Bewertung univariater und multivariater Imputationsmethoden zur Rekonstruktion von Klimazeitreihendaten: Eine Fallstudie der Station Mosul-Irak

Umfassende Klimazeitreihendaten sind unerlässlich, um die Auswirkungen des Klimawandels zu überwachen. Beobachtungsdatensätze leiden jedoch häufig unter Datenlücken innerhalb ihrer Zeitreihen, was eine Imputation erforderlich macht, um die Integrität der Datensätze für weitere Analysen zu gewährleisten. Diese Studie bewertete sechs univariate und multivariate Imputationsmethoden, um fehlende Werte zu ergänzen. Diese Methoden wurden angewendet, um die Teilmengen von Zeitreihendaten für Niederschlag, Temperatur und relative Luftfeuchtigkeit von der Station Mosul, die sich über die Jahre 1980–2013 erstrecken, zu vervollständigen. Künstliche Lücken von 5 %, 10 %, 20 % und 30 % fehlender Beobachtungen wurden unter den Szenarien „Missing Completely at Random“ (MCAR), „Missing at Random“ (MAR) und „Missing Not at Random“ (MNAR) eingeführt. Bewertungsmetriken wie RMSE und Kling-Gupta-Effizienz wurden zur Leistungsbewertung herangezogen. Die Ergebnisse zeigten, dass die saisonale Zerlegung die effektivste univariate Imputationsmethode für alle Variablen war. Bei der multivariaten Imputation zeigte kNN eine überlegene Leistung bei der Ergänzung der fehlenden Niederschlagsdaten unter MCAR, während norm.predict in Bezug auf die fehlenden Temperaturdaten unter allen fehltenden Szenarien die optimale Leistung zeigte. Darüber hinaus wurde missForest als die geeignetste Methode zur Ergänzung fehlender relativer Luftfeuchtigkeitsdaten identifiziert. Die Methodik dieser Studie bietet Einblicke in die Auswahl geeigneter Imputationsmethoden für andere Klimastationen und verbessert somit die Genauigkeit der Analyse der Auswirkungen des Klimawandels.