Исследование мультифрактральности температуры по данным метеостанции Цугшпитце

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Проанализированы основные мультифрактальные свойства временных рядов средней, максимальной и минимальной суточной температуры с использованием метода мультифрактального флуктуационного анализа. В качестве исходных данных привлекались результаты инструментальных наблюдений за приземной температурой воздуха, выполненных на метеостанции Цугшпитце в период с 1 августа 1900 г. по 31 января 2023 г. В целом вариации средней, максимальной и минимальной суточной температуры демонстрируют мультифрактальное поведение, особенно для малых временных масштабов примерно до 90 сут. В ходе анализа обобщенного показателя Херста установлено, что рассматриваемые временные ряды имеют долгосрочную положительную корреляцию и что мультифрактальность слабее при больших флуктуациях. Спектр сингулярности для всех временных рядов усечен влево, что означает, что временные ряды имеют мультифрактальную структуру, нечувствительную к локальным флуктуациям больших величин.

Полный текст

Доступ закрыт

Об авторах

С. А. Рябова

Институт динамики геосфер имени академика М.А. Садовского РАН

Автор, ответственный за переписку.
Email: riabovasa@mail.ru
Россия, Ленинский просп., 38, к. 1, Москва, 119334

Список литературы

  1. Адушкин В.В., Рябова С.А., Спивак А.А. Геомагнитные эффекты природных и техногенных процессов. М.: ГЕОС, 2021. 264 с.
  2. Аптуков В.Н., Митин В.Ю. Фрактальный анализ метеорологических рядов с помощью метода минимального покрытия // Географический вестн. 2021. № 2. С. 67–79.
  3. Сидак С.В. Восстановление пропущенных значений температуры воздуха с использованием вейвлетов // Устойчивое развитие: региональные аспекты: сборник материалов XI Международной научно-практической конференции молодых ученых, Брест, 24–26 апреля 2019 г. Брест: БрГТУ, 2019. С. 141–143.
  4. Тараненко А.М. Фракталы и мультифракталы в электрокардиограммах и электроэнцефалограммах: Информативность и новые возможности // Современные проблемы науки и образования. 2019. № 6. https//:doi.org/10.17513/spno.29500
  5. Тьюки Д. Анализ результатов наблюдений. Разведочный анализ. М.: Мир, 1981. 693 с.
  6. Balasis G., Donner R., Potirakis S., Runge J., Papadimitriou C., Daglis I., Eftaxias K., Kurths J. Statistical mechanics and information-theoretic perspectives on complexity in the Earth system // Entropy. 2013. V. 15. № 11. P. 4844–4888.
  7. Barnsley M.F. Fractals everywhere. San Diego, CA, USA: Academic Press, 1993. 533 p.
  8. Burgueno A., Lana X., Serra C., Martínez M.D. Daily extreme temperature multifractals in Catalonia (NE Spain) // Phys. Lett. A. 2014. V. 378. № 11–12. P. 874–885.
  9. Cleveland R.B., Cleveland W.S., McRae J.E., Terpenning I. STL: A seasonal-trend decomposition procedure based on Loess // Journal of Official Statistics; Stockholm. 1990. V. 6. № 1. P. 3–33.
  10. Donges J.F., Zou Y., Marwan N., Kurths J. Complex networks in climate dynamics // The European Physical Journal Special Topics. 2009. V. 174. № 1. P. 157–179.
  11. Garcia-Marin A.P., Estevez J., Medina-Cobo M.T., AyusoMunoz J.L. Delimiting homogeneous regions using the multifractal properties of validated rainfall data series // Journal of Hydrology. 2015. V. 529. № 1. P. 106–119.
  12. Garcia-Marin A.P., Jimenez-Hornero F.J., Ayuso-Munoz J.L. Multifractal analysis as a tool for validating a rainfall model // Hydrological Processes. 2008. V. 22. № 14. P. 2672–2688.
  13. Gierałtowski J.J., Żebrowski J.J, Orłowska-Baranowska E., Baranowski R. Heart rate variability, multifractal multiscale patterns and their assessment criteria // Physiological Measurement. 2018. V. 39. № 11. https//:doi.org/10.1088/1361–6579/aae86d
  14. Govindan R.B., Vyushin D., Bunde A., Brenner S., Havlin S., Schellnhuber H.J. Global climate models violate scaling of the observed atmospheric variability // Phys. Rev. Lett. 2002. V. 89. № 2. https//:doi.org/10.1103 /PhysRevLett.89.028501
  15. Hoaglin D.C., Mosteller F., Tukey J.W. Understanding robust and exploratory data analysis. New York: Wiley, 1983. 447 p.
  16. Ihlen E.A.F. Introduction to multifractal detrended fluctuation analysis in Matlab // Frontiers in Physiology. 2012. V. 3. https//:doi.org/10.3389/fphys.2012.00141
  17. Jaiswal R.K., Lohani A.K., Tiwari H.L. Statistical analysis for change detection and trend assessment in climatological parameters // Environ. Processes. 2015. V. 2. P. 729–749.
  18. Jiang L., Zhang J., Liu X., Li F. Multi-fractal scaling comparison of the air temperature and the surface temperature over China // Physica A. 2016. № 462. P. 783–792.
  19. Kalamaras N., Philippopoulos K., Deligiorgi D., Tzanis C.G., Karvounis G. Multifractal scaling properties of daily air temperature time series // Chaos, Solitons and Fractals. 2017. V. 98. P. 38–43.
  20. Kalamaras N., Tzanis C.G., Deligiorgi D., Philippopoulos K., Koutsogiannis I. Distribution of air temperature multifractal characteristics over Greece // Atmos. 2019. V. 10. № 2. https//: doi.org/10.3390/atmos10020045
  21. Kantelhardt J.W., Koscielny-Bunde E., Rybski D., Braun P., Bunde A., Havlin S. Long-term persistence and multifractality of precipitation and river runoff records // J. Geophys. Res. 2006. V. 111. https//:doi.org/10.1029/2005JD005881
  22. Kantelhardt J.W., Zschiegner S.A., Bunde A., Havlin S., Koscielny-Bunde E., Stanley H. E. Multifractal detrended fluctuation analysis of non-stationary time series // Physica A. 2002. № 316. Р. 87–114.
  23. Kiraly A., Janosi I.M. Detrended fluctuation analysis of daily temperature records: Geographic dependence over Australia // Meteorol. Atmos. Phys. 2005. V. 88. P. 119–128.
  24. Knutti R., Furrer R., Tebaldi C., Cermak J., Meehl G. A. Challenges in combining projections from multiple climate models // J. Climate. 2010. V. 23. № 10. P. 2739–2758.
  25. Krzyszczak J., Baranowski P., Zubik M., Hoffmann H. Temporal scale influence on multifractal properties of agro-meteorological time series // Agricultural and Forest Meteorology. 2017. V. 239. P. 223–235.
  26. Laib M., Telesca L., Kanevski M. Long-range fluctuations and multifractality in connectivity density time series of a wind speed monitoring network // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2018. V. 28. № 3. https//:doi.org/10.1063/1.5022737
  27. Li E., Mu X., Zhao G., Gao P. Multifractal detrended fluctuation analysis of streamflow in the Yellow River Basin, China // Water. 2015. V. 7. № 4. P. 1670–1686.
  28. Liu Y., Cizeau P., Meyer M., Peng C.K., Stanley H.E. Correlations in economic time series // Physica A. 1997. № 245. P. 437–440.
  29. Maslin M., Austin P. Uncertainty: Climate models at their limit? // Nature. 2012. V. 486. P. 183–184.
  30. Rial J.A., Pielke R.A., Beniston M., Claussen M., Canadell J., Cox P., Held H., de Noblet-Ducoudre N., Prinn R., Reynolds J. F., Salas J.D. Nonlinearities, feedbacks and critical thresholds within the Earth’s climate system // Climatic Change. 2004. V. 65. P. 11–38.
  31. Rind D. Complexity and climate // Science. 1999. V. 284. № 5411. P. 105–107.
  32. Sivakumar B. Fractal analysis of rainfall observed in two different climatic regions // Hydrological Sciences Journal. 2000. V. 45. № 5. P. 727–738.
  33. Svensson C., Olsson J., Berndtsson R. Multifractal properties of daily rainfall in two different climates // Water Resour. Res. 1996. V. 32. № 8. P. 2463–2472.
  34. Tietjen G.L., Moore R.H., Beckman R.J. Testing for a single outlier in simple linear regression // Technometrics. 1973. V. 15. № 4. P. 717–721.
  35. Tuck A.F., Hovde S.J. Fractal behavior of ozone, wind and temperature in the lower stratosphere // Geophys. Res. Lett. 1999. V. 26. № 9. P. 1271– 1274.
  36. Xavier S. F.A., da Silva Jale J., Stosic T., dos Santos C.A.C., Singh V. P. An application of sample entropy to precipitation in Paraíba State, Brazil // Theoretical and Applied Climatology. 2019. V. 136. № 1–2. P. 429–440.
  37. Yuan N., Fu Z., Mao J. Different multi-fractal behaviors of diurnal temperature range over the north and the south of China // Theoretical and Applied Climatology. 2013. V. 112. № 3–4. P. 673–682. https://phys.org/news/2022–09-germanyglaciers-scalding-summer.html

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Зависимость флуктуационной функции Fq(s) для моментов q = –6, –3, 0, 3, 6 от s в логарифмическом масштабе для временных рядов минимальной (а), максимальной (б) и средней температуры (в).

Скачать (28KB)
Метаданные
3. Рис. 2. Зависимость обобщенных показателей Херста h(q) от момента q для временных рядов минимальной (а), максимальной (б) и средней температуры (в).

Скачать (4KB)
Метаданные
4. Рис. 3. Спектр сингулярности для временных рядов минимальной (а), максимальной (б) и средней температуры (в).

Скачать (3KB)
Метаданные


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».