什么是遥相关？
遥相关是指气候变量之间的远程关联，代表全球尺度上的能量传输和气候动力学过程
能够引起大气、海洋的动量、热量和能量交换，深刻影响不同地区的天气和气候
典型案例：ENSO（厄尔尼诺-南方涛动）通过激发大气环流异常，将热带太平洋信号传递至全球
传统方法的挑战
EOF方法
主流方法，但基于线性假设，难以捕捉气候系统的非线性动态
降维损失
降维方法导致信息损失，无法保留局部相互作用
高维挑战
大数据时代需要能够处理高维数据和非线性相互作用的新范式
气候网络方法的革新
节点-连边表征
将地理位置抽象为节点，基于气候变量的统计关联构建连边
非线性捕捉
能够捕捉复杂的非线性相互作用和依赖关系，避免信息损失
自动识别枢纽
通过中心度等网络测度，自发识别遥相关的关键枢纽区域
动态追踪
通过动态网络分析，追踪遥相关结构的演变过程
核心研究方法
1 相互依赖性量化
• 互相关函数：线性相关性量化
• 互信息：捕捉非线性依赖
• 事件同步：极端事件同步分析
• 格兰杰因果：时间序列因果推断
• 收敛交叉映射：非线性因果识别
2 网络测度应用
• 中心度：识别网络枢纽节点
• 度分布：揭示幂律分布特征
• 局部中心度：区域影响力测度
• 中介中心性：信息传播能力
• 平均连边长度：区分短程与长程关联
3 路径探测技术
• 偏相关方法：提取直接连边
• Dijkstra算法：识别最优传播路径
• 节点降维：减少计算复杂度
• 社区检测：识别相似动力学集群
• 因果发现：揭示中介作用机制
4 动态网络分析
• 滑动窗口：构建时序网络序列
• 时空演化：追踪遥相关动态变化
• 多层网络：多变量关联分析
• 时滞分析：揭示传播时间特征
• 相变检测：识别临界转变点
重要研究发现
单变量遥相关模式
验证了NAO、PNA、PDO等经典遥相关模式，发现了"丝绸之路"遥相关和环球遥相关（CGT）
连边长度在3500、7000、10000 km出现峰值，与罗斯贝波的1/2、1和3/2波长接近
极端事件同步
欧洲极端降水在10天内传播至南亚中部，传播时间4-5天
连边长度小于2500 km符合幂律分布（区域天气系统），大于2500 km反映大尺度遥相关
关键传播路径
识别出挪威海→日本南部、亚马逊→青藏高原（长约20000 km）等遥相关路径
印度尼西亚群岛在东太平洋与阿拉伯海遥相关中起中介作用
多变量耦合
发现海表温度-降水、CO₂浓度-近地面温度的跨变量遥相关模式
北美西海岸大气河登陆后，内陆区域几天后经历延迟极端降水