Netcdf

Procedimientos para obtener EOF’s y PCA’s
library(netCDF)
rm(list=ls(all=TRUE))
sst<-read.netCDF("C:/Tesis/PFEL/PFEL_2/sst_pfel.nc")
str(sst)
a<-sst$"SST"
a[a == attributes(a)$"missing_value"] <- NA
dimnames(a) <- list(sst$"TIME_SERIES",sst$"LAT125_128",sst$"LON351_355")
#Si queremos ver el mapa correspondiente a Enero de 1981 (1 en la serie):
#>contour(a[1,,])
#> (a[1,,])
# 350.5 351.5 352.5 353.5 354.5
#34.5 20.60 20.44 20.04 19.85 19.60
#35.5 20.21 20.06 19.70 19.54 19.34
#36.5 19.64 19.51 19.29 19.17 19.07
#37.5 19.00 18.95 19.05 19.03 18.93
#Si queremos ver la serie temporal correspondiente a una

determinada cuadrícula (ej. 34.5n/350.5e):
plot((a[,"34.5","350.5"]),type="l")
#Si queremos hallar los valores medios latitudinales:
#>lat.medias <- apply(a,c(1,2),mean)# c(1,2): 1 de la primera columna

#(tiempo) y 2 de la segunda columna
#(latitud)
#Y los longitudinales:
#>lon.medias <- apply(a,c(1,3),mean)# c(1,3): 1 de la primera columna

#(tiempo) y 3 de la tercera columna
#(longitud)
#Pero si queremos hallar la media para todo el periodo:
#>sst.medias <- apply(a,c(2,3),mean)# c(2,3): 2 de la segunda columna

#(latitud) y 3 de la tercera columna
#(longitud)
#Cuando tenemos columnas con NA’s la forma de calcular la media es:
#>sst.medias <- apply(a,c(2,3),mean,na.rm=T)
#Para seleccionar una determinada región:

> Q<-a.no.std[,25.5:28.5,31:35] # Corresponde a 34.5n:37.5n/9.5w:5.5w
>contour(t(apply(Q,c(2,3),mean)))
#Para extraer la serie temporal de una determinada región:
plot(a.no.std[,mean(1:50),mean(1:50)],type="l")
#Construimos una matriz para todos los puntos (4 x 5). Para ello #convertimos nuestro array “a” de
dimensiones (230,4,5)en una matriz de #dimensiones 20 X 230
F<-matrix(a,230,20) #donde 230 representa el número de meses y 20 el #número de

localizaciones
F<-t(F)
#Como las matrices COADS poseen valores NA habrá que reemplazarlos por
#un valor obtenido mediante el algoritmo EM en el paquete 'norm'
F<-t(F)
library(norm)
s<-prelim.norm(F)
thetahat <- em.norm(s)
theta <- da.norm(s,thetahat,steps=20,showits=TRUE)

rngseed(1232307)
F <- imp.norm(s,thetahat,F)
F<-t(F)
#En FERRET estandarizamos (anomalías/desviación estándar) los datos de la #matriz
svd<-svd(F);
eof1<-svd$u[,1];
eof2<-svd$u[,2];
eof3<-svd$u[,3];
E1<-array(eof1,c(50,50));
E1<-t(E1)
E2<-t(E2)
E3<-t(E3)
# Cálculo de la varianza
varianza<-(svd$d^2)*100/sum(svd$d^2)
# Fijamos las coordenadas del gráfico

x<-(-9.5:-5.5) # o x<-(350.5:353.5)
y<-(34.5:37.5)
contour(x,y,E1);
contour(x,y,E2);
contour(x,y,E3);
>contour(E1[31:35, 25.5:28.5])
# Hallamos los PCA's
D<-diag(svd$d)
pca<-D%*%t(svd$v)
pca1<-pca[1,];
pca2<-pca[2,];
pca3<-pca[3,];
pca4<-pca[4,];
#Normalizamos, tanto los E’s como los PCA’s
E1<-E1*sqrt(svd$d[1])
pca1<-pca1/sqrt(svd$d[1])
#Para saber si cada modo es significativo, aplicamos la regla de North et

al:
1
 2 2
    
N
En el caso de los eigenvalues () como son los ‘singular values’

obtenidos mediante svd, la relación k = k2 debe cumplirse. En R
>eigenvalue1<-svd$d[1]^2
Y para hallar los modos significativos:
 = svd$d[1]^2*(2/230)^0.5 #donde 230 representa la longitud de

la serie
Entonces,
de1<- svd$d[1]^2*(2/437)^0.5
de2<- svd$d[2]^2*(2/437)^0.5
de3<- svd$d[3]^2*(2/437)^0.5
Como la distancia  (1-2)debe ser mayor que 1 se debe cumplir que:
de1 < svd$d[1]^2- svd$d[2]^2

de2 < svd$d[2]^2- svd$d[3]^2
de3 < svd$d[3]^2- svd$d[4]^2
pca1<-ts(pca1,start=c(1981,1),frequency=12)
pca1.spec<-spectrum(pca1,method="pgram",kernel("daniell",m=c(5,7)),taper=0.1)
pca1.nao.spec<-spectrum(ts.union(pca1,nao),
method="pgram",kernel("daniell",m=c(5,7)),taper=0.1,na.action=na.omit)
pca1.mei.spec<-spectrum(ts.union(pca1,mei),
# Los mapas de correlación de cada EOF
corr.map1<-array(cor(pca1,t(F)),c(50,50))
corr.map1<-t(corr.map1)
# Para colocar los EOF's en un contexto geográfico
library(fields)
world(ylim=c(34,38), xlim=c(-10, -6),xaxt = "s", yaxt = "s" )
x<-(-9.5:-6.5)
y<-(34.5:37.5)
contour(x,y,E1,add=T)
postscript(file="U_fnmoc.ps")
world(ylim=c(34,38),xlim=c(-10,-6),xaxt="s",yaxt= "s",ylab="lat",xlab="lon")
contour(x,y,corr.map1,add=T)
title(“WIND eof1 correlation map\nexplained variance=17%")
plot(pca1,type="l",main="WIND PCA1",xlab="months since 16-01-1981")
dev.off()
#Para graficar filled.contour junto con contour
There is an easier solution. Try,
junk.mat <- matrix(rnorm(1600), 16, 100)

contour.mat <- ifelse(junk.mat < 2, 0, junk.mat)
filled.contour(junk.mat, color = terrain.colors, key.title=FALSE,key.axes=FALSE,
plot.axes = contour(contour.mat, levels = 1,
drawlabels = FALSE, axes = FALSE,
frame.plot = FFALSE, add = TRUE))
The 'plot.axes' argument to filled.contour() gives you access to the

coordinate system in the actual plotting area. However, you will notice
that the axes are missing. You need to add them explicitly, as in:
filled.contour(junk.mat, color = terrain.colors,

plot.axes = { contour(contour.mat, levels = 1,
drawlabels = FALSE, axes = FALSE,
frame.plot = FFALSE, add = TRUE);
axis(1); axis(2) } )
This also useful for adding titles, text annotations, points, etc.
En nuestro caso:
filled.contour(x,y,corr.map1, main="PFEL SST eof1",color = terrain.colors,

plot.axes = { contour(x,y,corr.map1,nlevels=15,
drawlabels = T, frame.plot = FFALSE, add = TRUE);
axis(1); axis(2);
world(col="red",add=T,lwd=2)},
key.title = title(main="variance %",cex.main=.5),
xlab="longitude",ylab="latitude" )
mtext(paste("generado con",R.version.string),
side = 1, line = 4, adj = 1, cex = .66)
world(ylim=c(34, 38), xlim=c(-7, -6),xaxt = "s", yaxt = "s",col="red")

contour(x,y,E1,add=T)
LON LON equiv R LAT equiv R

-39.5 320.5 1 10.5 1
-38.5 321.5 2 11.5 2
-37.5 322.5 3 12.5 3
-36.5 323.5 4 13.5 4
-35.5 324.5 5 14.5 5
-34.5 325.5 6 15.5 6
-33.5 326.5 7 16.5 7
-32.5 327.5 8 17.5 8
-31.5 328.5 9 18.5 9
-30.5 329.5 10 19.5 10
-29.5 330.5 11 20.5 11
-28.5 331.5 12 21.5 12
-27.5 332.5 13 22.5 13
-26.5 333.5 14 23.5 14
-25.5 334.5 15 24.5 15
-24.5 335.5 16 25.5 16
-23.5 336.5 17 26.5 17
-22.5 337.5 18 27.5 18
-21.5 338.5 19 28.5 19
-20.5 339.5 20 29.5 20
-19.5 340.5 21 30.5 21
-18.5 341.5 22 31.5 22
-17.5 342.5 23 32.5 23
-16.5 343.5 24 33.5 24
-15.5 344.5 25 34.5 25
-14.5 345.5 26 35.5 26
-13.5 346.5 27 36.5 27
-12.5 347.5 28 37.5 28
-11.5 348.5 29 38.5 29
-10.5 349.5 30 39.5 30
-9.5 350.5 31 40.5 31
-8.5 351.5 32 41.5 32
-7.5 352.5 33 42.5 33
-6.5 353.5 34 43.5 34
-5.5 354.5 35 44.5 35
-4.5 355.5 36 45.5 36
-3.5 356.5 37 46.5 37
-2.5 357.5 38 47.5 38
-1.5 358.5 39 48.5 39
-0.5 359.5 40 49.5 40
0.5 0.5 41 50.5 41
1.5 1.5 42 51.5 42
2.5 2.5 43 52.5 43
3.5 3.5 44 53.5 44
4.5 4.5 45 54.5 45
5.5 5.5 46 55.5 46
6.5 6.5 47 56.5 47
7.5 7.5 48 57.5 48
8.5 8.5 49 58.5 49
9.5 9.5 50 59.5 50
#Vamos a eliminar el ciclo estacional de las series:
f1<-ts(F[1,],start=c(1981,1),frequency=12)
#Extraemos los valores desestacionalizados para cada cuadrícula

#Abrir el archivo desestacionalizar.doc
F[1,]<-f1
F[2,]<-f2
F[3,]<-f3
F[4,]<-f4
F[5,]<-f5
F[6,]<-f6
F[7,]<-f7
F[8,]<-f8
F[9,]<-f9
F[10,]<-f10
F[11,]<-f11
F[12,]<-f12
F[13,]<-f13
F[14,]<-f14
F[15,]<-f15
F[16,]<-f16
F[17,]<-f17
F[18,]<-f18
F[19,]<-f19
F[20,]<-f20
rm(f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f11,f12,f13,f14,f15,f16,f17,f18,f19,f20
,f1.split,f2.split,f3.split,f4.split,f5.split,f6.split,f7.split,f8.split,
f9.split,f10.split,f11.split,f12.split,f13.split,f14.split,f15.split,f16.
split,f17.split,f18.split,f19.split,f20.split,f1.cycle,f2.cycle,f3.cycle,
f4.cycle,f5.cycle,f6.cycle,f7.cycle,f8.cycle,f9.cycle,f10.cycle,f11.cycle
,f12.cycle,f13.cycle,f14.cycle,f15.cycle,f16.cycle,f17.cycle,f18.cycle,f1
9.cycle,f20.cycle)

Netcdf

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Netcdf

Hochgeladen von

Copyright:

Verfügbare Formate

Procedimientos para obtener EOF’s y PCA’s

#Si queremos ver el mapa correspondiente a Enero de 1981 (1 en la serie):

#Si queremos ver la serie temporal correspondiente a una

#Si queremos hallar los valores medios latitudinales:

#>lat.medias <- apply(a,c(1,2),mean)# c(1,2): 1 de la primera columna

#>lon.medias <- apply(a,c(1,3),mean)# c(1,3): 1 de la primera columna

#Pero si queremos hallar la media para todo el periodo:

#>sst.medias <- apply(a,c(2,3),mean)# c(2,3): 2 de la segunda columna

#Cuando tenemos columnas con NA’s la forma de calcular la media es:

#>sst.medias <- apply(a,c(2,3),mean,na.rm=T)

#Para seleccionar una determinada región:

#Para extraer la serie temporal de una determinada región:

F<-matrix(a,230,20) #donde 230 representa el número de meses y 20 el #número de

theta <- da.norm(s,thetahat,steps=20,showits=TRUE)

#En FERRET estandarizamos (anomalías/desviación estándar) los datos de la #matriz

# Fijamos las coordenadas del gráfico

# Hallamos los PCA's

#Normalizamos, tanto los E’s como los PCA’s

#Para saber si cada modo es significativo, aplicamos la regla de North et

En el caso de los eigenvalues () como son los ‘singular values’

Y para hallar los modos significativos:

 = svd$d[1]^2*(2/230)^0.5 #donde 230 representa la longitud de

de1 < svd$d[1]^2- svd$d[2]^2

# Los mapas de correlación de cada EOF

# Para colocar los EOF's en un contexto geográfico

#Para graficar filled.contour junto con contour

There is an easier solution. Try,

junk.mat <- matrix(rnorm(1600), 16, 100)

The 'plot.axes' argument to filled.contour() gives you access to the

filled.contour(junk.mat, color = terrain.colors,

filled.contour(x,y,corr.map1, main="PFEL SST eof1",color = terrain.colors,

world(ylim=c(34, 38), xlim=c(-7, -6),xaxt = "s", yaxt = "s",col="red")

LON LON equiv R LAT equiv R

#Vamos a eliminar el ciclo estacional de las series:

#Extraemos los valores desestacionalizados para cada cuadrícula

Das könnte Ihnen auch gefallen