[...]
Dank je voor je uitleg over de berekening van de SAI en voor de sneeuwdata van 31 oktober.
Van Judah ontvingen wij twee data-sets van de SAI, een 'raw' en de andere 'de-trended' ik neem aan dat de tweede de 'standardized anomaly' betreft.
Raw:
[-0.41, -0.12, -0.68, 0.68, -0.07, 0.62, 0.16, -0.55, -0.37, -0.50, -1.44, -0.12, 2.30, -0.50, -0.17, 2.24, -1.07]
De-trended:
[-0.16, 0.10, -0.50, 0.83, 0.05, 0.72, 0.22, -0.52, -0.37, -0.53, -1.50, -0.21, 2.17, -0.66, -0.36, 2.02, -1.31]
Die series die jij laat zien zijn beide de 'standardized anomaly' lijkt me. Ik zal voor de duidelijk hieronder even de stappen die ik neem uiteenzetten, zodat het transparant is wat ik doe.
Hieronder staan drie grafieken die het komen tot de SAI beschrijven. Het begint met een ruimtelijk kaartje van het sneeuwoppervlak, in mijn geval van het gehele noordelijk halfrond aangeleverd door het NSIDC. Daarvan gooi ik alles buiten het SAI-gebied weg, en wat overblijft sommeer ik zodat je elke dag een een totaal oppervlak krijgt. Als je die dagelijkse waarden voor elke dag in oktober plot krijg je het eerste grafiekje, die waarden zijn het totale sneeuw oppervlak in km2.
Voor elk afzonderlijk jaar kan je de helling (toename) berekenen over de maand oktober, dan krijg je het resultaat zoals in het tweede grafiekje, in km2 per dag.
Om die waarden met de AO index te vergelijken kan je er dan een 'standardized anomaly' van maken. Dat is weinig anders dan je schaal aanpassen, relatief ten opzichte van elkaar blijven de waarden identiek. Je trekt van alle absolute km2/dag waarden het gemiddelde van alle jaren samen af, en deelt dat door de standaard deviatie van alle jaren. Dan krijg je als resultaat wat ik denk dat de 'raw' serie is die jij hebt gekregen. Zie het laatste grafiekje.
Die tijdserie vertoont echter nog een kleine lineaire trend, hij neemt langzaam toe naar verloop van tijd. Bij de 'de-trended' serie die je hebt gekregen is denk ik die lineaire trend nog verwijderd. Je kan in jouw de-trended serie ook zien dat de recente jaren iets lager zijn, en de oudste jaren iets hoger tov de 'raw' serie. Dat komt wat dat betreft overeen met de positieve trend die ik ook vind.
Zolang de mechanismen achter de correlatie tussen SAI en AO niet goed bekend zijn is het volgens mij de vraag of dat 'de-trenden' een verbetering is. Maar je kan ze gemakkelijk beide gebruiken en dan zal de tijd het leren.
Mijn waarden zullen uiteraard niet exact overeenkomen, want bij elk stap zijn nog tig nuances te maken. Welke dataset gebruik je uberhaupt (andere sensoren, andere resolutie etc) Hoe bepaal je of een waarde net-wel of net-niet binnen het SAI-gebied valt etc. Daar kun je nog allerei keuzen maken die het eind resultaat beinvloeden. Maar in grote lijnen komen de series nu al aardig overheen, valt me wel mee.
Het onderstaande plaatje gemaakt met het huidige, halve, jaar meegenomen. Dat is niet helemaal fair omdat de toename in de 2e helft van oktober normaal gesproken sneller verloopt. Dus puur ter illustratie van de methode!
edit: Omdat de correlatie tussen de SAI en AO omgekeerd evenredig is (hoge SAI = lage AO en vice versa), wordt in die publicatie van Cohen de SAI 'omgekeerd' geplot, dus gewoon alle waarden maal -1.
Bericht laatst bijgewerkt: 10-10-2014 15:50
