Empirical Orthogonal Function_Fadhlil_G24140044
February 1, 2019 | Author: Fadhlil Muhammad | Category: N/A
Short Description
Penjelasan dan contoh matematis teknik PCA atau EOF...
Description
Empirical Orthogonal Function Fadhlil Rizki Muhammad Muhammad Departemen Geofisika dan Meteorologi Institut Pertanian Bogor 1 Pendahuluan Teknik eknik Empirical Orthogonal Function (EOF (EOF)) atau atau Principal Component Analysis (PCA) merupakan teknik yang penting bagi studi sains atmosfer. Teknik EOF dapat mereduksi data yang memi memilik likii varia variabe bell bany banyak ak sepe seperti rti data data time-series time-series menjadi menjadi bebera beberapa pa variab variabel el yang yang disebut disebut Principal Component (PC) tanpa mengilan mengilangkan gkan variabilita variabilitass iklim data tersebut. tersebut. Teknik eknik EOF pertama kali dikenalkan ole !oren" (#$%&). 'eberapa onto kegunaan teknik EOF dalam sains atmosfer adala untuk mengemembangkan ndeks untuk memonitor *+O dan ',,O (-eeler dan endon /0012 !ee et al. /0#3)4 memvalidasi simulasi *+O pada model (-aliser 5 et al. /006) dan menduga dampak *+O teradap suu udara permukaan dan presipitasi (7ou et al. /0#/). #.# 5efinisi EOF mereduksi data yang sebelumnya memiliki n 8 variabel (9#49/4:49n) menjadi data yang memiliki variabel yang (semoga) lebi sedikit (m;n) (y#4y/4..4ym). atir ka>atir akan multikolinearitas dan autokorelasi. EOF didefinisikan sebagai vektor eigen dari kombinasi linear tersebut. ,eara matematis ditulis (uruf tebal menandakan matriks) =
P! " EOF# P! adala matriks m 9 # 4 EOF adala vektor eigen m9n4 dan # adala variabel asli dengan matriks n9#. $ Mencari EOF /.# *atriks varian8kovarian dan matriks korelasi *atriks varian8kovarian atau matriks korelasi mutlak dibutukan untuk menari EOF. *atriks varian8kovarian dan matriks korelasi diari untuk menemukan nilai eigen dan vektor eigen (EOF) dari data asli. ?ilai eigen akan menunjukkan variansi yang dapat ter>akili ole data PC atau EOF. ,emaki ,emakin n tinggi tinggi nilai nilai eigen eigen atau atau varian variansi si yang yang dipero diperole le44 semak semakin in baik baik PC atau atau EOF dalam dalam merepresentasikan merepresentasikan variabilitas iklim yang ada pada data.
+ika diketaui ada variabel % dan # & *atriks varian8kovarian didefinisikan sebagai =
[
]
σ## σ #/ ... σ # n N # σ σ ... σ / n /# // ¯ki)( Y kj−Y ¯kj) , N aalah jumlaha Cov ( X ,Y )= 4 σij = ∑ ( X ki− X hata ...
...
σn # σ n /
... ...
...
σ nn
N k =#
i@#4/434:4n j@#4/434:.n
contoh $1 'modifikasi dari https())***essuciedu)+,u)class)ess$1-.)lecture/EOFallpdf0 = ,ebua data ,,T reanalisis >ilaya pasifik memiliki #0 grid pada ara latitudinal dan /0 grid pada ara longitudinal. ,eperti apa variabel keadaan yang mendeskripsikan keadaan ,,T di >ilaya tersebut +ika data yang dimiliki adala data bulanan dari taun #$$#8/0004 Tuliskan variabel keadaan dan matriks kovariannya B +a>ab = aktu jumla >aktu @ ((/0008#$$#)#) ((/0008#$$#)#) 9 #/ bulan @ #0 9 #/ ? @ /00 9 (#0 9 #/) @ /1000 data data X mn = X m ( t n) ,
m @ #4/434..4m 4
n =#4/434... , /1000
'%mn menunukkan menunukkan 2aria.el % di grid m pada *aktu n0 Ilustrasi ( t=1
Drid #4# 'm " 10
Drid #4/ 'm " $0
:.
Drid #4/0 'm " $-0
Drid /4# 'm " $10
Drid /4/ 'm"$$0
:.
Drid /4/0 'm" 3-0
:.
:.
:.
:.
Drid #04# 'm"1-10
Drid #04/ 'm"1-$0
:.
Drid #04/0 'm"$--0
t=2
Drid #4# '10
Drid #4/ '$0
:.
Drid #4/0 '$-0
Drid /4# '$10
Drid /4/ '$$0
:.
Drid /4/0 '3-0
:.
:.
:.
:.
Drid #04# '1-10
Drid #04/ '1-$0
:.
Drid #04/0 '$--0
t=3 …. t=n
*atriks kovariannya adala4
[
Cov ( X )=
σ ## σ#/ ... σ# j σ /# σ// ... σ/ j ...
...
... ...
σi # σ i /
...
σ ij
]
N
¯kj ) , N =/1000 σij = # ( X ki− X ¯ki)( X kj − X N k =#
∑
, i , j =/00
diman dimanaa i dan j dala dala letak letak grid grid dan k adala adala >aktu. >aktu. (onto (onto = grid(# grid(#4#) 4#) maka maka i @ #4 j @#4 m@#. grid(#04/0) maka i @ #04 j@ /04 m @ /00) *atriks korelasi juga dapat digunakan untuk menari PC dan EOF. *atriks korelasi memiliki keungg keunggula ulan n dalam dalam "eighting jika dibandin dibandingkan gkan dengan dengan matriks matriks varian8kov varian8kovarian arian dalam menari menari EOF dan PC. #eighting yang dimaksud dimaksud adala 4dalam persamaan persamaan linear linear ( @ a# b/) nilai a dan b yang diasilkan ole matriks varian8kovarian dan korelasi akan berbeda. ?ilai a dan b pada matriks varian8kovarian dapat saling berbeda jau (aGGb atau a;;b) jika dibandingkan dengan nilai a dan b yang diasilkan ole matriks korelasi. ?ilai aGGb dan a;;b yang diasilkan ole matriks varian kovarian disebabkan apabila variansi dari variabel keadaan sangan berbeda dari titik ke titik seingga merusak pola dari data. *atriks korelasi lebi baik digunakan apabila matriks variabel keadaan adala kombinasi dari beberapa variabel dengan satuan yang berbeda. Hntuk menari matriks korelasi4 data arus distandardisasi terlebi daulu. !iat kembali contoh $1& matriks korelasi pada contoh $1 didefinisikan sebagai = 1 $ −#
=(V )
1 $
V
1
=
Cov X
[
/ σ
# √
##
1 $ −#
( V ) =Cov Z
0
/ σ
. ..
0
. ..
0 ...
0
# √
...
...
. ..
0
0
. ..
//
.....(#)4 4 adala variabel % yang tela distandardisasi.
/ σ mm
# √
]
, m =/00
¯ #) ( X #− X √ σ ## ¯ /) ( X /− X $ /= √ σ // $ #=
( $ m =
¯m ) ( X m − X √ σ mm
/./ ?ilai Eigen4 a PC @ a9#b9/ mengasilkan nilai bGGa atau aGGb. al ini terjadi karena pada matriks varian8kovarian terdapat data yang jau melebii nilai # 1 lain. Cov ( X )= Hntuk mengatasi al tersebut4 ada baiknya sebelum mengitung PC4 kita 1 #00 menormalisasi data atau menggunakan matriks korelasi untuk menentukan EOF dan PC.
[
]
Dengan menggunakan matriks korelasi Persamaan (#) akan memberikan matriks korelasi sebagai berikut =
[
=
# .1
.1 #
]
dimana setiap elemen matriks korelasi didefinisikan sebagai =
[ ]
=# ρ ρ #
kemudian dengan menggunakan persamaan
|( − λ I )|=0 |
#
.1
.1
#
−λ
#
0
0
#
|=| #− λ .1
.1 #
−λ
|=0
*aka didapatkan persamaan sebagai berikut4 J/8/J0.61 @ 0 dengan akar8akar = J# @ #.1 J/ @ 0.& 5engan menggunakan persamaan persamaan (/) dan mengganti !o2'%0 menjadi ;& ( − λ I ) ! E=Y untuk J# @ #.14 didapatkan vektor eigen atau EOF sebagai berikut4
= EOF =[ 0.L0 0.L0L L
T
v 1
1
0.L0 0.L0L L
]
dan untuk J / @ 0.& T v $ = EOF $=[ 0.L0L − 0.L0L ] seingga nilai PC # dan PC / adala= PC #=0.L0L $ #+ 0.L0L $ /
¯) ( X i− X $ i = , √ σ ii
i =#4/
PC /=0.L0L $ #−0.L0L $ / PC# dapat me>akili (#.1M(#.10.&)) @ L0N variansi data asli PC/ dapat me>akili (0.&M(#.10.&)) @ 30N variansi data asli 'erdasarkan asil tersebut dapat disimpulkan ba>a4 dengan menggunakan matriks korelasi kedua PC dapat me>akili data lebi setimbang daripada dengan menggunakan matriks varian8kovarian.
akili kumulatif G $%N
Referensi +onson +onson IA4 -iern -iern 5-. 5-. #$6/. #$6/. Apllie &ultivariate 'tatistical Analysis. Analysis. ?e> +erse +ersey y (H,) = Prentie8all. !ee +4 -ang '4 -eeler *4 Fu 4 -aliser 54 ang . /0#3. Ieal8time multivariate indies for te boreal boreal summer summer intraseas intraseasonal onal osillation osillation over te Asian summer summer monsoon monsoon region. Climat Climatee (ynamics(10) (ynamics(10) = 1$38%0$. !oren" !oren" EE-.. #$%&. #$%&. Empirial Empirial ortogona ortogonall funtions funtions and statistia statistiall >eater >eater predition predition.. 'tatistical 'tatistical )eport No!*, 'tatistical 'tatistical Forecasting Forecasting Project Project .. -aliser 54 et al! /006. *+O simulation diagnostis. +ournal o Climate(//)=300&83030. Climate (//)=300&83030. -eeler *4 endon . /001. An all8season real8time multivariate *+O inde9 = development of an inde9 for monitoring and predition. +ournal o Climate(#3/)=#$#L8#$3/. Climate (#3/)=#$#L8#$3/. -ilks 5,. /00%. 'tatistical ðos in the Atmospheric 'ciences! ,an 5iego(H,) = Elsevier. 7ou ,4 !eureu9 *4 -eaver ,4 umar A. /0#/. A omposite study of te *+O influene on te surfa surfaee air temper temperatu ature re and preip preipita itatio tion n over over te Contin Continent ental al Hnited Hnited ,tates ,tates.. Clim Clima ate (ynamics(36)=#1%$8#1L#. (ynamics(36)=#1%$8#1L#.
View more...
Comments