Part1 数据的预处理
1、格式转换
2、去除前n个时间点的数据
3、时间层校正（Slice Timing）
4、头动校正（Realign）
5、空间标准化（Normalize）
6、平滑（Smooth）
7、去线性漂移（Detrend）
8、滤波（Filer）
一、DICOM格式——NIFTI格式。若数据遗失NIFTI格式则不用转，直接在工作目录下建
立一个子文件夹“FunImg”，将数据拷入其中即可
二、一般去10（8——20之间即可），由于机器刚启动等原因前面一些数据不稳定
三、Slice Timing的设置：以总层数25层为例
SPM中：Slice order：<—x：1:2:25；2:2:24
Reference Slice 参考层一般取中间层，即第25层。因为扫描顺序为：
1,3,5,7,9….,n,2,4,6,8,…n-1
DPARSF中：1,3,5,7,9….,n,2,4,6,8,…n-1
四、头动校正后会在工作目录下生成Realign Parameter文件夹，其中有spm….ps这个文件，
用专业版的Aoboe Reader 打开可查看每个被试头动情况。或在Excludesubjects.txt文件下可查看头动数据（卡不同值时被排除被试情况）。对于患有疾病的患者：一般卡3mm 和3degre；而对正常人一般卡1.5mm和1.5degere或取2.
五、空间标准化即把被试的原始空间往标准空间上估计，以克服不同被试的脑结构之间的差
异问题。把结构像分割得到的信息来做功能像的空间标准化，有两种方式：
a、使用EPI模板进行空间标准化
SPM中：原始图像Source Image：mean_***.img 头动校正后生成的文件，为某被试各个时间点的平均像；Image to write ：r*.img 所有头动校正后生成的文件；模板图像Template Image：EPI.nii ；Bounding box：-90 -126 -72；90 90 108 ；V oxel sizes：
3 3 3。.
DPARSF中类似可设
b、使用一致分割的T1像进行空间标准化
分三部分：
1、配准coregister 将结构像与功能像匹配，即把被试的结构像变换到功能像空间
（被试的平均功能像）
2、分割转换后的结构像用一致的分割法则分割为灰质、白质、脑脊液。这样就
能把功能像弄到标准空间去。此过程中得到一个由功能像去往标准空间的转换
矩阵。转换矩阵会写入*_seg_sn.mat文件中。
3、标准化把转换矩阵写到功能像上去。这样就可以知道怎么从被试的原始空间
到标准空间。
SPM中：coregister—Reference Image：mean_name.image —Source Image：T1.img；
Segment—data：T1_coregiserd.ima—clean up any partitions：left clean—
Affine Regularization：推荐选欧洲脑，亚洲脑样本少。
Normalize—write—parameter file：name_seg_sn.mat—images to write：r*.img DPARSF中简单勾选几项即可。
结果：在工作目录下会生成pictures for chknormalizition文件夹，其中有被试标准化后的图像供检查。此外，使用b法时还会附带生成VBM文件夹，其中T1imgsegment下有如下文件：c1开头的为灰质在原始空间的概率，c2开头的为白质的，c3为脑脊液的；wc1开头的未标准空间灰质的概率，以此类推。
六、平滑（注意在做Reho局部一致性前不能做平滑，故一般先做Reho，后平滑；而计算
ALFF和FALFF以及做功能连接前一般要做平滑）
SPM中：image to smooth：w*.img;
FWHM:[4 4 4] full width of half maximum半峰全宽？
DPARSF中简单可设置
七、去线性漂移由于机器的工作而升温或被试适应，随着时间的积累会存在一个线性趋势
一般此处选no mask ，可做全部体素的去去线性漂移
Default mask：rest里自带了一套default mask是在spm的先验模板中卡了50%的概率？
八、滤波低频滤波后的静息态fmri信号具有重要的生理学意义，可能反映了自发的神经活动。故一般去LFFS：0.01—0.08Hz
高频滤波有意义么？
Part 2 Reho、ALFF/FALFF的计算
一、局部一致性的计算Reho ：Regional Homogeneity
一般是用肯德尔和谐系数计算以个体素和周围体素的一致性。需要注意的是，如果手头数据的分辨率不是61*73*61，则需要对你需要的mask文件进行重采样，把mask文件重采样到你数据的同等的分辨率大小。
重采样过程
SPM中：coreg—coreg.Relice(重新插值)：Image define space:选择一张被试的功能像（空间标准化后的或去线性漂移以及滤波后的功能像）；Image to slice（被插值的图像）:选择一个mask文件或定义的ROI文件；插值方式：Nearest Neighbour最近插值，插值结果为0或1，不会出现小数，插mask文件一般选此；Trilinear线性插值，插T1或其他图像。
REST中：utilities—reslice image--add：加入需插值的图像—Intepolation设置：0，Nearest Neighbou；1，Trilinear—target space：defined by input image，以输入的图像分辨率为标准，类同spm中；keep the original space，保持原始空间，仅仅改变voxel size
DPARSF中选mask时此处一般选择default mask，如果自己有感兴趣区，则可自己制作mask，软件里自带的mask只有灰质、白质、脑脊液三个。Cluster size簇的大小一般选
27 voxels。在这里选smReho则可以在做完Reho后继续做平滑。
结果：Reho值，mReho值等于体素的Reho值除以全脑均值。一般还计算一个mReho—1，为进一步做单样本T检验做准备，因为最早的spm中的单样本T检验只能是测试值与0相比，而mreho指是恒大于0的，以1为均值，故需减1。.
二、ALFF与fALFF的计算
ALFF:amplitude of low frequency fluctuation 低频波的振幅。在疾病研究中一般选此指标。
fALFF是拿ALFF值除以整个频段振幅均值得到的。相对适用以表现默认网络。理由：研究表明对PCC后扣带回而言，ALFF在整频段都较低，但低频>高频；对于SC脑室？来说，ALFF在整频段都比较高，但低频<高频；则为了使PCC在低频时被显现出来，则使用fALFF。
mALFF等于某处的ALFF值除以全脑ALFF均值。而计算mALFF—1或mfALFF—1来用于进一步的单样本T检验。
软件中设置时mask此处一般选default mask；Band（Hz）：0.01——0.08针对不同疾病，选不同频段可能更有效果；TR（s）：2
Part3 功能连接Functional Connectivity
一、去除协变量Regress out nuisance covariates
主要有以下几项协变量：
1、头动参数head motion parameters：存放在rp_name.txt 文件中
2、全脑信号global mean signal 去除之后才会发现负相关，否则都是正相关，类似于
前面某些参数减1的效果。
3、白质信号white matter signal
4、脑脊液信号cerebrospinal fluid signal
还有other covariate选项，自己设置协变量
REST中：
a、先把感兴趣区的协变量提取出来
utilities—extract ROI time course—add加入被试所有数据—define ROI—add ROI—predefined ROI—from user defined mask file—next—选择REST下mask文件夹里的文件（选择上述2、3、4三个）—done—run
输出文件夹里有sub_001_ROITimecourse.txt文件，里面有三列数据，分别对应2、3、4。
把所有的协变量合并到同一个txt文件中，以便下一步使用，合并代码见第一个ppt79页。b、去除协变量
utilities—regress out covariates—第三个add—定义covariables list见ppt81页，有代码。DPARSF中，比较简单，只是选了other covariate时需要定义ROI，设定你所要去除的区域作为ROI。？后面可是要做弄能连接呀，也要选define ROI那个按钮，有冲突么，还是做去除这步时先不点Functional Connectivity,去除完协变量后再点再做再做，不能一步到位。
二、功能连接
分为两种：
1、voxel-wise ：选取某一感兴趣区域与全脑其他区域的每一个体素做信息相关即可得
功能连接图
2、ROI-wise：选取n个感兴趣区域做它们彼此之间的相关，得到r值，经过Fiser Z转
换得Z值，存储于生成的txt文件中。生成的相关表类似spss里做多变
量相关时的表。
REST中：
1、voxel wise ---ROI definition下有三种情形：a、spheried ROI 可以自己填坐标和核团大小；
b、dredefine ROI中的前三种都要用到rest slice viewer来选择ROI，第四种是选择已经做好的mask；
c、time course把头动序列放进去？--done
然后第三个add加入所有filter后的数据---选default mask—covariales这里由于前面已经做了，此处则不选—勾中最下方的fisher Z变换，使r—z，这样使其服从正态分布，便于下一步的T检验。
2、ROI wise—ROI definition list—add ROI—把感兴趣的ROI放进去—done—加入被试filter 后数据—default mask—fisehr Z 生成fcmap_sub_***.txt 内含若干个相关区的相关相关系数表。
DPARSF中：
1、做voxel wise : ROI Define 可选入多个ROI批量做这些ROI与全脑的相关。生成一些图
在FC文件夹下：分别按选入顺序排序号为1、2、、、、
2、做ROI wise：选extract ROI time course—加入covremoved文件夹下的数据—define
ROI—放入ROI 生成_restdefineROIT文件夹下的txt文件：time course.txt 表时间进程resultcorr.txt则是ROI wise的结果
Part4 统计分析
一、单样本T检验One sample T test
一般在文章中都需要先分别报告各组被试的单样本T检验的结果，用以报告显著脑区这里的显著指的是显著高于全脑均值。而为了比较不同被试差异，还得用双样本T检验。由于spm中只能拿前述数据与0，所以得将各类数据转化为：
ALFF：mALLFF—1；fALFF：mfALLFF—1;ReHo:smReHo—1；FC：zFC
数据处理主要包括两部分
1、前期处理---获取*—1或zFC图像
若用DPARSF做预处理，则已在结果中生成上述图像，只要在这些图像各自所在目录下分别新建一个文件夹用以存放这些图像来使其余该目录下的其它图像区分开来，便于下一步统计。
在REST中—Utilities—image calculator—add group images：放入（s）m*格式的数据---expression:g1-1
2、正式统计
在SPM中相对复杂，对于原理的理解并无帮助，无累述的必要。一般用REST即可。
在REST中，假如数据后，base项设置：0 用于m*—1类的数据；1 用于m*类的数据此处需要注意的是mask file的设置。Mask越大，所包含的体素则较多，多重比较越多，校正阈值更为严格，则cluster（核团）存活的概率越小。故mask相对较小较好，一般选择时要基于先验知识。例如在做情绪方面的研究时，主要关注的是杏仁核。选杏仁核为Mask,则较小的核团也能存活；若选全脑，则对核团大小要求较大，则很难有感兴趣去的核团存活下来。
结果会生成T.img，最好自己重命名下，以便与其他T图区分。该图像可用REST Slice Viewer 打开，可以读取自由度并卡阈值。
二、两样本T检验Two sample T test
需要数据类型：
ALFF：mALFF；fALFF：mfALFF；ReHo：smReHo；FC：Zfc
1、前期准备：mask的制作
例如：制作一个mask为病人组做了单样本T检验后卡阈值得到的激活区域和对照组做了单样本T检验后卡阈值得到的激活区域的并集。
Mask= (patient_1T.img>Thrd) + （con_1T.img>Thrd）>0
SPM—Brain mask—Image calculator—input images：patient_1T.img con_1T.img
----output image:Mask_2T.img---expression: (i1>1.96 + i2>1.96)>0 这里以z分布为例
2、正式统计：
使用SPM的不再累述，过于繁琐，不过需要注意的是在最后define contrast里：contrast: 1 —1 表示第一组减第二组，而—1 1表示第二组减第一组
使用REST，加入两组图像，之后这里的特别之处是可以假如协变量。一般是加入被试的灰质含量（比例，概率）图，在前面做空间标准化时如使用T1像为模板做可生成VBM 文件夹，下面有灰质的概率图，这里要选是标准空间的概率图做协变量呢。要加入灰质概率图作为协变量的理由：在某些病人与正常人的对照研究中，由于病人的脑萎缩，脑脊液则相应增多，这是功能像的差异可能是脑萎缩造成的灰质与脑脊液之间比例的差异。注意这里可能需要对灰质概率图进行重采样，因为DPARSF中默认生成的灰质图的分辨率为2*2*2，需重采样为3*3*3。在add covariate images时应该按前面的待检验数据顺序。
这里还可以加入其它协变量，一般为txt文件，例如可加入年龄、智力等，按一个变量一列输入txt文件中。
结果：生成T.img文件，可用REST Slice Viewer打开，查看其中正负两种T值，注意其中正值表示第一组大于第二组，而负值表示第一组小于第二组。
三、配对样本T检验paired sample T test
适用于一组被试的前测与后测之间的比较，需要图像类型与二中相同
使用SPM时唯一需要注意的是最后define contrast里：contrast: n个0 1 —1 表示第一组减第二组，而n个0 —1 1表示第二组减第一组这里n等于被试数使用REST时，必须在加入两组图像前注意将两组图像的顺序整理一致，使一一对应。这里的检验默认是第一组减去第二组。
结果：生成T.img图像，其中正值表示第一组大于第二组，负值表示第一组小于第二组。
四、ANOV A analysis 方差分析
适用于所研究因素的水平大于2时的检验
使用SPM的过程比较繁琐，需要的注意是在结果生成的图像中要正确的找到表示主效应结果的那个图像。
REST中基本上类似于两样本T检验的过程，同样可以加入协变量，不同的是结果生成的是F图，但也可以用REST Slice Viewer查看。
五、相关分析Correlation analysis
一般我们是做一组被试的某种数据图像与该组被试的另一组数据的相关，如阿尔茨海默病人组的ALFF图像与MMSE量表得分的相关。而不是把病人组与对照组数据放一起做两类数据的相关，后面这种是错误的，产生的结果无意义或完全不符现实。用一个很简单的图可以解释（各部分分别负相关，但整体呈正相关）。
在REST中，选Utilities---correlation analysis—add group image：----add seed series：一般是txt文件，如MMSE量表得分，按前面加入的图像的顺序一列录入被试量表得分。
生成R图，里面是相关系数，可以用REST Slice Viewer查看并卡阈值。
Part5 结果查看
Transversal 横断面coronal 冠状面Sagittal 矢状面
一般的查看结果图像软件;
SPM
Xjview
MRIcroN
REST slice viewer
就用REST slice viewer 而言：
首先，载入图像，底图：underlay 可选择软件安装目录下REST\Template文件夹下的ch2.nii或在软件中点Template按钮，选下拉菜单中那几个。上层图像：overlay 一般为做完统计检验后生成的功能像。点击click to toggle HDR info可以获取这两层图像的一些具体信息。注意如果这里显示NFTI image :display in radiology convention,则表示图像所显示的左半图为右半球，右半图为左半球。
卡阈值：在P那里输入显著性概率，如0.05，则会在Threshold后生成对应的阈值T。df按钮为自由度，软件可以自行读出载入图像自由度，一般可不用设置。
Cluster size：这里有三项需设置：体素数目：这里自己填，一般借助多重比较校正表中提供的cluster值，表明核团的数目低于这个数时则在图中不显示出来；核团体积：自动根据所填体素数目计算出；连接类型：（r m m值）可填：4，面连接，8个周围体素；5或SPM_criterion，表示面连接+边连接，18个周围体素；6，点+面+体连接，26个周围体素。
多重比较校正：Misc下最后一项：Alpha sim ，点击出现一个校正表，可查看对应rmm 值下不同平滑核值下不同阈值下相应该卡的核团大小（体素数目）。
Misc下还可有set overlays color bar 来设置图旁边的彩色条：一般推荐输入12
在morntage左边有形如**/**的数字，左边数字表示十字架所指处对应底图的灰度值，
而右边数字表示此处overlay上对应的T值。如果想查看功能连接图中某处的r值，只要overlay载入的是功能连接图即可。
Slice viewer 加入其它slice ,点yoke则移动十字，两个图上的十字匹配运动。？
Crosshair 在需要截图进发表文章时勾选去掉此项，则十字不显示。
X1处表示可选放大缩小倍数。
MNI/Tal 选择这个可以在两种坐标间转换。
从激活图制作mask:
Save cluster：点此可保存十字所指处的核团，新生成的图的color bar 从0开始了，因为这里没卡阈值。此外生成了mask文件，可以用来做感兴趣区ROI。
Save clusters：点此用以保存所有存活下来的核团。作用：从激活图来做Mask
例如：分别吧AD组与正常组被试存活的clusters保存下来，用于下一步用Image calculator 中将二者并集即做成之前所提到的mask，由于保存的clusters这些图没有卡阈值，则color bar 从0开始，对应制作mask时（i1>0 + i2>0）>0 ？
Cl. Report 用该功能前必须装XJview，点该处会出现一个报表：内含显著核团的一些信息，用于整理成报表发文章时用。包括：voxels数目，peak点坐标，peak intensity 即peak 点T值。
Montage用于保存图像用于发文章时用，点击后可选择参数：横向放几张图；纵向放几张图；图与图之间距离毫米计；是否显示坐标标签。
Montage下还有几个小图标，点击对应的可显示不同方位的图，在misc下点save image 用于发表时用。
Mask的制作2---制作brodmann Mask
REST—Slice viewer—overlay: REST/template/brodmann.nii---Misc下set range for 20,20 即为第二十分区—设置cluster size—save cluster or save clusters
需要注意的是，这里得到的mask是1*1*1的，一般我们的还需重采样到我们的静息像分辨率上来即一般3*3*3上来。
气象数据处理方法：spss和Excel 一、下载原始txt数据中的经纬度处理：将度分处理成度，Excel处 理 首先除以100，处理成小数格式，这里第一个实际是52度58分， 在Excel中用公式：=LEFT(O2,FIND(".",O2)-1)+RIGHT(O2,LEN(O2)-FIND(".",O2))/60 需注意： 当为整数时，值为空，这时需查找出来手动修改，或者将经纬度这一列的小数位改成两位再试试，可能好使（这个我没尝试） 第二步： 将经纬度转换成投影坐标，在arcgis实现 将Excel中的点导入arcgis，给定坐标系为wgs84地理坐标，然后投影转换成自己定义的等面积的albers投影（因为anusplina软件需要投影坐标，这里转换成自己需要的坐标系）
第三步：spss处理 将下载的txt数据导入spss之后，编辑变量属性，删掉不需要的列，然后将最后需要的那些变量进行数据重组 本实验下载的数据是日均温数据，全国800+个站点2012年366天的数据。相当于有800+ * 366行数据 1.变量 变量属性：变量属性这里的设置决定了在SPLINA这个模块中输入数据的格式，本实验spss处理的气象数据的格式统一用这个：(A5,2F18.6,F8.2,F8.2)，一共5列。
即：台站号，字符串，5位； 经纬度：都是浮点型，18位，6个小数位海拔：浮点型，8位，2个小数位 日均温：浮点型，8位，2个小数位 2.数据重组，将个案重组成变量： 后几步都默认就行：
重组之后结果：变成了800+行，370列，就相当于数据变成了：行代表每个站点，列是代表每一天的数据。 3. 因为anusplin这个软件需要的是投影坐标，在重组完的基础上，将经纬度这两列替换成投影之后的经纬度。 方法1：直接复制粘贴即可 方法二：用合并文件，添加变量功能
Part1 数据的预处理 1、格式转换 2、去除前n个时间点的数据 3、时间层校正（Slice Timing） 4、头动校正（Realign） 5、空间标准化（Normalize） 6、平滑（Smooth） 7、去线性漂移（Detrend） 8、滤波（Filer） 一、DICOM格式——NIFTI格式。若数据遗失NIFTI格式则不用转，直接在工作目录下建 立一个子文件夹“FunImg”，将数据拷入其中即可 二、一般去10（8——20之间即可），由于机器刚启动等原因前面一些数据不稳定 三、Slice Timing的设置：以总层数25层为例 SPM中：Slice order：<—x：1:2:25；2:2:24 Reference Slice 参考层一般取中间层，即第25层。因为扫描顺序为： 1,3,5,7,9….,n,2,4,6,8,…n-1 DPARSF中：1,3,5,7,9….,n,2,4,6,8,…n-1 四、头动校正后会在工作目录下生成Realign Parameter文件夹，其中有spm….ps这个文件， 用专业版的Aoboe Reader 打开可查看每个被试头动情况。或在Excludesubjects.txt文件下可查看头动数据（卡不同值时被排除被试情况）。对于患有疾病的患者：一般卡3mm 和3degre；而对正常人一般卡1.5mm和1.5degere或取2. 五、空间标准化即把被试的原始空间往标准空间上估计，以克服不同被试的脑结构之间的差 异问题。把结构像分割得到的信息来做功能像的空间标准化，有两种方式： a、使用EPI模板进行空间标准化 SPM中：原始图像Source Image：mean_***.img 头动校正后生成的文件，为某被试各个时间点的平均像；Image to write ：r*.img 所有头动校正后生成的文件；模板图像Template Image：EPI.nii ；Bounding box：-90 -126 -72；90 90 108 ；V oxel sizes： 3 3 3。. DPARSF中类似可设 b、使用一致分割的T1像进行空间标准化 分三部分： 1、配准coregister 将结构像与功能像匹配，即把被试的结构像变换到功能像空间 （被试的平均功能像） 2、分割转换后的结构像用一致的分割法则分割为灰质、白质、脑脊液。这样就 能把功能像弄到标准空间去。此过程中得到一个由功能像去往标准空间的转换 矩阵。转换矩阵会写入*_seg_sn.mat文件中。 3、标准化把转换矩阵写到功能像上去。这样就可以知道怎么从被试的原始空间
静息态功能磁共振数据分析工具包 使用手册 宋晓伟（Dawnwei.song@https://www.doczj.com/doc/914853779.html,） 文档版本: 1.3 文档修订日期: 2008-2-25 北京师范大学 认知神经科学与学习国家重点实验室
目录 一、开发背景介绍 (1) 二、软件用途和技术特点 (4) 三、设计与实现 (4) 四、测试 (5) 五、使用要求 (5) 六、使用方法演示 (6) (一)计算功能连接 (7) (二)计算局部一致性 (9) (三)计算低频振幅 (11) 七、详细使用说明 (13) (一)安装REST (13) (二)卸载REST (13) (三)启动REST (13) (四)在REST中设置待处理的数据目录 (16) (五)Mask 的设定 (16) (六)在REST中设定输出参数 (17) (七)可选项：去线性漂移 (18)
(八)可选项：滤波 (19) (九)局部一致性计算参数的设定 (20) (十)低频振幅计算参数的设定 (21) (十一)功能连接参数的设定 (21) (十二)点击“Do all”开始计算 (23) (十三)耗时估计 (24) (十四)其它工具 (24) 八、附注说明 (26) 九、参考文献 (28)
一、开发背景介绍 大脑是人体中最迷人也是人们了解最少的部分，科学家哲学家们一直在寻找大脑与行为、情感、记忆、思想、意识等的关系，却缺少一个非侵入性的高分辨率的技术方法来直接观察并确立这种联系，直到上世纪末功能磁共振成像（functional magnetic resonance imaging, fMRI）的出现（Ogawa et al., 1990），既能让人们观察到大脑结构又能让人们观察大脑结构的某一部分所具有的特定功能（Clare, 1997）。fMRI机制是血氧水平依赖性（Blood oxygen level dependent, BOLD）信号的变化。 目前认识到的大多数的脑功能都是通过对任务或刺激的控制，并同时记录与任务或刺激相应的行为学上的变化和神经活动的变化来得到的。从Hubel和Wiesel电生理学上的实验，到现在神经影像学上的认知激活实验范式，都说明这种方法是很成功的。如图1被试睁眼或闭眼交替进行，这种简单的任务刺激范式所带来的BOLD信号的变化可以清楚地在大脑的特定区域看到（图1是在视觉区），从而把大脑的功能和解剖结构联系了起来（Fox et al., 2007）。这种基于任务刺激的实验范式一般都使用广义线性模型（General linear model, GLM）计算刺激或控制变量的效应，检测相应于刺激的大脑激活区，从而认识大脑的功能。 图1、传统fMRI任务激活范式的分析：睁眼闭眼任务范式和初级视觉皮层的某个体素的BOLD信号。 （引自Fox et al., 2007） 对任务状态fMRI数据的分析和处理，研究者现在一般都使用软件SPM（Friston, 1995）或AFNI（Cox, 1996），这两个软件都可以使研究者很方便地基于GLM模型来分析和处理任务状态的fMRI数据。如图2是包括2个控制变量的GLM模型，研究者需要提供给软件的是设计矩阵，即研究者的控制变量，然后使用软件SPM（Friston, 1995）或AFNI（Cox, 1996）就可以很方便地估计出控制变量的效应大小，进而找到受控制变量影响的脑区，即和任务刺激相对应而激活的脑区。
注：下面的为之前做的方法（7-以后不用做），里面的参数与现在的有出入，自己找到区域内站点，插值过程如下。 气象站点数据插值处理流程 1气象站点数据整理 Excel格式，第一行输入字段名称，包括站点名称、x经度（lon）、y纬度（lat）、平均气温、平均风速、相对湿度、平均日照时数。其中经纬度需换算为度的形式，其它数据换算为对应单位。 2excel气象数据转为shape格式的矢量点数据插值分析 （1）打开Arcgis，添加excel气象站点数据。打开LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img，打开边界.shp,三个应该能叠加在一起 （2）在arcgis内容列表中右键单击excel表，选择“显示XY数据”，设置X、Y字段为表中对应经-x、纬-y度字段，编辑坐标系，设置为气象站点经纬度获取时的坐标系，这里为地理坐标系WGS84。(图中错了，按上述，要不就换下一下XY对应的经纬度试一试看看形状对就可以了) （3）导出为shape格式的点数据。右键单击上一个步骤中新生成的事件图层，单击“数据-导出数据”。需注意导出数据的坐标系应选择“此图层的源数据”。
（4）设置Arcgis环境。在“地理处理”菜单下单击“环境”，在环境设置窗口中选择“处理范围”，选择一个处理好的遥感数据（LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img，主要是参考该遥感数据的行数和列数）。再选择“栅格分析”，按下图设置插值的分辨率为“0.0045”，掩膜文件设置为边界2/LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img。注意：生成出来的是否有坐标系，插值-环境-输出坐标系-与**相同 （5）气象站点数据插值。在toolbox中选择工具箱“Spatial Analyst————反距离权法”，默认12个数据参与运算，“Z值字段”分别选择平均风速、平均气温、相对湿度，直接输出，不要改输出路径名字。再导出数据。在差值分析界面最下栏也有环境，进去设置，注意经纬度显示位置是经纬度投影的投影坐标系，UTM不能用 （6）数据转换为image格式。上步骤中得到的插值栅格数据是Arcgis格式的栅格格式（grid格式），该格式envi识别不了。右键单击插值数据选择“数据—导出数据”，设置导出数据格式为image。 （7）再用envi claas 转换为UTM投影 （8）UTM 设置参数：datum：（原来为North America 1927）改为为WGS84, zone 49。 E: 719614.2770 N: 4100314.6180 X/Y PIXEL: 16.0 meter output x size: 8723 output y size: 6066
2型糖尿病患者认知障碍静息态脑功能连接分析 [摘要] 目的利用?o息态脑功能磁共振成像的fALFF值及功能连接方法分析T2DM患者脑功能改变，探讨病情严重程度和认知障碍对于T2DM患者脑功能连接改变的影响。方法本研究基于静息态fMRI的方法，对31 例T2DM患者及27例健康对照者基于比率低频振幅技术进行脑功能连接分析研究。得到病例组和对照组的所有被试者的fALFF值并进行组间比较，获取fALFF值有差异的脑区；以这些脑区为种子点进一步进行基于全脑体素水平的功能连接分析，最后将患者的MMSE评分与异常功能连接的脑区进行相关分析。结果结果显示多个脑区功能连接异常，T2DM患者与健康对照者相比共有7个脑区的fALFF值出现异常增加或减低；基于这些脑区进行全脑体素水平的功能连接分析，有多个脑区出现功能连接的异常增强或减弱；患者的MMSE评分与异常功能连接的脑区存在一定的相关性。结论T2DM患者存在多个脑区fALFF值异常及多个功能连接异常的脑区，其中部分脑区可能是其产生认知功能及视觉功能障碍的神经病理机制，同时部分脑区存在认知及运动功能异常及代偿的神经调控机制；患者临床认知障碍与多个不同脑区的功能连接强度均有不同程度的相关。
[关键词] 2型糖尿病；认知障碍；比率低频振幅；功能连接 [中图分类号] R587.1；R445.2 [文献标识码] A [文章编号] 1673-9701（2018）09-0008-05 Analysis of resting brain functional connectivity in type 2 diabetic patients with cognitive impairment LIU Yongbo1，2 LU Li1 1.Basic Medical College of Shanxi Medical University，Taiyuan 030001，China； 2.Shanxi Lu'an Group General Hospital，Changzhi 046204，China [Abstract] Objective To analyze the changes of brain function in patients with T2DM by using fALFF value of resting state functional magnetic resonance imaging and functional connection method，and to explore the effect of severity of disease and cognitive impairment on the changes of brain function in patients with T2DM. Methods The brain functional connectivity analysis of 31 patients with T2DM and 27 healthy controls based on the fractional amplitude of low-frequency fluctuation was studied，based on the resting state fMRI method. The fALFF values of all subjects in the case group and the control group were obtained and compared between the groups to obtain the brain regions with different fALFF values.
静息态功能核磁共振技术发展及其应用 一、什么是静息态功能核磁共振技术 （一）、功能磁共振技术及其原理 人脑是自然界进化最为复杂的产物，揭示脑的奥秘是当代自然科学面临的最重大的挑战之一。近年来随着脑成像技术及神经科学的发展，人们对脑的研究已不仅局限于解剖定位，更多的是对脑功能活动基本过程的深入研究。功能磁共振成像是90年代以后发展起来的一项新技术，它结合了功能、影像和解剖三方面的因素，是一种在活体人脑中定位各功能区的有效方法，它具有诸多优势，如无创伤性、无放射性、具有较高的时间和空间分辨率、可多次重复操作等，因此，功能磁共振成像(functional magnetic resonance imaging，fMRI )作为脑功能成像的首选方法已被较广泛应用。功能磁共振成像主要是基于血流的敏感性和血氧水平依赖性(blood oxygenation level dependent，BOLD )对比度增强原理进行成像。所谓血氧水平依赖性是指大脑皮层的微血管中的血氧浓度发生变化时，会引起局部磁场发生变化，从而引起核磁共振信号强度的变化。采用基于 BOLD的功能磁共振成像技术进行脑活动研究在近十年中得到了迅速的发展，BOLD f MRI以空间和时间分辨率均较高的优势,逐渐成为对活体脑功能生理、病理活动研究的重要手段之一。其无创性和可重复性使之在临床得以迅速而广泛的应用和认同功能磁共振检查方法对人体无福射损伤，并且其时间及空间分辨率较高，一次成像可同时获得解剖影像及功能影像。功能磁共振成像原理是通过磁共振信号检测顿脑内血氧饱和度及血流量，从而间接反映神经元的活动情况，达到功能成像的目的。BOLD 技术是功能磁共振成像的基础；神经元活动增强时，脑功能区皮层的血流量和氧交换増加，但与代谢耗氧量增加不成比例，超过细胞代谢所需的氧供应量，其结果可导致功能活动区血管活动氧合血红蛋白増高，脱氧血红蛋白相对减少。脱氧血红蛋白是顺磁性物质，其铁离子有４个不成对电子，磁矩较大，有明显的Ｔ２缩短效应。因此，脱氧血红蛋白减少，导致Ｔ２＊和Ｔ２弛豫时间延长，信号増高，使脑功能成像时功能活动去抑制的皮层表现为高信号。功能磁共振成像应用于人脑功能的研究，最常用的方法是利用各种刺激诱导局部脑组织血氧水平依赖信号发生变化，间接反映神经元的活动,这种方法被称为“事件相关功能性磁共振( event-related f MRI)”。
(1)复杂地形下气温空间化模拟模型 首先考虑海拔高度、经度、纬度对气温空间分布影响，再进一步考虑坡度、坡向这些微观地形因子对气温空间分布的影响。根据地形调节统计模型，即在考虑微观地形(坡度、坡向)情况下，面辐射与地形存在着函数关系，其实际气温可表示为： T T=T H cosi/cosz (1) 式中，T T为地形调节统计模型模拟的气温；T H为常规统计模型模拟的气温；i为地球面法线与太阳光线之间的角度。其中，T H可根据式(2)求得，i可根据式(3)求得 T H=a0+ a1λ+ a2φ+ a3h (2) 式中，λ为经度，φ为纬度，h为海拔高度，a0为常数，a1、a2、a3为偏回归系数。 cosi=cosαcosz+sinαsinzcos(ф-β) (3) 式中，α为坡度，z为太阳天顶角，ф为太阳方位角，β为坡向。 对于中国的地理位置特点和气温模拟方法，可将太阳天顶角z设为45°，太阳方位角ф设为180°(为正午时间)，所以公式(1)归纳为： T T=T H(cosα-sinαcosβ) (2) “回归分析计算+残差插值”模型构建用于降水数据处理 以2006年4月为例，得到各气象站点4月降水量与经纬度、海拔高度的线性关系式： P=-66.840+4.518*lat-1.324*long+0.001*ele(r2=0.456) (4) 式中：lat为气象站点的经度，long为气象站点的纬度，ele为气象站点的海拔高度，P为月降水。 由DEM提取经度、纬度、坡度、坡向 1.dem栅格转点 2.把Data frame propoties显示单位设置为度分秒 3投影
4生成经纬度 5点转栅格（生成经度）
静息态数据处理 Part1 数据的预处理 1、格式转换 2、去除前n 个时间点的数据 3、时间层校正（Slice Timing） 4、头动校正（Realign） 5、空间标准化（Normalize） 6、平滑（Smooth） 7、去线性漂移（Detrend） 8、滤波（Filer） 一、DICOM 格式——NIFTI 格式。若数据遗失NIFTI 格式则不用转，直接在工作 目录下建立一个子文件夹“FunImg” ，将数据拷入其中即可二、一般去10（8——20 之间即可），由于机器刚启动等原因前面一些数据不稳定三、Slice Timing 的设置：以总层数25 层为例SPM 中：Slice order：<—x：1:2:25；2:2:24 Reference Slice 参考层一般取中间层，即第25 层。因为扫描顺序为： 1,3,5,7,9….,n,2,4,6,8,…n-1 DPARSF 中：1,3,5,7,9….,n,2,4,6,8,…n-1 四、头动校正后会在工作目录下生成Realign Parameter 文件夹，其中有spm….ps 这个文件，用专业版的Aoboe Reader 打开可查看每个被试头动情况。或在Excludesubjects.txt 文件下可查看头动数据（卡不同值时被排除被试情况）。对于患有疾病的患者：一般卡3mm 和3degre；而对正常人一般卡 1.5mm 和1.5degere 或取2. 五、空间标准化即把被试的原始空间往标准空间上估计，以克服不同被试的脑结构之间的差异问题。把结构像分割得到的信息来做功能像的空间标准化，有两种方式：a、使用EPI 模板进行空间标准化SPM 中：原始图像Source Image：mean_***.img 头动校正后生成的文件，为某被试各个时间点的平均像；Image to write ：r*.img 所有头动校正后生成的文件；模板图像Template Image：EPI.nii ；Bounding box：-126 -72；90 108 ；-90 90 Voxel sizes：3 3 3。. DPARSF 中类似可设b、使用一致分割的T1 像进行空间标准化分三部分：1、配准coregister 将结构像与功能像匹配，即把被试的结构像变换到功能像空间（被试的平均功能像）2、分割转换后的结构像用一致的分割法则分割为灰质、白质、脑脊液。这样就能把功能像弄到标准空间去。
国际医学放射学杂志International Journal of Medical Radiology 2010Sep ;33(5)作者单位：510515广州，南方医院影像中心通讯作者：邱士军,E-mail:qiu-sj@https://www.doczj.com/doc/914853779.html, *审校者 DOI:10.3784/j.issn.1674-1897.2010.05.Z0501 【摘要】 大脑半球多个脑区血流低频振荡信号变化存在同步性，它反映了这些脑区的神经活动存在相关性，这 些脑区间神经活动相互关系被定义为功能连接。扩散张量成像是目前唯一可以无创伤地获取人脑白质纤维束信息的技术。联合应用功能连接与扩散张量白质纤维束成像技术，可以探讨研究人脑静息态功能连接与解剖结构连接之间的关系。就静息态功能连接与扩散张量成像的基本原理、特点以及两者联合应用进行综述。 【关键词】 静息态；功能连接；结构连接；扩散张量成像 静息态功能连接与解剖结构连接在人脑中联合研究 Combination of resting-state functional MRI and anatomical links in assessing human brain connectivity 刘珍银邱士军神经放射学 * 综述 脑的结构组织所体现的功能特征主要表现在功能分区与功能整合。大脑半球多个脑区血流低频振荡信号变化存在时域相关性，它反映了这些脑区的神经活动存在相关性，脑区间神经活动相互关系被定义为功能连接。已有证据证明大脑神经元在解剖学上和功能上都是分组的（形成神经元簇），解剖上也已经发现了功能柱的结构存在。通常认为脑部功能连接反映脑部解剖结构连接，但是关于两者的确切关系仍未完全明了。 1静息态功能连接的概念 Biswal 等[1]首次以左侧大脑半球运动皮质作为感兴趣区（ROI ），检测其血氧水平依赖（blood oxygen level dependent,BOLD ）信号低频成分（f <0.08Hz ）的时间序列，并与全脑其他脑区的低频BOLD 信号时 间序列作相关分析。结果表明，即使在没有任务状态下，左右两侧大脑运动皮质BOLD 信号低频成分存在显著的时间相关性。功能连接被定义为“空间上分离的部位在神经生理活动过程中的相互关系”。静息态功能磁共振成像（resting -state functional magnetic resonance imaging,resting -state fMRI ）是近年来脑功能研究热点之一，与任务态脑 功能成像不同，其不需外部刺激或任务设置，反映人脑处于静息状态下的神经活动。对于任务相关的脑功能成像研究，常采用组块（BLOK ）实验设计方法，其数据处理常采用模型驱动（mold-based ）的方法，即根据任务态与静息态脑区BOLD 信号的差异值确定激活脑区，这间接反映了任务相关的局部脑区神经元活动；然而，人脑处于静息状态时，多个脑 区仍存在自发神经元活动，并且呈现时间相关性。在没有任何外部刺激的静息态下进行脑功能实验研究，需采用新的分析方法，如选取某感兴趣区作为种子体素，以种子体素的BOLD 信号时间序列与全脑其他体素作相关分析，但此方法亦存在局限性，ROI 的选择可能因手工操作者不同而存在差异，同时此方法亦可出现假阴性结果[2]。为避免这些问题，常联合应用独立成分分析（independent compon- ent analysis,ICA ）方法进行BOLD 信号数据处理，ICA 方法将四维BOLD 信号分解成三维空间信息与一维时间序列信息。这些BOLD 信号中既包含了 反映脑部神经元活动信息，又包含了机体运动或生理活动产生的噪声[3]，虽然联合应用ICA 方法可以一定程度分离出诸如心脏博动、呼吸运动等噪声，但仍有不少残留噪声[4]。收集这些生理噪声信息，并在BOLD-fMRI 信息数据处理过程中减去相应的生理噪声信息数据，可成为解决此问题的方法之一。应用上述方法可以显示脑部功能连接图，但仅反映大脑皮质的神经元活动情况，不能显示脑白质信息。 2扩散张量成像的基本原理 纤维束成像是近年来在扩散加权成像 （diffusion weighted imaging,DWI ）基础上迅速发展起来的MRI 新技术，它使得在活体研究人脑白质纤维结构成为可能。Pierpaoli 等[5]首先应用扩散张量成像 (diffusion tensor imaging,DTI)技术在活体人脑勾画出脑白质主要纤维束结构走向。DTI 基本原理：在均质 的水中，水分子的扩散运动表现为三维随机运动，其在不同的方向扩散程度相同，称为各向同性（isotropic ）；但在人脑组织中，水分子的运动则因为 :411-415;431
气象数据处理流程1.数据下载 1.1.登录中国气象科学数据共享服务网 1.2.注册用户 1.3.选择地面气象资料 1.4.选择中国地面国际交换站日值数据 选择所需数据点击预览（本次气象数据为：降水量、日最高气温、日最低气温、平均湿度、辐射度、积雪厚度等；地区为：黑龙江省、吉林省、辽宁省、内蒙古） 下载数据并同时下载文档说明 1.5.网站数据粘贴并保存为TXT文档 2.建立属性库 2.1.存储后的TXT文档用Excel打开并将第一列按逗号分列 2.2.站点数据处理 2.2.1.由于站点数据为经纬度数据 为方便插值数据设置分辨率（1公里）减少投影变换次数，先将站点坐标转为大地坐标并添加X、Y列存储大地坐标值后将各项数据按照站点字段年月日合成总数据库 （注意：数据库存储为DBF3格式，个字段均为数值型坐标需设置小数位数） 为填补插值后北部和东部数据的空缺采用最邻近法将漠河北部、富锦东部补齐2点数据。
2.2.2.利用VBA程序 Sub we() i = 6 For j = 1 To 30 Windows("").Activate Rows("1:1").Select Field:=5, Criteria1:=i Field:=6, Criteria1:=j Windows("").Activate Rows("1:1").Select Windows("book" + CStr(j)).Activate Range("A1:n100").Select Range("I14").Activate ChDir "C:\Documents and Settings\王\桌面" Filename:="C:\Documents and Settings\王\桌面\6\" & InputBox("输入保存名", Title = "保存名字", "20070" + CStr(i) + "0" + CStr(j)), _ FileFormat:=xlDBF4, CreateBackup:=False SaveChanges:=True Next j End Sub 将数据库按照日期分为365个文件 3.建立回归模型增加点密度 由于现有的日辐射值数据不能覆盖东三省（如图），需要对现有数据建模分析，以增加气象数据各点密度。 已有数据10个太阳辐射站点，为了实现回归模型更好拟合效果，将10个样本全部作为回归参数。利用SPSS软件建模步骤：
气象数据处理流程 1.数据下载 1.1. 登录中国气象科学数据共享服务网 1.2. 注册用户 1.3. 1.4. 辐射度、1.5. 2. 2.1. 2.2. 2.2.1. 为方便插值数据设置分辨率（1公里）减少投影变换次数，先将站点坐标转为大地坐标 并添加X、Y列存储大地坐标值后将各项数据按照站点字段年月日合成总数据库 （注意：数据库存储为DBF3格式，个字段均为数值型坐标需设置小数位数） 为填补插值后北部和东部数据的空缺采用最邻近法将漠河北部、富锦东部补齐2点数据。 2.2.2.利用VBA程序 Sub we() i = 6
For j = 1 To 30 Windows("chengle.dbf").Activate Rows("1:1").Select Selection.AutoFilter Selection.AutoFilter Field:=5, Criteria1:=i Selection.AutoFilter Field:=6, Criteria1:=j Cells.Select Selection.Copy Workbooks.Add ActiveSheet.Paste Windows("chengle.dbf").Activate ", Title = " 3. 利用 3.1. 3.2. 选择分析→回归→非线性回归 3.3. 将辐射值设为因变量 将经度（X）和纬度（Y）作为自变量，采用二次趋势面模型（f=b0+b1*x+b2*y+b3*x2+b4*x*y+b5*y2）进行回归，回归方法采用强迫引入法。 如图，在模型表达式中输入模型方程。 在参数中设置参数初始值
一、SPM的安装与启动 先安装matlab，然后将SPM复制到matlab下的一个文件夹（SPM2需要matlab6.0或以上版本）。启动matlab，首先set path，然后在matlab命令窗口中输入SPM即可启动，然后选择fMRI，也可以直接输入SPM fMRI 二、SPM数据处理概要 先将所得数据进行空间预处理（对齐，平滑，标准化等），然后进行模型估计（将刺激的时间、间隔与血流动力函数进行卷积，所得结果与全脑象素信号进行相关分析），最后察看结果。 三、SPM8数据处理的一般步骤 为方便后续的数据处理，如果数据分散处理后整合，建议所有处理数据路径保持一致，要统一路径。处理前首先要采用数据转换软件将dicom数据转换成SPM解析格式，然后进行数据预处理，预处理结束后到matlab安装目录中备份spm*.ps文件，其中包含了空间校正和标准化的信息，然后进行建模分析。 运行命令：spm fmri，打开spm8的操作界面 我们称左上侧的窗口为按钮窗口(button window)，左下侧的窗口为输入窗口(input window)，右侧大窗口为树形结构窗口或图形窗口(Tree Building Window or the graphics window)。 在spm8和spm5中，每一步处理都采用了直观的“树形结构”的面板，如果一个分支项左面有“+”号，你可以双击显示子分支项，如果一个分支项右面有“<-X”号，你必须为之指定选项(否则不能运行该tree)，分支项的选项在其右侧面板指定，而帮助信息则在下面的面板中显示。如果我们处理数据没
有特殊需求，我们只关心带有“<-X”项目并完成输入即可，其余均可采用默认设置。另外注意在Tree Building Window的顶部菜单，新增了一个菜单项“TASKS”，在使用批处理分析时非常重要。 以下内容，还可以参考E:\《汇总》中“静息态fMRI的数据预处理流程”这部分的讲述。 1、转换数据 dicom格式转换为img文件，将以层为单位的数据转换成以全脑为单位的数据。转换时格式请选择NIfTI，可用SPM输入面板中的DiCOM Import模块转换，也可以采用专门的转换软件，如MRIcovert。 2、Slice timing 校正1个volume中层与层之间获取(采集)时间的差异，即纠正slice（下译为扫描层）之间采集时间的差异。这对事件相关设计的实验尤为重要，使一个TR中的各层获得时间一致（如都在一个TR的开始），相当于AFNI中tshift所做的工作。校正后的新文件名为：a＋原文件名。 原理概述：Sliceorder（扫描层序数）用于指明扫描层被采集时的顺序，其总数为n，n即一个volume （volume为一个TR时间内的扫描量）里面所包含的扫描层的总数。每个Sliceorder（扫描层系数）同时指明了每个扫描层在图像文件中的存储位置。因此扫描层系数表明了扫描层被采集时的时间顺序。我们可以用SPM的Display功能来查看这个顺序。移动鼠标的十字准线到Z 坐标为1的位置时，我们看到的就是一个volume里面第一个slice（扫描层）上的象元（voxel）。核磁仪采集数据的时间精度为一个TR，因此我们通常默认一个TR内采集到的数据（一个volume）采自完全相同的时间。但事实并非如此，一个TR内我们需要采集很多扫描层（例如20层）的数据以覆盖较大的脑区（通常是全脑）。这些扫描层是一个接一个按照上面所说的sliceorder（扫描层序数）的顺序来采集的，因此各个扫描层之间的采集时间是有差异的。Slice timing这一步所要做的就是通过一定的算法纠正这一时间差异。常规的纠正方法是在保持整段采集信号不变的条件下推前或者推后采集的起始时间。这可以通过简单的移动采集信号的正弦相位来做到。一种常用的数学转换方法：傅立叶转换可以把任何复杂信号转换为由不同频率和相位的简单正弦曲线的线性组合。这样，只要通过加入一个常数到每个频率的相位中，就可以达到移动数据起始和结束时间的目的。 我们在按钮窗口中的预处理面板中点击“Slice Timimg”，将出现如下对话框：
1 引言 在气象行业内部，气象数据的价值已经和正在被深入挖掘着。但是，不能将气象预报产品的社会化推广简单地认为就是“气象大数据的广泛应用”。 大数据实际上是一种混杂数据，气象大数据应该是指气象行业所拥有的以及锁接触到的全体数据，包括传统的气象数据和对外服务提供的影视音频资料、网页资料、预报文本以及地理位置相关数据、社会经济共享数据等等。 传统的”气象数据“，地面观测、气象卫星遥感、天气雷达和数值预报产品四类数据占数据总量的90%以上，基本的气象数据直接用途是气象业务、天气预报、气候预测以及气象服务。“大数据应用”与目前的气象服务有所不同，前者是气象数据的“深度应用”和“增值应用”，后者是既定业务数据加工产品的社会推广应用。 “大数据的核心就是预测”，这是《大数据时代》的作者舍恩伯格的名言。天气和气候系统是典型的非线性系统，无法通过运用简单的统计分析方法来对其进行准确的预报和预测。人们常说的南美丛林里一只蝴蝶扇动几下翅膀，会在几周后引发北美的一场暴风雪这一现象，形象地描绘了气象科学的复杂性。运用统计分析方法进行天气预报在数十年前便已被气象科学界否决了——也就是说，目前经典的大数据应用方法并不适用于天气预报业务。 现在，气象行业的公共服务职能越来越强，面向政府提供决策服务，面向公众提供气象预报预警服务，面向社会发展，应对气候发展节能减排。这些决策信息怎么来依赖于我们对气象数据的处理。
气象大数据应该在跨行业综合应用这一“增值应用”价值挖掘过程中焕发出的新的光芒。 2 大数据平台的基本构成 2.1 概述 “大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。 从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘（SaaS），但它必须依托云计算的分布式处理、分布式数据库（PaaS）和云存储、虚拟化技术（IaaS）。 大数据可通过许多方式来存储、获取、处理和分析。每个大数据来源都有不同的特征，包括数据的频率、量、速度、类型和真实性。处理并存储大数据时，会涉及到更多维度，比如治理、安全性和策略。选择一种架构并构建合适的大数据解决方案极具挑战，因为需要考虑非常多的因素。 气象行业的数据情况则更为复杂，除了“机器生成”（可以理解为遥测、传感设备产生的观测数据，大量参与气象服务和共享的信息都以文本、图片、视频等多种形式存储，符合“大数据”的4V特点：Volume(大量)、Velocity(高速)、
气象数据处理流程 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】
气象数据处理流程1.数据下载 1.1.登录中国气象科学数据共享服务网 1.2.注册用户 1.3.选择地面气象资料 1.4.选择中国地面国际交换站日值数据 选择所需数据点击预览（本次气象数据为：降水量、日最高气温、日最低气温、平均湿度、辐射度、积雪厚度等；地区为：黑龙江省、吉林省、辽宁省、内蒙古） 下载数据并同时下载文档说明
1.5.网站数据粘贴并保存为TXT文档 2.建立属性库 2.1.存储后的TXT文档用Excel打开并将第一列按逗号分列 2.2.站点数据处理 2.2.1.由于站点数据为经纬度数据 为方便插值数据设置分辨率（1公里）减少投影变换次数，先将站点坐标转为大地坐标 并添加X、Y列存储大地坐标值后将各项数据按照站点字段年月日合成总数据库（注意：数据库存储为DBF3格式，个字段均为数值型坐标需设置小数位数） 为填补插值后北部和东部数据的空缺采用最邻近法将漠河北部、富锦东部补齐2点数据。 2.2.2.利用VBA程序 Sub we() i = 6 For j = 1 To 30 Windows("").Activate Rows("1:1").Select Field:=5, Criteria1:=i
Field:=6, Criteria1:=j Windows("").Activate Rows("1:1").Select Windows("book" + CStr(j)).Activate Range("A1:n100").Select Range("I14").Activate ChDir "C:\Documents and Settings\王\桌面" Filename:="C:\Documents and Settings\王\桌面\6\" & InputBox("输入保存名", Title = "保存名字", "20070" + CStr(i) + "0" + CStr(j)), _ FileFormat:=xlDBF4, CreateBackup:=False SaveChanges:=True Next j End Sub 将数据库按照日期分为365个文件 3.建立回归模型增加点密度 由于现有的日辐射值数据不能覆盖东三省（如图），需要对现有数据建模分析，以增加气象数据各点密度。 已有数据10个太阳辐射站点，为了实现回归模型更好拟合效果，将10个样本全部作为回归参数。利用SPSS软件建模步骤：
气象数据预处理二（筛选、去空格、批量套用公式） 西北农林科技大学资环学院小华哥 一、数据筛选 二、去除空格 三、批量套用公式 四、三点注意（去公式，保留负值，扩展排序） 一、数据筛选 1、下载的气象数据有10万条记录左右，包含了全国各个省份不同站点的不同气象数据，而我们在使用的时候可能并不需要这么多，只需要几个省、某些年月分的某些指标，因此我们迫切需要找到一种方便快捷的数据筛选方法。这就需要用到Excel的数据筛选功能。 2、如我们需要“陕西省+2012年+1月”的气象数据，操作方法如下： ①选择条件行，也可以按住“shift”逐个选择筛选条件。条件行选择第一列。 ②找到头行的“数据-筛选”点击“筛选”，可以看到每个单元格后面显示了一个倒三角，这就是条件选择列表。 ③我们在省份后面点击三角形出现以下筛选条件，打对勾的数据就是会显示的数据，我们只保留陕西的对勾，其他省份对勾去掉。
④这时，保留下来的数据都是陕西的了。同理，保存只显示2012年、1月的数据。那么保留下来的数据就是陕西省2012年1月份的数据了，可见，筛选条件是可以多次套用的。此时，我们就可以将筛选后的数据单独保存成工作簿，导入ArcGIS 等软件进行空间插值了。 二、去除空格 1、⑤在第③步中，可以发现陕西省有两个，这是因为省份名称中有空格，这时，我们就需要将空格去掉，以便以后进行查询筛选。选中第一行筛选条件列，点击“筛选”按钮，将筛选模式关闭，此时会显示所有数据。选中省份列（只对此列进行数据查询），击替换按钮，查找内容设置为“ ”（不要双引号，在“查找内容处敲一个空格，不能多敲；如果是查找两个空格，就敲两个空格”，如下左图，注意空格的位置）；替换内容为空即可（空表示连空格都没有，如下右图，注意输入光标的位置）；点击全部替换即可将本列一个空格的去掉。 2、我们再来筛选陕西省的数据，可以发现只有一个陕西了