时间戳

首页 > 解决方案 > 如何比较一段时间内的温度数据

r - 如何比较一段时间内的温度数据

问题描述

我的目标是评估与对照相比，应用于冠层的处理（对微气候数据）的效果。因此，我在 5 个站点和每个变体（“应用处理”与“控制”）的树冠中放置了三个数据记录器。在 217 天内，每 5 分钟平均一次数据。记录的数据如下所示：

Timepoint,Time,Celsius(°C),Humidity(%rh),dew point(°C)
1,27/03/2019 17:02:39,23.5,37.5,8.2
2,27/03/2019 17:07:39,23.5,36.5,7.8
3,27/03/2019 17:12:39,23.5,36.5,7.8
4,27/03/2019 17:17:39,24.0,37.5,8.6
5,27/03/2019 17:22:39,23.5,36.0,7.6
6,27/03/2019 17:27:39,23.0,37.0,7.5
7,27/03/2019 17:32:39,22.5,34.5,6.1
8,27/03/2019 17:37:39,22.5,34.5,6.1

每天汇总记录以获得 217 天中每一天的平均/最高/最低温度。无论在哪个站点，我都想确定所应用的治疗效果并随着时间的推移揭示差异。

有人告诉我时间序列分析在这里不起作用。我尝试对数据应用线性回归（灵感来自这篇论文：https ://journals.plos.org/plosone/article?id=10.1371/journal.pone.0234436 ），但由于控制不影响我的治疗放弃了这种方法。

所以我的问题是：哪种方法是在 R 中分析这些小气候数据的正确方法？

标签： rperiodmicroclimate

解决方案

Time您可以尝试分别针对控制humidity和治疗运行线性回归Celsius ，然后比较每个站点的两个模型的斜率。自然，如果您的治疗斜率比您的对照更高，这表明对治疗的反应结果 - 斜率之间的增量越高，对治疗的反应越好。该模型将是这样的（对于单个站点）：

lm(Time~Celsius+Humidity, data = ControlData)
lm(Time~Celsius+Humidity, data = TreatmentData)

然后，您可以开始使用系数并从差异中得出结果，以及每个站点的回归线的一般斜率。之后，您甚至可以通过平均 5 个控制回归的系数来组合结果，并将它们与 5 个治疗回归的平均值进行比较（因为模型是线性的，这应该是统计有效的）。

推荐阅读