气候统计第四章 主分量分析与主因子.pptVIP

第四章 主分量分析与主因子分析 主分量分析，又称主成分分析，进行空间分析时又称经验正交函数展开，是气象统计分析中广泛应用的方法之一。 对事物特征的描述因子往往有众多的反映不同特征的指标，而由于因子众多，而且因子之间存在相关和重叠，特征描述就比较杂乱，难以表现最主要的规律，主分量分析就是归纳多因子的线性组合得到综合因子，而这个综合因子指标概括了多个因子变化的主要信息，从而可以减少表示特征的因子数，这个综合指标称为主成分或主分量。 打个比方，测量空气中的C和O元素含量的变化，在n个样本中发现，CO2浓度比较稳定，CO变化较大， ，若C的含量为X1，O的含量为X2，则co的含量y=x1+x2 ，就是主成分，它综合反映C和O的变化，而可不考虑CO2的变化。 从某种角度上说，各因子之间的相关性，必然存在起支配作用的共同因素，每一主成分代表变量间结合关系的一种作用。 如气象统计中，经常要研究各种气象要素场，如环流场，温度场，如果抽取要素场某段时期的资料，就构成一组以网格点为空间点随时间变化的样本，气象演变规律体现在要素场的结构上，一个空间场特征需众多的变量（空间点）描述，分析复杂，不易反映其主要特征，主分量分析用多因子组合综合反映一种典型分布（如经向环流），即概括多因子变化的主要信息。 §4.1 主分量的概念 例: 设所分析的气象要素场有两个空间点，记为x1 、x2,样本容量n=25,资料，统计得到， 两者的解释方差分别为20.3/44.4=46% ，24.1/44.4=54% ，两变量的解释方差基本相当。 §4.2 主分量的导出 一、有关基础知识复习 (附录A、C、D） 二、主分量的导出 一般的，如果有p个变量x1,…xp,将它们综合组成m个综合变量： 三、主分量的性质 1、各主分量的方差分别为原p 个变量的协方差的特征值，不同的主分量彼此是独立的。 引用定理：若A 为p×p是对称阵，则必存在一个正交矩阵V(p×p)，使得 ： Lorenz最早把主成分分析应用到气象要素场，他对美国64个测站的气压场作主成分分析，发现64个中，前8个主成分已经到达描述总方差的91%，说明用前8个主成分就可以代替64个变量，大为减少研究变量个数。 当特征值相差越大时，主成分分析越有意义，反之特征值相接近，则主成分分析的价值就不大。主成分分析并未对总体分布作任何假定，因此它对各类分别的数据都能分析。其目的在于简化结构因子，寻找综合因子，分类等，在地球科学各领域研究中均有广泛的应用。 §4.3 要素场的经验正交函数分解 又称自然正交展开，简称EOF分析，是主成分的应用。在气象科研中有极广泛的应用。 气象场的变化有空间的变化特征，也有时间的变化特征，经验正交展开的思路是将气象场的空间和时间变化分解，分别分析其空间特征和时间变化特征。 理论上，空间变化函数F（x）可分解为若干典型正交空间函数的线性叠加。 如果把X看作p维空间的向量，它是空间的函数，Vi也看作p维空间向量，X分解为p个空间函数的线性叠加，它们由经验资料所归纳，故称经验函数，把一个特征向量的空间分布称为一个典型场，它表明一种经常出现的空间分布态（模态）。主分量为时间系数。 *用雅可比（Jacobi）方法求矩阵的特征值和特征向量 对实对称矩阵A ，根据线性代数，必有 Jacobi方法是通过寻找变换方阵Ti,对Ａ逐步进行变换，最终使A对角化的方式。 经验正交函数展开即根据历史资料寻找典型的正交空间函数簇和时间函数。 对p个测点的同一要素构成的气象场 可看成p维向量。 资料阵： 每列是对应某时刻的空间场 由样本统计得到空间变量(x1…xp)的协方差矩阵S，求解出S的特征值λi和特征向量V。可得主分量： 同乘V，得 由前述，易证： 即空间函数与时间函数都具备正交性质。称为经验正交函数展开。由 yi=V’iX可知，典型场与实际要素场越相似，时间系数越大。 经验正交函数展开的拟合精度 根据前述第t个要素场的第i个测点的值 取前m个典型场拟合作为近似 可证其误差项： 原要素场的总离差平方和： 相对指标误差 而相对拟合精度R2与前m个典型场的累积解释方差是一致的： 例;选我国大陆15地面站20年（1951~1970）一月份气温距平值（标准化），进行经验正交