Python | 超前滞后分析

Nino SST Indices (Nino 1+2, 3, 3.4, 4; ONI and TNI)

有几个指标用于监测热带太平洋，所有这些指标都是基于海表温度(SST)异常在一个给定的区域的平均值。通常，异常是相对于30年的周期来计算的。厄尔尼诺3.4指数(Niño 3.4 index)和海洋厄尔尼诺指数(Oceanic Niño Index (ONI))是定义厄尔尼诺和拉尼娜事件最常用的指数。其他index用于帮助描述每个事件的独特性质。

oni.monthly.smoo_stro

El Niño 1、2、3和4 的范围如下所示：

El Niño index regions

Niño 1+2 (0-10S，90W-80W) :

  • 厄尔尼诺1 + 2区域是Niño海表温度区域中最小和最东部的区域，与南美洲沿海地区相对应，在那里El Niño,首先被当地居民识别发现。这一指数往往是Niño海表温度指数中变化最大的。

Niño 3(5N-5S，150W-90W) :

  • 这个区域曾经是监测和预测El Niño现象的主要焦点，但是研究人员后来了解到，ENSO 海洋-大气耦合相互作用的关键区域位于更西部(Trenberth，1997)。因此，Niño 3.4和 ONI 成为定义厄尔尼诺和拉尼娜事件的首选。
    Niño 3.4(5N-5S，170W-120W) :
  • Niño3.4异常可以被认为代表从日期线到南美海岸的横跨太平洋的赤道 SST 的平均值。Niño 3.4 index通常使用5个月的连续平均值，El Niño or La Niña是在Niño 3.4 SST 超过 +/-0.4 C 6个月或更长时间内确定的。

ONI (5N-5S，170W-120W) :

  • ONI 使用与厄尔尼诺3.4指数相同的区域。ONI 采用的是连续3个月的平均值，要被归类为全面的厄尔尼诺或拉尼娜现象，异常必须至少连续5个月超过 + 0.5 C 或 -0.5 C。这是美国国家海洋和大气管理局使用的定义。

Niño 4(5N-5S，160E-150W) :

  • 厄尔尼诺4指数捕捉赤道太平洋中部的海表温度异常。这个区域的变化往往比其他厄尔尼诺区域少。

为了定义每个 El Niño or La Niña 事件的独特性，Trenberth 和 Stepaniak (2001)认为，应该将厄尔尼诺3.4指数与他们引入的一个指数结合使用，这个指数被称为跨尼诺指数(Trans-Niño Index，TNI)。TNI 被定义为厄尔尼诺1 + 2和厄尔尼诺4区域之间标准化海表温度异常的差异。TNI 因此测量了赤道太平洋中部和东部海表温度异常的梯度。当海表温度梯度特别大时(比如，由于尼诺4区域的正异常和尼诺1 + 2区域的负异常) ，一些研究人员将该事件归类为“太平洋中部的厄尔尼诺现象”或“El Niño Modoki”，尽管将这种类型的事件作为一个单独的现象进行区分是一个问题或争论。

Nino 3.4 index 的具体计算步骤

  • 1、选择厄尔尼诺3.4区域(5N-5S，170W-120W)的sst月平均数据

  • 2、计算Nino 3.4区域内每个月的异常

  • 3、计算每个月异常的区域平均值

  • 4、去线性趋势化处理（也可以不去）

代码实现过程：


# == netcdf file name and location"
fnc = 'oisst_monthly.nc'
dmask = xr.open_dataset('lsmask.nc')
print(dmask)ds = xr.open_dataset(fnc)
print(ds)# === Climatology and Anomalies
sst = ds.sst.where(dmask.mask.isel(time=0) == 1)
clm = sst.sel(time=slice('1982-01-01','2020-12-01')).groupby('time.month').mean(dim='time')
anm = (sst.groupby('time.month') - clm)
#print(clm)
# -- Detorending
def detrend_dim(da, dim, deg=1):# detrend along a single dimensionp = da.polyfit(dim=dim, deg=deg)fit = xr.polyval(da[dim], p.polyfit_coefficients)return da - fitdef cal_nino34(ds,lat1,lat2,lon1,lon2):ds = ds.sel(lat=slice(lat1,lat2),lon=slice(lon1,lon2))clm = ds.groupby('time.month').mean(dim='time')an_ds = ds.groupby('time.month') - clman_ds = an_ds.mean(('lon','lat'))an_ds = detrend_dim(an_ds,dim='time',deg=1)return an_dsnino3_4 = cal_nino34(sst,5,-5,190,240)
nino3_4.plot()

结果展示：

nino3.4-index

平滑

还可以对于指数进行平滑，使结果看起来更好看一点。如果指数平滑了，后续计算相关相关时也需要对于输入的其他变量进行统一平滑。


ninoSD=nino3_4/nino3_4.std(dim='time')
rninoSD=ninoSD.rolling(time=3, center=True).mean('time')

nino3.4-index-smooth

计算超前滞后

相关性和回归分析部分：

Leading：

  • 通过计算NINO指数（rninoSD）和时间滞后12个时间步长的rdanm之间的相关系数和回归系数。类似地，也计算了时间滞后6个时间步长的相关系数和回归系数。
    Simultaneous：
  • 计算NINO指数（rninoSD）和rdanm之间同期的相关系数和回归系数。
    Lagging：
  • 计算NINO指数（rninoSD）和时间滞后6、12、18个时间步长的rdanm之间的相关系数和回归系数。
# -- Running meanranm = anm.rolling(time=3, center=True).mean('time')
rdanm = detrend_dim(ranm,'time',1)# -- Correlation & Regression# Leading
corM12 = xr.corr(rninoSD, rdanm.shift(time=-12), dim="time")
regM12 = xr.cov( rninoSD, rdanm.shift(time=-12), dim="time")/rninoSD.var(dim='time',skipna=True).values
corM6 = xr.corr(rninoSD, rdanm.shift(time=-6), dim="time")
regM6 = xr.cov( rninoSD, rdanm.shift(time=-6), dim="time")/rninoSD.var(dim='time',skipna=True).values# simultaneous
cor0 = xr.corr(rninoSD, rdanm, dim="time")
reg0 = xr.cov(rninoSD, rdanm, dim="time")/rninoSD.var(dim='time',skipna=True).values# Laging
corP6 = xr.corr(rninoSD, rdanm.shift(time=6), dim="time")
regP6 = xr.cov( rninoSD, rdanm.shift(time=6), dim="time")/rninoSD.var(dim='time',skipna=True).values
corP12 = xr.corr(rninoSD, rdanm.shift(time=12), dim="time")
regP12 = xr.cov( rninoSD, rdanm.shift(time=12), dim="time")/rninoSD.var(dim='time',skipna=True).values
corP18 = xr.corr(rninoSD, rdanm.shift(time=18), dim="time")
regP18 = xr.cov( rninoSD, rdanm.shift(time=18), dim="time")/rninoSD.var(dim='time',skipna=True).values

绘图

# -- figure plotdef makefig(cor, reg,title, grid_space):# 修复 0 度和 360 度经度附近未显示数据的伪影cor = gvutil.xr_add_cyclic_longitudes(cor, 'lon')reg = gvutil.xr_add_cyclic_longitudes(reg, 'lon')# 添加等距柱面投影，中心经度为210°ax = fig.add_subplot(grid_space,projection=ccrs.PlateCarree(central_longitude=210))# 添加海岸线ax.coastlines(linewidth=0.5, alpha=0.6)# 设置坐标范围gvutil.set_axes_limits_and_ticks(ax,xlim=(-180, 180),ylim=(-90, 90),xticks=np.arange(-180, 180, 60),yticks=np.arange(-90, 90, 30))# Use geocat.viz.util convenience function to add minor and major tick linesgvutil.add_major_minor_ticks(ax, labelsize=10)# Use geocat.viz.util convenience function to make latitude, longitude tick labelsgvutil.add_lat_lon_ticklabels(ax)#设置colorbarnewcmp = cmaps.NCV_blu_redindex = [5, 20,  35, 50, 65, 85, 95, 110, 125,  0, 0, 135, 150,  165, 180, 200, 210, 220, 235, 250 ]color_list = [newcmp[i].colors for i in index]# 设置colorbar中间颜色为白色color_list[9]=[ 1., 1., 1.]color_list[10]=[ 1., 1., 1.]# 定义填色图的参数kwargs = dict(vmin = -1.0,vmax = 1.0,levels = 21,colors=color_list,add_colorbar=False,  # allow for colorbar specification latertransform=ccrs.PlateCarree(),  # ds projection)# 相关系数的填色图fillplot = cor.plot.contourf(ax=ax,  **kwargs)# 添加陆地、地形ax.add_feature(cfeature.LAND, facecolor='lightgray', zorder=1)ax.add_feature(cfeature.COASTLINE, edgecolor='gray', linewidth=0.5, zorder=1)# 设置等值线参数# Specify contour levels excluding 0delc=0.2levels = np.arange(-3, 0, delc)levels = np.append(levels, np.arange(delc, 3, delc))# 回归系数为等值线rad = reg.plot.contour(ax=ax,colors='black',alpha=0.8,linewidths=1.0,add_labels=False,levels=levels,transform=ccrs.PlateCarree())pe = [PathEffects.withStroke(linewidth=2.0, foreground="w")]plt.setp(rad.collections, path_effects=pe)# 设置标题、及其位置、大小gvutil.set_titles_and_labels(ax,lefttitle=title,lefttitlefontsize=16,righttitle='',righttitlefontsize=16,xlabel="",ylabel="")return ax, fillplot# Show the plotfig = plt.figure(figsize=(10, 12),dpi=200)
grid = fig.add_gridspec(ncols=2, nrows=3)
#grid = fig.add_gridspec(ncols=2, nrows=3, hspace=-0.20)ax1, fill1 = makefig(corP18,regP18,'18-month lag', grid[0,0])
ax2, fill2 = makefig(corP12,regP12,'12-month lag', grid[1,0])
ax3, fill3 = makefig(corP6,regP6,'6-month lag', grid[2,0])
ax4, fill4 = makefig(cor0,reg0,'Simultaneous', grid[0,1])
ax5, fill5 = makefig(corM6,regM6,'6-month lead', grid[1,1])
ax6, fill6 = makefig(corM12,regM12,'12-month lead', grid[2,1])fig.colorbar(fill6,ax=[ax1, ax2, ax3, ax4, ax5, ax6],drawedges=True,orientation='horizontal',shrink=0.5,pad=0.05,extendfrac='auto',extendrect=True)fig.suptitle('SST correlation & regression with Nino3.4', fontsize=18, y=0.9)plt.draw()

sst_lead_lag_corr_reg-smooth

https://climatedataguide.ucar.edu/climate-data/nino-sst-indices-nino-12-3-34-4-oni-and-tni

Trenberth, Kevin & National Center for Atmospheric Research Staff (Eds). Last modified 2024-03-20 "The Climate Data Guide: Nino SST Indices (Nino 1+2, 3, 3.4, 4; ONI and TNI).”

Trenberth, K.E. and Stepaniak, D.P. (2001) Indices of El Nino Evolution. Journal of Climate, 14, 1697-1701.
https://doi.org/10.1175/1520-0442(2001)014<1697:LIOENO>2.0.CO;2

https://climate.usu.edu/people/yoshi/pyclm101/index.html

本文由mdnice多平台发布

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/805853.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Qt C++ 实现文件监视源码

Qt C++ 实现文件监视源码

以下是使用Qt C++实现文件监视的一个简单示例代码： #include <QCoreApplication> #include <QFileSystemWatcher> #include <QDebug>int main(int argc, char *argv[
阅读更多...
Linux操作系统上面安装mysql指南

Linux操作系统上面安装mysql指南

1.到达一个官网当中开始下载linux操作版本的mysql版本进行下载。 版本号&#xff1a;8.0.35 Red Hat Enterprise Linux / Oracle LinuxOperating System: Red Hat Enterprise Linux 7 / Oracle Linux 7 (x86, 64-bit) 开始对其进行查找和选择 先让其开始进行基础的下载&#xf…
阅读更多...
golang代码练习样例模版--推荐--测试学习使用的方法

golang代码练习样例模版--推荐--测试学习使用的方法

golang代码练习样例模版 以前用的python代码&#xff0c;每次测试都是一个python文件&#xff0c;但是go就是以文件夹为目录为 结构的测试&#xff08;同一个文件夹下&#xff0c;不能有同名的函数&#xff09; 大部分时间就是测试&#xff0c;如何对go程序函数进行测试&#…
阅读更多...
智能成绩表---重点 覆写comparator排序的compare函数

智能成绩表---重点 覆写comparator排序的compare函数

小明来到某学校当老师&#xff0c;需要将学生按考试总分或单科分数进行排名&#xff0c;你能帮帮他吗&#xff1f; 输入描述 第 1 行输入两个整数&#xff0c;学生人数 n 和科目数量 m。 0 < n < 100 0 < m < 10 第 2 行输入 m 个科目名称&#xff0c;彼此之间用…
阅读更多...
BERT实战指南：使用预训练模型进行文本分类任务

BERT实战指南：使用预训练模型进行文本分类任务

1. 简介 在本章中&#xff0c;我们将介绍BERT&#xff08;Bidirectional Encoder Representations from Transformers&#xff09;预训练模型的背景和应用领域。 BERT背景介绍 BERT是由Google在2018年提出的一种预训练语言模型&#xff0c;它基于Transformer架构进行设计&am…
阅读更多...
【java工具-灵活拉取数据库表结构和数据】

【java工具-灵活拉取数据库表结构和数据】

需求&#xff1a; 假设我们现在有一个需求&#xff0c;需要快速拉取数据库的某些表建表语句&#xff0c;和数据&#xff0c;平时做备份之类&#xff1b; 我这边自己写了个工具&#xff0c;不多废话&#xff0c;也不整虚的&#xff0c; 直接看代码&#xff1a; package com.…
阅读更多...
在线客服系统：企业沟通的未来

在线客服系统：企业沟通的未来

随着互联网技术的飞速发展&#xff0c;企业与客户之间的沟通方式也在经历着翻天覆地的变化。在这个信息爆炸的时代&#xff0c;一个高效、便捷、智能的在线客服系统成为了企业提升服务质量、增强客户满意度的关键。在线客服系统的重要性在线客服系统是企业与客户进行实时沟通的…
阅读更多...
GitLab教程（一）：安装Git、配置SSH公钥

GitLab教程（一）：安装Git、配置SSH公钥

文章目录 序一、Git安装与基本配置&#xff08;Windows&#xff09;下载卸载安装基本配置 二、SSH密钥配置 序 为什么要使用代码版本管理工具&#xff1a; 最近笔者确实因为未使用代码版本管理工具遇到了一些愚蠢的问题&#xff0c;笔者因此认为代码版本管理工具对于提高团队…
阅读更多...
JR-SMD201-P便携式网络解码器

JR-SMD201-P便携式网络解码器

详细介绍&#xff1a; JR-SMD201-P便携式网络解码器采用1/2U设计&#xff0c;支持AVS/H.265/H.264/MPEG2解码&#xff0c;支持IP输入&#xff0c;支持1080P/1080I/720P/576I/480I多种分辨率&#xff0c;支持DRA/AC3/EAC3/AAC/MPEG等音频。 产品特点 支持输入方式IP 接口丰富&a…
阅读更多...
React 状态管理:安全高效地修改对象属性的 3 种方法

React 状态管理:安全高效地修改对象属性的 3 种方法

在 React 应用程序中,状态(state)是驱动整个应用程序的核心。当应用程序的状态发生变化时,React 会自动重新渲染相应的组件,以确保用户界面的更新。 与数组状态一样,对象状态在 React 中也需要特别处理。直接修改对象属性是不被允许的,因为 React 的不可变性原则要求我们创建一…
阅读更多...
户外骑行存档（图新地球与运动健康App）经验分享

户外骑行存档（图新地球与运动健康App）经验分享

0序 之前天天加班熬夜&#xff0c;身体素质有些下降&#xff0c;在锻炼的过程中喜欢上了骑行&#xff0c;周周骑、天天骑。 骑行会产生很多的轨迹&#xff08;有很多朋友不喜欢装很多app&#xff0c;就用手机自带的运动健康&#xff0c;也有喜欢专业运动app的&#xff0c;道理…
阅读更多...
RedisDesktopManager 命令

RedisDesktopManager 命令

RedisDesktopManager 命令 Redis Desktop Manager&#xff08;RDM&#xff09;是一个图形化工具&#xff0c;用于管理和监控Redis数据库。虽然其主要功能是提供直观的用户界面来与Redis交互&#xff0c;但它也内置了一个命令行界面&#xff08;Console&#xff09;&#xff0c…
阅读更多...
SQL注入原理与信息获取及常规攻击思路靶场实现

SQL注入原理与信息获取及常规攻击思路靶场实现

SQL注入原理与信息获取及常规攻击思路靶场实现 很早的时候就写了&#xff0c;权当备份吧 Web程序三层架构 表示层 &#xff1a;与用户交互的界面 , 用于接收用户输入和显示处理后用户需要的数据 业务逻辑层 &#xff1a;表示层和数据库访问层之间的桥梁 , 实现业务逻辑 ,验证、…
阅读更多...
BPMN.JS中文教程学习

BPMN.JS中文教程学习

基础篇 vue bpmn.js 建模BpmnModeler将数据转图形bpmnModeler.importXML // basic.vue<script>// 引入相关的依赖import BpmnModeler from bpmn-js/lib/Modelerimport {xmlStr} from ../mock/xmlStr // 这里是直接引用了xml字符串export default {name: ,components: {…
阅读更多...
三维点云：对原始点云数据进行体素化

三维点云：对原始点云数据进行体素化

文章目录 一、原始点云二、对原始点云进行体素化三、结果展示 一、原始点云 &#x1f349;原始点云为.pts文件&#xff0c;内容为x, y, z的坐标 原始点云展示 二、对原始点云进行体素化 使用open3d库实现&#xff0c;如果没有需要在命令行执行pip install open3d import o…
阅读更多...
从零开始学RSA：低加密指数广播攻击

从零开始学RSA：低加密指数广播攻击

(10)低加密指数广播攻击 如果选取的加密指数较低&#xff0c;并且使用了相同的加密指数给一个接受者的群发送相同的信息&#xff0c;那么可以进行广播攻击得到明文。 适用范围&#xff1a;模数n、密文c不同&#xff0c;明文m、加密指数e相同。一般情况下&#xff0c;ek (k是题…
阅读更多...
vue vue3 手写 动态加载组件

vue vue3 手写 动态加载组件

效果展示 一、需求背景&#xff1a; # vue3 项目涉及很多图表加载、表格加载 #考虑手写一个动态加载组件 二、实现思路 通过一个加载状态变量&#xff0c;通过v-if判断&#xff0c;加载状态的变量等于哪一个&#xff0c;动态加载组件内部就显示的哪一块组件。 三、实现效果…
阅读更多...
25.设置及使用coredump文件

25.设置及使用coredump文件

设置及使用coredump文件 文章目录 设置及使用coredump文件coredump文件介绍开启关闭核心转储core dumps功能开启核心转储生成功能关闭生成转储文件 coredumps文件的使用查看core进程的所有线程堆栈reference 欢迎访问个人网络日志&#x1f339;&#x1f339;知行空间&#x1f3…
阅读更多...
2404d,d符号表示dip1045

2404d,d符号表示dip1045

原文 符号表示 概述 符号是本地语言功能的最终表示.在编译器或语言级别,不准确表示它们可能会导致链接失败.这些问题可能是令人沮丧的重要来源,甚至可能导致人们认为无法实现方法. 此DIP的目的是解决和纠正各种跨平台和目标的常见共享库链接错误. 理由 对不熟悉链接器的人…
阅读更多...
数位DP模型

数位DP模型

目录 度的数量思路代码实现暴力解法数位DP 数字游戏代码实现 Windy数代码实现 数字游戏 II代码实现 不要62代码实现 恨7不成妻代码实现 度的数量 题目描述&#xff1a; 求给定区间 [ X , Y ] [X,Y] [X,Y] 中满足下列条件的整数个数&#xff1a;这个数恰好等于 K K K 个互不…
阅读更多...
最新文章

Copyright @ 2022~2023