如何将指数会的回归到海温

1.一种基于海温的气象干旱预报方法，其特征在于，包括：s1运用局部加权回归季节-趋势分解法将海温和标准化降水蒸发指数数据分别分解为三项数据形式，三项数据形式包括季节项、趋势项和余项；s2基于海温的三项分解项，构建每项的前期海温波动模式；s3基于相关系数，获得海温每个分解项的每种波动模式的预报因子；s4结合预报因子和标准化降水蒸发指数，基于极限学习机构建“海温波动模式-极限学习机”预报模型，对预见期1个月和3个月网格尺度的spei进行预报，获取集合预报和确定性预报，评估预报结果。2.根据权利要求1所述的气象干旱预报方法，其特征在于，所述局部加权回归季节-趋势分解法的表达式为：y

t

＝s

t

+t

t

+r

t

式中，y

t

表示月份t的海温或spei值；s

t

、t

t

和r

t

则分别表示月份t的海温或spei的季节项、趋势项和余项。3.根据权利要求1所述的气象干旱预报方法，其特征在于，所述s2基于海温的三项分解项，构建每项的前期海温波动模式，具体为：假设海温的季节项，记前期1-3个月海温因子为k1、k2、和k3，定义前期1～3个月波动模式为这三个月的任意加减组合，记为δk，可得前期1～3个月波动模式共有9种，根据不同模式所包含的月份数分为以下三个类型：(1)i型：仅包含前期1个月份的信号，共1种，即δk1＝k1(2)ii型：包含前期2个月份的信号，共4种，即δk2＝k1+k2、δk3＝k

1-k2δk4＝k

1-k3、δk5＝k1+k3、(3)iii型：包含前期所有3个月份的信号，共4种，即δk6＝k1+k2+k3、δk7＝k1+k

2-k3δk8＝k

1-k2+k3、δk9＝k

1-k

2-k3上述9种前期波动模式用于预见期1个月的干旱预报。4.根据权利要求3所述的气象干旱预报方法，其特征在于，趋势项和余项按照海温季节项的方法建立各自的前期波动模式。5.根据权利要求1所述的气象干旱预报方法，其特征在于，所述相关系数具体是指分别计算spei指数与前期海温波动模式对应分解项即季节项、趋势项和余项的相关系数。6.根据权利要求1所述的气象干旱预报方法，其特征在于，所述s3基于相关系数，获得海温每个分解项的每种波动模式的预报因子，具体为：对于每个分解项的每种波动模式，分别求取预报因子；对于季节项的第一个波动模式，在每个滑动窗口计算某一格网spei与选定格网区域内该模式的相关系数；对于某一特定窗口，若某格网的分解项第一波动模式相关性通过显著检验，则将此网格的分解项波动模式定义为预报因子的起点，并检查相邻格网单元，满足条件的相邻网格被划分到当前预报因子斑块中，重复此搜索过程，直到没有满足相关要求的网格，最终提取该窗口符合条件的所有网格海温作为该网格spei的预报因子；而对于其他

分解项的波动模式，也按照上述步骤建立对应预报因子。7.根据权利要求6所述的气象干旱预报方法，其特征在于，使用面积大于5

×

106平方公里的预报因子斑块。8.根据权利要求1所述的气象干旱预报方法，其特征在于，所述s4结合预报因子和标准化降水蒸发指数，基于极限学习机构建“海温波动模式-极限学习机”预报模型，对预见期1个月和3个月网格尺度的spei进行预报，获取集合预报和确定性预报，评估预报结果，具体为：运用极限学习机，针对每个分解项的每种波动模式，分别构建预报模型，进行滑动窗口预报预见期1和3月的spei值。9.根据权利要求8所述的气象干旱预报方法，其特征在于，应用贝叶斯模型平均方法生成确定性预报。10.根据权利要求8所述的气象干旱预报方法，其特征在于，用布莱尔分数及布莱尔技能分数评估集合预报结果，而用相关系数、归一化均方根误差和列联表法评估确定性预报性能。

计算SPI指数只需要降水数据就行，但是如果计算SPEI指数，所谓的标准化降水蒸散指数(SPEI)通过标准化潜在蒸散与降水的差值表征一个地区干湿状况偏离常年的程度, 是分析干旱演变趋势的新理想指标, 目前已经广泛应用于干旱评估、水资源管理等领域。

如果是统计整个矩阵,比如y

那么直接table(y)

>y

[,1] [,2] [,3]

[1,]123

[2,]222

[3,]321

>table(y)

y

1 2 3

2 5 2

所以如果统计所有列，那就自己写个循环吧

for(i in 1:ncol(y)){

table(y[,i])

}

---