OPI "October Pattern Index"

[elz]

Gli EOF sono tutti completamente scorrelati tra di loro per una questione matematica, è proprio l'obbiettivo di questo tipo di analisi di ridurre un dataset a pochi modi di variabilità indipendenti tra di loro; EOF vuole appunto dire Empirical Orthogonal Functions poichè si scompone un dataset in funzioni base ortogonali(indipendenti) tra di loro.

C'è una breve descrizione degli eof scritta da Dennis Shea dell'ncar qui:
https://climatedataguide.ucar.edu/cl...d-eof-analysis

Further, EOF analysis is not based on physical principles. Rather, a field is partitioned into mathematically orthogonal (independent) modes which sometimes may be interpreted as atmospheric and oceanographic modes ('structures').

Questo è dal libro di Jolliffe del 2002 "Principal component analysis":

The central idea of principal component analysis (PCA) is to reduce the dimensionality of a data set consisting of a large number of interrelated variables, while retaining as much as possible of the variation present in the data set. This is achieved by
transforming to a new set of variables, the principle components, which are uncorrelated, and
which are ordered so that the first few retain most of the variation present in all of the original
variables

Se si usano gli eof rotati allora si può perdere l'ortogonalità delle funzioni base ma non è questo il caso dell'AO e dell'AD.

Ad Esempio, gennaio 1990 ha un AD più positivo (+2.11) del gennaio di quest'anno e AO di +1:
compday.dx7e3TxOMd.gif