目錄
前言
第1章 引論—從氣候躍變說起 1
1.1 理論背景 1
1.1.1 氣候變率的周期觀 1
1.1.2 Lorenz系統(tǒng)的啟示 2
1.2 氣候躍變定義及實例 3
1.2.1 冰期循環(huán)中的躍變 4
1.2.2 現(xiàn)代氣候觀測中的年代際氣候躍變 6
1.3 本書內(nèi)容概要 7
思考題 8
第2章 統(tǒng)計量和概率分布 9
2.1 中心統(tǒng)計量 9
2.2 變幅統(tǒng)計量 11
2.3 分布形態(tài)統(tǒng)計量 12
2.4 經(jīng)驗分布 13
2.4.1 柱狀圖 13
2.4.2 經(jīng)驗累積頻率分布圖 14
2.4.3 盒須圖 15
2.5 相關(guān) 16
2.5.1 標(biāo)準(zhǔn)化距平 16
2.5.2 散點圖 17
2.5.3 Pearson線性相關(guān) 17
2.5.4 Spearman秩相關(guān) 18
2.5.5 自相關(guān) 18
2.6 理論分布 18
2.6.1 二項式分布 19
2.6.2 幾何分布 19
2.6.3 泊松分布 19
2.6.4 連續(xù)分布的概率密度函數(shù)和累積分布函數(shù) 20
2.6.5 正態(tài)分布 21
2.6.6 Gamma分布 22
2.6.7 極值分布 23
2.6.8 分位數(shù)對比圖 25
思考題 26
第3章 顯著性檢驗 28
3.1 基本概念 28
3.2 參數(shù)檢驗 29
3.2.1 單樣本均值的顯著性檢驗 29
3.2.2 雙樣本均值差異的顯著性檢驗 30
3.2.3 單樣本的方差顯著性檢驗 31
3.2.4 雙樣本的方差顯著性檢驗 31
3.2.5 相關(guān)系數(shù)的顯著性檢驗 32
3.3 擬合優(yōu)度檢驗 32
3.3.1 卡方檢驗 32
3.3.2 K-S檢驗 33
3.3.3 Smirnov檢驗 33
3.3.4 Anderson-Darling檢驗 34
3.4 非#數(shù)檢驗 34
3.4.1 秩和檢驗 35
3.4.2 符號秩檢驗 36
3.4.3 Lepage檢驗 37
3.4.4 雙樣本置換檢驗 38
3.4.5 單樣本Bootstrap檢驗 39
3.4.6 雙樣本的Bootstrap檢驗 39
思考題 40
第4章 回歸分析 42
4.1 一元線性回歸 42
4.2 多元線性回歸 45
4.3 因子篩選和逐步回歸 46
4.4 偏*小二乘回歸 47
4.5 正則化回歸 48
4.5.1 原理 48
4.5.2應(yīng)用案例 50
4.6 Logistic回歸 52
4.6.1 原理 52
4.6.2 Logistic回歸系數(shù)的含義 54
4.6.3 回歸系數(shù)的檢驗 55
4.6.4 應(yīng)用案例 56
思考題 57
第5章氣候序列的趨勢和檢驗 58
5.1 氣候序列和噪聲 58
5.2 氣候趨勢估計方法 58
5.2.1 線性趨勢 58
5.2.2 滑動平均 59
5.2.3 多項式擬合 60
5.3 趨勢的顯著性檢驗 60
5.3.1 秩相關(guān)系數(shù)檢驗 61
5.3.2 差分平均值檢驗 61
5.3.3 秩統(tǒng)計量檢驗 61
5.3.4 Mann-Kendall趨勢檢驗 62
5.3.5 Spearman秩相關(guān)檢驗 62
5.4 氣候極值指數(shù)序列的趨勢分析 63
思考題 65
第6章 氣候變量場趨勢 66
6.1 背景問題 66
6.2 氣候序列的非線性趨勢一三次樣條回歸 68
6.2.1 簡單趨勢分析方法的問題 68
6.2.2 三次樣條回歸 69
6.2.3 全球平均溫度序列的非線性趨勢分析 72
6.3 氣候場的趨勢格局 75
6.3.1 廣義加法模型 75
6.3.2 澳大利亞西南部的降水場趨勢分析 76
6.4 氣候趨勢場的成因分析 79
6.4.1 廣義線性模型 79
6.4.2 歐洲逐日極大風(fēng)速的變化及成因 82
思考題 88
第7章 氣候變量場的時空分解 89
7.1 EOF分析的基本原理 89
7.2 EOF應(yīng)用于氣候研究的若干問題 90
7.2.1 時間變率還是空間格局？ 90
7.2.2 距平還是標(biāo)準(zhǔn)化距平？ 91
7.2.3 EOF和PC及有關(guān)術(shù)語 91
7.3 EOF分析的應(yīng)用 92
7.3.1 典型應(yīng)用案例分析 92
7.3.2 應(yīng)用EOF的注意事項 93
7.3.3 擴展EOF分析 93
7.4 旋轉(zhuǎn)EOF 95
7.4.1 截斷 95
7.4.2 REOF 95
7.4.3 應(yīng)用案例 96
7.5 奇異值分解 97
7.6 氣候分析中的SVD/MCA 99
思考題 100
第8章 多尺度氣候信號分析 101
8.1 時間序列的平穩(wěn)性 101
8.1.1 何謂平穩(wěn)？ 101
8.1.2 平穩(wěn)化處理 101
8.1.3 時間序列分析方法 102
8.2 諧波分析 102
8.2.1 一個諧波函數(shù)表征一個簡單的時間序列 102
8.2.2 多個諧波的擬合 103
8.2.3 諧波對原序列的貢獻 105
8.2.4 假名現(xiàn)象 105
8.2.5 離散功率譜 106
8.2.6 連續(xù)功率譜 106
8.2.7 應(yīng)用案例 108
8.3 小波分析 109
8.4 集合經(jīng)驗?zāi)７纸?111
8.4.1 集合經(jīng)驗?zāi)７纸獾挠蓙砗陀锰?112
8.4.2 EMD原理 114
8.4.3 EEMD原理 116
8.4.4 EEMD代碼和常見問題 116
8.4.5 研究案例 118
思考題 121
第9章 氣候躍變的診斷方法 122
9.1 滑動t檢驗 122
9.2 滑動F檢驗 123
9.3 滑動符號檢驗 124
9.4 Mann-Kendall躍變檢測 125
9.5 Pettitt 變點檢測 127
9.6 標(biāo)準(zhǔn)正態(tài)均一性檢驗 127
9.7 Buishand范圍檢驗 128
9.8 小波檢測 128
9.9 氣候變量場中的躍變分析 129
思考題 130
第10章 氣候極值 131
10.1 背景問題 131
10.2 氣候平均態(tài)和氣候極值 132
10.3 從“分布”的視角看氣候變化 133
10.4 逐日氣候分布 135
10.5 氣候極值指數(shù) 136
10.6 極值理論分布 138
10.6.1 廣義極值分布 139
10.6.2 廣義Pareto分布 141
10.7 非平穩(wěn)極值理論 141
10.8 用廣義線性模型分析氣候極值變化 143
思考題 145
第11章 隨機天氣發(fā)生器 146
11.1 定義、實例及應(yīng)用場景 146
11.1.1 何謂隨機天氣發(fā)生器？ 146
11.1.2 一個啟發(fā)性的SWG 146
11.1.3 應(yīng)用場景 147
11.2 隨機天氣發(fā)生器的建模 149
11.2.1 逐日降水的Markov模型 149
11.2.2 包含其他天氣變量的SWG 152
11.2.3 隨機天氣發(fā)生器的改進 153
11.2.4 案例分析 155
11.2.5 如何選擇*優(yōu)模型 158
11.3 運用SWG分析季節(jié)極端降水的潛在可預(yù)測性 159
思考題 164
第12章 氣候序列的均一化 165
12.1 基本概念和理論分析 165
12.1.1 均一化方法：從物理到統(tǒng)計 165
12.1.2 從理想的非均一氣候序列說起 166
12.1.3 從實際案例進一步看均一化的復(fù)雜性 169
12.2 常用的均一化方法 171
12.2.1 標(biāo)準(zhǔn)正態(tài)檢驗法 171
12.2.2 RHtest方法 171
12.2.3 序列均一化的多元分析方法 172
12.2.4 更多可用于均一化的統(tǒng)計檢測方法 174
12.3 進一步的均一化方法發(fā)展 174
12.3.1 針對氣候極值的序列均一化 174
12.3.2 多要素協(xié)同的均一化方法 177
12.3.3 均一化結(jié)果的不確定性 179
12.4 基于均一化資料重新評估近百年中國氣候變暖 181
12.4.1 早期研制的中國百年氣溫序列 182
12.4.2 基于均一化觀測的中國百年氣溫序列 183
12.4.3 20世紀(jì)40年代中國并不普遍偏暖 184
12.4.4 城市化加劇局部增暖但對全國平均趨勢的影響小 185
12.4.5 小結(jié) 186
思考題 186
第13章 氣候變化的檢測歸因 187
13.1 檢測歸因的概念 187
13.2 長期氣候變化的歸因方法 188
13.2.1 基于氣候模式和*優(yōu)指紋方法 188
13.2.2 時間序列方法 190
13.3 極端事件的歸因方法 191
13.3.1 經(jīng)驗方法 191
13.3.2 基于環(huán)流相似的方法 192
13.3.3 耦合模式法 192
13.3.4 大氣模式法 193
13.4 結(jié)語 194
思考題 195
第14章 天氣氣候研究中的機器學(xué)習(xí) 196
14.1 機器學(xué)習(xí)及其應(yīng)用簡介 196
14.1.1 定義 196
14.1.2 機器學(xué)習(xí)解決天氣氣候問題的優(yōu)勢 196
14.2 統(tǒng)計機器學(xué)習(xí) 197
14.3 深度學(xué)習(xí) 200
14.3.1 神經(jīng)網(wǎng)絡(luò) 200
14.3.2 深度學(xué)習(xí)步驟 201
14.3.3 構(gòu)成深度神經(jīng)網(wǎng)絡(luò)的組件 205
14.4 氣候研究中的應(yīng)用案例 209
14.4.1 運用樹模型對降水進行診斷 209
14.4.2 運用CNN檢測極端天氣氣候事件 211
14.4.3 運用CNN進行季節(jié)預(yù)測 213
14.4.4 運用ConvLSTM進行海溫預(yù)報 214
14.4.5 運用可解釋性技術(shù)對機器學(xué)習(xí)模型進行解釋 215
14.5 未來發(fā)展與思考 217
思考題 218
主要參考文獻 219