- Văn bản
- Lịch sử
Exercise 7-4 Decomposition using Pr
Exercise 7-4
Decomposition using Principal Components
Earth observation imagery typically shows a great deal of variability over time. Thus it is common to want to decompose that variability into its underlying constituents. One of the most popular ways of doing this is through Principal Compo- nents Analysis (PCA -- also known as Empirical Orthogonal Function (EOF) Analysis).
a)
If you have not done so already, read the Principal Components section of the Earth Trends Modeler chapter in
the IDRISI Manual. Then open the PCA panel on the Analysis tab. Select the SST data set as the input series. The defaults are set for their typical use in time series analysis so you can immediately click the Run button. When it has finished, ETM will automatically switch to the Explore PCA/EOT/Fourier PCA/Wavelet panel of the Explore tab. The first component will be displayed.
Note: A Clarification About Terminology. Please note the Climatology/Atmospheric Science communities use a different terminology from that used in the Geography and Remote Sensing communities. This goes beyond the issue of calling it EOF rather than PCA. The starting point for a standardized PCA/EOF is a correlation matrix (or a variance/ covariance matrix if it is unstandardized). In Geography/Remote Sensing applications (as it is in ETM), this correlation matrix is between images over time. Thus, if you have 300 images over time, this is a 300 x 300 matrix of correlations. In the climatological community, the correlations are between pixels over space. Thus if you have an image series with 100 columns and 100 rows, the correlation matrix will be a 10,000 by 10,000 matrix. Both procedures produce a series of images and a corresponding set of graphs, which are identical. In other words, there is only one solution regardless of how you construct the correlation matrix. This is because the solution is orthogonal over both space and time. However, the terminology is different. In the implementation here, the images are called components and the graphs are called loadings. If your correlations are between pixels, the graphs are the components and the images are the loadings. Note also that some climatologists refer to each component/loading pair as a mode.
b)
c)
Look at the first loading graph. This shows time on the X axis and correlation on the Y axis. Notice that the val-
ues are all very high. What this tells us is that every image has this pattern present within it. Thus, this is essentially the pattern of the long term average sea surface temperature. Note that in interpreting the components, you should focus on the pattern over space and not the absolute values of the component scores (the values in the image). Because it is a standardized analysis and successive components are based on residuals from previous components, it becomes increasingly hard to relate these values back to the original imagery. However, we can see in the title of the loading graph that this first component accounts for 98.22% of the variability in sea surface temperature over space and time. All remaining variability is contained within the remaining 1.78%.
Now in the Explore PCA panel, select Component 2 and click the Display (map) icon to its right. The component image will display. Notice that the loadings follow an annual cycle that is symmetric about the 0 correlation position. The loadings are positive during the northern hemisphere late summer/early autumn and negative in the early spring. Then notice that the component image also has positive and negative values. This is a case where it is best that the contrast stretch be symmetric about 0 so that it is unambiguous as to where there are negative values and where there are positive values. Therefore, make sure that the PCA layer is highlighted in Composer (it might not be if you have an automatic vector overlay), and click the middle STRETCH button at the bottom of Composer to create a symmetric stretch about zero.
Notice the hemispheric (north/south) differences in the component scores (the image values). Also notice in the Atlantic how the division between the hemispheres falls in the same position as the Atlantic Equatorial Counter Current noted earlier. Clearly this is the annual seasonal cycle. Notice also that while the component explains only a little over 1.5% of the total variance in SST over space and time, this represents over 85% of the variance
Exercise 7-4 Decomposition using Principal Components 303
remaining after the effects of Component 1 are removed.
Looking at the loadings graph and the component image as a pair, the loadings say that geographically the pattern looks most like this during the boreal late summer/early autumn (August/September - i.e., when the load- ings are high) and the opposite of this during the boreal early spring months (February/March, when the loadings are highly negative). The nearly perfect sinusoidal pattern of the loadings supports the interpretation of this as the annual cycle, but there is evidently a lag in its maximum impact.
d) Now display the loading graph and component image for Component 3. Also use the STRETCH button on
Composer to stretch the image symmetrically. This is also an annual cycle, but notice that it is aligned more with the early winter (December) and early summer (June) and that it is much smaller in its accounting of variance (only about 4% of the variance explained by Component 2).
1 Compare the areas that have the strongest seasonality in Components 2 and 3. Given the timing of loadings, what does
this suggest about the relationship between components over space and time? We know that components are independent of each other. Are they independent of each other in time, space or over both?
e)
f)
g)
h)
Now display and examine the loading graphs for Components 4, 5 and 6. Stretch each of the component images symmetrically using the middle STRETCH option in Composer. Component 4 is also clearly a seasonal cycle; however it is semiannual. Component 5 is clearly an interannual cycle (we will have more to say about this shortly), while Component 6 appears to be a mix between a seasonal cycle (again, semi-annual) and an interan- nual oscillation. This highlights an interesting issue regarding PCA/EOF. Although the components can repre- sent true underlying sources of variability, they can also represent mixtures. We will explore this further in subsequent exercises.
Often it is these interannual oscillations that are a key interest in image time series analysis. If this is the case, then it is usually advisable to run the PCA on deseasoned data. Therefore, let's go back to the Analysis tab and run PCA again, but this time use the anomalies in SST you created in an earlier exercise. Use all the same parameters that you did the first time (i.e., the defaults).
Now look at Component 1 from this new analysis and compare it to Component 5 from your previous one. Clearly they are the same thing (although the loading for Component 1 of the anomalies in SST is more coherent over time), but the patterns are inverted in the component images and the loading graphs. Since they are both inverted, they therefore represent the same thing. It's like taking the negative of a negative number which yields
a positive. This leads to an important issue. It is mathematically permissible to invert the loadings graph (by multiplying by -1) if you also invert the component image. The end result is identical mathematically, but in some cases may be easier to explain. Don't hesitate to do this. For the graph, export the data to a spreadsheet (right- click on empty space in the graph and choose the clipboard text option to paste into your spreadsheet, and then subsequently multiply by -1); for the component image, use the SCALAR module or Image Calculator to multiply by -1.
If you have not yet stretched Component 1 from your anomalies analysis, do so now (with the symmetric option). This is the El Niño / La Niña phenomenon (also known as the El Niño / Southern Oscillation, abbre- viated as ENSO). ENSO is an irregular oscillation typically in the 2.5-7 year range. El Niño events are associated with a weakening (or even a reversal) of the prevailing easterlies (trade winds) along the equator. Normally, the frictional effect of these easterlies on the sea surface causes a movement of warm surface waters to the Asian side of the Pacific. In fact, normally, the Asian side is actually higher (by about 40 cm) than the South American side. When the trade winds weaken, this warm pool of water flows back to the South American side under the force of gravity. After a period of about 6-12 months of warming, the trade winds resume and the pattern reverses. In fact, El Niño events are characteristically followed by an abnormal strengthening of the trades, producing the opposite effect known as a La Niña.
Exercise 7-4 Decomposition using Principal Components 304
2 Looking at your loading graph, the big peaks and big valleys represent El Niño and La Niña events, respectively. Tabulate the periods when you think El Niño conditions existed, when the La Niña pattern was prevalent and when neither was present (some call this "La Nada"). What do you think is the typical length of a complete El Niño event? What about the typical length of a La Niña? How normal are La Nada conditions?
i)
j)
ENSO is known as a climate teleconnection because it leads to correlated climate conditions over widely dispersed areas of the globe. A teleconnection can also be defined as a characteristic pattern of variability. There is great interest in the study of teleconnections because of their utility in seasonal forecasting. By monitoring SST in the central Pacific, we now have good warning about the development of ENSO conditions, which has facilitated seasonal forecasting around
Decomposition using Principal Components
Earth observation imagery typically shows a great deal of variability over time. Thus it is common to want to decompose that variability into its underlying constituents. One of the most popular ways of doing this is through Principal Compo- nents Analysis (PCA -- also known as Empirical Orthogonal Function (EOF) Analysis).
a)
If you have not done so already, read the Principal Components section of the Earth Trends Modeler chapter in
the IDRISI Manual. Then open the PCA panel on the Analysis tab. Select the SST data set as the input series. The defaults are set for their typical use in time series analysis so you can immediately click the Run button. When it has finished, ETM will automatically switch to the Explore PCA/EOT/Fourier PCA/Wavelet panel of the Explore tab. The first component will be displayed.
Note: A Clarification About Terminology. Please note the Climatology/Atmospheric Science communities use a different terminology from that used in the Geography and Remote Sensing communities. This goes beyond the issue of calling it EOF rather than PCA. The starting point for a standardized PCA/EOF is a correlation matrix (or a variance/ covariance matrix if it is unstandardized). In Geography/Remote Sensing applications (as it is in ETM), this correlation matrix is between images over time. Thus, if you have 300 images over time, this is a 300 x 300 matrix of correlations. In the climatological community, the correlations are between pixels over space. Thus if you have an image series with 100 columns and 100 rows, the correlation matrix will be a 10,000 by 10,000 matrix. Both procedures produce a series of images and a corresponding set of graphs, which are identical. In other words, there is only one solution regardless of how you construct the correlation matrix. This is because the solution is orthogonal over both space and time. However, the terminology is different. In the implementation here, the images are called components and the graphs are called loadings. If your correlations are between pixels, the graphs are the components and the images are the loadings. Note also that some climatologists refer to each component/loading pair as a mode.
b)
c)
Look at the first loading graph. This shows time on the X axis and correlation on the Y axis. Notice that the val-
ues are all very high. What this tells us is that every image has this pattern present within it. Thus, this is essentially the pattern of the long term average sea surface temperature. Note that in interpreting the components, you should focus on the pattern over space and not the absolute values of the component scores (the values in the image). Because it is a standardized analysis and successive components are based on residuals from previous components, it becomes increasingly hard to relate these values back to the original imagery. However, we can see in the title of the loading graph that this first component accounts for 98.22% of the variability in sea surface temperature over space and time. All remaining variability is contained within the remaining 1.78%.
Now in the Explore PCA panel, select Component 2 and click the Display (map) icon to its right. The component image will display. Notice that the loadings follow an annual cycle that is symmetric about the 0 correlation position. The loadings are positive during the northern hemisphere late summer/early autumn and negative in the early spring. Then notice that the component image also has positive and negative values. This is a case where it is best that the contrast stretch be symmetric about 0 so that it is unambiguous as to where there are negative values and where there are positive values. Therefore, make sure that the PCA layer is highlighted in Composer (it might not be if you have an automatic vector overlay), and click the middle STRETCH button at the bottom of Composer to create a symmetric stretch about zero.
Notice the hemispheric (north/south) differences in the component scores (the image values). Also notice in the Atlantic how the division between the hemispheres falls in the same position as the Atlantic Equatorial Counter Current noted earlier. Clearly this is the annual seasonal cycle. Notice also that while the component explains only a little over 1.5% of the total variance in SST over space and time, this represents over 85% of the variance
Exercise 7-4 Decomposition using Principal Components 303
remaining after the effects of Component 1 are removed.
Looking at the loadings graph and the component image as a pair, the loadings say that geographically the pattern looks most like this during the boreal late summer/early autumn (August/September - i.e., when the load- ings are high) and the opposite of this during the boreal early spring months (February/March, when the loadings are highly negative). The nearly perfect sinusoidal pattern of the loadings supports the interpretation of this as the annual cycle, but there is evidently a lag in its maximum impact.
d) Now display the loading graph and component image for Component 3. Also use the STRETCH button on
Composer to stretch the image symmetrically. This is also an annual cycle, but notice that it is aligned more with the early winter (December) and early summer (June) and that it is much smaller in its accounting of variance (only about 4% of the variance explained by Component 2).
1 Compare the areas that have the strongest seasonality in Components 2 and 3. Given the timing of loadings, what does
this suggest about the relationship between components over space and time? We know that components are independent of each other. Are they independent of each other in time, space or over both?
e)
f)
g)
h)
Now display and examine the loading graphs for Components 4, 5 and 6. Stretch each of the component images symmetrically using the middle STRETCH option in Composer. Component 4 is also clearly a seasonal cycle; however it is semiannual. Component 5 is clearly an interannual cycle (we will have more to say about this shortly), while Component 6 appears to be a mix between a seasonal cycle (again, semi-annual) and an interan- nual oscillation. This highlights an interesting issue regarding PCA/EOF. Although the components can repre- sent true underlying sources of variability, they can also represent mixtures. We will explore this further in subsequent exercises.
Often it is these interannual oscillations that are a key interest in image time series analysis. If this is the case, then it is usually advisable to run the PCA on deseasoned data. Therefore, let's go back to the Analysis tab and run PCA again, but this time use the anomalies in SST you created in an earlier exercise. Use all the same parameters that you did the first time (i.e., the defaults).
Now look at Component 1 from this new analysis and compare it to Component 5 from your previous one. Clearly they are the same thing (although the loading for Component 1 of the anomalies in SST is more coherent over time), but the patterns are inverted in the component images and the loading graphs. Since they are both inverted, they therefore represent the same thing. It's like taking the negative of a negative number which yields
a positive. This leads to an important issue. It is mathematically permissible to invert the loadings graph (by multiplying by -1) if you also invert the component image. The end result is identical mathematically, but in some cases may be easier to explain. Don't hesitate to do this. For the graph, export the data to a spreadsheet (right- click on empty space in the graph and choose the clipboard text option to paste into your spreadsheet, and then subsequently multiply by -1); for the component image, use the SCALAR module or Image Calculator to multiply by -1.
If you have not yet stretched Component 1 from your anomalies analysis, do so now (with the symmetric option). This is the El Niño / La Niña phenomenon (also known as the El Niño / Southern Oscillation, abbre- viated as ENSO). ENSO is an irregular oscillation typically in the 2.5-7 year range. El Niño events are associated with a weakening (or even a reversal) of the prevailing easterlies (trade winds) along the equator. Normally, the frictional effect of these easterlies on the sea surface causes a movement of warm surface waters to the Asian side of the Pacific. In fact, normally, the Asian side is actually higher (by about 40 cm) than the South American side. When the trade winds weaken, this warm pool of water flows back to the South American side under the force of gravity. After a period of about 6-12 months of warming, the trade winds resume and the pattern reverses. In fact, El Niño events are characteristically followed by an abnormal strengthening of the trades, producing the opposite effect known as a La Niña.
Exercise 7-4 Decomposition using Principal Components 304
2 Looking at your loading graph, the big peaks and big valleys represent El Niño and La Niña events, respectively. Tabulate the periods when you think El Niño conditions existed, when the La Niña pattern was prevalent and when neither was present (some call this "La Nada"). What do you think is the typical length of a complete El Niño event? What about the typical length of a La Niña? How normal are La Nada conditions?
i)
j)
ENSO is known as a climate teleconnection because it leads to correlated climate conditions over widely dispersed areas of the globe. A teleconnection can also be defined as a characteristic pattern of variability. There is great interest in the study of teleconnections because of their utility in seasonal forecasting. By monitoring SST in the central Pacific, we now have good warning about the development of ENSO conditions, which has facilitated seasonal forecasting around
0/5000
Exercise 7-4 Decomposition using Principal Components Earth observation imagery typically shows a great deal of variability over time. Thus it is common to want to decompose that variability into its underlying constituents. One of the most popular ways of doing this is through Principal Compo- nents Analysis (PCA -- also known as Empirical Orthogonal Function (EOF) Analysis). a) If you have not done so already, read the Principal Components section of the Earth Trends Modeler chapter in the IDRISI Manual. Then open the PCA panel on the Analysis tab. Select the SST data set as the input series. The defaults are set for their typical use in time series analysis so you can immediately click the Run button. When it has finished, ETM will automatically switch to the Explore PCA/EOT/Fourier PCA/Wavelet panel of the Explore tab. The first component will be displayed. Note: A Clarification About Terminology. Please note the Climatology/Atmospheric Science communities use a different terminology from that used in the Geography and Remote Sensing communities. This goes beyond the issue of calling it EOF rather than PCA. The starting point for a standardized PCA/EOF is a correlation matrix (or a variance/ covariance matrix if it is unstandardized). In Geography/Remote Sensing applications (as it is in ETM), this correlation matrix is between images over time. Thus, if you have 300 images over time, this is a 300 x 300 matrix of correlations. In the climatological community, the correlations are between pixels over space. Thus if you have an image series with 100 columns and 100 rows, the correlation matrix will be a 10,000 by 10,000 matrix. Both procedures produce a series of images and a corresponding set of graphs, which are identical. In other words, there is only one solution regardless of how you construct the correlation matrix. This is because the solution is orthogonal over both space and time. However, the terminology is different. In the implementation here, the images are called components and the graphs are called loadings. If your correlations are between pixels, the graphs are the components and the images are the loadings. Note also that some climatologists refer to each component/loading pair as a mode. b) c) Look at the first loading graph. This shows time on the X axis and correlation on the Y axis. Notice that the val- ues are all very high. What this tells us is that every image has this pattern present within it. Thus, this is essentially the pattern of the long term average sea surface temperature. Note that in interpreting the components, you should focus on the pattern over space and not the absolute values of the component scores (the values in the image). Because it is a standardized analysis and successive components are based on residuals from previous components, it becomes increasingly hard to relate these values back to the original imagery. However, we can see in the title of the loading graph that this first component accounts for 98.22% of the variability in sea surface temperature over space and time. All remaining variability is contained within the remaining 1.78%. Now in the Explore PCA panel, select Component 2 and click the Display (map) icon to its right. The component image will display. Notice that the loadings follow an annual cycle that is symmetric about the 0 correlation position. The loadings are positive during the northern hemisphere late summer/early autumn and negative in the early spring. Then notice that the component image also has positive and negative values. This is a case where it is best that the contrast stretch be symmetric about 0 so that it is unambiguous as to where there are negative values and where there are positive values. Therefore, make sure that the PCA layer is highlighted in Composer (it might not be if you have an automatic vector overlay), and click the middle STRETCH button at the bottom of Composer to create a symmetric stretch about zero. Notice the hemispheric (north/south) differences in the component scores (the image values). Also notice in the Atlantic how the division between the hemispheres falls in the same position as the Atlantic Equatorial Counter Current noted earlier. Clearly this is the annual seasonal cycle. Notice also that while the component explains only a little over 1.5% of the total variance in SST over space and time, this represents over 85% of the variance Exercise 7-4 Decomposition using Principal Components 303 remaining after the effects of Component 1 are removed. Looking at the loadings graph and the component image as a pair, the loadings say that geographically the pattern looks most like this during the boreal late summer/early autumn (August/September - i.e., when the load- ings are high) and the opposite of this during the boreal early spring months (February/March, when the loadings are highly negative). The nearly perfect sinusoidal pattern of the loadings supports the interpretation of this as the annual cycle, but there is evidently a lag in its maximum impact. d) Now display the loading graph and component image for Component 3. Also use the STRETCH button on Composer to stretch the image symmetrically. This is also an annual cycle, but notice that it is aligned more with the early winter (December) and early summer (June) and that it is much smaller in its accounting of variance (only about 4% of the variance explained by Component 2). 1 Compare the areas that have the strongest seasonality in Components 2 and 3. Given the timing of loadings, what does this suggest about the relationship between components over space and time? We know that components are independent of each other. Are they independent of each other in time, space or over both? e) f) g) h) Now display and examine the loading graphs for Components 4, 5 and 6. Stretch each of the component images symmetrically using the middle STRETCH option in Composer. Component 4 is also clearly a seasonal cycle; however it is semiannual. Component 5 is clearly an interannual cycle (we will have more to say about this shortly), while Component 6 appears to be a mix between a seasonal cycle (again, semi-annual) and an interan- nual oscillation. This highlights an interesting issue regarding PCA/EOF. Although the components can repre- sent true underlying sources of variability, they can also represent mixtures. We will explore this further in subsequent exercises.
Often it is these interannual oscillations that are a key interest in image time series analysis. If this is the case, then it is usually advisable to run the PCA on deseasoned data. Therefore, let's go back to the Analysis tab and run PCA again, but this time use the anomalies in SST you created in an earlier exercise. Use all the same parameters that you did the first time (i.e., the defaults).
Now look at Component 1 from this new analysis and compare it to Component 5 from your previous one. Clearly they are the same thing (although the loading for Component 1 of the anomalies in SST is more coherent over time), but the patterns are inverted in the component images and the loading graphs. Since they are both inverted, they therefore represent the same thing. It's like taking the negative of a negative number which yields
a positive. This leads to an important issue. It is mathematically permissible to invert the loadings graph (by multiplying by -1) if you also invert the component image. The end result is identical mathematically, but in some cases may be easier to explain. Don't hesitate to do this. For the graph, export the data to a spreadsheet (right- click on empty space in the graph and choose the clipboard text option to paste into your spreadsheet, and then subsequently multiply by -1); for the component image, use the SCALAR module or Image Calculator to multiply by -1.
If you have not yet stretched Component 1 from your anomalies analysis, do so now (with the symmetric option). This is the El Niño / La Niña phenomenon (also known as the El Niño / Southern Oscillation, abbre- viated as ENSO). ENSO is an irregular oscillation typically in the 2.5-7 year range. El Niño events are associated with a weakening (or even a reversal) of the prevailing easterlies (trade winds) along the equator. Normally, the frictional effect of these easterlies on the sea surface causes a movement of warm surface waters to the Asian side of the Pacific. In fact, normally, the Asian side is actually higher (by about 40 cm) than the South American side. When the trade winds weaken, this warm pool of water flows back to the South American side under the force of gravity. After a period of about 6-12 months of warming, the trade winds resume and the pattern reverses. In fact, El Niño events are characteristically followed by an abnormal strengthening of the trades, producing the opposite effect known as a La Niña.
Exercise 7-4 Decomposition using Principal Components 304
2 Looking at your loading graph, the big peaks and big valleys represent El Niño and La Niña events, respectively. Tabulate the periods when you think El Niño conditions existed, when the La Niña pattern was prevalent and when neither was present (some call this "La Nada"). What do you think is the typical length of a complete El Niño event? What about the typical length of a La Niña? How normal are La Nada conditions?
i)
j)
ENSO is known as a climate teleconnection because it leads to correlated climate conditions over widely dispersed areas of the globe. A teleconnection can also be defined as a characteristic pattern of variability. There is great interest in the study of teleconnections because of their utility in seasonal forecasting. By monitoring SST in the central Pacific, we now have good warning about the development of ENSO conditions, which has facilitated seasonal forecasting around
Often it is these interannual oscillations that are a key interest in image time series analysis. If this is the case, then it is usually advisable to run the PCA on deseasoned data. Therefore, let's go back to the Analysis tab and run PCA again, but this time use the anomalies in SST you created in an earlier exercise. Use all the same parameters that you did the first time (i.e., the defaults).
Now look at Component 1 from this new analysis and compare it to Component 5 from your previous one. Clearly they are the same thing (although the loading for Component 1 of the anomalies in SST is more coherent over time), but the patterns are inverted in the component images and the loading graphs. Since they are both inverted, they therefore represent the same thing. It's like taking the negative of a negative number which yields
a positive. This leads to an important issue. It is mathematically permissible to invert the loadings graph (by multiplying by -1) if you also invert the component image. The end result is identical mathematically, but in some cases may be easier to explain. Don't hesitate to do this. For the graph, export the data to a spreadsheet (right- click on empty space in the graph and choose the clipboard text option to paste into your spreadsheet, and then subsequently multiply by -1); for the component image, use the SCALAR module or Image Calculator to multiply by -1.
If you have not yet stretched Component 1 from your anomalies analysis, do so now (with the symmetric option). This is the El Niño / La Niña phenomenon (also known as the El Niño / Southern Oscillation, abbre- viated as ENSO). ENSO is an irregular oscillation typically in the 2.5-7 year range. El Niño events are associated with a weakening (or even a reversal) of the prevailing easterlies (trade winds) along the equator. Normally, the frictional effect of these easterlies on the sea surface causes a movement of warm surface waters to the Asian side of the Pacific. In fact, normally, the Asian side is actually higher (by about 40 cm) than the South American side. When the trade winds weaken, this warm pool of water flows back to the South American side under the force of gravity. After a period of about 6-12 months of warming, the trade winds resume and the pattern reverses. In fact, El Niño events are characteristically followed by an abnormal strengthening of the trades, producing the opposite effect known as a La Niña.
Exercise 7-4 Decomposition using Principal Components 304
2 Looking at your loading graph, the big peaks and big valleys represent El Niño and La Niña events, respectively. Tabulate the periods when you think El Niño conditions existed, when the La Niña pattern was prevalent and when neither was present (some call this "La Nada"). What do you think is the typical length of a complete El Niño event? What about the typical length of a La Niña? How normal are La Nada conditions?
i)
j)
ENSO is known as a climate teleconnection because it leads to correlated climate conditions over widely dispersed areas of the globe. A teleconnection can also be defined as a characteristic pattern of variability. There is great interest in the study of teleconnections because of their utility in seasonal forecasting. By monitoring SST in the central Pacific, we now have good warning about the development of ENSO conditions, which has facilitated seasonal forecasting around
đang được dịch, vui lòng đợi..
Tập thể dục 7-4
phân hủy sử dụng các thành phần chính hình ảnh quan sát Trái đất thường thấy rất nhiều biến đổi theo thời gian. Vì vậy người ta thường muốn phân hủy thành các thành phần biến thiên tiềm ẩn của nó. Một trong những cách phổ biến nhất để làm điều này là thông qua hợp phần chính Analysis (PCA - còn được gọi là thực nghiệm trực giao Function (EOF) Phân tích). a) Nếu bạn đã không làm như vậy, đọc các thành phần phần chính của Trái Đất Xu hướng Modeler chương trong các tay IDRISI. Sau đó mở bảng điều khiển PCA trên tab Analysis. Chọn dữ liệu SST thiết lập như là loạt đầu vào. Các mặc định được thiết lập để sử dụng điển hình của họ trong phân tích chuỗi thời gian, do đó bạn ngay lập tức có thể nhấp vào nút Run. Khi đã hoàn tất, ETM sẽ tự động chuyển sang Khám phá PCA / EOT / Fourier PCA / Wavelet panel của Khám phá tab. Các thành phần đầu tiên sẽ được hiển thị. Lưu ý: Một Làm rõ về thuật ngữ. Xin lưu ý các cộng đồng Khí / khoa học khí quyển sử dụng một thuật ngữ khác nhau từ đó được sử dụng trong Địa lý và cộng đồng viễn thám. Điều này vượt xa những vấn đề của nó gọi EOF hơn PCA. Điểm khởi đầu cho một tiêu chuẩn PCA / EOF là một ma trận tương quan (hoặc một ma trận phương sai / hiệp phương sai nếu nó là unstandardized). Địa lý / Remote Sensing ứng dụng (như ở ETM), ma trận tương quan này là giữa các hình ảnh theo thời gian. Vì vậy, nếu bạn có 300 hình ảnh theo thời gian, điều này là một 300 x 300 ma trận các mối tương quan. Trong cộng đồng về khí hậu học, các mối tương quan giữa các điểm ảnh trên là không gian. Vì vậy, nếu bạn có một loạt hình ảnh với 100 cột và 100 dòng, ma trận tương quan sẽ là một 10.000 10.000 ma trận. Cả hai thủ tục sản xuất một loạt các hình ảnh và một bộ tương ứng của đồ thị, mà là giống hệt nhau. Nói cách khác, chỉ có một giải pháp bất kể cách bạn xây dựng ma trận tương quan. Điều này là bởi vì các giải pháp là trực giao qua cả không gian và thời gian. Tuy nhiên, thuật ngữ là khác nhau. Trong việc thực hiện ở đây, những hình ảnh được gọi là các thành phần và các đồ thị được gọi là tải trọng. Nếu bạn là mối tương quan giữa các điểm ảnh, các đồ thị là các thành phần và các hình ảnh được các tải trọng. Cũng lưu ý rằng một số nhà khí hậu học tham khảo mỗi cặp thành phần / tải như một chế độ. b) c) Nhìn vào biểu đồ tải đầu tiên. Điều này cho thấy thời gian trên trục X và tương quan trên trục Y. Chú ý rằng các val- ues đều rất cao. Điều này cho chúng ta biết là mỗi hình ảnh có mô hình này hiện bên trong nó. Như vậy, này chủ yếu là các mô hình của lâu dài nhiệt độ bề mặt nước biển trung bình. Lưu ý rằng trong việc giải thích các thành phần, bạn nên tập trung vào các mô hình trên không gian và không phải là giá trị tuyệt đối của các điểm thành phần (các giá trị trong các hình ảnh). Bởi vì nó là một phân tích được chuẩn hóa và các thành phần liên tiếp được dựa trên dư từ các thành phần trước đó, nó trở nên ngày càng khó khăn để liên hệ những giá trị trở lại với hình ảnh ban đầu. Tuy nhiên, chúng ta có thể thấy trong các tiêu đề của đồ thị tải mà phần đầu tiên này chiếm 98,22% sự biến thiên nhiệt độ bề mặt nước biển theo không gian và thời gian. Tất cả biến còn lại được chứa bên trong còn lại 1,78%. Bây giờ trong Khám phá panel PCA, chọn phần 2 và nhấp vào Display (bản đồ) biểu tượng bên phải của nó. Các hình ảnh sẽ hiển thị phần. Chú ý rằng các tải trọng theo một chu kỳ hàng năm đó là đối xứng về vị trí 0 tương quan. Các tải trọng là tích cực trong bán cầu bắc cuối mùa hè / mùa thu và tiêu cực trong đầu mùa xuân. Sau đó, nhận thấy rằng các thành phần hình ảnh cũng có giá trị tích cực và tiêu cực. Đây là một trường hợp tốt nhất là đoạn tương phản đối xứng về 0 để nó là rõ ràng như là nơi có giá trị âm và nơi có những giá trị tích cực. Vì vậy, hãy chắc chắn rằng các lớp PCA được nhấn mạnh trong Composer (nó có thể không được nếu bạn có một lớp phủ vector tự động), và nhấp vào nút STRETCH trung ở dưới cùng của Composer để tạo ra một đoạn đối xứng về số không. Chú ý các bán cầu (phía Bắc / nam) khác biệt về điểm số thành phần (các giá trị ảnh). Cũng cần chú ý ở Đại Tây Dương cách phân chia giữa các bán cầu rơi vào vị trí giống như Đại Tây Equatorial Counter hiện tại ghi nhận trước đó. Rõ ràng đây là một chu kỳ theo mùa hàng năm. Cũng thông báo rằng trong khi các thành phần chỉ giải thích được một ít hơn 1,5% của tổng phương sai trong SST theo không gian và thời gian, điều này đại diện cho hơn 85% của phương sai Exercise 7-4 phân hủy sử dụng các thành phần chính 303 còn lại sau khi những tác động của Hợp phần 1 được loại bỏ . Nhìn vào biểu đồ tải trọng và các hình ảnh thành phần như là một cặp, các tải trọng nói rằng địa lý mô hình nhìn giống như thế này trong thời gian cuối mùa hè / mùa thu phương bắc đầu (tháng / tháng chín - tức là, khi ings tải- cao) và ngược lại điều này trong những tháng đầu mùa xuân phương bắc (tháng / tháng, khi tải trọng là rất tiêu cực). Các mô hình gần như hoàn hảo hình sin của tải trọng hỗ trợ việc giải thích điều này như là chu kỳ hàng năm, nhưng rõ ràng là một tụt hậu trong tác động tối đa. Của nó d) Bây giờ hiển thị đồ thị tải và thành phần hình ảnh cho phần 3. Cũng sử dụng nút căng trên Composer để giãn hình ảnh đối xứng. Đây cũng là một chu kỳ hàng năm, nhưng thông báo rằng nó được liên kết nhiều hơn với các đầu mùa đông (tháng) và đầu mùa hè (tháng Sáu) và rằng nó là nhỏ hơn nhiều trong kế toán của phương sai (chỉ khoảng 4% của phương sai được giải thích bởi Hợp phần 2 ). 1 So sánh các khu vực có tính mùa vụ mạnh nhất trong phần 2 và 3. Với thời gian của tải trọng, những gì hiện này gợi ý về mối quan hệ giữa các thành phần theo không gian và thời gian? Chúng tôi biết rằng các thành phần độc lập với nhau. Có phải họ độc lập với nhau trong thời gian, không gian hoặc cả không? e) f) g) h) Bây giờ hiển thị và kiểm tra các đồ thị tải cho phần 4, 5 và 6. Stretch mỗi hình ảnh thành phần đối xứng bằng cách sử dụng tùy chọn STRETCH trung ở Composer. Hợp phần 4 cũng là rõ ràng là một chu kỳ theo mùa; Tuy nhiên nó là nửa năm. Hợp phần 5 rõ ràng là một chu trình giữa (chúng tôi sẽ nói nhiều hơn về vấn đề này trong thời gian ngắn), trong khi phần 6 dường như là một sự pha trộn giữa một chu kỳ theo mùa (một lần nữa, nửa năm) và một dao động nual interan-. Điều này nhấn mạnh một vấn đề thú vị về PCA / EOF. Mặc dù các thành phần có diện gửi đúng nguồn cơ bản của biến đổi, họ cũng có thể đại diện cho hỗn hợp. Chúng tôi sẽ tìm hiểu điều này thêm bài tập tiếp theo. Thường thì nó là những dao động động theo đó là một mối quan tâm chính trong phân tích chuỗi thời gian hình ảnh. Nếu đây là trường hợp, sau đó nó thường được khuyến khích để chạy PCA trên dữ liệu deseasoned. Vì vậy, chúng ta hãy quay trở lại tab Phân tích và chạy PCA lần nữa, nhưng lần này sử dụng các dị thường trong SST bạn tạo ra một bài tập trước. Sử dụng tất cả các thông số tương tự mà bạn đã lần đầu tiên (tức là, giá trị mặc định). Bây giờ nhìn vào phần 1 từ phân tích mới này và so sánh nó với phần 5 từ trước đó. Rõ ràng họ là những điều tương tự (mặc dù tải cho Hợp phần 1 của các dị thường trong SST là chặt chẽ hơn theo thời gian), nhưng các mô hình bị lộn ngược trong hình ảnh thành phần và các đồ thị tải. Vì họ đều đảo ngược, họ do đó đại diện cho những điều tương tự. Nó giống như lấy tiêu cực của một số âm trong đó sản lượng tích cực. Điều này dẫn đến một vấn đề quan trọng. Đó là về mặt toán học cho phép để đảo ngược các tải trọng đồ thị (bằng cách nhân với -1) nếu bạn cũng đảo ngược hình ảnh thành phần. Kết quả cuối cùng là giống hệt nhau về mặt toán học, nhưng trong một số trường hợp có thể được dễ dàng hơn để giải thích. Đừng ngần ngại để làm điều này. Đối với các đồ thị, xuất dữ liệu vào một bảng tính (tên bên phải nhấp chuột vào vùng trống trong đồ thị và chọn các tùy chọn văn bản vào clipboard để dán vào bảng tính của bạn, và rồi sau đó nhân với -1); cho hình ảnh thành phần, sử dụng các mô-đun SCALAR hoặc hình ảnh Máy tính để nhân với -1. Nếu bạn chưa có phần kéo dài từ 1 bất thường phân tích của bạn, làm như vậy bây giờ (với tùy chọn đối xứng). Đây là hiện tượng El Nino / La Niña (còn được gọi là El Nino / Southern Oscillation, abbre- viated như ENSO). ENSO là một dao động bất thường thường trong khoảng 2,5-7 năm. Sự kiện El Nino có liên quan với sự suy yếu (hay thậm chí là một sự đảo ngược) của easterlies hiện hành (gió mậu dịch) dọc theo đường xích đạo. Thông thường, các hiệu ứng ma sát của các easterlies trên bề mặt nước biển gây ra một phong trào của các vùng nước ấm trên bề mặt sang phía Châu Á Thái Bình Dương. Trong thực tế, thông thường, phía châu Á thực sự cao hơn (khoảng 40 cm) so với các đội bóng Nam Mỹ. Khi gió mậu dịch suy yếu, hồ bơi này ấm nước chảy trở lại với đội bóng Nam Mỹ dưới lực hấp dẫn. Sau một thời gian khoảng 6-12 tháng của sự nóng lên, gió mậu dịch tiếp tục và các mô hình đảo ngược. Trong thực tế, các sự kiện El Nino là đặc trưng tiếp theo là tăng cường bất thường của các ngành nghề, sản xuất các tác dụng ngược lại được biết đến như một hiện tượng La Nina. Exercise 7-4 phân hủy sử dụng các thành phần chính 304 2 Nhìn vào đồ thị tải của bạn, các đỉnh núi lớn và thung lũng lớn đại diện El Niño và La Niña, tương ứng. Lập bảng các giai đoạn khi bạn nghĩ rằng điều kiện El Niño tồn tại, khi các mô hình La Niña thịnh hành và khi không có mặt (một số cuộc gọi này "La Nada"). Bạn nghĩ gì là chiều dài đặc trưng của một sự kiện El Niño hoàn thành? Những gì về độ dài điển hình của hiện tượng La Niña? Làm thế nào bình thường là điều kiện La Nada? i) j) ENSO được biết đến như một teleconnection khí hậu vì nó dẫn đến điều kiện khí hậu tương quan trên các vùng phân tán rộng rãi trên thế giới. Một teleconnection cũng có thể được định nghĩa như là một mô hình đặc trưng của biến. Có mối quan tâm lớn trong việc nghiên cứu teleconnections vì tiện ích của họ trong dự báo theo mùa. Bằng cách theo dõi SST trong trung tâm Thái Bình Dương, hiện nay chúng tôi có cảnh báo tốt về sự phát triển của các điều kiện ENSO, đã tạo điều kiện cho dự báo mùa xung quanh
phân hủy sử dụng các thành phần chính hình ảnh quan sát Trái đất thường thấy rất nhiều biến đổi theo thời gian. Vì vậy người ta thường muốn phân hủy thành các thành phần biến thiên tiềm ẩn của nó. Một trong những cách phổ biến nhất để làm điều này là thông qua hợp phần chính Analysis (PCA - còn được gọi là thực nghiệm trực giao Function (EOF) Phân tích). a) Nếu bạn đã không làm như vậy, đọc các thành phần phần chính của Trái Đất Xu hướng Modeler chương trong các tay IDRISI. Sau đó mở bảng điều khiển PCA trên tab Analysis. Chọn dữ liệu SST thiết lập như là loạt đầu vào. Các mặc định được thiết lập để sử dụng điển hình của họ trong phân tích chuỗi thời gian, do đó bạn ngay lập tức có thể nhấp vào nút Run. Khi đã hoàn tất, ETM sẽ tự động chuyển sang Khám phá PCA / EOT / Fourier PCA / Wavelet panel của Khám phá tab. Các thành phần đầu tiên sẽ được hiển thị. Lưu ý: Một Làm rõ về thuật ngữ. Xin lưu ý các cộng đồng Khí / khoa học khí quyển sử dụng một thuật ngữ khác nhau từ đó được sử dụng trong Địa lý và cộng đồng viễn thám. Điều này vượt xa những vấn đề của nó gọi EOF hơn PCA. Điểm khởi đầu cho một tiêu chuẩn PCA / EOF là một ma trận tương quan (hoặc một ma trận phương sai / hiệp phương sai nếu nó là unstandardized). Địa lý / Remote Sensing ứng dụng (như ở ETM), ma trận tương quan này là giữa các hình ảnh theo thời gian. Vì vậy, nếu bạn có 300 hình ảnh theo thời gian, điều này là một 300 x 300 ma trận các mối tương quan. Trong cộng đồng về khí hậu học, các mối tương quan giữa các điểm ảnh trên là không gian. Vì vậy, nếu bạn có một loạt hình ảnh với 100 cột và 100 dòng, ma trận tương quan sẽ là một 10.000 10.000 ma trận. Cả hai thủ tục sản xuất một loạt các hình ảnh và một bộ tương ứng của đồ thị, mà là giống hệt nhau. Nói cách khác, chỉ có một giải pháp bất kể cách bạn xây dựng ma trận tương quan. Điều này là bởi vì các giải pháp là trực giao qua cả không gian và thời gian. Tuy nhiên, thuật ngữ là khác nhau. Trong việc thực hiện ở đây, những hình ảnh được gọi là các thành phần và các đồ thị được gọi là tải trọng. Nếu bạn là mối tương quan giữa các điểm ảnh, các đồ thị là các thành phần và các hình ảnh được các tải trọng. Cũng lưu ý rằng một số nhà khí hậu học tham khảo mỗi cặp thành phần / tải như một chế độ. b) c) Nhìn vào biểu đồ tải đầu tiên. Điều này cho thấy thời gian trên trục X và tương quan trên trục Y. Chú ý rằng các val- ues đều rất cao. Điều này cho chúng ta biết là mỗi hình ảnh có mô hình này hiện bên trong nó. Như vậy, này chủ yếu là các mô hình của lâu dài nhiệt độ bề mặt nước biển trung bình. Lưu ý rằng trong việc giải thích các thành phần, bạn nên tập trung vào các mô hình trên không gian và không phải là giá trị tuyệt đối của các điểm thành phần (các giá trị trong các hình ảnh). Bởi vì nó là một phân tích được chuẩn hóa và các thành phần liên tiếp được dựa trên dư từ các thành phần trước đó, nó trở nên ngày càng khó khăn để liên hệ những giá trị trở lại với hình ảnh ban đầu. Tuy nhiên, chúng ta có thể thấy trong các tiêu đề của đồ thị tải mà phần đầu tiên này chiếm 98,22% sự biến thiên nhiệt độ bề mặt nước biển theo không gian và thời gian. Tất cả biến còn lại được chứa bên trong còn lại 1,78%. Bây giờ trong Khám phá panel PCA, chọn phần 2 và nhấp vào Display (bản đồ) biểu tượng bên phải của nó. Các hình ảnh sẽ hiển thị phần. Chú ý rằng các tải trọng theo một chu kỳ hàng năm đó là đối xứng về vị trí 0 tương quan. Các tải trọng là tích cực trong bán cầu bắc cuối mùa hè / mùa thu và tiêu cực trong đầu mùa xuân. Sau đó, nhận thấy rằng các thành phần hình ảnh cũng có giá trị tích cực và tiêu cực. Đây là một trường hợp tốt nhất là đoạn tương phản đối xứng về 0 để nó là rõ ràng như là nơi có giá trị âm và nơi có những giá trị tích cực. Vì vậy, hãy chắc chắn rằng các lớp PCA được nhấn mạnh trong Composer (nó có thể không được nếu bạn có một lớp phủ vector tự động), và nhấp vào nút STRETCH trung ở dưới cùng của Composer để tạo ra một đoạn đối xứng về số không. Chú ý các bán cầu (phía Bắc / nam) khác biệt về điểm số thành phần (các giá trị ảnh). Cũng cần chú ý ở Đại Tây Dương cách phân chia giữa các bán cầu rơi vào vị trí giống như Đại Tây Equatorial Counter hiện tại ghi nhận trước đó. Rõ ràng đây là một chu kỳ theo mùa hàng năm. Cũng thông báo rằng trong khi các thành phần chỉ giải thích được một ít hơn 1,5% của tổng phương sai trong SST theo không gian và thời gian, điều này đại diện cho hơn 85% của phương sai Exercise 7-4 phân hủy sử dụng các thành phần chính 303 còn lại sau khi những tác động của Hợp phần 1 được loại bỏ . Nhìn vào biểu đồ tải trọng và các hình ảnh thành phần như là một cặp, các tải trọng nói rằng địa lý mô hình nhìn giống như thế này trong thời gian cuối mùa hè / mùa thu phương bắc đầu (tháng / tháng chín - tức là, khi ings tải- cao) và ngược lại điều này trong những tháng đầu mùa xuân phương bắc (tháng / tháng, khi tải trọng là rất tiêu cực). Các mô hình gần như hoàn hảo hình sin của tải trọng hỗ trợ việc giải thích điều này như là chu kỳ hàng năm, nhưng rõ ràng là một tụt hậu trong tác động tối đa. Của nó d) Bây giờ hiển thị đồ thị tải và thành phần hình ảnh cho phần 3. Cũng sử dụng nút căng trên Composer để giãn hình ảnh đối xứng. Đây cũng là một chu kỳ hàng năm, nhưng thông báo rằng nó được liên kết nhiều hơn với các đầu mùa đông (tháng) và đầu mùa hè (tháng Sáu) và rằng nó là nhỏ hơn nhiều trong kế toán của phương sai (chỉ khoảng 4% của phương sai được giải thích bởi Hợp phần 2 ). 1 So sánh các khu vực có tính mùa vụ mạnh nhất trong phần 2 và 3. Với thời gian của tải trọng, những gì hiện này gợi ý về mối quan hệ giữa các thành phần theo không gian và thời gian? Chúng tôi biết rằng các thành phần độc lập với nhau. Có phải họ độc lập với nhau trong thời gian, không gian hoặc cả không? e) f) g) h) Bây giờ hiển thị và kiểm tra các đồ thị tải cho phần 4, 5 và 6. Stretch mỗi hình ảnh thành phần đối xứng bằng cách sử dụng tùy chọn STRETCH trung ở Composer. Hợp phần 4 cũng là rõ ràng là một chu kỳ theo mùa; Tuy nhiên nó là nửa năm. Hợp phần 5 rõ ràng là một chu trình giữa (chúng tôi sẽ nói nhiều hơn về vấn đề này trong thời gian ngắn), trong khi phần 6 dường như là một sự pha trộn giữa một chu kỳ theo mùa (một lần nữa, nửa năm) và một dao động nual interan-. Điều này nhấn mạnh một vấn đề thú vị về PCA / EOF. Mặc dù các thành phần có diện gửi đúng nguồn cơ bản của biến đổi, họ cũng có thể đại diện cho hỗn hợp. Chúng tôi sẽ tìm hiểu điều này thêm bài tập tiếp theo. Thường thì nó là những dao động động theo đó là một mối quan tâm chính trong phân tích chuỗi thời gian hình ảnh. Nếu đây là trường hợp, sau đó nó thường được khuyến khích để chạy PCA trên dữ liệu deseasoned. Vì vậy, chúng ta hãy quay trở lại tab Phân tích và chạy PCA lần nữa, nhưng lần này sử dụng các dị thường trong SST bạn tạo ra một bài tập trước. Sử dụng tất cả các thông số tương tự mà bạn đã lần đầu tiên (tức là, giá trị mặc định). Bây giờ nhìn vào phần 1 từ phân tích mới này và so sánh nó với phần 5 từ trước đó. Rõ ràng họ là những điều tương tự (mặc dù tải cho Hợp phần 1 của các dị thường trong SST là chặt chẽ hơn theo thời gian), nhưng các mô hình bị lộn ngược trong hình ảnh thành phần và các đồ thị tải. Vì họ đều đảo ngược, họ do đó đại diện cho những điều tương tự. Nó giống như lấy tiêu cực của một số âm trong đó sản lượng tích cực. Điều này dẫn đến một vấn đề quan trọng. Đó là về mặt toán học cho phép để đảo ngược các tải trọng đồ thị (bằng cách nhân với -1) nếu bạn cũng đảo ngược hình ảnh thành phần. Kết quả cuối cùng là giống hệt nhau về mặt toán học, nhưng trong một số trường hợp có thể được dễ dàng hơn để giải thích. Đừng ngần ngại để làm điều này. Đối với các đồ thị, xuất dữ liệu vào một bảng tính (tên bên phải nhấp chuột vào vùng trống trong đồ thị và chọn các tùy chọn văn bản vào clipboard để dán vào bảng tính của bạn, và rồi sau đó nhân với -1); cho hình ảnh thành phần, sử dụng các mô-đun SCALAR hoặc hình ảnh Máy tính để nhân với -1. Nếu bạn chưa có phần kéo dài từ 1 bất thường phân tích của bạn, làm như vậy bây giờ (với tùy chọn đối xứng). Đây là hiện tượng El Nino / La Niña (còn được gọi là El Nino / Southern Oscillation, abbre- viated như ENSO). ENSO là một dao động bất thường thường trong khoảng 2,5-7 năm. Sự kiện El Nino có liên quan với sự suy yếu (hay thậm chí là một sự đảo ngược) của easterlies hiện hành (gió mậu dịch) dọc theo đường xích đạo. Thông thường, các hiệu ứng ma sát của các easterlies trên bề mặt nước biển gây ra một phong trào của các vùng nước ấm trên bề mặt sang phía Châu Á Thái Bình Dương. Trong thực tế, thông thường, phía châu Á thực sự cao hơn (khoảng 40 cm) so với các đội bóng Nam Mỹ. Khi gió mậu dịch suy yếu, hồ bơi này ấm nước chảy trở lại với đội bóng Nam Mỹ dưới lực hấp dẫn. Sau một thời gian khoảng 6-12 tháng của sự nóng lên, gió mậu dịch tiếp tục và các mô hình đảo ngược. Trong thực tế, các sự kiện El Nino là đặc trưng tiếp theo là tăng cường bất thường của các ngành nghề, sản xuất các tác dụng ngược lại được biết đến như một hiện tượng La Nina. Exercise 7-4 phân hủy sử dụng các thành phần chính 304 2 Nhìn vào đồ thị tải của bạn, các đỉnh núi lớn và thung lũng lớn đại diện El Niño và La Niña, tương ứng. Lập bảng các giai đoạn khi bạn nghĩ rằng điều kiện El Niño tồn tại, khi các mô hình La Niña thịnh hành và khi không có mặt (một số cuộc gọi này "La Nada"). Bạn nghĩ gì là chiều dài đặc trưng của một sự kiện El Niño hoàn thành? Những gì về độ dài điển hình của hiện tượng La Niña? Làm thế nào bình thường là điều kiện La Nada? i) j) ENSO được biết đến như một teleconnection khí hậu vì nó dẫn đến điều kiện khí hậu tương quan trên các vùng phân tán rộng rãi trên thế giới. Một teleconnection cũng có thể được định nghĩa như là một mô hình đặc trưng của biến. Có mối quan tâm lớn trong việc nghiên cứu teleconnections vì tiện ích của họ trong dự báo theo mùa. Bằng cách theo dõi SST trong trung tâm Thái Bình Dương, hiện nay chúng tôi có cảnh báo tốt về sự phát triển của các điều kiện ENSO, đã tạo điều kiện cho dự báo mùa xung quanh
đang được dịch, vui lòng đợi..
Các ngôn ngữ khác
Hỗ trợ công cụ dịch thuật: Albania, Amharic, Anh, Armenia, Azerbaijan, Ba Lan, Ba Tư, Bantu, Basque, Belarus, Bengal, Bosnia, Bulgaria, Bồ Đào Nha, Catalan, Cebuano, Chichewa, Corsi, Creole (Haiti), Croatia, Do Thái, Estonia, Filipino, Frisia, Gael Scotland, Galicia, George, Gujarat, Hausa, Hawaii, Hindi, Hmong, Hungary, Hy Lạp, Hà Lan, Hà Lan (Nam Phi), Hàn, Iceland, Igbo, Ireland, Java, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Kurd, Kyrgyz, Latinh, Latvia, Litva, Luxembourg, Lào, Macedonia, Malagasy, Malayalam, Malta, Maori, Marathi, Myanmar, Mã Lai, Mông Cổ, Na Uy, Nepal, Nga, Nhật, Odia (Oriya), Pashto, Pháp, Phát hiện ngôn ngữ, Phần Lan, Punjab, Quốc tế ngữ, Rumani, Samoa, Serbia, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenia, Somali, Sunda, Swahili, Séc, Tajik, Tamil, Tatar, Telugu, Thái, Thổ Nhĩ Kỳ, Thụy Điển, Tiếng Indonesia, Tiếng Ý, Trung, Trung (Phồn thể), Turkmen, Tây Ban Nha, Ukraina, Urdu, Uyghur, Uzbek, Việt, Xứ Wales, Yiddish, Yoruba, Zulu, Đan Mạch, Đức, Ả Rập, dịch ngôn ngữ.
- has another meaning
- A Canadian man who bragged about making
- has another meaning
- I slept all night. Did u behave yourself
- Anh tên gì?
- Vâng cảm ơn anh
- These days it is impossible to open a ne
- how long did you work for chelsea footba
- there is a close relationship between vo
- memories
- , keep can mean something else but here
- In this paper, we provide empirical evid
- ResultsDechlorination Pathway.Dechlorina
- Exercise 7-4 Decomposition using Princip
- gọi tôi khi bạn tìm được người trung gia
- In this paper, we provide empirical evid
- into the lid for me
- how long did you work for chelsea foottb
- keep has another meaning
- to be honest, that is not my choice beca
- you will went
- how long did you work for chelsea footba
- Niềm tin là những gì anh cho và sự ngi n
- to be honest, that is not my choice beca
