The rest of the procedure, however,

The rest of the procedure, however, is identical to what is described here.
Once the covariance matrix has been calculated from the data, the EOF analysis can be done by solving eigenvalue and eigenvector problems which is decomposed into matrices and .

The EOF analysis uses this covariance matrix to decompose the space-time data into spatial patterns and associated time indices [19,20]. The eigenvalues of the covariance matrix are given by
Solve eigenvalue-eigenvector problems in which Rzz0 is decomposed into eigenvalues
and eigenvectors in the equations

ผลลัพธ์ (ไทย) 1:

ส่วนเหลือของขั้นตอน อย่างไรก็ตาม จะเหมือนกับที่อธิบายไว้ที่นี่เมื่อมีการคำนวณเมทริกซ์ความแปรปรวนร่วมจากข้อมูล วิเคราะห์ EOF โดยแก้ปัญหา eigenvalue และ eigenvector ซึ่งจะสลายตัวในเมทริกซ์ และได้วิเคราะห์ EOF ใช้เมตริกซ์ความแปรปรวนร่วมนี้จะเปื่อย space-time ข้อมูลรูปแบบพื้นที่และเวลาเชื่อมโยงดัชนี [19,20] เวกเตอร์ของเมตริกซ์ความแปรปรวนร่วมได้โดยแก้ปัญหา eigenvalue eigenvector ที่ Rzz0 จะย่อยสลายไปเป็นเวกเตอร์ลักษณะเฉพาะในสมการ

ผลลัพธ์ (ไทย) 2:

ส่วนที่เหลือของขั้นตอน แต่เป็นเหมือนกันกับสิ่งที่อธิบายไว้ที่นี่.
เมื่อแปรปรวนเมทริกซ์ได้รับการคำนวณจากข้อมูลการวิเคราะห์ EOF สามารถทำได้โดยการแก้ eigenvalue และวิคเตอร์ปัญหาที่จะถูกย่อยสลายเป็นเมทริกซ์และ. การใช้การวิเคราะห์ EOF แปรปรวนเมทริกซ์นี้ในการย่อยสลายข้อมูลพื้นที่เวลาในรูปแบบเชิงพื้นที่และดัชนีเวลาที่เกี่ยวข้อง [19,20] ลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วมจะได้รับจากการแก้ปัญหา eigenvalue-วิคเตอร์ซึ่ง Rzz0 จะถูกย่อยสลายเป็นลักษณะเฉพาะและ eigenvectors ในสมการ

ผลลัพธ์ (ไทย) 3:

ส่วนที่เหลือของขั้นตอน แต่ เป็นเหมือนอะไรที่อธิบายที่นี่ .
เมื่อร่วมเมทริกซ์ได้ถูกคำนวณจากข้อมูลการวิเคราะห์ช่วงสามารถทำได้โดยการแก้ไขปัญหาซึ่งจะย่อยสลายไป และค่าไอเกนเวกเตอร์เมทริกซ์และ

การวิเคราะห์ช่วงนี้ร่วมใช้เมทริกซ์ย่อยสลายข้อมูลเวลาในรูปแบบเชิงพื้นที่ ที่ 19,20 ดัชนี [ เวลา ]ส่วนค่าของความแปรปรวนเมทริกซ์จะได้รับโดย
แก้ปัญหาค่าไอเกนเวกเตอร์ที่ rzz0 จะย่อยสลายไป และค่า
เสนอในสมการ