Skip to main content
 首页 » 编程设计

python之将两层模型拟合到 python 中的风剖面数据

2025年05月04日15zdz8207

我正在尝试将模型拟合到我的风剖面数据集,即不同高度 z 的风速值 u(z)。

该模型由两部分组成,我现在将其简化为:

u(z) = ust/k * ln(z/z0)     for z < zsl 
 
u(z) = a*z + b              for z > zsl 

在对数模型中,ust和z0是自由参数,k是固定的。 zsl 是表层的高度,也是先验未知的。

我想使这个模型适合我的数据,并且我已经尝试过不同的方法。到目前为止我得到的最好结果是:

def two_layer(z,hsl,ust,z0,a,b): 
    return ust/0.4*(np.log(z/z0)) if z<hsl else a*z+b 
 
two_layer = np.vectorize(two_layer) 
 
def two_layer_err(p,z,u): 
    return two_layer(z,*p)-u 
 
popt, pcov ,infodict, mesg, ier = optimize.leastsq(two_layer_err,[150.,0.3,0.002,0.1,10.],(wspd_hgt,prof),full_output=1) 
 
# wspd_hgt are my measurements heights and  
# prof are the corresponding wind speed values 

这为我提供了所有参数的合理估计,zsl 除外,它在拟合过程中未更改。我想这与用作阈值而不是函数参数的事实有关。有什么方法可以让 zsl 在优化过程中发生变化?

我用 numpy.piecewise 尝试了一些东西,但效果不是很好,也许是因为我不太了解它,或者我可能完全离开这里因为它不适合我的事业。

对于这个想法,如果轴反转(z 相对于 u 绘制),风剖面看起来像这样:

请您参考如下方法:

我想我终于找到了解决此类问题的方法,这是我在回答 similar question 时遇到的。 .

解决方案似乎是在两个模型之间的切换处实现一个约束,说明 u1 == u2。由于没有发布数据,我无法在您的模型上进行尝试,因此我将展示它如何适用于其他模型,您可以根据自己的情况进行调整。我使用一个 scipy 包装器解决了这个问题,我编写了一个名为 symfit 的包装器,使此类问题的拟合更像 pythonic。但如果您愿意,也可以使用 scipy 中的 SLSQP 算法来执行相同的操作。

from symfit import parameters, variables, Fit, Piecewise, exp, Eq 
import numpy as np 
import matplotlib.pyplot as plt 
 
t, y = variables('t, y') 
m, c, d, k, t0 = parameters('m, c, d, k, t0') 
 
# Help the fit by bounding the switchpoint between the models 
t0.min = 0.6 
t0.max = 0.9 
 
# Make a piecewise model 
y1 = m * t + c 
y2 = d * exp(- k * t) 
model = {y: Piecewise((y1, t <= t0), (y2, t > t0))} 
 
# As a constraint, we demand equality between the two models at the point t0 
# Substitutes t in the components by t0 
constraints = [Eq(y1.subs({t: t0}), y2.subs({t: t0}))] 
 
# Read the data 
tdata, ydata = np.genfromtxt('Experimental Data.csv', delimiter=',', skip_header=1).T 
 
fit = Fit(model, t=tdata, y=ydata, constraints=constraints) 
fit_result = fit.execute() 
print(fit_result) 
 
plt.scatter(tdata, ydata) 
plt.plot(tdata, fit.model(t=tdata, **fit_result.params).y) 
plt.show() 

我认为您应该能够根据您的情况调整此示例!

编辑:根据评论中的要求,也可以要求匹配的衍生品。为此,上面的示例需要以下附加代码:

from symfit import Derivative 
 
dy1dt = Derivative(y1, t) 
dy2dt = Derivative(y2, t) 
constraints = [ 
    Eq(y1.subs({t: t0}), y2.subs({t: t0})), 
    Eq(dy1dt.subs({t: t0}), dy2dt.subs({t: t0})) 
] 

这应该可以解决问题!因此,从编程的角度来看,这是非常可行的,尽管根据模型的不同,这实际上可能没有解决方案。