气候数据中的非线性依赖与遥相关：来源、相关性及非平稳性

通过统计依赖性度量来量化感兴趣变量之间的关系，是气候数据分析中的常见步骤。术语“连通性”用于网络语境，包括对复杂耦合动力系统的研究。依赖性度量的选择对于后续分析和解释的结果至关重要。线性 Pearson 相关系数的使用广泛且便捷。另一方面，由于气候被广泛认为是一个非线性系统，基于信息论概念的非线性连通性量化方法正越来越多地用于此目的。在本文中，我们概述了一种方法，能够针对给定数据类型明智地选择连通性方法，从而改善对结果的后续解释。所提出的多步骤方法包括统计检验、对相互作用信息中特定非线性贡献的量化、定位具有最强非线性贡献的节点，以及评估特定时序模式（包括信号非平稳性）的作用。我们详细研究了一般非线性连通性度量（即互信息）选择的后果，重点关注其相关性以及在所发现的依赖结构中可能产生的改变。我们通过将该方法应用于来自 NCEP/NCAR 再分析数据集以及 ERA 数据集的月平均温度数据来记录该方法。我们已能够识别节点间耦合中观测到的非线性的主要来源。详细分析表明，气候数据中几种非平稳性来源起着重要作用。在此尺度上，真实非线性耦合的定量作用被证明几乎可以忽略不计，从而为在此类数据中使用线性方法提供了定量支持。