anonymous-dianchi-2026/dianchi-water

这是一个高频（每4小时一次）多站点地表水质数据集，覆盖中国滇池流域的22个监测站点、9个水质变量，时间跨度为3年（2022年至2024年）。自然缺失率为19.8%（其中超过99%为块状结构缺失）。数据集包含116,783条记录，每4小时采集一次数据（每天6次观测），涉及水温、pH值、溶解氧、电导率、浊度、高锰酸盐指数、氨氮、总磷和总氮等变量。数据以Parquet格式存储，并提供了站点间距离矩阵和用于构建邻接矩阵的脚本。

---
license: 知识共享署名4.0国际许可协议（Creative Commons Attribution 4.0 International, CC-BY-4.0）
task_categories:
- 时间序列预测（time-series-forecasting）
- 表格回归（tabular-regression）
language:
- 英语
tags:
- 水质（water-quality）
- 缺失值插补（imputation）
- 时间序列（time-series）
- 环境监测（environmental-monitoring）
- 基准测试（benchmark）
size_categories:
- 100,000 < 样本数量 < 1,000,000
---
# 滇池水质数据集

本数据集为中国滇池流域的高频（每4小时一次）多站点地表水质数据集，覆盖**22个监测站点**、**9项水质指标**，时间跨度为**3年**（2022年—2024年）。

自然缺失率：**19.8%**，其中超过99%的缺失值为分块结构。

## 数据目录结构

data/
dianchi_data_df.parquet # 主数据集（含116,783条记录）
dianchi_station_distance_km.csv # 22×22的两两哈弗辛（Haversine）距离（单位：千米）矩阵
scripts/
build_adjacency.py # 用于生成邻接矩阵与热图的脚本

## 快速入门示例

以下为快速上手的Python代码示例：
python
import pandas as pd

df = pd.read_parquet("data/dianchi_data_df.parquet")
print(df.shape) # (116783, 11)
print(df.columns.tolist()) # ['tm', 'station', 'TEM', 'PH', ...]
print(df["station"].nunique()) # 22

## 字段说明

| 字段名 | 数据类型 | 说明 |
|----------|-------------------|---------------------------------------|
| `tm` | datetime64[ns] | 时间戳（采样间隔为4小时） |
| `station`| 字符串 | 监测站点名称（英文） |
| `TEM` | float64 | 水温（单位：摄氏度，°C） |
| `PH` | float64 | pH值 |
| `DO` | float64 | 溶解氧（单位：毫克每升，mg/L） |
| `CON` | float64 | 电导率（单位：微西门子每厘米，μS/cm） |
| `NTU` | float64 | 浊度（单位：NTU） |
| `IMN` | float64 | 高锰酸盐指数（单位：mg/L） |
| `NH_N` | float64 | 氨氮（单位：mg/L） |
| `TP` | float64 | 总磷（单位：mg/L） |
| `TN` | float64 | 总氮（单位：mg/L） |

## 数据集规模

- **总记录数：** 116,783条
- **监测站点数：** 22个
- **水质指标数：** 9项
- **时间范围：** 2022年1月1日至2024年12月30日
- **采样频率：** 每4小时一次（每日6个采样点）
- **单站点完整4小时网格：** 6,568个时间步
- **整体缺失率：** 19.8%（基于单站点完整4小时网格与9项水质指标计算）

## 各站点观测覆盖率

| 站点名称 | 有效记录数 | 观测覆盖率 |
|-------------------------|-----------:|-----------:|
| Daguanhe Inlet | 5,866 | 89.3% |
| Chuanfang Bridge | 5,866 | 89.3% |
| Duanqiao | 5,848 | 89.0% |
| Caohai Center | 5,844 | 89.0% |
| Xinhecun Inlet | 5,837 | 88.9% |
| Guanyinshan West | 5,788 | 88.1% |
| Wangda Bridge | 5,767 | 87.8% |
| Huilong Village | 5,762 | 87.7% |
| Dianchi South | 5,758 | 87.7% |
| Luojiaying | 5,752 | 87.6% |
| Baofengcun Inlet | 5,747 | 87.5% |
| Haikou West | 5,676 | 86.4% |
| Jiangwei Lower Sluice | 5,627 | 85.7% |
| Dayuxiang Tuluocun Inlet| 5,512 | 83.9% |
| Huiwan Central | 5,497 | 83.7% |
| Baiyukou | 5,446 | 82.9% |
| Yanjiancun Bridge | 5,429 | 82.7% |
| Guanyinshan East | 5,354 | 81.5% |
| Guanyinshan Central | 4,835 | 73.6% |
| Dongdahe Dianchi Inlet | 4,686 | 71.3% |
| Cigang River Inlet | 2,876 | 43.8% |
| Xiyuan Tunnel | 2,010 | 30.6% |

## 变量统计摘要

| 变量名 | 单位 | 缺失率 | 均值 | 标准差 | 最小值 | 5%分位数 | 中位数 | 95%分位数 | 最大值 | 偏度 |
|--------|--------|---------|--------|--------|--------|----------|--------|-----------|----------|-------|
| `TEM` | °C | 19.3% | 18.73 | 4.23 | 0.00 | 11.64 | 19.12 | 24.80 | 36.10 | −0.2 |
| `PH` | — | 20.0% | 8.26 | 0.71 | 0.00 | 7.36 | 8.30 | 9.13 | 10.99 | −4.7 |
| `DO` | mg/L | 19.3% | 7.60 | 3.16 | 0.00 | 2.89 | 7.43 | 13.22 | 29.99 | 1.1 |
| `CON` | μS/cm | 19.3% | 514.59 | 131.85 | 0.00 | 348.10 | 490.30 | 753.12 | 1780.86 | 1.8 |
| `NTU` | NTU | 19.5% | 20.71 | 44.97 | 0.00 | 2.60 | 14.10 | 51.99 | 9918.65 | 103.0 |
| `IMN` | mg/L | 20.5% | 4.64 | 2.27 | 0.00 | 1.43 | 4.36 | 8.15 | 31.51 | 0.6 |
| `NH_N` | mg/L | 20.2% | 0.21 | 0.49 | 0.00 | 0.03 | 0.04 | 0.78 | 16.73 | 9.6 |
| `TP` | mg/L | 20.1% | 0.08 | 0.07 | 0.00 | 0.02 | 0.07 | 0.17 | 3.55 | 10.2 |
| `TN` | mg/L | 20.1% | 3.24 | 2.24 | 0.00 | 0.90 | 2.41 | 7.66 | 45.03 | 1.3 |

## 邻接矩阵构建

邻接矩阵构建脚本`scripts/build_adjacency.py`可读取站点距离矩阵，通过线性衰减权重函数构建邻接矩阵：
$$w_{ij} = maxigl(0,; 1 - d_{ij} / auigr)$$
其中$d_{ij}$为站点$i$与$j$之间的测地距离，$ au$为用户指定的距离阈值（单位：千米）。

以下为命令行使用示例：
bash
# 使用默认阈值（10、15、20、25、30千米）
python scripts/build_adjacency.py

# 指定单一阈值
python scripts/build_adjacency.py --threshold-km 20

# 自定义阈值与输出目录
python scripts/build_adjacency.py --thresholds-km 5,10,20 --output-dir ./outputs

**依赖库：** `numpy`、`pandas`、`matplotlib`

## 隐私说明

原始站点坐标未公开，仅提供两两站点距离矩阵，该矩阵可满足基于距离的图构建需求，且不会泄露站点精确位置。

## 引用说明

若使用本数据集，请引用以下论文：

@article{anonymous2026dianchiwater,
title = {A High-Frequency Multi-Station Surface Water Quality
Dataset and Mask-View Augmentation Benchmark for
Time-Series Imputation},
author = {Anonymous},
year = {2026},
}

## 许可协议

本数据集采用[知识共享署名4.0国际许可协议（Creative Commons Attribution 4.0 International, CC-BY-4.0）](https://creativecommons.org/licenses/by/4.0/)发布。