기후 데이터에서 결합된 패턴을 찾기 위한 방법 비교

이 논문은 두 분야의 시계열 간의 중요한 결합 변동 모드를 분리하는 방법을 비교하기 위한 개념적 프레임워크를 소개합니다. 네 가지 특정 방법이 비교됩니다: 필드가 결합된 주성분 분석 (CPCA), 정준 상관 분석 (CCA), Barnett와 Preisendorfer가 제안한 CCA의 변형 (BP), 하나의 단일 필드의 주성분 분석 후 두 번째 필드와의 성분 진폭 상관 (SFPCA), 두 필드 간의 공분산 행렬의 특이값 분해 (SVD). SVD와 CPCA는 BP보다 구현하기 쉽고 사용자가 선택한 매개변수를 포함하지 않습니다. 모든 방법은 간단하지만 지구물리학적으로 관련 있는 모델 시스템에 적용되며, 각 필드의 점 수, 시간 영역의 샘플 수, 신호 대 잡음 비율과 같은 매개변수가 변경됨에 따라 결합 신호를 탐지하는 능력이 비교됩니다. 지구물리학 분야가 포함된 데이터셋에서는 샘플링 시간 수가 각 필드의 관측 위치 수 또는 그리드 포인트 수보다 크게 많지 않을 수 있습니다. 이러한 특성을 가진 모델 시스템에서 CPCA는 SVD, BP, SFPCA보다 결합 패턴을 좀 더 정확하게 추출하는 경향이 있었으며, 생성된 패턴은 더 작은 샘플링 변동성을 보였습니다; SVD와 BP는 매우 유사한 결과를 제공했으며; CCA는 결합 신호가 고도로 지역화되지 않는 한 높은 샘플링 변동성 때문에 경쟁력이 없었습니다. CPCA와 SFPCA에서 유도된 결합 모드는 개별 필드의 주요 EOF에 대해 바람직하지 않은 평균 편향을 보입니다; 사실, 신호 대 잡음 비율이 작은 경우 이러한 방법은 한 필드의 지배적 EOF와 유사한 결합 신호를 식별할 수 있지만 동일한 필드 내의 진정한 결합 신호와는 완전히 직교합니다. 더 긴 시계열 또는 결합 신호가 개별 필드의 EOF와 유사하지 않은 상황에서는 이러한 편향이 SVD와 BP를 CPCA보다 상당히 우수하게 만들 수 있습니다.