用于识别气候系统变率动力学模态的旋转谱主成分分析（rsPCA）
系统与控制
2021-02-03 v1 系统与控制
最优化与控制
大气与海洋物理
数据分析、统计与概率
摘要
谱PCA（sPCA）与经典PCA不同，其优势在于识别特定频带内的有组织时空模式并提取动力学模态。然而，频率分辨率与主成分鲁棒性之间不可避免的权衡导致其对噪声高度敏感且易过拟合，这限制了sPCA结果的可解释性。本文提出一种简单的非参数sPCA实现，使用连续解析Morlet小波作为交叉谱矩阵的鲁棒估计器，兼具良好的频率分辨率。为在同一频带内存在若干振幅相近的模态时改善结果的可解释性，我们提出一种特征向量旋转方法，以优化相位域中的空间平滑性。所开发的方法称为旋转谱PCA（rsPCA），在模拟传播波的synthetic数据上进行了测试，即使在数据具有高噪声水平时也表现出优异性能。应用于太平洋历史海表温度（SST）时间序列，该方法在低频（2至7年周期）准确捕捉了厄尔尼诺-南方涛动（ENSO）。在高频（亚年周期）处识别出若干振幅相近的温带外模式，rsPCA成功解混了潜在模态，揭示了具有鲁棒传播动力学的空间相干模式。高频时空气候模态的识别为次季节到季节预测以及气候模型诊断分析提供了前景。
引用
@article{arxiv.2004.11411,
title = {Rotated spectral principal component analysis (rsPCA) for identifying dynamical modes of variability in climate systems},
author = {Clément Guilloteau and Antonios Mamalakis and Lawrence Vulis and Tryphon T. Georgiou and Efi Foufoula-Georgiou},
journal= {arXiv preprint arXiv:2004.11411},
year = {2021}
}
备注
25 pages