R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(下)

简介: R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化

R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(上):https://developer.aliyun.com/article/1497167


image.png

image.png

不同季节PM2.5的逐日变化 Diurnal variations of PM2.5in different months


不同季节PM2.5的逐日变化是指在不同季节中,每天PM2.5浓度的变化情况。PM2.5是指空气中直径小于或等于2.5微米的颗粒物,它们对人体健康有害。这些颗粒物主要来自于工业排放、交通尾气、燃烧过程和自然来源等。

在不同季节中,PM2.5的逐日变化可能受到多种因素的影响。例如,冬季由于采暖需求增加,燃煤和燃气的使用量增加,导致PM2.5浓度较高。而夏季由于气温升高,光化学反应增多,加上交通尾气和工业排放的贡献,PM2.5浓度也可能较高。

此外,气象条件也会对PM2.5的逐日变化产生影响。例如,风速、风向、降雨等天气因素都会影响PM2.5的扩散和沉降,从而影响其浓度。

因此,不同季节中PM2.5的逐日变化是一个动态的过程,受到多种因素的综合影响。通过对这种变化的研究和监测,可以更好地了解和应对空气质量问题。

grep( date,airquality$日期)),]$PM2.5.ug.m3.  
plot(Mar,type="p",col=j,ylab="95% CI")

3-5月份

image.png

6-8月份

image.png

9-11 月份

image.png

12-2 月份

image.png

Correlation coefficient and COD versus distance between the stations 相关系数和COD随站间距离的变化


相关系数是用来衡量两个变量之间的线性关系强度和方向的统计指标。它的取值范围在-1到1之间,其中1表示完全正相关,-1表示完全负相关,0表示无相关性。

相关系数和站间距离的变化之间可能存在一定的关系。如果两个变量之间的相关系数较高(接近1或-1),则说明它们之间存在较强的线性关系。在这种情况下,站间距离的变化可能较小,因为变量之间的关系比较稳定。相反,如果两个变量之间的相关系数较低(接近0),则说明它们之间的线性关系较弱或不存在。在这种情况下,站间距离的变化可能较大,因为变量之间的关系较为不稳定。

abline(lm(cordata~distdata),col="red")

image.png

image.png

GAMM模型分析温度 、湿度、风速、能见度、气压对PM2.5的影响

GAMM(Generalized Additive Mixed Models)是一种灵活的统计模型,结合了广义可加模型(GAM,Generalized Additive Models)和混合模型(Mixed Models)的优点。它可以用于解决包含非线性关系和随机效应的数据建模问题。


点击标题查阅往期内容


R语言广义相加模型 (GAMs)分析预测CO2时间序列数据


01

02

03

04


GAMM模型主要用于处理长期观测数据和重复测量数据,其中数据可能受到时间、空间或其他相关因素的影响。GAMM模型具有以下特点:

  1. 广义可加模型(GAM)的优点:GAM模型可以通过非线性平滑函数来建模解释变量与响应变量之间的复杂关系,适用于非线性关系的建模。
  2. 混合模型(Mixed Models)的优点:GAMM模型可以处理数据中的随机效应,比如个体间的差异或层级结构中的变化。
  3. 可解释性:GAMM模型通过可加函数模型来描述数据,可以直观地解释模型中的每个平滑项的效应。

gamm(PM2.5.ug.m3.~s(平均温度.摄

image.png

image.png

image.png

summary(b$gam) # gam style summary of fitted model

image.png

simple checking plots 模型检验


image.png

用AR1残差项拟合模型

image.png

lme拟合的细节


image.png

image.png

拟合模型的Gam风格总结


image.png

模型检验


image.png

相关文章
|
3月前
|
数据可视化 数据挖掘 图形学
R语言基础可视化:使用ggplot2构建精美图形的探索
【8月更文挑战第29天】 `ggplot2`是R语言中一个非常强大的图形构建工具,它基于图形语法提供了一种灵活且直观的方式来创建各种统计图形。通过掌握`ggplot2`的基本用法和美化技巧,你可以轻松地将复杂的数据转化为直观易懂的图形,从而更好地理解和展示你的数据分析结果。希望本文能够为你探索`ggplot2`的世界提供一些帮助和启发。
|
3月前
|
数据可视化 数据挖掘 数据处理
R语言高级可视化技巧:使用Plotly与Shiny制作互动图表
【8月更文挑战第30天】通过使用`plotly`和`shiny`,我们可以轻松地创建高度互动的数据可视化图表。这不仅增强了图表的表现力,还提高了用户与数据的交互性,使得数据探索变得更加直观和高效。本文仅介绍了基本的使用方法,`plotly`和`shiny`还提供了更多高级功能和自定义选项,等待你去探索和发现。希望这篇文章能帮助你掌握使用`plotly`和`shiny`制作互动图表的技巧,并在你的数据分析和可视化工作中发挥更大的作用。
|
6月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
3月前
|
数据可视化
R语言可视化设计原则:打造吸引力十足的数据可视化
【8月更文挑战第30天】R语言可视化设计是一个综合性的过程,需要综合运用多个设计原则来创作出吸引力十足的作品。通过明确目标、选择合适的图表类型、合理运用色彩与视觉层次、明确标注与引导视线以及引入互动性与动态效果等原则的应用,你可以显著提升你的数据可视化作品的吸引力和实用性。希望本文能为你提供一些有益的启示和帮助。
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
8天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
27 3
|
6月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
2月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
3月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。