文摘
去趋势波动分析(DFA)方法基础上,扩展行为的日常即将离任的长波辐射(OLR)从1979年到2015年在青藏高原(TP)和印度季风区域(IMR)进行了分析。结果表明,有长期记忆的OLR TP和IMR时间序列。OLR的远程内存行为/ TP强于那些/ IMR。标度指数的平均价值在TP和IMR 0.71和0.64;这两个地区的最大值0.81和0.75;最小值是0.59和0.58。标度指数的最大频率计数发生在0.625和0.675的范围在TP和IMR。OLR的标度指数的空间分布序列密切相关的气候条件高的云层在这两个地区。高云量的TP显然低于IMR。此外,OLR / TP和IMR的扩展行为是由时间序列的分形特征,进一步证明了随机干扰的时间序列消除趋势和相关性。
1。介绍
众所周知,一个气候系统自记忆的变化特点。这意味着过去气候的变分趋势长期影响当前和未来的气候系统。远程内存(LRM),它也被称为远程相关性(荣誉奖)或长期坚持,被发现在许多观察,如每日温度记录(1- - - - - -6),每日降水记录(7,8),相对同质性(9,10),海洋表面温度(11),地表温度(8,12),和位势高度13]。LRM的特点是一个发散积分时间尺度,与自相关函数的幂律行为(5]。在一个复杂的气候系统,丰富的数量的信号不稳定,他的意思是,标准偏差,自相关函数随时间变化(14- - - - - -17]。功率谱分析等传统方法计算相关或相关性分析适合平稳信号的特征。为了可靠地分析时间序列的长程相关性,有必要确定组件产生的固有的长期波动趋势。如果他们不过滤掉,远程相关分析,会有虚假信息造成的强烈趋势组件。去趋势波动分析(DFA)方法被有效地用于揭示时间序列长程相关性的程度(18,19]。它可以过滤掉的趋势变化,然后披露的持久性特征时间序列。目前,DFA被广泛用于分析lrm在许多类型的时间序列,特别是对于日常气温和降水量等基本气象要素。最近,即将离任的长波辐射(OLR)的扩展行为记录在讨论了热带Lei et al。20.]。然而,较少的努力一直致力于研究的扩展行为TP和IMR OLR记录。
OLR的能量辐射从地球到外部空间红外辐射。它有一个与地球大气层辐射预算(关系密切21,22]。这主要取决于温度剖面图(多云的天空中的云或底层表面在晴朗的天空)(23,24]。针对底层表面的相对均匀性在低纬度和中间纬度地带,OLR的价值主要是由云,云顶温度和阴沉。云顶温度取决于对流的强度。对流越强,云顶温度越低。因此,OLR可以在一定程度上揭示对流活动的强度。OLR之间有密切负相关和降水在热带和亚热带地区。TP的降水主要是受印度季风的影响,而TP具有很强的加热IMR对降水的影响。此外,域的TP和IMR显示不同的气候特征。因此,研究扩展行为的OLR TP和IMR有助于我们理解气候动力学。此外,OLR的长程相关性为降水预报提供理论支持。
在这项研究中,我们调查的长程相关性OLR从1979年到2015年在青藏高原(TP)和印度季风区域(IMR)和比较它们之间的差异。结果表明,OLR的变化不是随机的,而是表现出明显的荣誉奖。本文组织如下。节2,OLR的细节提供了时间序列,和DFA方法简要描述。节3领头,我们检测和分析OLR的标度指数的空间分布。讨论和结论部分4。
2。数据和方法
2.1。数据集
每日OLR时间序列之间的1979年和2015年从网站下载的国家海洋和大气管理局(https://www.esrl.noaa.gov/psd/data/gridded/data.interp_OLR.html)。这个数据集的空间分辨率为2.5°×2.5°(25]。云数据来自欧洲中期天气预报中心(http://apps.ecmwf.int/datasets/data/interim-full-moda/levtype=sfc/)。
2.2。DFA方法的描述
介绍了广义DFA方法,由彭et al。19),是一种强大的技术来研究时间序列的领头。已经被广泛接受的在过去的几年中,因为它能够解决非平稳的信号(7,26]。DFA的计算步骤如下所述。
我们首先从原始数据中删除年度周期(每日意味着OLR)通过计算异常系列如下: 在哪里代表了气候意味着给定的日历天 (包括当飞跃天)。然后,我们确定的累积偏差系列如下: 在哪里 和表示本系列的平均值 。
接下来,我们把系列成不重叠的部分以同样的长度 ,在哪里的整数部分是吗 。为了充分利用剩余的数据遗留下来的尾巴,系列改变从回到前面。因此,我们得到段。p-order DFA的过程,一个p-order多项式是用来计算每一部分当地的趋势。二阶DFA (DFA2)方法,最常用的命令,是从事这项工作。在每一段 ,我们应用最小二乘适合当地的趋势 和概要的趋势是当地适合被减去。方差确定如下:
去趋势波动函数获得与方差的算术平均值在各部分:
如果波动函数增加窗口长度根据幂律关系, 。当标度指数 时间序列,然后显示积极的长期校正。如果标度指数 时间序列,然后显示长期负面长期相关性。对标度指数 时间序列是随机的。
3所示。结果
两个网格点,(95°E, 35°N)和(97.5°E, 12.5°N),位于TP和IMR,分别选择随机分析的扩展行为OLR时间序列。OLR异常的时间演化和累积偏差从1979年到2015年期间图所示1。发现两个OLR呈现不规则的高频波动数据异常记录1(一)和1 (c)。最初的累积偏差系列数字所示1 (b)和1 (d)黑色线条,慢吞吞地累积偏差系列与红线所示。网格点(95°E, 35°N) TP(图1 (b)),原来的累积偏差的一系列OLR死亡在1979年和2003年之间,然后增加2003年之后。最小值出现在2003年。网格点(97.5°E, 12.5°N) IMR(图1 (d)),原来的累积偏差的一系列OLR拥有强大的高峰。最大值出现在1998年。两个网格点之间有显著差异。随机打乱的累积偏差一系列OLR,没有明显波动两个网格点,这意味着相关性在《纽约时报》系列是被随机洗牌。为了调查OLR的扩展行为的时间序列,不同订单的DFA中使用下面的讨论。DFA1-DFA4用于以下的讨论。双对数图的幂律关系去趋势的变化规模和窗口两个网格点呈现在图2。结果表明,斜率是大约线性DFA的四个不同的订单,因此有明显相似的扩展行为通过使用两个网格点的不同订单的DFA。DFA1只能消除线性趋势,而DFA2-DFA4可以用来消除非线性时间序列的趋势。此外,DFA2是最的斜率线性DFA2-DFA4之一。因此,DFA2,能够去除意想不到的趋势,采用分析OLR的荣誉奖。黑色实线代表OLR序列的线性符合两个网格点。的标度指数在网格点(95°E, 35°N)和(97.5°E, 12.5°N) = 0.68和0.74,分别。这意味着存在积极的长程相关性行为。图3说明了双日志块之间的幂律关系去趋势的变化规模和窗口随机排列的(随机干扰日常OLR时间序列)。这表明比例指数接近0.5,从而证明白噪声特性,验证长期持久性的OLR序列的分形特征序列本身造成的。
(一)
(b)
(c)
(d)
(一)
(b)
(一)
(b)
为了说明OLR序列的领头TP和IMR以整体的方式,扩展指数的空间分布如图4。可以看出OLR的标度指数呈现一个下降趋势从西到东/ TP。其中,标度指数的OLR西南TP高达0.76,表明强有力的长期记忆特征,而东北部的TP小于0.64,表现出弱的长期记忆特征。IMR,它提出了OLR的标度指数达到最小值小于0.58的印度洋。在IMR的一部分,OLR的标度指数高达0.66,甚至在西北0.70。以上分布特征与气候条件密切相关的云层在这两个地区。在一个多云的天空,OLR通常取决于最高的云顶温度和阴沉。的云顶温度快速变化的依赖,开发和灭绝的云。因此,在多云的天空,OLR的领头是弱。然而,OLR主要取决于底层表面的亮度温度在晴朗的天空变化缓慢,导致OLR坚强的荣誉奖。 Figure5显示了高的空间分布云/ TP和IMR。高云量的TP明显低于IMR,领头的原因的OLR序列/ TP IMR比。TP的地区,从西到东云覆盖的增加,这使得LRM减少从西到东/ TP。在印度洋地区,存在一个强烈对流,从而导致更大的高的云层。此外,LCR OLR还受其他因素如大气温度曲线和相对湿度。因此,标度指数的空间分布并不严格符合的云层。
为了进一步描述两个区域之间的差异,频率分布的标度指数OLR给出图6和统计特征见表1。标度指数的最大频率计数发生在0.67和0.69的范围/ TP和IMR。在表1,OLR的标度指数的平均价值TP和IMR是0.71和0.64,分别;标度指数的最大值OLR的两个区域是0.81和0.75,分别;OLR的标度指数的最小值0.59和0.58这两个地区,分别。一般来说,有更强的长期记忆特征/ TP比/ IMR。打乱OLR记录的平均值是0.50这两个地区。打乱OLR记录的最小值在这两个地区很近,所以是他们的最大值。换句话说,没有可观察到的差异打乱OLR记录在两个地方,这进一步证明了领头的OLR行为这两个地区是由时间序列的分形特征引起的。
(一)
(b)
4所示。结论和讨论
摘要DFA方法用于分析TP和IMR长期记忆特征。两个网格点,(95°E, 35°N)和(97.5°E, 12.5°N),位于TP和IMR,分别选择随机分析的扩展行为OLR时间序列采用不同订单的DFA。结果现在认为斜率大约是线性DFA的四个不同的订单,这意味着存在明显类似的扩展行为通过使用不同订单的DFA。其中,DFA2可以删除意想不到的趋势,因此它用于计算两个地区荣誉奖。一般来说,IMR的标度指数小于TP,这表明更强的长期记忆特征对于TP。同时,OLR的标度指数下降趋势从西到东/ TP。标度指数的最大频率计数发生在0.67和0.69的范围在TP和IMR。的空间分布特征的OLR序列的标度指数两个区域主要是受到云层的影响。高云量的TP显然低于IMR。TP地区,从西到东云覆盖的增加,因此LRM变得弱自西向东/ TP。 In the Indian Ocean region, there exists a strong convection, which leads to larger high cloud cover. The scaling exponents of shuffled OLR records in the two places are near 0.5, which illustrates that LRC behaviors of OLR in the two regions are caused by the fractal characteristics of time series.
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由中国国家自然科学基金(41571044和41571044号)和由中国气象局气候变化专项基金(没有。CCSF201716)。