如何在指数（时间序列）和网格数据之间进行 Spearman 相关？

Question

我需要执行类似于此处提供的 Spearman 相关性（针对 Pearson 相关性），我可以在网格数据和气候指数（或自定义时间序列）之间进行关联。

时间序列是一个txt文件，网格数据是一个NetCDF文件。

我尝试使用 CDO（但似乎它不允许这种相关性）和 R（使用 cor.test()），但由于这两个数据的大小不同（时间序列的 44 个值和数千个值）每个网格的值），不起作用......

然后我在 ChatGPT 的帮助下尝试使用 Python（使用 scipy），显然它有效，但我不确定它生成的内容是否正确，因为我对 Python 的了解很基础。所以我需要一些帮助来了解代码逻辑是否适合我需要它做的事情......

我的代码如下：

import numpy as np
import xarray as xr
import matplotlib.pyplot as plt
from scipy.stats import spearmanr

# Step 1: Read the time series data
time_series = np.loadtxt("september.txt")

# Step 2: Read the gridded mean sea level pressure data
mslp_data = xr.open_dataset("area.nc")

# Step 3: Calculate Spearman correlation coefficient and p-value
correlation_map = np.zeros_like(mslp_data['msl'][0])
p_value_map = np.zeros_like(mslp_data['msl'][0])
for i in range(mslp_data.sizes['latitude']):
    for j in range(mslp_data.sizes['longitude']):
        grid_point = mslp_data['msl'][:, i, j]
        rho, p_value = spearmanr(time_series, grid_point)
        correlation_map[i, j] = rho
        p_value_map[i, j] = p_value

# Step 4: Apply significance threshold (p < 0.1)
significant_correlation_map = correlation_map.copy()
significant_correlation_map[p_value_map >= 0.1] = np.nan

# Step 5: Plot the significant correlation coefficients on a map
plt.figure(figsize=(10, 5))
plt.imshow(significant_correlation_map, cmap='coolwarm', origin='lower')
plt.colorbar(label='Spearman Correlation Coefficient')
plt.title('Temporal Correlation with Mean Sea Level Pressure (Significant at 90%)')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()

Answer 1

兄弟，您可以做的是首先确保数据集的维度正确对齐以进行相关性计算，然后您应该考虑调整显着性阈值（p

<0.1) Based on your requirements. Overall your code seems good and with these tweaks it should provide an output.