In view of the relationship between

In view of the relationship between the variability of rainfall during each season
represented by PC1 of APRODITE's data and data of Thai meteorological department to SST anomalies.The correlation coefficient between them is shown in Table 1 and Table 2. The value is negative for all seasons, because a high SST anomaly gives a low rainfall anomaly, and a low SST anomaly gives a high rainfall anomaly. The both data for most negative relationships between MAM season with Niño 3.4 is -0.50329. Values estimated to be significant at p < 0.05 are bolded, those at p < 0.01 are also underlined by t-test.

The correlation between Niño SST index (red) and principal component time series of seasonal (green) shows figure 4 for each of the seasonal and the correlation coefficient between them is shown in table1. The value is negative for all seasons, because a high SST anomaly gives a low rainfall anomaly, and a low SST anomaly gives a high rainfall anomaly. With most negative relationships between MAM season with Niño 3.4 is -0.50329. Values estimated to be significant at p < 0.05 are bolded, those at p < 0.01 are also underlined by t-test.




, we perform lead-lag
correlation analysis to further investigate. The SST anomalies in the SA of the North Pacific
Ocean were averaged, and used them to determine the relationships with the variability of
rainfall over the Indochina. Whereas, the Nino3.4 area (5°N-5°S, 170°-120°W) representing
ENSO phenomenon (Trenberth and Stepaniak, 2001) was used to determine the lead-lag
correlations. The Fig. 5a shows the positive relation between the variability of rainfall over
the Indochina (PC1) and the SST anomalies over the SA in the Pacific Ocean. The positive
correlation means that the increasing (decreasing) of SST anomalies in that area related to
rising (reducing) of the rainfall variability magnitude indicating more (less) rainfall over the
Indochina. The significant correlations present six months before and after the winter season
that implies the warming SST anomalous over the SA of the Pacific Ocean triggers more
rainfall over the Indochina and after that the rainfall sends signal back to that area of the
Ocean

ผลลัพธ์ (ไทย) 1:

มุมมองความสัมพันธ์ระหว่างความแปรผันของปริมาณน้ำฝนในแต่ละช่วงฤดูแสดง โดย PC1 ของ APRODITE ของข้อมูลและข้อมูลของกรมอุตุนิยมวิทยาไทยกับความผิดของ SSTสัมประสิทธิ์สหสัมพันธ์ระหว่างพวกเขาจะแสดงในตาราง 1 และตารางที่ 2 ค่าเป็นค่าลบสำหรับทุกฤดูกาล อนอ SST สูงให้ช่วยฝนตกต่ำ และอนอ SST ต่ำให้ช่วยฝนสูง ทั้งข้อมูลสำหรับค่าลบมากที่สุดความสัมพันธ์ระหว่างฤดูกาลแหม่มกับซันโตนิโญ 3.4 เป็น-0.50329 ค่าที่คาดว่าจะอยู่อย่างมีนัยสำคัญที่ p < 0.05 จะหนา ผู้ที่ p < 0.01 ยังขีดเส้นใต้ โดย t-ทดสอบความสัมพันธ์ระหว่างดัชนีซันโตนิโญ SST (สีแดง) และหลักเวลาส่วนประกอบชุดตามฤดูกาล (สีเขียว) แสดงรูป 4 สำหรับแต่ละที่ตามฤดูกาลและสัมประสิทธิ์สหสัมพันธ์ระหว่างพวกเขาจะแสดงใน table1 ค่าเป็นค่าลบสำหรับทุกฤดูกาล อนอ SST สูงให้ช่วยฝนตกต่ำ และอนอ SST ต่ำให้ช่วยฝนสูง ความสัมพันธ์เชิงลบมากที่สุดระหว่างแหม่ม ฤดูกาลกับซันโตนิโญ 3.4 เป็น-0.50329 ค่าที่คาดว่าจะอยู่อย่างมีนัยสำคัญที่ p < 0.05 จะหนา ผู้ที่ p < 0.01 ยังขีดเส้นใต้ โดย t-ทดสอบเราทำลูกค้าเป้าหมายความล่าช้าวิเคราะห์ความสัมพันธ์ของการตรวจสอบเพิ่มเติม ความผิดของ SST ใน SA แปซิฟิกเหนือมหาสมุทรมี averaged และใช้ในการกำหนดความสัมพันธ์กับความแปรผันของปริมาณน้ำฝนมากกว่าอินโดจีน ขณะ Nino3.4 ตั้ง (5 ° N 5 ° S, 120 170° ° W) แทนปรากฏการณ์ ENSO (Trenberth และ Stepaniak, 2001) ที่ใช้ในการกำหนดลูกค้าเป้าหมายความล่าช้าความสัมพันธ์ ของ 5a Fig. แสดงความสัมพันธ์ทางบวกระหว่างความแปรผันของปริมาณน้ำฝนมากกว่าอินโดจีน (PC1) และความผิด SST กว่า SA ในมหาสมุทรแปซิฟิก ในแง่บวกความสัมพันธ์ของหมายความ ว่า การเพิ่มขึ้น (ลดลง) ของ SST สิ่งผิดวิสัยในที่ตั้งที่เกี่ยวข้องกับเพิ่มขึ้น (ลดลง) ของปริมาณน้ำฝนความแปรผันขนาดบ่งชี้มากขึ้น (น้อย) ปริมาณน้ำฝนมากกว่าอินโดไชน่า ความสัมพันธ์อย่างมีนัยสำคัญแสดงหกเดือนก่อน และ หลังฤดูหนาวที่หมายถึง SST ร้อน anomalous กว่า SA ของทริกเกอร์มหาสมุทรแปซิฟิกมากกว่าปริมาณน้ำฝนในอินโดจีน และหลังจากที่ฝนจะส่งสัญญาณกลับมายังที่ตั้งของ การโอเชี่ยน

ผลลัพธ์ (ไทย) 2:

ในมุมมองของความสัมพันธ์ระหว่างความแปรปรวนของปริมาณน้ำฝนในแต่ละฤดูกาล
ตัวแทนจาก PC1 ของข้อมูล APRODITE และข้อมูลของกรมอุตุนิยมวิทยาของไทยให้ค่าสัมประสิทธิ์สหสัมพันธ์ SST anomalies.The ระหว่างพวกเขาจะแสดงในตารางที่ 1 และตารางที่ 2 ค่าเป็นลบสำหรับทุกฤดูกาล เพราะความผิดปกติ SST สูงให้ความผิดปกติปริมาณน้ำฝนต่ำและความผิดปกติ SST ต่ำจะช่วยให้ความผิดปกติปริมาณน้ำฝนสูง ทั้งข้อมูลสำหรับความสัมพันธ์เชิงลบมากที่สุดระหว่างฤดู MAM กับNiño 3.4 เป็น -0.50329 ค่าที่คาดว่าจะมีความสำคัญที่ p <0.05 จะหนาผู้ที่ p <0.01 มีการขีดเส้นใต้โดย t-test. ความสัมพันธ์ระหว่างดัชนีNiño SST (สีแดง) และอนุกรมเวลาองค์ประกอบหลักของฤดูกาล (สีเขียว) แสดงให้เห็นว่ารูปที่ 4 สำหรับแต่ละ ตามฤดูกาลและค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างพวกเขาจะแสดงใน table1 ค่าเป็นลบสำหรับทุกฤดูกาลเพราะความผิดปกติ SST สูงให้ความผิดปกติปริมาณน้ำฝนต่ำและความผิดปกติ SST ต่ำจะช่วยให้ความผิดปกติปริมาณน้ำฝนสูง ที่มีความสัมพันธ์เชิงลบมากที่สุดระหว่างฤดู MAM กับNiño 3.4 เป็น -0.50329 ค่าที่คาดว่าจะมีความสำคัญที่ p <0.05 จะหนาผู้ที่ p <0.01 มีการขีดเส้นใต้โดย t-test. เราดำเนินตะกั่วล่าช้าการวิเคราะห์ความสัมพันธ์ในการตรวจสอบเพิ่มเติม ความผิดปกติ SST ใน SA ของมหาสมุทรแปซิฟิกเหนือมหาสมุทรถูกเฉลี่ยและใช้พวกเขาเพื่อตรวจสอบความสัมพันธ์กับความแปรปรวนของปริมาณน้ำฝนในช่วงอินโดจีน ในขณะที่พื้นที่ Nino3.4 (5 ° N-5 ° S 170 ° -120 °วัตต์) ที่เป็นตัวแทนของปรากฏการณ์ ENSO (Trenberth และ Stepaniak, 2001) ถูกใช้ในการตรวจสอบนำความล่าช้าความสัมพันธ์ รูป 5a แสดงให้เห็นถึงความสัมพันธ์เชิงบวกระหว่างความแปรปรวนของปริมาณน้ำฝนในช่วงอินโดจีน (PC1) และความผิดปกติ SST กว่า SA ในมหาสมุทรแปซิฟิก บวกหมายความว่าความสัมพันธ์ที่เพิ่มขึ้น (ลดลง) ความผิดปกติของ SST ในพื้นที่ที่เกี่ยวข้องกับการเพิ่มขึ้น (ลด) ของขนาดความแปรปรวนปริมาณน้ำฝนมากขึ้นแสดงให้เห็น (น้อย) ปริมาณน้ำฝนในช่วงอินโดจีน ความสัมพันธ์อย่างมีนัยสำคัญในปัจจุบันหกเดือนก่อนและหลังฤดูหนาวที่แสดงถึงภาวะ SST ผิดปกติกว่า SA ของมหาสมุทรแปซิฟิกมากขึ้นก่อให้เกิดปริมาณน้ำฝนในช่วงอินโดจีนและหลังจากนั้นปริมาณน้ำฝนจะส่งสัญญาณกลับไปยังพื้นที่ของมหาสมุทร

ผลลัพธ์ (ไทย) 3:

ในมุมมองของความสัมพันธ์ระหว่างการเปลี่ยนแปลงปริมาณน้ำฝนในแต่ละฤดูกาล
แสดงโดย PC ของ aprodite ของข้อมูลและข้อมูลจากกรมอุตุนิยมวิทยาเพื่อ SST anomalies . สัมประสิทธิ์สหสัมพันธ์ระหว่างพวกเขา แสดงดังตารางที่ 1 และตารางที่ 2 มีค่าเป็นลบสำหรับฤดูทั้งหมด เพราะปกติเป็นหน้าสูงจะช่วยให้ความผิดปกติปริมาณน้ำฝนน้อยและความผิดปกติที่หน้าต่ำให้มิติมีปริมาณน้ำฝนสูง ทั้งข้อมูลเชิงลบมากที่สุดความสัมพันธ์ระหว่างฤดูกาลแหม่มกับ ni á n 3.4 เป็น -0.50329 . ค่าประมาณจะ อย่างมีนัยสำคัญทางสถิติที่ p < 0.05 จะเป็นตัวหนา , ผู้ที่ p < 0.01 ยังขีดเส้นใต้ด้วย

)ความสัมพันธ์ระหว่างดัชนี SST ni á n ( สีแดง ) และชิ้นส่วนหลักอนุกรมเวลาของฤดูกาล ( สีเขียว ) แสดงรูปที่ 4 ของแต่ละฤดูกาล และความสัมพันธ์ระหว่างพวกเขาจะแสดงใน table1 . มีค่าเป็นลบสำหรับฤดูทั้งหมด เพราะปกติเป็นหน้าสูง ทำให้ปริมาณน้ำฝนต่ำผิดปกติ และความผิดปกติในตลาดต่ำให้มิติ มีปริมาณน้ำฝนสูงกับเชิงลบมากที่สุดความสัมพันธ์ระหว่างฤดูกาลแหม่มกับ Ni á n 3.4 เป็น -0.50329 . ค่าประมาณจะ อย่างมีนัยสำคัญทางสถิติที่ p < 0.05 จะเป็นตัวหนา , ผู้ที่ p < 0.01 ยังขีดเส้นใต้โดยการทดสอบค่าที ( t-test )




เราแสดงนำ lag
ความสัมพันธ์เพิ่มเติม ตรวจสอบ SST anomalies ในซาของมหาสมุทรแปซิฟิก
เหนืออยู่เฉลี่ยและใช้พวกเขาเพื่อกำหนดความสัมพันธ์กับความแปรปรวนของ
ฝนตกทั่วอินโดจีน ส่วนพื้นที่ nino3.4 ( 5 / n-5 / s , 170 องศา - 120 ° W )
( trenberth เป็นตัวแทนปรากฏการณ์ปรากฏการณ์ และ stepaniak , 2001 ) ถูกใช้เพื่อกำหนดนำ lag
สหสัมพันธ์ ส่วนรูปที่แสดงความสัมพันธ์ทางบวกระหว่าง 5A ความผันแปรของปริมาณน้ำฝน
อินโดจีน ( PC ) และ SST ความผิดปกติมากกว่า ในมหาสมุทรแปซิฟิก วก
ความสัมพันธ์หมายถึงการเพิ่ม ( ลด ) ของ SST anomalies ในพื้นที่ที่เกี่ยวข้องกับ
เพิ่ม ( ลด ) ของปริมาณน้ำฝนแปรปรวนขนาดระบุมากกว่า ( น้อยกว่า ) ปริมาณน้ำฝน
อินโดจีน ความสัมพันธ์ที่สำคัญปัจจุบัน 6 เดือนก่อนและหลังฤดูหนาว
ที่บ่งบอกถึง SST ร้อนผิดปกติไปในมหาสมุทรแปซิฟิกทริกเกอร์เพิ่มเติม
ปริมาณน้ำฝนอินโดจีนและหลังจากนั้นฝนส่งสัญญาณกลับไปว่า พื้นที่ของ
มหาสมุทร