（...接续）

       海洋与大气是高度耦合的复杂系统，其时间序列数据分析（如海表温度、气压、风场、降水）常揭示

显著的相关性。理解这些相关性的来源、影响因素及如何重构相关序列至关重要。

一、时间序列相关性产生的缘由

1. 1.物理耦合机制：

• 能量交换： 海洋通过感热（温差）、潜热（蒸发）和长波辐射向大气输送巨大能量，驱动大气环流。大气通过风应力向海洋输送动量，驱动洋流和上升流。这种双向能量/动量交换使海洋和大气变量（如 SST 与海面气温、风应力与洋流）必然相关。

• 物质交换： 海水蒸发提供大气水汽（影响云和降水），降水又改变海洋盐度和层结。CO₂ 等气体在界面交换影响气候。这些交换过程使变量（如蒸发率与大气湿度、海表 CO₂ 通量与大气 CO₂）紧密关联。

• 反馈机制：

• 正反馈： 如“冰-反照率反馈”：变暖→海冰融化→反照率降低→吸收更多太阳辐射→进一步变暖。导致海冰范围与气温高度负相关。

• 负反馈： 如“云-温度反馈”：海温升高→蒸发增强→云量可能增多→反射更多太阳辐射→抑制升温。使云量与 SST 在特定区域呈现复杂相关。

2. 2.共同的外部强迫：

• 太阳辐射： 太阳活动的周期性变化（如 11 年周期）同时影响到达海洋和大气的能量，驱动两者发生同步或滞后响应。

• 火山喷发： 强火山喷发将气溶胶注入平流层，阻挡太阳辐射，导致海洋和大气短期（几年）同步冷却（SST 下降、地表气温下降）。

• 温室气体增加： 人为排放的 CO₂ 等温室气体同时加热海洋（海洋热吸收）和大气（地表气温升高），导致两者呈现长期上升趋势和显著正相关。

3. 3.遥相关（Teleconnections）：

• 大尺度大气环流模式（如 ENSO, NAO, PDO）可在相距遥远的海洋和大气区域之间建立显著相关。

• 典型例子 - ENSO： 热带太平洋海温异常（SSTa）通过改变大气对流和激发大气波动（如 PNA 型），显著影响全球遥远地区（如美洲、非洲、澳洲）的降水和温度模式。秘鲁沿岸 SSTa 与澳大利亚降水存在强负相关。

4. 4.平流与混合过程：

• 洋流平流将热量、盐度和溶解物质从一处输送到另一处，使上游与下游区域的海温、盐度等变量产生滞后相关（如墨西哥湾流区 SST 与欧洲西部气候）。

• 大气风场平流水汽，使源地蒸发与下游降水相关。

• 海洋和大气内部的湍流混合过程也调节局地变量间的协变性。

二、长期趋势、季节循环、年循环对相关性的影响

1. 1.长期趋势（Secular Trend）：

• 影响：

• 人为夸大相关性： 如果两个序列都受到相同强迫（如全球变暖）影响而具有显著的同向长期趋势（如全球平均 SST 上升、全球平均气温上升），即使它们的短期波动完全不相关，计算整个序列的相关系数也会非常高（伪相关）。

• 掩盖真实动态关系： 强趋势可能淹没掉序列间真实的物理相互作用（如年际尺度的反馈机制）。

• 处理： 在分析物理耦合或年际变率时，通常需要去除长期趋势（如线性去趋势、滑动平均去趋势、多项式拟合去趋势），以揭示扣除背景变化后的变量间真实动态关系。分析趋势本身也是研究气候变化的重要部分。

2. 2.季节循环（Seasonal Cycle）：

• 影响：

• 主导年尺度相关： 季节循环是海气变量中最强的信号（如夏季 SST 高、冬季 SST 低；季风区夏季降水多、冬季少）。两个受相同季节强迫驱动的变量（如 SST 与海面气温）会呈现极强的同步正相关。

• 掩盖非季节尺度的关系： 强烈的季节性信号会使年际变率（如 ENSO）或更短时间尺度（如天气尺度）的相关性变得模糊不清。

• 处理： 研究年际或更短时间尺度的相关性时，必须去除季节循环。常用方法是计算“异常（Anomaly）”：

• 对每个时间点（如某年某月），减去该月份在气候态（如 30 年平均）下的平均值。

• 结果序列表示相对于该月“正常状态”的偏差，移除了固定的季节循环影响。

3. 3.年循环/年际变率（Interannual Variability）：

• 影响：

• 核心研究对象： 年际变率（如 ENSO 的 2-7 年周期、NAO 的年际波动）是海气相互作用最活跃、气候影响最显著的尺度。海洋（特别是热带太平洋）的热惯性使其成为驱动大气年际变率的关键存储器。

• 主导区域/全球尺度相关性： 大尺度气候模态（如 ENSO, PDO）在其活跃区域和其遥相关影响区域，主导着年际时间尺度上海洋与大气变量间的显著相关（正或负）。

• 调制季节循环： 年际信号可以改变季节循环的强度和相位（如厄尔尼诺年可能改变某地的雨季开始时间或强度）。

• 处理： 分析年际相关性本身就是重点。通常对去除了长期趋势和季节循环后的异常序列进行分析。方法包括：

• 计算异常序列间的相关系数（Pearson, Spearman）。

• 回归分析（一个变量对另一个变量的线性响应）。

• 奇异值分解（SVD）分析两个场（如 SST 场和气压场）间的耦合模态。

三、相关时间序列的重构

重构旨在从原始数据或特定目标出发，构建或提取具有物理意义且相互关联的时间序列，用于分析、预测或简化复杂系统。

1. 1.基于主成分/经验正交函数（PCA/EOF）：

• 原理： 对单个场（如全球 SST 场）进行空间分解，得到空间模态（EOF）及其对应的时间系数（PC）。PC 是彼此正交的时间序列，代表场的主要变率模式。

• 重构相关序列：

• 可选取前几个主要 PC 序列来重构原始场的主要信号（降维），这些 PC 序列本身代表了场的主要时间变率。

• 分析不同场（如 SST PC1 与海平面气压 PC1）的 PC 序列之间的相关性，揭示大尺度耦合模态（如 ENSO 的 SST 模式与南方涛动气压模式的相关）。

2. 2.基于奇异值分解（SVD）：

• 原理： 直接分析两个不同场（如 X=SST 场， Y=海面风应力场）的协方差矩阵。得到成对的空间耦合模态（左奇异向量 U for X， 右奇异向量 V for Y）和对应的时间系数序列（SVD 时间序列）。

• 重构相关序列： SVD 时间序列（通常取前几对）是高度相关的，它们代表了两个场之间最显著的耦合变率模式（如热带太平洋 SST 与风应力的 Bjerknes 反馈模态）。这些时间序列本身就是重构出的、表征最强耦合关系的核心时间序列对。

3. 3.基于小波分析：

• 原理： 将时间序列分解到时间-频率域，识别不同时间尺度（如季节、年际、年代际）上的能量分布和相位关系。

• 重构相关序列：

• 可在特定感兴趣的尺度（如 2-7 年带通）上重构两个序列，然后分析重构后序列在该尺度上的相关性（小波相干），揭示特定时间尺度上的耦合强度和位相关系。

• 特别适合分析非平稳信号（如相关性随时间或尺度变化的系统）。

• 4.基于状态空间模型/卡尔曼滤波：

• 原理： 假设系统存在一个隐藏的“状态”（可能包含多个相关变量），观测数据是该状态的含噪声反映。模型通过状态方程描述状态演化，通过观测方程连接状态与观测。

• 重构相关序列： 卡尔曼滤波利用所有历史观测数据，递归地估计当前最优状态（包括多个相关变量）。该估计出的状态序列就是重构的、相互关联的、去噪的时间序列集合，常用于数据同化和预测初始化。

4. 5.基于物理模型的输出：

• 原理： 利用复杂的海气耦合环流模式（CGCM）进行模拟或再分析（如 ERA5, NCEP/NCAR）。

• 重构相关序列： 模型输出的物理变量（SST, 风场, 降水等）序列本身就是在物理定律约束下生成的、内在相关的。研究者可提取特定点或区域的模式输出序列进行分析，这些序列代表了模型所理解的物理关联。

5. 6.基于深度学习（如 LSTM, Transformer）：

• 原理： 利用神经网络强大的非线性拟合和序列建模能力。

• 重构相关序列： 

• 可训练网络学习多个输入序列（如历史 SST, 气压）与目标序列（如未来降水）的复杂映射关系，网络的输出（预测序列）隐含了学习到的相关性。

• 可用编码器-解码器结构学习高维数据的低维表示（类似非线性 PCA），其隐含状态序列可视为重构的相关特征序列。

• 可训练网络直接预测两个序列间的相关系数或协方差（作为时间函数）。

•        海洋与大气时间序列的相关性源于深刻的物理耦合、共同强迫和遥相关机制。长期趋势、季节循环和年际变率是影响相关性计算和解释的关键因素，分析时需通过去趋势、计算异常值、带通滤波等手段聚焦目标时间尺度。重构相关时间序列是理解和利用海气系统复杂相互作用的核心工具，从经典的 PCA/EOF、SVD 到现代的状态空间模型和深度学习，提供了不同复杂度和目标导向的方法。选择合适的方法取决于科学问题、数据特性和所需的重构精度。