在处理气象数据时，会经常遇到数据缺失的情况，针对问题，分三种情况进行处理。

（1）for missing data = 1 hour, average the values from each side of that hour.

（2）for 2 hours <= missing data <= 24 hours, average the values from 24 hours before and after each of the hours in that period.

（3）for missing data > 24 hours, using the arima model (atuoregressive integrated moving average model ).  Here look the missing data number of hours before and after the missing period to fill the missing period

关于前两种方法比较简单，对于第三种方法，我纠结了好久，因为我没搞清楚是两组计算结果怎么linearly ingterpolated。 为此我做了如下的实验。原来采用加权平均得到的，其中w1=n-i+1/n+1; w2=i/n+1，其中i表示第几个缺少数据，n表示总共的缺失数据。

   实际中发现，当missing data的长度越大时，第三种方法精度会很低。如下图。

   这时候需要分两种情况进行处理。（4）如果气象要素具有明显的日周期变化，则向前和向后追寻有效观测值，每次增加的步长为24小时，一旦找到则停止迭代。然后将前后找到的两个值进行平均，得到missing data的值。（5）如果没有周期性变化，则采用前后有效观测时段的值进行平均，ave = sum /n_counts。有效观测时段是指期间没有missing data。

   例如，温度数据，采用第4种方法，结果如下图。精度明显提高。

参考文献：

Liston, G.E. and K. Elder, A meteorological distribution system for high-resolution terrestrial modeling (MicroMet). Journal of Hydrometeorology, 2006. 7(2): p. 217-234.

jhm486%2E1.pdf

http://www.xiaolingzi.com/?p=937