label='95% Confidence Level')
plt.axhline(y=-1.96, color='r', linestyle='--')
plt.axvline(x=50, color='g', linestyle='--', label='True Change Point')
plt.legend()
plt.title("UF and UB Curves for Simulated Data")
plt.xlabel("Time")
plt.ylabel("UF/UB Value")
plt.grid(True)
plt.show()
代码分析：
- 构建了一个包含100个数据点的序列，前50个点服从均值为0的正态分布，后50个点均值突变为3。
- 计算并绘制UF和UB曲线。
- 通过红色虚线表示95%置信水平线，绿色虚线表示真实突变点（第50个点）。
结果分析：
- 图中可以看到UF与UB在第50个点附近交叉，且其值明显超过1.96，表明此处存在显著突变。
- 说明MK突变点检测方法在模拟数据中能够准确识别出趋势变化点。
3.3.2 实际气象数据突变点分析
我们以某地区年平均气温数据为例，展示MK突变点检测在实际气象数据中的应用。
数据准备
假设我们有一个包含50年年平均气温的数据：
import pandas as pd
# 读取实际数据
df = pd.read_csv('temperature_data.csv') # 文件格式为 year, temperature
data = df['temperature'].values
突变点检测
uf = calculate_uf(data)
ub = calculate_ub(data)
# 绘图
plt.figure(figsize=(12, 6))
x = np.arange(len(data))
plt.plot(x, uf, label='UF')
plt.plot(x, ub, label='UB')
plt.axhline(y=1.96, color='r', linestyle='--', label='95% Confidence Level')
plt.axhline(y=-1.96, color='r', linestyle='--')
plt.legend()
plt.title("UF and UB Curves for Real Temperature Data")
plt.xlabel("Year Index")
plt.ylabel("UF/UB Value")
plt.grid(True)
plt.show()
结果分析
- 通过观察UF与UB曲线的交叉点，结合置信区间判断，可以识别出温度序列中的突变年份。
- 若交叉点出现在置信区间之外，则可认为该年份气温趋势发生了显著变化，可能与气候事件（如厄尔尼诺现象、火山喷发等）有关。
进一步讨论
- 突变点与气候事件的关联 ：将检测到的突变年份与历史气候事件数据库进行比对，验证突变点的合理性。
- 多变量分析 ：同时分析温度、降水等多个气象变量，构建多维突变点识别模型，提升检测准确性。
- 长期趋势与突变点的关系 ：探讨长期趋势是否存在多个阶段，每个阶段是否由突变点分隔。
通过本章的分析，我们深入理解了MK突变点检测的基本思想、统计量构造方法、判定规则，并通过模拟与实际数据验证了其有效性。下一章将围绕S统计量与Z统计量展开，进一步揭示MK检验的数学基础与显著性判断机制。
4. S统计量与Z统计量计算
在Mann-Kendall（MK）检验中，S统计量和Z统计量是判断时间序列是否存在显著趋势的核心工具。其中，S统计量反映了趋势的强度和方向，而Z统计量则用于判断趋势是否具有统计显著性。本章将从基本定义出发，详细讲解S统计量的构造方法、Z统计量的推导逻辑，以及如何结合这两个统计量完成趋势显著性判断。
4.1 S统计量的定义与计算
4.1.1 数据对的比较与S值的生成
S统计量是MK检验中衡量趋势方向和强度的基础指标。其核心思想是通过比较时间序列中每一对数据点的大小关系，统计上升或下降趋势的数量。
假设我们有一个时间序列 $ X = {x_1, x_2, \dots, x_n} $，其中 $ n $ 为样本数。对于任意两个时间点 $ i < j $，比较 $ x_i $ 和 $ x_j $ 的大小：
- 如果 $ x_j > x_i $，则视为一个正趋势对，计数加1；
- 如果 $ x_j < x_i $，则视为一个负趋势对，计数减1；
- 如果 $ x_j = x_i $，则视为无趋势对，不计入统计。
最终，S统计量的计算公式为：
S = \sum_{i=1}^{n-1}\sum_{j=i+1}^{n} \text{sgn}(x_j - x_i)
其中，$\text{sgn}(x_j - x_i)$ 是符号函数，定义如下：
\text{sgn}(x_j - x_i) =
\begin{cases}
1 & \text{if } x_j - x_i > 0 \
0 & \text{if } x_j - x_i = 0 \
-1 & \text{if } x_j - x_i < 0
\end{cases}
代码实现：Python中S统计量的计算
def calculate_S(x):
n = len(x)
S = 0
for i in range(n):
for j in range(i+1, n):
if x[j] > x[i]:
S += 1
elif x[j] < x[i]:
S -= 1
return S
逐行分析：
- 第1行：定义函数
calculate_S，输入参数为时间序列x。 - 第2行：获取时间序列长度
n。 - 第3行：初始化统计量
S为0。 - 第4~7行：双重循环遍历所有数据对，根据比较结果更新
S的值。 - 第8行：返回最终的S统计量。
4.1.2 正负趋势的判断标准
S统计量的值可以反映时间序列的趋势方向：
- 若 $ S > 0 $，表示整体呈上升趋势；
- 若 $ S < 0 $，表示整体呈下降趋势；
- 若 $ S = 0 $，表示上升和下降趋势对数量相等，可能无明显趋势。
但仅凭S值的正负无法判断趋势是否显著，需要进一步引入Z统计量进行标准化检验。
4.2 Z统计量的推导与意义
4.2.1 Z值的标准化计算
Z统计量是基于S统计量的标准化结果，用于判断趋势是否显著。其计算分为两种情况：
- 当样本量 $ n \leq 10 $ 时，采用精确检验法（Exact Test），通过查表判断显著性。
- 当样本量 $ n > 10 $ 时，使用正态近似法（Normal Approximation）计算Z值。
Z值的计算公式如下：
Z =
\begin{cases}
\frac{S - 1}{\sqrt{\text{Var}(S)}} & \text{if } S > 0 \
0 & \text{if } S = 0 \
\frac{S + 1}{\sqrt{\text{Var}(S)}} & \text{if } S < 0
\end{cases}
其中，$\text{Var}(S)$ 是S统计量的方差，其计算公式为：
\text{Var}(S) = \frac{n(n-1)(2n+5)}{18}
该公式适用于无重复值的数据。如果存在重复值（ties），则需要修正方差。设数据中存在 $ m $ 个重复组，每组有 $ t_k $ 个相同值，则修正后的方差为：
\text{Var} {\text{adj}}(S) = \frac{n(n-1)(2n+5) - \sum {k=1}^{m} t_k(t_k-1)(2t_k+5)}{18}
代码实现：Z统计量的计算（无重复值）
import math
def calculate_Z(S, n):
if n <= 10:
raise ValueError("样本量小于等于10，请使用精确检验法")
var_S = n * (n - 1) * (2 * n + 5) / 18
if S > 0:
Z = (S - 1) / math.sqrt(var_S)
elif S < 0:
Z = (S + 1) / math.sqrt(var_S)
else:
Z = 0
return Z
逐行分析：
- 第1行：导入
math模块，用于开平方运算。 - 第2~3行：定义函数
calculate_Z，输入S统计量和样本数n。 - 第4~5行：判断是否适合使用正态近似法。
- 第6行：计算方差。
- 第7~12行：根据S的正负值，计算Z值。
4.2.2 显著性水平与趋势判断
Z统计量服从标准正态分布 $ N(0, 1) $，因此可以通过查标准正态分布表或使用统计软件判断趋势是否显著。
| 显著性水平 α | Z临界值（双侧） |
|---|---|
| 0.10 | ±1.645 |
| 0.05 | ±1.96 |
| 0.01 | ±2.576 |
判断规则如下：
- 若 $ |Z| > 1.96 $，在95%置信水平下趋势显著；
- 若 $ |Z| > 2.576 $，在99%置信水平下趋势显著；
- 若 $ |Z| < 1.645 $，趋势不显著。
示例：
假设某气象数据经计算得 S = 45，n = 30，则：
- $\text{Var}(S) = 30×29×65 / 18 ≈ 3162.5$
- $ Z = (45 - 1)/\sqrt{3162.5} ≈ 0.785 $
由于 $ |Z| < 1.645 $，因此趋势不显著。
4.3 趋势显著性检验流程
4.3.1 假设检验的基本框架
MK检验本质上是一种非参数假设检验方法，其零假设 $ H_0 $ 和备择假设 $ H_1 $ 为：
- $ H_0 $：时间序列无趋势；
- $ H_1 $：时间序列存在趋势（可为上升或下降）。
检验流程如下：
graph TD
A[输入时间序列数据] --> B[S统计量计算]
B --> C[Z统计量计算]
C --> D{是否满足显著性阈值?}
D -- 是 --> E[拒绝H0，存在显著趋势]
D -- 否 --> F[接受H0，无显著趋势]
4.3.2 MK检验中的显著性判断标准
除了Z值判断外，还可以引入p值进行更精确的判断。p值是衡量拒绝零假设的证据强度的指标：
- 若 $ p < 0.05 $，在95%置信水平下趋势显著；
- 若 $ p < 0.01 $，在99%置信水平下趋势显著。
p值计算方法（标准正态分布）：
p = 2 \times (1 - \Phi(|Z|))
其中，$\Phi$ 是标准正态分布的累积分布函数。
代码实现：p值计算
import scipy.stats as stats
def calculate_p(Z):
return 2 * (1 - stats.norm.cdf(abs(Z)))
逐行分析：
- 第1行：导入
scipy.stats模块，用于计算标准正态分布的累积概率。 - 第2行：定义函数
calculate_p，输入Z值。 - 第3行：计算双侧p值。
实际应用流程总结：
- 输入数据 ：准备气象时间序列数据；
- 计算S值 ：判断趋势方向；
- 计算Z值 ：判断趋势显著性；
- 计算p值（可选） ：进行更精确的显著性判断；
- 输出结论 ：趋势是否存在、显著性水平。
本章小结：
本章系统讲解了MK检验中两个核心统计量——S统计量与Z统计量的定义、计算逻辑及其统计意义。通过代码示例，读者可以掌握在实际编程中如何实现这两个统计量的计算。同时，结合Z值与p值的显著性判断流程，构建了完整的MK趋势检验框架，为后续章节的实战应用打下坚实基础。
5. p值计算及其统计意义
p值（p-value）是统计学中最常用于假设检验的核心概念之一。它不仅用于传统的参数检验（如t检验、F检验），在非参数方法中同样具有关键作用，尤其是在Mann-Kendall（MK）趋势检验中，p值用于判断趋势是否具有统计显著性。本章将围绕p值的基本概念、计算方法及其与显著性水平的关系展开详细分析，帮助读者深入理解其在MK检验中的统计意义和应用方式。
5.1 p值的基本概念
5.1.1 p值的定义与作用
p值是指在原假设（null hypothesis, H₀）为真的前提下，观察到当前样本数据或更极端数据的概率。其取值范围为 [0, 1]。p值越小，说明观察到的数据越不可能在H₀为真的情况下出现，从而越有理由拒绝原假设。
在MK检验中，p值用于判断时间序列是否存在显著的趋势（上升或下降）。其原假设为“时间序列中不存在趋势”，备择假设为“时间序列中存在趋势”。
- 若 p ≤ α（如α=0.05），则拒绝原假设，认为趋势显著；
- 若 p > α，则不拒绝原假设，趋势不显著。
5.1.2 在MK检验中的应用
在MK检验中，p值通常基于标准正态分布（Z分布）来计算。MK检验的统计量S和Z值是计算p值的基础。Z值的绝对值越大，说明趋势越显著，p值越小。
例如，当计算得到一个Z值为2.33时，我们可以查标准正态分布表或使用统计函数来计算对应的p值。这个p值将决定我们是否认为趋势显著。
5.2 p值的计算方法
5.2.1 标准正态分布下的p值计算
在MK检验中，Z统计量近似服从标准正态分布 N(0,1)。因此，p值的计算通常基于标准正态分布的累积分布函数（CDF）。
1. 双侧检验的p值计算公式：
对于双侧检验（即备择假设为“存在趋势，方向未知”）：
p = 2 \times (1 - \Phi(|Z|))
其中：
- Φ(|Z|) 表示标准正态分布的累积分布函数在|Z|处的值；
- |Z| 是Z值的绝对值；
- p 为双侧检验的p值。
2. 单侧检验的p值计算公式：
- 若Z > 0（上升趋势）：
p = 1 - \Phi(Z)
- 若Z < 0（下降趋势）：
p = \Phi(Z)
示例代码：Python中使用SciPy计算p值
from scipy.stats import norm
import numpy as np
# 假设Z值为2.33
Z = 2.33
# 双侧检验p值
p_two_tailed = 2 * (1 - norm.cdf(abs(Z)))
# 单侧检验p值（Z > 0）
p_one_tailed_upper = 1 - norm.cdf(Z)
# 单侧检验p值（Z < 0）
Z_neg = -2.33
p_one_tailed_lower = norm.cdf(Z_neg)
print(f"双侧p值: {p_two_tailed:.5f}")
print(f"单侧p值（Z>0）: {p_one_tailed_upper:.5f}")
print(f"单侧p值（Z<0）: {p_one_tailed_lower:.5f}")
代码逐行解读：
- 第1行：导入
norm模块，提供正态分布相关函数； - 第2行：导入
numpy库，用于数值计算； - 第4行：设定Z值为2.33；
- 第7行：使用标准正态分布的CDF函数计算双侧p值；
- 第10行：Z>0时的单侧p值；
- 第13行：Z<0时的单侧p值；
- 第15-17行：输出结果，保留五位小数。
输出结果示例：
双侧p值: 0.01981
单侧p值（Z>0）: 0.00990
单侧p值（Z<0）: 0.00990
5.2.2 大样本与小样本的处理差异
MK检验在样本量n较大时（n > 10），Z统计量近似服从正态分布；但在小样本情况下（n ≤ 10），建议使用精确的S值分布进行p值计算。
大样本处理：
- 使用正态分布近似；
- 计算Z值并查表或使用统计函数计算p值；
- 适用于大多数气象数据（n常大于30）；
小样本处理：
- 查MK检验的S值分布表；
- 根据S值和n查表获得精确p值；
- 适用于n较小、需要更高精度的情况。
小样本精确p值查找表示例（简化版）：
| n | |S| = 0 | |S| = 1 | |S| = 2 | |S| = 3 |
|—|--------|--------|--------|--------|
| 5 | 1.000 | 0.800 | 0.400 | 0.200 |
| 6 | 1.000 | 0.714 | 0.357 | 0.143 |
| 7 | 1.000 | 0.667 | 0.333 | 0.111 |
说明：表中数值为双侧p值，例如当n=5且|S|=2时，p=0.4。
示例：小样本p值查找
假设n=5，S=2：
- 查表得双侧p=0.4；
- 若α=0.05，则p > α，趋势不显著。
5.3 p值与显著性水平的关系
5.3.1 α水平设定与统计结论
显著性水平α是研究者在检验前设定的一个阈值，用于判断是否拒绝原假设。常见的α值为0.05、0.01、0.10等。
| α值 | 统计意义 |
|---|---|
| 0.01 | 非常显著（strongly significant） |
| 0.05 | 显著（significant） |
| 0.10 | 一般显著（marginally significant） |
在MK检验中，α的选择直接影响趋势判断的结果：
- 若 p ≤ α：趋势显著；
- 若 p > α：趋势不显著。
示例：不同α值对趋势判断的影响
| p值 | α=0.01 | α=0.05 | α=0.10 |
|---|---|---|---|
| 0.03 | 不显著 | 显著 | 显著 |
| 0.07 | 不显著 | 不显著 | 显著 |
| 0.005 | 显著 | 显著 | 显著 |
5.3.2 实际应用中的p值解读
在实际应用中，p值不仅是一个“拒绝/不拒绝”的标准，还可以提供更丰富的信息：
1. p值越小，趋势越可信：
- p=0.01：趋势非常可信；
- p=0.04：趋势可信；
- p=0.06：趋势接近显著，值得进一步分析。
2. p值与样本量的关系：
- 样本量越大，越容易检测出微弱但真实存在的趋势；
- 小样本可能导致p值偏大，即使存在趋势也可能无法检测出来。
3. 实际案例分析流程图（mermaid格式）：
graph TD
A[开始MK检验] --> B[计算Z值]
B --> C{样本量是否足够?}
C -->|是| D[使用正态分布计算p值]
C -->|否| E[查S值分布表获得p值]
D --> F[比较p值与α]
E --> F
F --> G{p ≤ α?}
G -->|是| H[趋势显著]
G -->|否| I[趋势不显著]
H --> J[结束]
I --> J
说明：该流程图展示了从Z值计算到p值判断的完整过程，适用于实际应用中MK检验的自动化流程设计。
综上所述，p值是MK检验中判断趋势是否显著的重要统计指标。它不仅依赖于Z统计量的大小，还受到样本量、检验类型（单侧/双侧）以及显著性水平α的影响。在气象数据趋势分析中，合理计算和解读p值，有助于提高趋势检测的科学性和准确性。下一章我们将深入探讨气象数据的预处理与异常值处理，为MK检验提供高质量的数据基础。
6. 气象数据预处理与异常值处理
在进行MK检验或其他时间序列趋势分析之前，原始气象数据往往需要经历一系列预处理步骤。这一过程对于保证后续分析结果的准确性、可靠性和可解释性至关重要。本章将围绕气象数据的获取、格式标准化、缺失值检测与处理、异常值识别与修正等关键环节展开详细探讨，帮助读者掌握数据预处理的基本流程与技术手段。
6.1 气象数据的获取与格式转换
6.1.1 数据来源与采集方式
气象数据的来源多种多样，常见的包括国家气象局、全球气象数据库（如NOAA、ECMWF、NASA GISS等）、地方气象站、卫星遥感以及传感器网络等。这些数据通常以不同的时间分辨率（年、月、日、小时）和空间分辨率（站点、区域、全球）存在。
采集方式上，可以通过以下途径：
- API接口获取 ：如NOAA Climate Data API、OpenWeatherMap API等；
- FTP/HTTP下载 ：许多气象机构提供批量下载接口；
- 数据库直接访问 ：部分数据存储在SQL或NoSQL数据库中，需编写脚本提取；
- 人工采集 ：适用于小样本或特定研究场景。
例如，使用Python通过NOAA API获取某地区降水数据的示例代码如下：
import requests
url = "https://www.ncdc.noaa.gov/cdo-web/api/v2/data"
headers = {"token": "YOUR_API_TOKEN"}
params = {
"datasetid": "PRECIP_HLY",
"stationid": "GHCND:USW00013740",
"startdate": "2020-01-01T00:00:00",
"enddate": "2020-01-02T23:00:00",
"limit": 100
}
response = requests.get(url, headers=headers, params=params)
data = response.json()
print(data)
代码逻辑分析：
- 第1行导入requests模块用于HTTP请求；
- 第3行定义API的URL；
- 第4行设置认证token；
- 第5~9行设置请求参数，包括数据集ID、站点ID、起止时间等；
- 第11行发送GET请求；
- 第12行将响应解析为JSON格式；
- 第13行打印数据内容。
6.1.2 数据格式标准化处理
获取到的原始数据可能以CSV、JSON、XML、NetCDF等多种格式存在，需要进行标准化处理以便统一后续分析。例如，将不同格式的数据转换为Pandas DataFrame结构，是常见的做法。
以下是一个将CSV格式的气象数据读取并转为标准时间序列格式的示例：
import pandas as pd
# 读取CSV文件
df = pd.read_csv("precipitation_data.csv")
# 将日期列转换为datetime格式
df['date'] = pd.to_datetime(df['date'])
# 设置日期为索引
df.set_index('date', inplace=True)
# 输出前5行数据
print(df.head())
代码逻辑分析：
- 第1行导入Pandas；
- 第3行读取CSV文件；
- 第6行将date列转换为datetime类型；
- 第9行设置索引为日期；
- 第12行输出前5行查看数据结构。
标准化处理的关键在于统一时间格式、单位、缺失值标记等，为后续缺失值和异常值处理打下基础。
6.2 缺失值与异常值识别
6.2.1 缺失值的检测方法
气象数据中缺失值的出现是常见现象，可能由于设备故障、传输错误、人为疏漏等原因导致。缺失值的检测可以通过以下方法进行：
- 直接查看数据表 ：适用于小数据集，使用
df.isnull()或df.isna()函数查看是否存在空值； - 统计缺失值比例 ：对每一列统计缺失值数量；
- 可视化检测 ：利用热力图或缺失值矩阵图进行缺失值分布分析。
以下是一个使用Python进行缺失值统计的示例：
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv("precipitation_data.csv")
# 统计缺失值
missing = df.isnull().sum()
print(missing)
# 可视化缺失值
sns.heatmap(df.isnull(), cbar=False, cmap='viridis')
plt.title("Missing Data Heatmap")
plt.show()
代码逻辑分析：
- 第1~3行导入相关库；
- 第5行读取数据；
- 第8行统计各列缺失值数量；
- 第11行绘制热力图，直观显示缺失值分布。
6.2.2 异常值的判定标准（如3σ原则、箱线图法）
异常值的识别通常基于统计学原理，常见方法包括：
- 3σ原则 ：适用于近似正态分布的数据，认为偏离均值超过3倍标准差的值为异常；
- 箱线图法（IQR） ：通过四分位距（IQR = Q3 - Q1），设定异常值阈值为
Q1 - 1.5*IQR和Q3 + 1.5*IQR。
以下是一个使用箱线图识别异常值的Python代码示例：
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv("precipitation_data.csv")
# 绘制箱线图
plt.figure(figsize=(8, 6))
plt.boxplot(df['precipitation'], vert=False)
plt.title("Precipitation Outlier Detection")
plt.xlabel("Precipitation (mm)")
plt.show()
代码逻辑分析：
- 第1~2行导入库；
- 第4行读取数据；
- 第7行绘制箱线图；
- 第8~9行设置标题和坐标轴标签；
-vert=False表示横向箱线图，便于查看分布。
表格：3σ原则与IQR方法对比
| 方法 | 适用条件 | 优点 | 缺点 |
|---|---|---|---|
| 3σ原则 | 近似正态分布 | 简单直观，计算快速 | 对非正态分布不适用 |
| IQR法 | 任意分布 | 不依赖分布形态，稳健性强 | 对极端偏态数据可能误判 |
6.3 缺失值与异常值处理策略
6.3.1 插值填补法
插值法是处理缺失值的一种常用方法，尤其适用于时间序列数据。常见插值方法包括线性插值、多项式插值、样条插值等。
以下是使用Pandas进行线性插值的示例：
import pandas as pd
df = pd.read_csv("precipitation_data.csv")
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)
# 使用线性插值填补缺失值
df['precipitation'] = df['precipitation'].interpolate(method='linear')
print(df.head())
代码逻辑分析：
- 第1~4行读取数据并设置日期索引；
- 第7行使用interpolate函数进行线性插值填补；
-method='linear'表示使用线性插值法；
- 插值后的数据将缺失值填充为时间序列上的合理估计值。
插值方法对比
| 插值方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 线性插值 | 数据变化平缓 | 简单快速，适合大多数情况 | 忽略非线性变化 |
| 样条插值 | 非线性趋势明显 | 更准确反映数据变化趋势 | 计算复杂，易过拟合 |
| 时间序列插值 | 时间序列数据 | 考虑时间依赖关系 | 依赖时间索引完整性 |
6.3.2 替代值设定与数据清洗技巧
除了插值法，还可以使用替代值（如均值、中位数、前后值等）填补缺失值，或直接删除含有缺失值的记录。以下是一个使用中位数填补缺失值的示例：
import pandas as pd
df = pd.read_csv("precipitation_data.csv")
# 使用中位数填补缺失值
median = df['precipitation'].median()
df['precipitation'].fillna(median, inplace=True)
print(df.head())
代码逻辑分析：
- 第1~2行读取数据；
- 第5行计算precipitation列的中位数；
- 第6行使用中位数填补缺失值；
-inplace=True表示直接修改原DataFrame。
对于异常值，可以采用以下清洗策略：
- 剔除异常记录 ：若异常值为明显错误或极端异常，可直接删除；
- 截尾处理 ：将超出一定范围的值设为上限或下限；
- 替换为合理值 ：如用前一个值、后一个值或均值替代。
数据清洗流程图（Mermaid）
graph TD
A[原始数据] --> B{是否存在缺失值？}
B -->|是| C[选择填补方法]
B -->|否| D{是否存在异常值？}
C --> E[插值/均值/中位数填补]
D -->|是| F[剔除/替换/截尾处理]
D -->|否| G[数据清洗完成]
F --> G
E --> G
6.3.3 数据清洗策略的综合应用
在实际应用中，数据清洗往往是多策略结合使用。例如，先识别缺失值并进行插值填补，再识别异常值并进行剔除或替换。以下是一个综合处理流程示例：
import pandas as pd
df = pd.read_csv("precipitation_data.csv")
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)
# 填补缺失值
df['precipitation'] = df['precipitation'].interpolate(method='linear')
# 检测异常值（IQR法）
Q1 = df['precipitation'].quantile(0.25)
Q3 = df['precipitation'].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
# 替换异常值为上下限
df.loc[df['precipitation'] < lower_bound, 'precipitation'] = lower_bound
df.loc[df['precipitation'] > upper_bound, 'precipitation'] = upper_bound
print(df.head())
代码逻辑分析：
- 第1~4行读取数据并设置索引；
- 第7行进行线性插值；
- 第10~14行使用IQR法计算异常值范围；
- 第17~18行将超出范围的值替换为上下界；
- 最终输出清洗后的数据。
6.3.4 清洗前后数据对比图示
为了直观展示清洗效果，可以绘制原始数据与清洗后数据的对比图，如下：
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['precipitation'], label='Cleaned Data')
plt.plot(df.index, df['precipitation_original'], label='Original Data', alpha=0.5)
plt.legend()
plt.title("Comparison of Original and Cleaned Precipitation Data")
plt.xlabel("Date")
plt.ylabel("Precipitation (mm)")
plt.grid(True)
plt.show()
代码逻辑分析：
- 使用matplotlib绘制原始与清洗后数据对比图；
-alpha=0.5设置透明度，便于对比；
- 图中可清晰看到异常值被修正，缺失值被填补后的变化。
总结
本章详细介绍了气象数据预处理与异常值处理的核心流程，包括数据获取、格式标准化、缺失值与异常值的识别与处理策略。通过对实际数据的Python代码操作与可视化分析，读者可以掌握从原始数据到可用数据的完整处理路径。这些步骤为后续进行MK检验与趋势分析提供了坚实的数据基础。
7. MK检验在气象变量时间序列分析中的实战应用
7.1 气象变量选择与数据准备
在进行MK检验之前，选择合适的气象变量是分析的第一步。常用的气象变量包括气温、降水量、风速、湿度、日照时数等。选择这些变量的依据主要包括以下几个方面：
- 研究目标 ：若研究气候变化趋势，通常选择气温和降水量作为主要变量；若研究极端天气事件，则可能考虑风速或降水强度。
- 数据可获取性 ：数据来源包括气象站观测、遥感数据、再分析数据（如ERA5、MERRA-2等），需确保时间序列的连续性和完整性。
- 数据质量 ：需进行初步的数据清洗，如剔除明显异常值、填补缺失值等。
数据预处理流程回顾：
- 缺失值处理 ：采用线性插值、样条插值或邻近站点插值法进行填补。
- 异常值处理 ：使用3σ原则或箱线图法识别并剔除异常值。
- 标准化处理 ：对多站点或多变量数据进行统一单位和标准化处理。
- 时间序列构建 ：按年、月或日整理数据，形成连续时间序列。
7.2 趋势分析脚本的使用
在实际应用中，MK检验通常通过编程语言（如MATLAB、Python、R）实现。以下将以MATLAB平台为例，介绍两个常用脚本或函数的使用方法。
7.2.1 “mk趋势分析.m”脚本的运行流程
该脚本用于实现Mann-Kendall趋势检验，其基本流程如下：
% 加载数据
data = xlsread('precipitation_data.xlsx'); % 假设数据为一列时间序列数据
time = 1970:2020; % 时间维度
% 调用MK检验函数
[stat, pval, trend] = mk_trend(data);
% 输出结果
fprintf('Z统计量为: %.4f\n', stat);
fprintf('p值为: %.4f\n', pval);
if trend == 1
fprintf('存在显著上升趋势。\n');
elseif trend == -1
fprintf('存在显著下降趋势。\n');
else
fprintf('无显著趋势。\n');
end
参数说明：
data：输入的气象变量时间序列数据（一维数组）。mk_trend：用户自定义函数，返回MK检验的Z值、p值及趋势判断（1为上升，-1为下降，0为无趋势）。stat：Z统计量，用于判断趋势显著性。pval：显著性p值。trend：趋势方向判断。
7.2.2 “trendMK.m”函数的调用与输出解读
trendMK.m 是MATLAB中较为流行的MK检验函数，其输出包含多个统计量，使用方式如下：
% 调用trendMK函数
[result] = trendMK(data, 0.05); % 0.05为显著性水平α
% 输出结果
disp(result);
输出内容说明：
| 字段名 | 含义说明 |
|---|---|
slope |
Sen斜率估计值（趋势强度） |
intercept |
回归线截距 |
Z |
MK检验Z统计量 |
p |
p值 |
trend |
趋势方向（’increasing’/’decreasing’/’no trend’） |
7.3 MK检验在气候变化研究中的应用
MK检验在气候变化研究中具有广泛应用，特别是在趋势识别与突变点检测方面。
7.3.1 气候变化趋势识别
以某地区近50年的年平均气温数据为例，利用MK检验可以识别是否存在显著的气温上升趋势。若Z值大于1.96（对应α=0.05），且p值小于0.05，则表明气温呈现显著上升趋势，支持全球变暖的结论。
7.3.2 突变点与气候事件的关联分析
通过UF/UB曲线法识别突变点后，可结合历史气候事件进行关联分析。例如：
- 若在1998年附近检测到突变点，可能与厄尔尼诺现象相关；
- 若在2005年出现降水突变，可能与区域土地利用变化或水库建设有关。
7.3.3 实际案例分析（如某地区近50年降水趋势分析）
数据描述：
- 数据来源：中国气象局某气象站1970–2020年年降水量记录。
- 数据格式：Excel表格，一列时间，一列降水量。
分析步骤：
-
数据读取与预处理 ：
- 缺失值插值；
- 异常值剔除（3σ原则）；
- 标准化处理。 -
趋势检验 ：
- 使用mk_trend函数进行趋势分析；
- 得到Z值 = -0.89，p值 = 0.373；
- 判断为无显著趋势。 -
突变点检测 ：
- 使用UF/UB曲线法；
- 图中未出现显著交叉点，表明降水序列中未检测到突变点。 -
可视化展示 ：
figure;
plot(time, data, 'b-o');
xlabel('年份');
ylabel('年降水量 (mm)');
title('某地区年降水量变化趋势');
grid on;
分析结论：
- 该地区近50年年降水量变化趋势不显著；
- 无突变点，表明降水过程相对稳定；
- 可结合其他气象变量（如气温、蒸发量）进一步分析区域气候稳定性。
（待续）
简介：MK检验（Mann-Kendall Test）是一种广泛应用于气象数据趋势与突变点检测的非参数统计方法，适用于非正态分布和含有异常值的数据序列。本资源包“mk.rar”包含多个MK检验相关脚本，如“mk趋势分析.m”、“trendMK.m”、“MannKendall.m”和“mk.m”，可用于分析降雨量、温度、风速等气象变量的长期变化趋势。通过S统计量、Z统计量和p值判断趋势显著性，帮助研究人员识别气候变化模式，为气候预测和环境保护提供科学支持。
永洪科技，致力于打造全球领先的数据技术厂商，具备从数据应用方案咨询、BI、AIGC智能分析、数字孪生、数据资产、数据治理、数据实施的端到端大数据价值服务能力。
更多推荐
18
0- 0
已为社区贡献5条内容
所有评论(0)