.png){kind=icon}
返回
Detecting transitions and quantifying differences in two SST datasets using spatial permutation entropy
.png){kind=icon}
OA
AI
DOI：10.5194/esd-17-533-2026.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要。天气预报系统依赖于地球建模和监测系统持续生成的海量数据；需要高效的数据分析技术来跟踪变化和比较数据集。这里我们表明，一种非线性量化指标——空间排列熵（SPE）——可用于表征时空复杂数据，允许在不同尺度上进行详细分析。具体而言，我们使用SPE分析ERA5和NOAA OI v2海表温度（SST）异常在两个关键区域（Niño 3.4和墨西哥湾流）的数据。我们对这两种SST产品进行定量比较，发现SPE能检测到短空间尺度（<1°）的差异。我们还识别出多个转变，包括ERA5在2007年改变其海表边界条件至OSTIA时发生的转变、OSTIA在2013年更新背景误差协方差时发生的转变，以及NOAA SST在2021年更换卫星（从MeteOp-A到MeteOp-C）时发生的转变。通过替代数据测试了所检测转变的鲁棒性和统计显著性。我们证明，使用标准距离和交叉相关分析时，转变的检测在统计显著性和鲁棒性方面不如序数分析。
Keyword:
spatial permutation entropy
sea surface temperature
data analysis
spatio-temporal complexity
transition detection
期刊
IF:
7.2
论文数:
923
被引数:
4.2K
机构
查看更多机构
引用论文
暂无论文信息