این مطالعه با هدف تجزیه و تحلیل رفتار سری زمانی شاخص نوسان جنوبی از طریق تکنیک ها با استفاده از تبدیل سریع فوریه ، محاسبه عملکرد همبستگی و محاسبه ضریب Hurst انجام شد. متدولوژی محاسبه نمایشگر Hurst از تأخیرهای مختلفی استفاده می کند ، که در سری زمانی شاخص نوسان جنوبی محاسبه می شود. رفتار مداوم در سری زمانی را می توان با محاسبه نماینده Hurst ، به دنبال اطلاعات رفتاری بیشتر ، به عنوان وجود ماندگاری و/یا شرایط حافظه دوربرد در این سری مشخص کرد. نتایج نشان می دهد پایداری از آب و هوا از نظر سری زمانی شاخص نوسان جنوبی با حافظه طولانی ، که می تواند به درک یک رفتار پویا پیچیده در اثرات آب و هوا در سطح جهانی و به طور خاص تأثیر آن در شمال شرقی برزیل ، در منطقه از منطقه کمک کند. مرکز پرتاب Alcântara. بسته R Tserieschaos در تجزیه و تحلیل سری زمانی شاخص نوسان جنوبی استفاده شد ، تخمین بزرگترین نماینده Lyapunov ، که نشانگر وجود رفتار هرج و مرج در سری زمانی است. از تکنیک تغییر شکل مجدد در آزمایش جابجایی بین داده های باد سطحی در فرودگاه سائو لوئیس ، ایالت مارانهائو و شاخص نوسان جنوبی استفاده شد. نتایج آزمون جابجایی نشان داد که سری زمانی میانگین سرعت باد ماهانه در فرودگاه سائو لوئیس با تنوع شاخص نوسان جنوبی ارتباط دارد ، که از نظر آماری با فاصله اطمینان در سطح 5 ٪ ارتباط دارد. نتایج نشان داد که امکان استفاده از مدلهای خودکار برای نشان دادن هواشناسی متغیر متوسط در تجزیه و تحلیل رفتار و همچنین روند آب و هوا ، به طور خاص تأثیر آب و هوایی ممکن از نوسان ال نینو-جنوب در استحکام باد در مرکز پرتاب Alcântara است.

کلمات کلیدی: تجزیه و تحلیل سری زمانی ؛نماینده هورست ؛تست تمایلات

معرفی

شرایط دمای سطح دریا در اقیانوس آرام گرمسیری محرک های مهم گردش جوی است و می تواند تأثیر عمده ای در آب و هوای جهانی داشته باشد. نوسان ال نینو-جنوب (ENSO) یکی از مؤلفه های اصلی سیستم آب و هوا است (Capotondi 2013 Capotondi A (2013) El Niño-Southe نوسان اقیانوس: شبیه سازی توسط مدلهای گردش خون همراه. پویایی آب و هوا: چرا آب و هوا متفاوت است؟ واشنگتن: اتحادیه ژئوفیزیکی آمریکا. مونوگرافی ژئوفیزیکی ، سری 189.) و درک تغییرات احتمالی در تغییرپذیری آن ، که ممکن است به دلیل فرآیندهای طبیعی باشد ، مانند تغییرپذیری ده ساله آب و هوا یا مهم استاثرات انسان شناسی.

رفتار پویا ENSO بسیار پیچیده است و پیش بینی تغییرات سری زمانی آن دشوار است. سیگنال سری زمانی شاخص نوسان جنوبی (SOI) از مجموعه ای از اجبار ژئوفیزیکی با مقیاس های زمانی مختلف تشکیل شده است ، برخی از مدت زمان طولانی به عنوان چرخه فعالیت خورشیدی و/یا جو تعامل-اقیانوس ، شامل یک مقیاس سیاره ای است. نوسانات جنوبی یک فشار در فشار هوای سطحی بین شرق گرمسیری و آبهای غربی اقیانوس آرام است. SOI به عنوان ناهنجاری استاندارد از اختلاف فشار هوای سطح بین تاهیتی ، در اقیانوس آرام و داروین ، استرالیا ، در اقیانوس هند محاسبه می شود.

نوسان جنوبی یک فرآیند اقیانوس/جو اقیانوس پویا است که بر مقیاس سیاره ای تأثیر می گذارد. این مراحل خاص را مشخص می کند: وقتی وضعیت مثبت باشد ، به این معنی است که در تاهیتی و موارد پایین در داروین (لا نیوا) مقادیر فشار بالاتری وجود دارد. مرحله منفی زمانی است که مقادیر فشار در تاهیتی پایین تر و در داروین (ال نینو) بالاتر باشد. و در مرحله خنثی مقادیر قابل توجهی وجود ندارد. ENSO یک پدیده در مقیاس سیاره ای است که به طور طبیعی در اقیانوس آرام گرمسیری با تأثیرات جهانی و بسیار مرتبط رخ می دهد و بر جامعه بشری تأثیر می گذارد. ال نینو به گرمایش بالاتر از حد طبیعی در اقیانوس آرام گرمسیری ، که با فرکانس 2-7 سال رخ می دهد ، اشاره دارد. مرحله مخالف آن ، هنگامی که اقیانوس آرام گرمسیری از حالت عادی سردتر است ، به عنوان La Niña شناخته می شود. این تغییرات دمای سطح دریا با مقادیر بالاتر یا پایین تر از آب و هوا بر آب و هوا تأثیر می گذارد.

Capotondi و همکاران.(2015) Capotondi A ، Wittenberg AT ، Newman M ، Di Lorenzo E ، Yu JY ، Braconnot P ، Cole J ، Dewitte B ، Giese B ، Guilyardi E ، Jin FF ، Kaauskas K ، Kirtman B ، Lee T ، Schneider N ، XuedeY ، Yeh SW (2015) درک تنوع ENSO. Bull Amer Meteor Soc 96 (6): 921-938. doi: 10. 1175/BAMS-D-13-00117. 1. https://doi. org/10. 1175/bams-d-13-00117. عزم و درک ENSO ، پیش بینی آن و وجود ارتباطات مخابراتی را بهبود بخشید. با این حال ، با توجه به پیچیدگی و تأثیرات ENSO ، تجزیه و تحلیل بهتر از الگوهای مکانی و تکامل آنها لازم است. Newman (2007) Newman M (2007) قابلیت پیش بینی ده ساله از دمای سطح گرمسیری و شمال اقیانوس آرام. J Clim 20 (11): 2333-2356. doi: 101175/jcli4165. 1 https://doi. org/101175/jcli4165. 1. نتیجه گیری می کند که پیش بینی طولانی مدت وجود دارد. با این حال ، با توجه به ویژگی های پیچیده سیستم پویا در گردش سیاره ای ، الگوهای نوسان متعارف و اقیانوس آرام (PDO) ، تأثیر تعامل این سیستم ها یک ساختار پیچیده را ایجاد می کند ، که شامل 2 ویژه ویژه است که ضعیف تر هستندمرطوباین eigenmodes می تواند جلوه های مختلفی را نشان دهد: ENSO Canonical (Baston and Ropelewski 1992 Baston AG ، Ropelewski CF (1992) پیش بینی قسمت های ENSO با استفاده از تجزیه و تحلیل همبستگی متعارف.. 79 (12): 2715-2725. doi: 10. 1175/1520-0477 (1998) 0792. 0. co ؛ 2. https://doi. org/1175/1520-0477(1998)0 ؛ Takahashi et al. 2011 Takahashaashik (2011) رژیم های ENSO: تفسیر مجدد canonical و modoki el niño. geophys res lett 38 (10): l10704. doi: 10. 1029/2011gl047364. https://doi. org/10. 1029/2011gl047364.) بین سالهای 1900 - 2002ممکن است نمایانگر تأثیر ماهیت انسان شناسی و نوسانات چند جانبه الگویی باشد که به طور بالقوه یک تنوع ده ساله طبیعی است. پیش بینی این وسایل نقلیه ثابت با اتصال این وسایل نقلیه بین منطقه اقیانوس آرام شمالی و قسمت اقیانوسی گرمسیری آن به طور قابل توجهی افزایش می یابد.

Gershunov and Baett (1998 Gershunov A ، Baett TP (1998) مدولاسیون بین ارتباطات ENSO. Bull Amer Meteror Soc 79 (12): 2715-2725. doi: 10. 1175/1520-0477 (1998) 0792. 0. co ؛ 2. https://doi. org/10. 1175/1520-0477(1998)0.) نشان داد که PDO تأثیر تعدیل کننده ای در الگوهای اقلیمی ایجاد وقایع ENSO دارد. در نتیجه ، ویژگی های مهمی وجود دارد که باید مشاهده شود: وقتی مرحله El Niño است ، احتمالاً وقتی PDO بسیار مثبت باشد ، این مرحله شدیدتر خواهد بود. از طرف دیگر ، هنگامی که PDO به شدت منفی است ، مرحله La Niña شدیدتر است. این رفتار به معنای این نیست که PDO از نظر جسمی ENSO پویا را کنترل می کند ، اما الگوهای اقلیمی حاصل تعامل بین آنها را نشان می دهد.< Span> Gershunov and Baett (1998 Gershunov A ، Baett TP (1998) مدولاسیون بین ارتباطات ENSO. Bull Amer Meteor Soc 79 (12): 2715-2725. DOI: 10. 1175/1520-0477 (1998) 0792. 0. co ؛ 2 ؛ 2https://doi. org/10. 1175/1520-0477(1998)0.) نشان داد که PDO تأثیر تعدیل کننده ای در الگوهای اقلیمی ایجاد وقایع ENSO دارد. در نتیجه ، ویژگی های مهمی وجود دارد که باید مشاهده شود: وقتی مرحله El Niño است ، احتمالاً وقتی PDO بسیار مثبت باشد ، این مرحله شدیدتر خواهد بود. از طرف دیگر ، هنگامی که PDO به شدت منفی است ، مرحله La Niña شدیدتر است. این رفتار به معنای این نیست که PDO از نظر جسمی ENSO پویا را کنترل می کند ، اما الگوهای اقلیمی حاصل تعامل بین آنها را نشان می دهد. گرشونف و بارنت (1998 Gershunov A ، Baett TP (1998) مدولاسیون بین المللی ENSO. Bull Meteor Soc 79 (12): 2715-2725. doi: 10. 1175/1520-0477 (1998) 0792. 0. co ؛ 2. https://doi. org/1175/1520-0477(1998)0)در الگوهای اقلیمی ایجاد رویدادهای ENSO. در نتیجه ، ویژگی های مهمی وجود دارد که باید مشاهده شود: وقتی مرحله El Niño است ، احتمالاً وقتی PDO بسیار مثبت باشد ، این مرحله شدیدتر خواهد بود. از طرف دیگر ، هنگامی که PDO به شدت منفی است ، مرحله La Niña شدیدتر است. این رفتار به معنای این نیست که PDO از نظر جسمی ENSO پویا را کنترل می کند ، اما الگوهای اقلیمی حاصل تعامل بین آنها را نشان می دهد.

تأثیر نوسانات جنوبی در آب و هوای شمال شرقی برزیل قبلاً در ادبیات مورد مطالعه قرار گرفته است (به عنوان مثال ، آنفیلد و مایر 1997 Enfield DB ، Mayer DA (1997) تنوع دمای سطح دریای گرمسیری آتلانتیک و ارتباط آن با نوسان ال نینو-جنوبJ Geophys Res 102 (C1): 929-945. doi: 10. 1029/96JC03296. https://doi. org/10. 1029/96jc03296. ؛ Uvo et al. 1998 Uvo CB ، Repeli CA ، Zebiak Se ، Kushnir Y (1998) روابط بین اقیانوس آرام و اقیانوس اطلس SST و بارش ماهانه برزیل شمال شرقی. J Clim 11 (4): 551-562. doi: 10. 1175/1520-0442 (1998) 0112. 0. co ؛ 2. https://doi. org/10. 117555/1520-0442 (1998) 0. ؛ آندرولی و کایانو 2006 آندرولی RV ، Kayano MT (2006) اثرات اقیانوس اطلس گرمسیری و آتلانتیک جنوبی بر تنوع بارندگی در شمال شرقی برزیل. Int J Climat 26 (13): 1895-1912. DOI: 10. 1002/joc. 1341. https://doi. org/10. 1002/joc. 1341. ؛ Gonzalez et al. 2013 Gonzalez RA ، Andreoli RV ، Candido LA ، Kayano RA ، De Souza RAF (2013) تأثیر El Niñ deنوسان O-Southe و اقیانوس اطلس استوایی در مورد بارندگی در مناطق شمالی و شمال شرقی آمریکای جنوبی. Acta Amaz 43 (4): 469-480. doi: 10. 1590/S0044-59672013000400009. https://doi. org/10. 1590/S0044-5967201300.). مشخص شده است که ناهنجاری های منفی SOI (El Niño) با کاهش بارندگی در شمال شرقی برزیل همراه است. مطالعه سری زمانی SOI می تواند راهنمایی هایی را برای درک همراهی از جوی پویایی جفت و جو در اقیانوس آرام و آن فراهم کند. تأثیر در گردش خون واکر و هادلی. تغییرات در موقعیت و شدت سلولهای هادلی و واکر با تغییر در الگوهای گردش جوی در مقیاس بزرگ همراه است ، که مستقیماً بر شرایط هواشناسی در منطقه شمال شرقی برزیل تأثیر می گذارد. این مطالعه با هدف تفسیر سیگنال های ثابت ممکن ، همراه با یک رفتار تکراری از نظر حافظه دوربرد در سری زمانی SOI و همچنین تأثیر آنها بر تغییرپذیری زمانی شرایط آب و هوایی در شمال شرقی برزیل - Alcântara (ALC).

روش شناسی

داده های شاخص نوسان جنوبی

داده های SOI از صفحه وب سرویس ملی آب و هوا - مرکز پیش بینی آب و هوا (www.cpc. ncep. noaa. gov/data/indices/) به دست آمد. از داده های ماهانه عادی شده در دوره 195 1-2015 استفاده شد. نرم افزار Autosignal © نسخه 1. 6 برای ویندوز برای محاسبه عملکرد همبستگی استفاده شد ، که با استفاده از تبدیل سریع فوریه (FFT ؛ Temperton 1985 Temperton C (1985) محاسبه شده است. فیزیک محاسباتی 58 (3): 283-299. doi: 10. 1016/0021-9991 (85) 90164-0. https://doi. org/10. 1016/0021-9991(85)901.). از همان نرم افزار برای برآورد Exponent Hurst (H) و تولید نمودارهایی برای تجزیه و تحلیل استفاده شد.

شکل 1 سری زمانی SOI را نشان می دهد که برای محاسبه H ، با استفاده از تجزیه و تحلیل دامنه نجات یافته (R/S) تجزیه و تحلیل شده است. H برای نشان دادن رفتار سری زمانی استفاده می شود ، که تداوم ویژگی های مرتبط با اثر حافظه را نشان می دهد.

در جدول 1 مقادیر آماری سری زمانی SOI ارائه شده است. داده های خام این سری در Microsoft® Excel درمان شد ، که در آن مقادیر اطلاعات آماری تولید شد. ضریب تغییرات (CV) ، که انحراف استاندارد تقسیم بر میانگین است ، حدود 701. 55 ٪ است. این سریال دارای پراکندگی زیاد نسبتاً به انحراف استاندارد است. حالت های اول و دوم موقعیت هایی را در سری زمانی SOI با فرکانس بیشتر نشان می دهد ، و توصیف جابجایی پویا بین این 2 نقطه در سری زمانی است. اطلاعات آماری در جدول 1 نشان می دهد که سری زمانی SOI یک رفتار کلاسیک گاوسی پویا نشان نمی دهد.

Hurst Exponent - روش R/S

برای یک دنباله (x_t) ن_t=1از یک سری زمانی ، یک مبلغ جزئی را در نظر بگیرید_k= ∑ k_t=1 X_t- 1 ≤ k ≤ n و یک واریانس نمونه S 2_n= (n - 1) -1 ∑ n_t=1 ( X_t - X_n) 2 ، جایی که x_n= n-1 ∑ n_t=1 X_tمیانگین نمونه است. Rescaled Range Range Range R/S معرفی شده توسط Hurst (1951) Hurst He (1951) ظرفیت ذخیره طولانی مدت مخازن. معاملات انجمن مهندسان عمران آمریکا 116 (1): 770-799. به عنوان ... تعریف شده است:

مشاهده کنید که دامنه شماره (R) در Eq. 1 را می توان به عنوان طیف وسیعی از مبالغ جزئی x مشاهده کرد_t - X_n- t = 1 ،. n - یا ، به طور معادل ، به عنوان مجموع حداکثر و حداقل فاصله مبالغ جزئی y_k- k = 1 ،. N - از خطی که از y عبور می کند₀= 0 و y_nواددامنه (R) باید با انحراف استاندارد (های) عناصر سری زمانی تقسیم شود تا یک توالی استاندارد R/S یا محدوده ارزش تغییر یافته تولید شود. بنابراین ، r/s اندازه گیری فلوتهای مقادیر parcial از (x است_t) ن_t=1با انحراف استاندارد مشاهدات مقیاس می شود.

برآورد H اندازه گیری حافظه بلند مدت در سری زمانی است. این مربوط به همبستگی های سری زمانی و میزان عملکرد همبستگی با تاخیر با افزایش فاصله بین جفت مقادیر کاهش می یابد. جنبه مهم این است که H به عنوان اندازه گیری بعد فراکتال یک سری داده ها عمل می کند. یک سر و صدای سفید می تواند یک سیگنال گسسته باشد که نمونه های آن به عنوان توالی از متغیرهای تصادفی سری با همبستگی با 0 میانگین و واریانس محدود در نظر گرفته می شود. بسته به متن ، ممکن است این نمونه ها نیز مستقل باشند و توزیع احتمال یکسانی داشته باشند. در یک وضعیت خاص ، اگر هر یک از نمونه ها دارای توزیع عادی با میانگین برابر با 0 باشند ، این سیگنال به سر و صدای سفید گاوسی تبدیل می شود.

یک دنباله معمولی توزیع شده یا گاوسی ممکن است یک سر و صدای سفید تجمعی داشته باشد و به عنوان حرکت معمولی براون یا پیاده روی تصادفی شناخته می شود (KAC 1947 Kac M (1947) پیاده روی تصادفی و تئوری حرکت براون. 391. ؛ ون هورن و پارکر 1967 Van Hoe JC ، Parker GGC (1967) نظریه پیاده روی تصادفی: یک آزمایش تجربی. مجله تحلیلگران مالی 23 (6): 87-92. doi: 10. 2469/faj. v23. n6. 87. https://doi. org/10. 2469/faj. v23. n6. 87.). دامنه یا فاصله پوشش متغیر در حرکت طبیعی قهوه ای متناسب با ریشه مربع زمان افزایش می یابد. برای محاسبه رشدی که ممکن است در یک سری زمانی وجود داشته باشد ، نوعی از نسبت مقیاس زمان توسط عناصر پارتیشن بندی (تعداد مشاهدات) استفاده می شود و به طور متوسط از گروه های دیگر تولید می شود. استفاده از تجزیه و تحلیل R/S امکان به دست آوردن آمار فرآیند نویز فراکتال را فراهم می کند و آن را به عنوان جایگزینی برای توزیع عادی گاوسی ارائه می دهد.

تنوع H رفتار را می توان به عنوان مقدار محاسبه شده توسط رفتار فیزیکی سری زمانی مورد تجزیه و تحلیل اختصاص داد. مقدار H برابر با 0. 5 نشان دهنده حافظه بلند مدت نیست. مقادیر بالاتر H نشانگر حضور فزاینده چنین اثری در این سری است. مدت زمان این اثر حافظه اغلب به عنوان پایدار قابل مشاهده است و می تواند چرخه ای باشد یا خیر. مقدار H 0. 5 ، که در سری داده های انباشته شده آن وجود دارد ، یک پیاده روی تصادفی یا حرکت خالص قهوه ای است. مجموعه داده های مورد تجزیه و تحلیل شامل نویز سفید واقعی است که در آن هر مشاهده کاملاً مستقل از تمام مشاهدات قبلی است ، و سری همبستگی تخمین زده شده در اصل 0 در همه جا است ، به جز در 0 تاخیر. از آنجا که H کمتر از 0. 5 است ، سری زمانی دارای یک رفتار ضد مداوم است. هر مقدار در این سری تمایل دارد که با مقادیر قبلی ارتباط منفی داشته باشد.

این سری داده ها سیگنال ها را بیشتر از آنچه در مورد سر و صدای سفید صادق است ، برمی گردانند. چنین سیستم هایی در سری زمانی ژئوفیزیکی نادر است. در طبیعت بسیار رایج تر سری زمانی است که تخمین مقادیر H بالاتر از 0. 5 را ارائه می دهد. این خصوصیات در رفتار سریال ، که پایدار هستند ، حاوی یک اثر حافظه هستند. بنابراین ، هر مقدار از سری ممکن است با تعدادی از مقادیر قبلی همان سری همراه باشد. مدل سازی فرآیندهای خودکار دقیقاً به این هدف بستگی دارد. برای یک سری مداوم ، سریال با همبستگی تمایل دارد همبستگی آنها را به 0 کاهش دهد. هر دو تجزیه و تحلیل با برآورد H و نقشه برداری همبستگی ، اثر حافظه را در سری زمانی مورد بررسی نشان می دهد.

تابع Hurstexp (X) از بسته R Pracma نسخه 3. 2. 2 (2015) ، از بنیاد R برای محاسبات آماری ، H را محاسبه می کند. این رابطه از کد MATLAB® Weron (2002) Weron R (2002) برآورد وابستگی به برد طولانی: خواص نمونه محدود و فواصل اطمینان حاصل شد. Physica A: مکانیک آماری و کاربردهای آن 312 (1-2): 285-299. doi: 10. 1016/S0378-4371 (02) 00961-5. https://doi. org/10. 1016/S0378-4371(02).، منتشر شده در Matlab® Central. این عملکرد لیستی از تعاریف مختلف H را با تنظیمات مختلف در محاسبات آنها ، که با اجزای زیر تعریف شده است ، برمی گرداند: H_s- رویکرد ساده R/s ؛سخنرانی_rs- رویکرد ساده اصلاح شده H ؛سخنرانی_e- H تجربی ؛سخنرانی_al- تصحیح H تجربی ؛و ساعت_tاین رویکردهای مختلف برآوردهای روش H، روش R/S تصحیح شده و روش تجربی تصحیح شده هستند. نتایج گاهی اوقات بسیار متفاوت است، بسته به تجزیه و تحلیل سری در مطالعه، که می تواند به عنوان برآورد با مقادیر بسیار مشکوک تفسیر شود.

بعد فراکتال

جایی که: ρ = 0; H = 0. 5 که یک فرآیند تصادفی است.

Mandelbrot (1983) Mandelbrot B (1983) فراکتال و آشوب. برلین: اسپرینگر. و گلدبرگر (1996) گلدبرگر آل (1996) دینامیک غیر خطی برای پزشکان: نظریه آشوب، فراکتال ها و پیچیدگی در کنار تخت. Lancet 347(9011):1312-1314. doi: 10. 1016/s0140-6736(96)90948-4. https://doi. org/10. 1016/s0140-6736(96)90. تعریفی از بعد فراکتال ایجاد کرد: این شاخصی است که به دنبال توصیف الگوهایی است که ترتیب آنها مجموعه های فراکتال یا کمی سازی آن طبیعت در پیچیدگی آن به عنوان دلیلی برای تغییر مقیاس خود است. بعد فراکتال را می توان به دو روش مختلف اندازه گیری کرد. که یکی به صورت هندسی و دیگری توسط فضای احتمال انجام می شود. مفیدتر برای تحلیل سیگنال، تعریف بعد فراکتالی است که از فضای احتمال 1/H استفاده می کند. با این تعریف، یک سری زمانی با اثر حافظه دارای بعد فراکتال بین 1. 0 و 2. 0 خواهد بود.

توان لیاپونوف

بسته R TSERIESCHAOS نسخه 3. 2. 2 (2015)، از بنیاد R برای محاسبات آماری، در https://cran. r-project. org/web/views/TimeSeries.html موجود است. الگوریتم‌های "tseriesChaos" تحلیلی را برای سری‌های زمانی غیرخطی تولید می‌کنند. این الگوریتم‌ها توسط Di Narzo (2013) Di Narzo AF (2013) tseriesChaos: تجزیه و تحلیل سری‌های زمانی غیرخطی توسعه داده شدند.[دسترسی در 5 ژوئیه 2017]. https://cran. r-project. org/web/packages/tseriesChaos/index.html https://cran. r-project. org/web/packages/. و در https://cran. r-project. org/web/packages/tseriesChaos/index.html در دسترس هستند (هگر و همکاران 1999 Hegger R, Kantz H, Schreiber T (1999) اجرای عملی روشهای سری زمانی غیرخطی:بسته TISEAN. Chaos 9(2):413-435. doi: 10. 1063/1. 166424. https://doi. org/10. 1063/1. 166424. ؛ Rosenstein et al. 1993 Rosenstein MT, Collins JJ19یک روش عملی برای محاسبه بزرگترین توان لیاپانوف از مجموعه داده های کوچک Phys Nonlinear Phenom 65(1-2):117-134. doi: 10. 1016/0167-2789(93)90009-P. https://doi. org/10. 1016/0167-2789(93)900. ). دو تابع استفاده می شود: تابع lyap_k (λ₁) بزرگترین نماینده Lyapunov از یک سری زمانی مقیاس داده شده با استفاده از الگوریتم Kantz را تخمین می زند (هگگر و همکاران 1999 هگگر R ، Kantz H ، Schreiber T (1999) اجرای عملی روشهای سری زمانی غیرخطی: بسته Tisean. Chaos 9 (2): 413-435. doi: 10. 1063/1. 166424. https://doi. org/10. 1063/1. 166424.) و عملکرد لیاپ ضرایب رگرسیون لیاپونف را برای بخش سری زمانی داده شده محاسبه می کند ، در این مورد ، داده های SOI. ابزارهایی برای ارزیابی حداکثر نماینده Lyapunov از یک سیستم پویا از یک سری زمانی یک متغیره ، پارامتری را ارائه می دهد که پویایی یک جاذبه را توصیف می کند. این میزان واگرایی مدارهای همسایه را در جذب کننده اندازه گیری می کند و بنابراین وابستگی یا حساسیت سیستم به شرایط اولیه را تعیین می کند. وجود حداقل 1 نماینده Lyapunov مثبت نشانه ای از حضور هرج و مرج در سیستم است.

آزمون جابجایی < SPAN>) بزرگترین نماینده لیاپونف یک سری زمانی مقیاس داده شده با استفاده از الگوریتم Kantz را تخمین می زند (هگر و همکاران 1999 هگگر R ، Kantz H ، Schreiber T (1999) اجرای عملی روشهای سری زمانی غیرخطی: بسته TiseanChaos 9 (2): 413-435. doi: 10. 1063/1. 166424. https://doi. org/10. 1063/1. 166424.) و عملکرد Lyap ضرایب رگرسیون لیاپونوف را برای بخش سری زمانی که به عنوان ورودی داده می شود محاسبه می کند ، در این مورد، داده های SOI. ابزارهایی برای ارزیابی حداکثر نماینده Lyapunov از یک سیستم پویا از یک سری زمانی یک متغیره ، پارامتری را ارائه می دهد که پویایی یک جاذبه را توصیف می کند. این میزان واگرایی مدارهای همسایه را در جذب کننده اندازه گیری می کند و بنابراین وابستگی یا حساسیت سیستم به شرایط اولیه را تعیین می کند. وجود حداقل 1 نماینده Lyapunov مثبت نشانه ای از حضور هرج و مرج در سیستم است.

آزمون جابجایی) بزرگترین نماینده لیاپونوف از یک سری زمانی مقیاس داده شده با استفاده از الگوریتم Kantz را تخمین می زند (هگر و همکاران 1999 هگگر R ، Kantz H ، Schreiber T (1999) اجرای عملی روشهای سری زمانی غیرخطی: بسته تیس.(2): 413-435. doi: 10. 1063/1. 166424. https://doi. org/10. 1063/1. 166424.) و عملکرد Lyap ضرایب رگرسیون لیاپونوف را برای بخش سری زمانی داده شده به عنوان ورودی محاسبه می کند ، در این مورد ، داده های Soii داده هاوادابزارهایی برای ارزیابی حداکثر نماینده Lyapunov از یک سیستم پویا از یک سری زمانی یک متغیره ، پارامتری را ارائه می دهد که پویایی یک جاذبه را توصیف می کند. این میزان واگرایی مدارهای همسایه را در جذب کننده اندازه گیری می کند و بنابراین وابستگی یا حساسیت سیستم به شرایط اولیه را تعیین می کند. وجود حداقل 1 نماینده Lyapunov مثبت نشانه ای از حضور هرج و مرج در سیستم است.

تست تمایلات

از آزمون جابجایی برای تجزیه و تحلیل رابطه بین سیگنال ها در سری زمانی SOI و وسایل ماهانه باد سطحی و وسایل ماهانه حداکثر باد ، از ژانویه 1951 تا دسامبر 1999 استفاده می شود (خوب 2005 خوب PI (2005) ، پارامتریو تست های bootstrap از Hipothesis. نسخه سوم. نیویورک: Springer-Verlag. ؛ Collingridge 2013 Collingridge DS (2013) یک آغازگر در تجزیه و تحلیل داده های اندازه گیری شده و آزمایش جابجایی. مجله تحقیقات روشهای مختلط 7 (1): 79-95. DOI:10. 1177/1558689812454457. https://doi. org/10. 1177/1558689812454457.). داده های باد مورد استفاده از فرودگاه سائو لوئیس در نزدیکی ALC بود. طبق تعریف ، بردار P میانگین ماهانه باد است و j (1 × 1) مقدار ماهانه SOI است. این آزمون به دنبال ایجاد مجوزهای تصادفی از J ، ثابت نگه داشتن P است. برای هر جابجایی ، همبستگی بین بردارهای P و J محاسبه شد و مجدداً این سری را به ترتیب 10،000 بار مجدداً انجام داد ، بنابراین توزیع همبستگی ها (R) ایجاد می شود. از این توزیع ها ، مقداری که نشان دهنده فاصله اطمینان در سطح 5 ٪ همبستگی در دم فوقانی یا پایین توزیع (R بحرانی) است. ارزش بحرانی این همبستگی در 10،000 بار مجاز است ، که از کوچکترین تا بزرگترین ارزش سفارش داده می شود. مقدار محاسبه شده در موقعیت 9،500º موردی مهم در سطح 5 ٪ در توزیع بازسازی شده (در دم فوقانی) یا در دم پایین است. مقدار بحرانی این است که در موقعیت 500º. سری زمانی حاوی 587 مقادیر ماهانه از سرعت متوسط باد و حداکثر مقادیر متوسط باد است. روش آزمون جابجایی از نظر آماری قوی تر از کلاسیک است تا سیگنال همبستگی بین سری های مختلف را که دارای مقادیر همبستگی کم هستند ، آزمایش کند.

نتایج

شکل 2 رفتار عملکرد همبستگی را نشان می دهد ، که در آن سری زمانی برای یک دوره 13 ماهه به 0 می رسد (تاخیر 13). عملکرد همبستگی همبستگی مثبت در حدود 0. 14 برای زمان بازگشت (خصوصیات پایداری) بین 25 تا 40 تاخیر ( 2-3 سال) و بین 52 تا 64 تاخیر (5 - 6 سال) دارد ، با اهمیت بالاتر برای دومی. در تجزیه و تحلیل عملکرد همبستگی در یک سری زمانی ، با بزرگی ترتیب 0. 14 ، این مقدار نباید به عنوان یک تصادفی ساده در سری زمانی تفسیر شود بلکه به عنوان یک مقدار از اهمیت نسبی است. این ممکن است به ترتیب با دوره های 2 - 3 و 5 - 6 سال ، تأثیرات مقیاس زمانی احتمالی را نشان دهد. نتایج مشابه نتایج به دست آمده توسط And And And And And And And And And An Si ، Wang B (2000) تغییر بین ساختار ساختار حالت ENSO و تأثیر آن بر فرکانس ENSO بود. J Clim 13 (12): 2044-2055. doi: 10. 1175/1520-0442 (2000) 0132. 0. co ؛ 2. https://doi. org/10. 1175/1520-0442(2000)0. با استفاده از روش دیگر: تجزیه و تحلیل موجک. آنها نشان دادند که دوره نوسان از 2 تا 4 سال (فرکانس بالا) ، در سال 1962 - 1975 ، به 4 - 6 سال (فرکانس پایین) ، در سال 1980 - 1993 افزایش یافته است.

جین و همکاران.(1996) Jin FF ، Neeli JD ، Ghil M (1996) El Niño/Southe و چرخه سالانه: قفل کردن فرکانس Subharmonic و Aperiodicity. Phys Nonlinear Phenom 98 (2): 442-465. doi: 10. 1016/0167-2789 (96) 00111-X. https://doi. org/10. 1016/0167-2789(96)001.، تجزیه و تحلیل ENSO و وجود چرخه های سالانه و زیر هارمونیک بلوک فرکانس و بیماری ، انتقال و بروز رژیم های هرج و مرج نزدیک به 4 سال و با یک قله شبه دو ساله ، که توسط پویایی از تعامل غیر خطی تولید می شودواد

در مطالعه چانگ و همکاران.(1995) تعامل بین چرخه فصلی و نوسانات ال نینو-جنوب در یک مدل اقیانوس اقیانوس همراه متوسط. J Atmos Sci 52 (13): 2353-2372. doi: 10. 1175/1520-0469 (1995) 0522. 0. co ؛ 2. https://doi. org/10. 1175/1520-0469(1995).، در تعامل بین چرخه فصلی و ENSO در یک مدل اقیانوس اقیانوس همراه همراه ، چرخه ENSO در یک رژیم ساندویچ بین رژیم های قفل فرکانس 3 و 2 ساله قرار می گیرد. هنگامی که وجود یک جاذبه عجیب برای SOI با ابعاد فراکتال 2. 5 تا 6 (با مقدار نزدیک به 5. 2) تخمین زده شد ، تجزیه و تحلیل با شبیه سازی 1000 سال با استفاده از مقادیر سری زمانی SST انجام شد. مشاهدات در مطالعه آنها نشان دهنده تغییر فرکانس است ، و این با تغییر قابل توجهی در ساختار حالت ENSO همراه همراه بود. این نتیجه روند پایداری را در سریال های زمانی ده ساله نشان می دهد.

شکل 3 دامنه آماری را نشان می دهد و یک همبستگی مثبت دوربرد را نشان می دهد. توزیع رفتار مداوم یا بسیار دوره ای را نشان می دهد. نتایج برای محاسبه H عبارتند از: H = 0. 561 ؛S = 0. 013 ؛ابعاد فراکتال 1/ H = 1. 78 و ضریب تعیین r 2 = 1 - (SSE/ SSM) = 0. 911 ، جایی که SSE مجموع خطاهای مربع (باقیمانده) است و SSM مجموع مربعات اطراف میانگین است. وزنی H = 0. 704 ؛وزنی S = 0. 007 ؛ابعاد فراکتال وزنی 1/ H = 1. 420 و R 2 ، وزنه برداری توسط S ،: R 2 = 1 - (SSE/ SSM) = 0. 998. ضریب همبستگی ρ = 0. 088 ، در سری زمانی ، دارای مقدار همبستگی فراکتال در حدود 10 ٪ و ضریب همبستگی وزن توسط S 0. 326 است.₁سری زمانی SOI با محاسبه H یک حافظه دوربرد با ماندگاری ، با مقادیر H = 0. 561 و 1/ ساعت در حدود 1. 78 با بعد فراکتال نشان می دهد. این نتایج را می توان به عنوان گرایش نسبی یک سری زمانی برای رکود شدید به میانگین آن یا گروه بندی در 1 جهت (Kleinow 2002 Kleinow T (2002) آزمایش مدل های زمان مداوم در بازارهای مالی (پایان نامه دکتری) تفسیر کرد. Universität Zu Berlin.). نتایج در جدول 2 نشان می دهد که H با استفاده از عملکرد Hurstexp (x) در R مقادیر بالاتر از 0. 5 را تولید می کند ، و یک سری زمانی را با حافظه دوربرد توصیف می کند.

شکل 4 نتیجه عملکرد LYAP_K را با مقادیر مثبت در مراحل مختلف سری زمانی SOI نشان می دهد. عملکرد Lyap با ضریب رگرسیون Lyapunov برای سری زمانی SOI تخمین زده می شود λ

= 0. 40. این نتایج نشان می دهد که سری زمانی SOI یک رفتار هرج و مرج را ارائه می دهد ، که با چانگ و همکاران سازگار است.(1995) تعامل بین چرخه فصلی و نوسانات ال نینو-جنوب در یک مدل اقیانوس اقیانوس همراه متوسط. J Atmos Sci 52 (13): 2353-2372. doi: 10. 1175/1520-0469 (1995) 0522. 0. co ؛ 2. https://doi. org/10. 1175/1520-0469(1995).، که پیشنهاد می کنند بی نظمی ENSO را می توان به عنوان یک فرآیند کم نظیر هرج و مرج که توسط چرخه فصلی هدایت می شود ، مشاهده کرد. ویژگی اصلی رفتار سیستم های هرج و مرج در شرایط اولیه حساسیت بالایی است ، که دلالت بر این دارد که تکامل سیستم با اختلالات کوچک در سیستم قابل اصلاح است.

شکل 5 نتیجه آزمایش جابجایی بین SOI و میانگین ماهانه اجزای باد منطقه ای و نصف النهار از ایستگاه سطح فرودگاه سائو لوئیس در ایالت مارانهاو را نشان می دهد. نتیجه محاسبه شده شواهد آماری را نشان می دهد که سری زمانی با سطح 5 ٪ فاصله اطمینان ارتباط معنی داری دارد. همبستگی محاسبه شده (0. 230 -) در موقعیت پایین دم توزیع نسبت به مقدار R بحرانی (0. 068 -) در دم پایین جابجا می شود. میانگین باد ماهانه می تواند با سیگنال تنوع SOI همراه باشد ، زیرا این همبستگی منفی بود ، نشان می دهد که در ماه هایی که SOI منفی است (وضعیت با ال نینو) ، میانگین باد بیشتر خواهد بود.

در سالهای وقوع ال نینو (SOI منفی) ، ویژگی های سیستم های پویا در منطقه استوایی (گردش خون هادلی و واکر) تغییرات قابل توجهی را نشان می دهد ، و تأثیرات آنها بر رفتار جوی در شمال شرقی برزیل تأثیر می گذارد. از نظر عملیاتی ، این به طور مستقیم بر ALC تأثیر می گذارد ، با شدت بیشتر به مشخصات باد در نزدیکی سطح.

مارکز و اویاما (2015) Marques RFC ، MD Oyama (2015) تنوع متقابل بارش برای Centro de Lançamento de Alcântara در سالهای بی طرف. J Aerosp Technol Manag 7 (3): 365-373. doi: 10. 5028/jatm. v7i3. 477. https://doi. org/10. 5028/jatm. v7i3. 477. مطالعه ای در مورد تنوع بین سالانه بارش در سالهای بی طرف ENSO برای ALC انجام داد. نویسندگان با استفاده از مجموعه داده های مختلف شبکه ای برای دوره 1951-2010 ، مشاهده کردند که ، زیر بارش متوسط ، مربوط به وزش باد شدید سطح پایین و با سطح پایین (925 اسب بخار) و به سمت شمال از شیب interhemispheric از ناهنجاری های دمای سطح دریا بر فراز آتلانتیک است.(درجه) ، و همچنین ، برای شرایط ال نینو ، درجه شمال به ناهنجاری های بارش منفی در شمال شرقی برزیل شدت می یابد.

شکل 6 ، به روشی مشابه ، آزمایش نشان داده شده در شکل 4 را نشان می دهد ، اما نتایج نشان می دهد همبستگی بین سری SOI و میانگین ماهانه حداکثر باد. نتایج از نظر آماری ارتباط بین سیگنال های سری زمانی با فاصله اطمینان قابل توجهی در سطح 5 ٪ نشان داد. میانگین بادهای حداکثر ماهانه در ماه ها با SOI منفی (ال نینو) بیشتر خواهد بود. همبستگی محاسبه شده (19/0 -) در موقعیت پایین دم توزیع از مقدار R بحرانی (0. 069 -) جابجا می شود.

بحث

استفاده از روش H می تواند روند سری زمانی SOI را با نتایج قابل توجهی ضبط کند. این نشان می دهد که روش H می تواند به عنوان یک تکنیک جایگزین مورد استفاده قرار گیرد و این امکان را نشان می دهد که سری زمانی SOI یک حافظه دوربرد را ارائه می دهد که در تمام سری LAG Range پایدار است. با استفاده از FFT ، یک سیگنال قابل توجه به دست آمد ، که نشان دهنده پایداری در سری زمانی است. این روش شواهد محکمی نشان داده است که تخمین H بالاتر از 0. 5 است ، زیرا مقدار H می تواند اندازه گیری بعد فراکتال را نشان دهد. بعد فراکتال کم انسجام بیشتری را در سری زمانی نشان می دهد و قابل پیش بینی تر است. از طرف دیگر ، با ابعاد فراکتالی بالا ، رفتاری با پیش بینی کمتر خواهد داشت.

محاسبه H در روش خود اجازه می دهد تا ابعاد فراکتال سری زمانی SOI در حدود 1. 78 را تخمین بزند. این نتیجه می تواند نشان دهنده رفتار هرج و مرج در سری زمانی SOI باشد ، بنابراین وابستگی یا حساسیت سیستم به شرایط اولیه ENSO را تعیین می کند. همچنین ، بی نظمی ENSO را می توان به عنوان یک فرآیند کم نظیر هرج و مرج که توسط چرخه فصلی هدایت می شود ، مشاهده کرد.

اظهارات پایان

نتایج نشان می دهد اهمیت تعامل اقیانوس و جو ، جایی که تعامل غیر خطی وجود دارد. اثرات ارتباطات مرتبط با ارتباطات ، دینامیک پیچیده ای ایجاد می کند ، بر شاخص های آب و هوایی مانند SOI تأثیر می گذارد و تعدیل می کند.

در وقوع ال نینو (SOI منفی) ، یک همبستگی آماری با میانگین باد ماهانه و حداکثر میانگین ماهانه آن وجود دارد ، و همچنین تمایل به تأثیر متوسط رفتار مشخصات باد در نزدیکی سطح ، که از نظر عملیاتی بر ALC تأثیر می گذارد. ال نینو وضعیتی را با وزش باد شدیدتر و جهت غالب (شرق-شمال غربی) مشخص می کند. درجه شمال ، ناهنجاری های بارش منفی را در شمال شرقی برزیل تقویت می کند.

این سریال دارای رفتار حافظه دوربرد است. بنابراین ، این تجزیه و تحلیل مقدماتی نشان می دهد که از مدل های خودجوش می توان در پیش بینی فصلی برای شمال شرقی برزیل و برای مطالعات روند با علاقه به دامنه تنوع فصلی برای ALC استفاده کرد. آگاهی از رفتار SOI و ارتباط آن با تغییرپذیری باد ، پیش بینی بهتری از شدت باد و در نتیجه بهبود ایمنی فعالیتهای راه اندازی ALC را فراهم می آورد.

سپاسگزاریها

نویسندگان از حمایت موسسه Aeronáutica e Espaço (IAE) تشکر می کنند.<2044:ICOTSO>منابع<2044:ICOTSO>یک SI ، Wang B (2000) تغییر بین ساختار ساختار حالت ENSO و تأثیر آن بر فرکانس ENSO. J Clim 13 (12): 2044-2055. doi: 10. 1175/1520-0442 (2000) 013

2. 0. co ؛ 2.»https://doi. org/10. 1175/1520-0442(2000)013

2. 0. co ؛ 2<1316:POEEUC>Andreoli RV ، Kayano MT (2006) تأثیرات اقیانوس آرام گرمسیری و اقیانوس اطلس جنوبی بر تنوع بارندگی در شمال شرقی برزیل. Int J Climat 26 (13): 1895-1912. doi: 10. 1002/joc. 1341.»https://doi. org/10. 1002/joc. 1341<1316:POEEUC>یک SI ، Wang B (2000) تغییر بین ساختار ساختار حالت ENSO و تأثیر آن بر فرکانس ENSO. J Clim 13 (12): 2044-2055. doi: 10. 1175/1520-0442 (2000) 013

2. 0. co ؛ 2.»https://doi. org/10. 1175/1520-0442(1992)005

2. 0. co ؛ 2

CAPOTONDI A (2013) El Niño-Southe Oscillation Ocean Dynamics: شبیه سازی توسط مدل های گردش خون عمومی. در: Sun DZ ، Bryan F ، ویراستاران. پویایی آب و هوا: چرا آب و هوا متفاوت است؟واشنگتن: اتحادیه ژئوفیزیکی آمریکا. مونوگرافی ژئوفیزیکی ، سری 189.<2353:IBTSCA>Capotondi A ، Wittenberg AT ، Newman M ، Di Lorenzo E ، Yu JY ، Braconnot P ، Cole J ، Dewitte B ، Giese B ، Guilyardi E ، Jin FF ، Kaauskas K ، Kirtman B ، Lee T ، Schneider N ، Xue Y ، YehehehSW (2015) درک تنوع ENSO. Bull Amer Meteor Soc 96 (6): 921-938. doi: 10. 1175/BAMS-D-13-00117. 1.»https://doi. org/10. 1175/bams-d-13-00117. 1<2353:IBTSCA>یک SI ، Wang B (2000) تغییر بین ساختار ساختار حالت ENSO و تأثیر آن بر فرکانس ENSO. J Clim 13 (12): 2044-2055. doi: 10. 1175/1520-0442 (2000) 013

2. 0. co ؛ 2.»https://doi. org/10. 1175/1520-0469(1995)052

2. 0. co ؛ 2

Collingridge DS (2013) آغازگر تجزیه و تحلیل داده های کمی و آزمایش جابجایی. مجله تحقیقات روشهای مختلط 7 (1): 79-95. doi: 10. 1177/1558689812454457.»https://doi. org/10. 1177/1558689812454457

Di Narzo AF (2013) Tserieschaos: تجزیه و تحلیل سری زمانی غیرخطی ؛[دسترسی به 2017 5 ژوئیه]. https://cran. r-project. org/web/packages/tserieschaos/index.html »https://cran. r-project. org/web/packages/tserieschaos/index.html<2715:imoet>Enfield DB ، Mayer DA (1997) تنوع دمای سطح دریای اقیانوس اطلس و ارتباط آن با نوسان ال نینو-جنوب. J Geophys Res 102 (C1): 929-945. doi: 10. 1029/96JC03296.»https://doi. org/10. 1029/96jc03296<2715:imoet>Gershunov A ، Baett TP (1998) مدولاسیون بین المللی ارتباطات ENSO. Bull Amer Meteor Soc 79 (12): 2715-2725. doi: 10. 1175/1520-0477 (1998) 079

2. 0. co ؛ 2.»https://doi. org/10. 1175/1520-0477(1998)079

2. 0. co ؛ 2

گلدبرگر آل (1996) پویایی غیرخطی برای پزشکان: نظریه هرج و مرج ، فراکتال ها و پیچیدگی در کنار تخت. Lancet 347 (9011): 1312-1314. doi: 10. 1016/S0140-6736 (96) 90948-4.»https://doi. org/10. 1016/S0140-6736(96)90948-4

Gonzalez RA ، Andreoli RV ، Candido LA ، Kayano RA ، De Souza RAF (2013) تأثیر نوسان ال نینو-جنوب و اقیانوس اطلس استوایی بر بارندگی در مناطق شمالی و شمال شرقی آمریکای جنوبی. Acta Amaz 43 (4): 469-480. doi: 10. 1590/S0044-59672013000400009.»https://doi. org/10. 1590/S0044-59672013000400009

Good PI (2005) تست های بازگردانی ، پارامتری و بوت استرپ هیپوتز. چاپ سوم. نیویورک: Springer-Verlag.

Hastings HM ، Sugihara G (1993) Fractals ، راهنمای کاربر برای علوم طبیعی. آکسفورد: انتشارات دانشگاه آکسفورد.

Hegger R ، Kantz H ، Schreiber T (1999) اجرای عملی روشهای سری زمانی غیرخطی: بسته Tisean. هرج و مرج 9 (2): 413-435. doi: 10. 1063/1. 166424.»https://doi. org/10. 1063/1. 166424.

Hurst He (1951) ظرفیت ذخیره طولانی مدت مخازن. معاملات انجمن مهندسان عمران آمریکا 116 (1): 770-799.