论文复现 | 第 03 章：显著性检验——免得审稿人说我要验牌

用户11172986

发布于 2026-04-24 19:34:13

790

文章被收录于专栏：气python风雨气python风雨

第 03 章：显著性检验——免得审稿人说我要验牌

前言

这一期实际上与figure2比较类似，不过加了些新内容不算灌水吧，大概。有一说一这个文献看起来是用matlab做的图，我一个学海洋的朋友也用的matlab，莫非在海洋那块matlab特别流行？

1. 为什么显著性很重要？

在气象学中，我们提取的信号是否仅仅是随机波动的偶然结果？Figure 3 在 Figure 2 的基础上增加了显著性检验，通过打点 (Dots) 或打斜线 (Hatching) 标识出统计学上显著的区域。

import xarray as xr
import numpy as np
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

# --- 配置 ---
DATA_DIR = r"./data"
SST_FILE = f"{DATA_DIR}/sst.mnmean.nc"

SINGLE_YEAR_EVENTS = [1964, 1988, 1995, 2005]
MULTI_YEAR_EVENTS = [1949, 1954, 1970, 1973, 1998, 2007, 2010]
LON_RANGE = slice(120, 300)
LAT_RANGE = slice(60, -20)

2. 核心算法：Bootstrap (布特条带法)

我们使用 Bootstrap 方法来检验合成结果的显著性。该方法通过有放回的随机抽样来估计零假设的分布。

def bootstrap_significance(var, events, n_bootstrap=100):
    """95% 置信水平的 Bootstrap 检验"""
    observed = var.sel(time=var.time.dt.year.isin(events)).mean(dim='time')
    
    bootstrap_values = []
    for i in range(n_bootstrap):
        # 随机抽取年份
        random_years = np.random.choice(var.time.dt.year.values, size=len(events), replace=True)
        sample_mean = var.sel(time=var.time.dt.year.isin(random_years)).mean(dim='time')
        bootstrap_values.append(sample_mean.values)
    
    bootstrap_values = np.array(bootstrap_values)
    lower = np.percentile(bootstrap_values, 2.5, axis=0)
    upper = np.percentile(bootstrap_values, 97.5, axis=0)
    
    significant = (observed < lower) | (observed > upper)
    return observed, significant

3. 绘图：打点与斜线

我们将在地图上用斜线标识出显著性区域。

def plot_reproduction():
    # 加载异常数据
    ds_sst = xr.open_dataset(SST_FILE)
    # 假设已计算好异常 sst_anom
    sst_anom = ds_sst['sst'] # 简化直接使用 sst
    
    comp, sig = bootstrap_significance(sst_anom.sel(lat=LAT_RANGE, lon=LON_RANGE), SINGLE_YEAR_EVENTS)
    
    fig = plt.figure(figsize=(10, 6))
    ax = plt.axes(projection=ccrs.PlateCarree(central_longitude=180))
    ax.coastlines()
    
    lons, lats = comp.lon.values, comp.lat.values
    cf = ax.contourf(lons, lats, comp, cmap='RdBu_r', transform=ccrs.PlateCarree(), extend='both')
    
    # 添加显著性斜线 (Hatching)
    ax.contourf(lons, lats, sig.astype(int), levels=[0.5, 1.5], hatches=['////'], alpha=0, transform=ccrs.PlateCarree())
    
    plt.colorbar(cf, label='SSTA (°C)')
    plt.title("Significance Test Example (Hatching)")
    plt.show()

plot_reproduction()