基于svd误差订正模式降水问题

dreamFly1993

目前使用：xMCA分析获得，左右异类相关分布场，左右时间系数以及解释方差。并计算获得左右时间系数之间的一元回归方程。下一步需要把预测结果，通过投影到已有的预报模态上，得到各模态新一年预报场时间系数。这个投影到已有的预报模态应该怎么理解，各位大佬？以下是部分代码：import pandas as pd
from xMCA import xMCA

import numpy as np
import matplotlib.pyplot as plt
import xarray as xr
import shapefile
from sklearn import linear_model
s2sFile='F:\project\globalDisaster\svd_aysnc_demo_data\data678/0_tp.nc';
sieFile='F:\project\globalDisaster\svd_aysnc_demo_data\data678/0_sie_tp.nc';
s2sData=xr.open_dataarray(s2sFile).transpose(*['time', 'lat', 'lon'])
sieData=xr.open_dataarray(sieFile).transpose(*['time', 'lat', 'lon'])

#步骤一：左场和右场分析
k=3#取3个模态
svd = xMCA(s2sData,sieData)
svd.solver()
#lp,rp分别为左场和右场的模态，（n=3，取得求取的排名靠前的n个模态）。
lp,rp =svd.patterns(n=k)
#lt,rt分别为左场和右场的时间系数序列
lt,rt=svd.expansionCoefs(n=k)
#方差贡献
frac = svd.covFracs(n=k)
#homogeneous 同性
# lho, rho, lphot, rphot = svd.homogeneousPatterns(n=1, statistical_test=True)
#heterogeneous 异性
le, re = svd.heterogeneousPatterns(n=k)
ui=[] #一元回归系数
vi=[]
#步骤二：使用时间系数建立一元回归方程,求出ui和vi。方程ui+vi*βi(时间系数)=Y(订正值)
for i in range(k):
    #把左场（预报场）当作x自变量
    x=lt.data.reshape(-1,1);#把一维数组转为每个值为独立的数组(如：[1,2,3]转为[[1],[2],[3]])
    #把右场（实况场）当作y因变量
    y=rt.data
    reg = linear_model.LinearRegression().fit(x,y)
    r = reg.score(x,y)#r相关系数
    v = reg.coef_
    u = reg.intercept_
    ui.append(u)

769837552

同求，这个库好像没发现投影功能，最后不得已改用ncl解决

dreamFly1993

769837552 发表于 2022-6-23 09:12
同求，这个库好像没发现投影功能，最后不得已改用ncl解决

您好，麻烦问下。ncl是那个方法可以投影到对应的模态上面呢？

dreamFly1993

木有人知道吗？