با سلام و ادب

داده های پرت داده هایی هستند که یا از مقادیر موجود در سابقه آماری بسیار کمتر باشند یا بسیار بیشتر

در مورد بارندگی، استفاده از عبارتِ بسیار کمتر بی معناست؛ چرا که نهایتا با عدم وقوع بارش مواجه هستیم که در اینصورت مقدار بارش صفر است

در عمل به اینصورت اقدام میکنیم که داده های مربوط به سری زمانی بارش را بر روی نمودار برده گراف مربوطه را قضاوت میکنیم

اگر مقدار بارندگی در روز خاصی بسیار بیشتر از دیگر مقادیر ثبت شده باشد، باید بررسی شود در طی آن بازه زمانی آیا چنین روانابی نیز گزارش شده است یا نه! جریان خروجی از زهکش ها، میزان تراز آب زیرزمینی، میزان Level مخازن، میزان Spill از مخازن و …

در واقع اگر بارشی مانند آنچه در ابتدای سال 1398 رخ داد حادث شود، فقط با ثبت یک عدد مشخص برای مقدار بارندگی مواجه نیستیم بلکه این بارش عظیم پیامدهایی به همراه دارد که باید در کنار میزان بارش این پیامدها نیز ثبت و ضبط شده باشد.

چنانچه با مجموعه این عوامل مواجه شویم، بارندگی مذکور در آن بازه از سری زمانی قطعا رخ داده و دادهء پرت محسوب نمیشود

و با استدلال مشابه اگر با مقادیر عظیم بارش مواجه باشیم که اثر آن بر روی رواناب سحطی، تراز آب زیرزمینی، میزان سرریز از مخازن، تراز آب مخزن و … هیچگونه نمود نداشته باشد، دادهء موصوف داده ای پرت و فاقد اعتبار است

سلام. ممنونم از توضیحات و وقتی که گذاشتید. خب پس کار سخت شد و تقریبا چنین بررسی هایی ممکن نیست چون سازمان ها بسختی دیتا در دسترس قرار میدن. جسارتا فرایندهایی که توسط گرابز یا spss روی داده ها برای بررسی پرت بودنشون انجام میشه برای داده های بارش و رواناب هم قابل اعتماد هستند؟

این فرآیند ها فقط معنی دار بودن تفاوت دادهء مورد نظر با دیگر داده های سری زمانی را اعلام میکند و یک روش مناسب برای این منظور استفاده از نمودارهای جعبه ای یا اصطلاحا boxplot است؛ مع الوصف پس از مشخص شدن داده های مشکوک لازم است تا دیگر بررسی هایی که به عرض رسید نیز مورد بررسی دقیق واقع شود یا اگر ارگان های مسئول از در اختیار گذاشتن داده ها امتناع ورزند، دست کم از کارشناس محلی و حتی افراد رزیدنت بومی پرسش شود که چنین سابقه بارندگی را بخاطر دارند یا خیر

برای کشف داده های مشکوک که دارای روند، پراش و سیر پیرودیک هستند می توانید به سطح دوم از دوره استادی متلب نیز مراجعه فرمایید.

خیلی خیلی ممنونم.