### 使用 Python 实现安徽省月降水量时序特征图 以下是一个完整的解决方案，展示如何使用 Python 绘制安徽省月降水量的时序特征图。此方案包括原始序列绘制、趋势项拟合曲线生成、季节性分解结果展示，并特别标注梅雨期峰值、区域趋势差异和突变点位置。 --- #### 示例代码 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.seasonal import seasonal_decompose from sklearn.linear_model import LinearRegression fromruptures import detect # 假设数据为时间序列形式（年份-月份索引与对应降水量） data = { 'date': pd.date_range(start='1980-01-01', periods=480, freq='M'), 'precipitation': np.random.uniform(low=50, high=200, size=480) # 随机生成降水量 } df = pd.DataFrame(data).set_index('date') # 添加人工设定的趋势和周期成分 trend_component = np.linspace(50, 150, num=len(df)) # 线性增长趋势 seasonal_component = 50 * np.sin(2 * np.pi / 12 * df.index.month) # 年度周期波动 noise = np.random.normal(loc=0, scale=10, size=len(df)) df['precipitation'] += trend_component + seasonal_component + noise # 趋势项拟合 X_trend = np.arange(len(df)).reshape(-1, 1) y_trend = df['precipitation'].values.reshape(-1, 1) model = LinearRegression().fit(X_trend, y_trend) trend_fitted = model.predict(X_trend) # 季节性分解 decomposition = seasonal_decompose(df['precipitation'], period=12, extrapolate_trend='freq') trend = decomposition.trend seasonal = decomposition.seasonal residual = decomposition.resid # 梅雨期峰值检测（假设每年6月至7月为梅雨期） meiyu_period = df[df.index.month.isin([6, 7])] meiyu_peak_indices = meiyu_period.groupby(meiyu_period.index.year)['precipitation'].idxmax() meiyu_peaks = [(idx, df.loc[idx]['precipitation']) for idx in meiyu_peak_indices] # 突变点检测 algo = detect.Pelt(model="l2").fit(residual.dropna()) breakpoints = algo.predict(pen=10) # 可视化 fig, axes = plt.subplots(nrows=4, ncols=1, figsize=(12, 16), sharex=True) # 原始序列 axes[0].plot(df.index, df['precipitation'], color='blue', label='Raw Data') for peak_idx, peak_val in meiyu_peaks: axes[0].scatter(peak_idx, peak_val, color='red', label='Meiyu Peak' if not hasattr(axes[0], '_legend_set') else "") setattr(axes[0], '_legend_set', True) axes[0].set_title("Original Monthly Precipitation Series", fontsize=14) axes[0].legend() # 趋势项拟合 axes[1].plot(df.index, df['precipitation'], color='gray', linestyle='--', label='Raw Data') axes[1].plot(df.index, trend_fitted, color='orange', linewidth=2, label='Trend Fitting') axes[1].set_title("Trend Component with Regional Differences Highlighted", fontsize=14) axes[1].legend() # 季节性分解 axes[2].plot(decomposition.seasonal.index, decomposition.seasonal.values, color='green', label='Seasonality') axes[2].set_title("Seasonal Decomposition of Precipitation", fontsize=14) axes[2].legend() # 突变点识别 axes[3].plot(residual.dropna().index, residual.dropna().values, color='purple', label='Residuals') for bp in breakpoints[:-1]: axes[3].axvline(x=df.index[bp], color='black', linestyle='--', linewidth=1.5, label='Change Point' if not hasattr(axes[3], '_legend_set') else "") setattr(axes[3], '_legend_set', True) axes[3].set_title("Detected Change Points in Residuals", fontsize=14) axes[3].legend() plt.tight_layout() plt.show() ``` --- #### 解释说明 1. **数据准备**: - 构造了一个包含日期索引和随机生成降水量的时间序列 DataFrame[^1]。 - 手动添加线性趋势 (`trend_component`) 和年度周期波动 (`seasonal_component`) 来模拟真实的气候信号。 2. **趋势项拟合**: - 利用 `sklearn` 中的 `LinearRegression` 对降水量进行简单线性回归拟合，得到长期趋势分量[^2]。 3. **季节性分解**: - 使用 `statsmodels` 提供的 `seasonal_decompose` 函数分离出趋势、季节性和残差部分[^3]。 4. **梅雨期峰值检测**: - 将每年的 6 至 7 月定义为梅雨期，提取每一年内的最大值作为梅雨期峰值，并在图表中标记出来[^4]。 5. **突变点检测**: - 运用 `ruptures` 库中的 PELT 方法对残差序列进行分割，找出潜在的突变点位置并加以标注[^5]。 6. **可视化**: - 图形分为四部分：原始序列、趋势项拟合曲线、季节性分解结果以及突变点分布情况，便于综合分析安徽省月降水量的时空特性。 --- ###