- Décomposition orthogonale aux Valeurs Propres
-
En statistique et traitement du signal, la méthode Décomposition orthogonale aux Valeurs Propres (EOF anglicisme) consiste à décomposer des données avec des fonctions orthogonales déterminées à partir des données. C'est la même chose que de faire une analyse en composante principale excepté que les EOF permettent d'obtenir à la fois des formes (patterns) temporelles et spatiales. Les EOF sont aussi appelés PCAs en géophysique. Pour faire simple le EOFs permettent de synthétiser l'information pour faciliter l'analyse.
Sommaire
Principe
Le principe des EOFs est de trouver des fonctions orthogonales (empiriquement) qui caractérisent la covariabilité de séries temporelles pour une grille spatiale donnée. La première EOF est trouvé en calculant une carte de régression/corrélation en prenant les plus fortes amplitudes, ensuite on soustrait la variabilité lié à cette EOFn°1 et on répète le calcul de cartes de régression/corrélation pour trouver chaque EOF jusqu'à ce que le pourcentage de variabilité expliqué souhaité soit atteint. La ième fonction orthogonale est choisie pour être orthogonale aux i-1èmes, et pour minimiser la variance résiduelle. Les fonctions orthogonales[1] sont différentes les unes des autres pour expliquer le maximum de variance. La méthode est proche du krigeage en géostatistique et des modèles Gaussien. L'esprit de la méthode des EOF est similaire aux analyses harmoniques, mais les analyses harmoniques utilisent des fonctions orthogonales pré-déterminés, par exemple cosinus et sinus à des fréquences fixées. Dans certains cas les deux méthodes donne le même résultat.
Les fonctions orthogonales sont trouvées en calculant les vecteurs propres de la matrice de covariance du jeu de données.
Exemple d'application
En climatologie, les EOFs sont beaucoup utilisées pour analyser des données et essayer de trouver des fréquences temporelles expliquant un large pourcentage de la variabilité d'un paramètre donné sur des zones géographiques étendues. Par exemple les EOF permettent de mettre en lumière le phénomène El nino qui à une fréquence connue et qui explique en grande partie les conditions météorologiques dans le pacifique.
Avantages
- Donne en ordre croissant d’intérêt les patterns spatio-temporelles qui expliquent le plus de variabilité et laisse le bruit dans les EOFs d'ordre élevé.
- Compacte les informations
- les patterns d'EOF et les séries temporelles sont linéairement indépendant
Inconvénients
- sensible au choix du domaine spatial et temporel
- des phénomènes peuvent être répartis sur plusieurs EOFs si leurs valeurs propres sont similaires et que le degré de liberté des séries temporelles est faible.
- Il n'y a pas de garantie que les patterns obtenus aient une signification physique (ça peut être du bruit)[2]
Articles annexes
Fonction orthogonale EEOF (Extended EOF) ROEF (Rotated EOF)
- www.lmd.ens.fr/legras/Cours/notes/eof.pdf
- www.o3d.org/abracco/Atlantic/EOFanalysis.pdf
- Portail des mathématiques
- Portail des probabilités et des statistiques
- Portail de l'analyse
Catégorie :- Algorithme numérique
Wikimedia Foundation. 2010.