Python气象数据处理与绘图(4):显著性检验

Python011

Python气象数据处理与绘图(4):显著性检验,第1张

其实在(2)中已经提到了相关系数和回归系数,在计算过程中,直接返回了对应的p-value,因此可以直接使用p-value。

计算两个独立样本得分均值的T检验。

这是对两个独立样本具有相同平均值(预期值)的零假设的双边检验。此测试假设默认情况下总体具有相同的方差。在合成分析中通常用到t-test。

当a,b为变量场时,即[time,lat,lon]时,a,b两个数组的经纬度需相同。

nan_policy 可选{‘propagate’, ‘raise’, ‘omit’}

“propagate”:返回nan

“raise”:报错

“omit”:执行忽略nan值的计算

计算得到的P值用于绘图,当p<0.01时,通过99%显著性检验,p<0.05,通过95%显著性检验,以此类推。

图形绘制只需在原有填色图上叠加打点图层,实际上打点也是特殊的图色,只不过将颜色换成了点,实际上用到的还是contourf函数。

通过contourf对应参数调节打点图层的细节。

长时间尺度的气候研究中通常涉及到年际变化和年代际变化。文献中也经常出现所谓年代际突变这类的描述,这次便介绍两个用来检验年代际变化的方法, 其一是滑动t检验(sliding t-test),另一个则是曼肯德尔检验(Man-Kendall test)。

滑动t检验是考察两组样本平均值的差异是否显著来检验突变。

滑动t检验的基本思想是:把一气候序列中两段子序列均值有无显著差异看为来自两个总体均值有无显著差异的问题来检验。如果两段子序列的均值差异超过了一定的显著性水平,可以认为均值发生了质变,有突变发生。

原文也提到了该方法的局限性,需要人为设置滑动步长,具有一定主观性,需反复设置不同步长最终确定合适的突变点。

自由度n1+n2-2,根据置信度检验表查找对应显著性阈值。

曼肯检验是一种非参检验方法,避免了滑动t检验的局限性,在年代际变化研究中受到广泛应用。

以下是计算步骤:

对于同一组数据:

分别使用两种方法进行检验,首先是滑动t检验:

存在多个突变点,这时便需要调整滑动补偿,选取合适的步长。

而利用MK检验:

对于该组数据,相比之下,MK检验的效果要优于滑动t检验。

两种检验的分析方法如下:

滑动t检验:

M-K检验: