Im Rahmen eines ersten kleineren Projekts sollen die erlernten Skills aus der ersten Lerneinheit vertieft werden. Hierzu werden einige umfangreichere Zeitreihenanaylsen hydrologischer Messwerte eigenständig durchgeführt.
Die Teilnehmer sollen Fähigkeiten zur Analyse von Zeitreihen ausbauen, indem sie die aus der Einführungsveranstaltung bekannten Data Science Bibliotheken (Matplotlib und pandas) selbständig anwenden, um Abfluss- und Niederschlagszeitreihen einiger ausgewählter Einzugsgebiete aus dem CAMELS-Dataset auszuwerten. Neben der Bestimmung von statistischen Kennwerten erfolgt außerdem die Analyse zeitlicher Trends der hydrologischen Messwerte. Die Auswertung erfolgt in einer selbst einzurichtenden Data Science Umgebung mit dem Python Paketmanager conda und Juypter Lab. Dabei sollen in einem Jupyter Notebook die Auswertungsergebnisse angemessen visualisiert, analysiert und interpretiert werden. Nutzen Sie hierfür insbesondere die Möglichkeit zur Dokumentation via Markdown.
Die Auswertung der Zeitreihen erfolgt unter Nutzung einiger Python Bibliotheken für Data Science. Nutzen Sie hierfür die erstellte conda Umgebung aus der ersten Lehreinheit. Falls diese nicht mehr vorhanden sein sollte oder falls Sie diese Übung in einer separaten Umgebung bearbeiten möchten, nutzen Sie die bereitgestellte environment.yml. Starten Sie anschließend Jupyter Lab, um mit der Auswertung zu beginnen.
Laden Sie die Niederschlags- und Abflusszeitreihen eines ausgewählten Einzugsgebiets ein. Die Daten finden Sie im ./data Ordner. Nutzen Sie für das Einlesen das dataio Modul im scripts Package. Beachten Sie, dass einige der Werte im Angloamerikanisches Maßsystem vorliegen und vor der Auswertung in eine sinnvolle Maßeinheit des metrischen Systems umgewandelt werden sollten.
Ermitteln Sie für das ausgewählte Einzugsgebiet die aus der Einführungsveranstaltung vorgestellten gewässerkundlichen Hauptzahlen für den Abfluss in einen selbst gewählten Zeitraum (dieser sollte jedoch mindestens 10 Jahre betragen). Stellen Sie diese tabellarisch dar.
Stellen Sie den zeitlichen Verlauf des Niederschlags innerhalb eines Jahres für jeweils 6 unterschiedliche Jahre grafisch dar. Nutzen Sie hierfür die Matplotlib Bibliothek und wählen Sie eine angemessene Form der Visualisierung. Führen Sie dasselbe für den Verlauf der Abflussmengen separat durch.
Lassen sich Regelmäßigkeiten im zeitlichen Verlauf der Niederschlags- und Durchflussmengen innerhalb eines Jahres erkennen?
Stellen Sie auf ähnliche Weise den zeitlichen Verlauf der Abflussmengen für 6 unterschiedliche Jahre in einer Summenlinie dar.
Ermitteln Sie für den gewählten Zeitraum die monatlichen Durchschnittswerte für Abfluss und Niederschlag und visualisieren Sie diese angemessen.
Lassen sich monatliche Korrelationen zwischen den Niederschlags- und Abflussmengen erkennen?
Untersuchen Sie, ob sich für den Abfluss im gewählten Einzugsgebiet sowie für den Temperatur- und Niederschlagsverlauf zeitliche Trends erkennen lassen. Führen Sie hierfür eine lineare Regression durch und visualisieren Sie die Regressionsgrade mit Matplotlib. Nutzen Sie für die lineare Regression SciPy: https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.linregress.html
Stellen Sie für den Durchfluss die Ganglinie der höchsten jährlichen Abflüsse, einschließlich der Regressionsgrade gemeinsam in einem Diagramm dar.
Untersuchen Sie inwiefern die Abflussmengen eines Tages mit den Niederschlagssummen vorangegangener Tage korrelieren. Bereiten Sie hierfür die Niederschlags- und Abflusswerte eines wählbaren Zeitraums so auf, dass in einem DataFrame für jedes Datum jeweils der aktuelle Abflusswert sowie die Niederschlagswerte der vorangegangenen n-Tage aufgeführt werden. Der DataFrame würde dann in etwa wie folgt aussehen:
| date | discharge | prec_actual | prec_offset_1 | prec_offset_2 | ... |
|---|---|---|---|---|---|
| 2015-01-01 | 99.0 | 0.75 | 0.45 | 0.87 | ... |
| 2015-01-02 | 105.5 | 0.68 | 0.75 | 0.45 | ... |
| 2015-01-03 | 103.3 | 0.54 | 0.68 | 0.75 | ... |
| ... | ... | ... | ... | ... |
Eine paarweise Korrelationsmatrix kann anschließend mit pandas erstellt werden (https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.corr.html).
Stellen Sie außerdem den (möglichen) Zusammenhang zwischen Abfluss und dem Niederschlag vorangegangener Tage in jeweils einem Scatterplot dar.
Erstellen Sie einen Fork dieses Repositories und laden Sie Ihre Ergebnisse (das Jupyter Notebook und. ggf eigene Python Skripte) in das geforkte Repository auf GitLab/GitHub.