气候变量场时空结构的分离.pptVIP

气候变量场时空结构的分离 第一部分主成分分析（PCA）经验正交函数分解（EOF） PCA基础 有关PCA的背景知识 大气科学中最常用的多变量统计方法——主成分分析(principal component analysis, PCA)； 该方法因Lorenz(1956)年的文章而流行于大气科学分析 Lorenz称其为经验正交函数(empirical orthogonal function)分析； 两种名称对应的是同一种统计方法，但通常称其为因子分析是不正确的，两者之间虽有联系，但为不同的多变量统计方法。 PCA的定义 PCA是将包含有大量变量的数据集减少至仅包含较少变量的新数据集，即降维 这些新的变量是原变量的线性组合； 这些线性组合代表了原数据集最大的变化部分，即方差最大； 即对于数据x，容量为（ ），即K个变量，每个变量有一个观测值，由PCA可以得到新数据u，容量为（ ），且新数据（或新矢量）u是原矢量x的线性组合。 PCA的定义 当 时，PCA非常有效的实现了对数据的压缩处理 通常这样的情况发生在原数据变量之间存在相关，因此变量中包含有多余的信息； 新的矢量u中的元素称之为主成分（principal component, PC）。 PCA的作用 大气以及其它地理场变量间通常具有一定的相关性； 通过PCA可以压缩变量个数，并尽可能的表征原变量的变化； 不仅如此，PCA也是非常有效的探询多变量数据集的变化特征，如地理场的变化特征； 从而，PCA可以分析单场或多个变量场的时空变化特征。 PC的导出 原变量 ，容量为n，线性组合成一个新变量： 并使它具有极大的方差，即 PC的导出 上式可写为： 即 约束条件： 利用求解函数的条件极值法有（拉格朗日乘数法）： 为拉格朗日乘子 PC的导出 根据微积分学求极值方法有： 即： 等价于： 关于PC 通常为了便于计算PCs，将原数据转为距平序列， 第一个PC， 是 的线性组合，且具有最大的方差； 以此类推，主成分 也是 的线性组合，且其方差为由大到小变化； PC之间满足条件：彼此正交，即彼此无关。 特征矢量(eigenvector)与特征值(eigenvalue) 对于方阵 ，它的一个特征值 为标量，一个特征矢量 为非零矢量，则满足方程： 且有约束条件： 特征矢量(eigenvector)与特征值(eigenvalue) 若方阵 为对称阵，则矢量 彼此正交，即： 具有单位长度的正交矢量称为标准正交矢量，类似于谐波分析中的sine和cosine函数的正交性； 特征矢量(eigenvector)与特征值(eigenvalue) 特征值就是主成分的方差； 通常主要计算实对称矩阵的特征值和特征矢量，如协方差阵和相关阵。 新变量u 对于新PC，即矢量u，其元素 能表征原变量x的最大联合变化部分； 对于第m个PC，有： 其中， 为协方差阵[S]的特征矢量； 新变量u 将每个变量的观测值由1个扩展到n个，即[X]，该矩阵包含有n列； 几何上，第一个特征矢量定出k维空间的方向（坐标），且对应于最大的特征值； 第二个特征矢量垂直于第一特征矢量，且对应于第二大特征值； 第三个特征矢量正交于前两个特征矢量，且对应于第三大特征值； ……… 新变量u 新变量矢量还可以写为： 其中[E]为正交方阵，包含有K个特征矢量列； 对于不同的数据，新坐标也不同，这是由于这些坐标是通过样本的协方差矩阵得到； 特征矢量又称为经验正交函数（empirical orthogonal functions, EOFs），区别于理论正交函数，如Fourier谐波函数。 新变量u的协方差阵 PC的特征之一：彼此独立 则新变量u的相关阵为单位阵[I]； 新变量的协方差均为0，因此协方差阵为对角阵； 协方差阵为对角阵的特点也可通过原变量协方差阵对角化得到： 解释方差 上式中 也为特征值矩阵； 则对应于第m个PC的方差为第m个特征值： 则第m个PC的解释方差为： 重构原变量 对于方程 ，如果[E]包含有所有K个特征矢量，假定 为非奇异矩阵； 则新变量u必定也包含有K个变量； 依据正交方阵具有特点： 则有合成公式： 若M=K，则通过上式可以完全重构出原数据。 重构原变量 如果MK，则有： 即近似重构，截断合成公式 PC与原变量场的相关 由于PC是原多个变量的线性组合，因此，若其对应的特征矢量不为0，则每一个PC与原多个变