前言
之前对EOF分解只是一知片解，没搞懂其存在的意义和数学公式的推导。最近在看文献的时候又遇到了这一概念，因为理解得不是很深导致文献读起来有些困难，因此把它专门学习了一下。以下便是我的一些学习心得：
一、EOF是什么
EOF（Empirical Orthogonal Function）是一种对时空数据进行正交分解的方法，其目标是把一个随时间变化的空间场分解为：空间模态（空间结构） + 时间系数（主成分 PC），其数学形式如下：
其中：表示第
个空间模态（EOF），描述空间结构；
表示对应的时间系数（PC），描述时间变化；
为最大可能的模态数量。
EOF的核心思想是——用少数几个最重要的正交空间模态来解释数据场的主要变化。
在我实际应用EOF的时候也直接对三维空间数据进行过分解，其维度分别为（深度，纬度，经度）。不过EOF是对时空二维数据进行分解的，所以我将水平方向（纬度和经度）展开成一个维度（相当于前面说的“空间”），将垂直方向（深度）作为另一维度（相当于前面说的“时间”），再带入公式中进行计算。
二、EOF 有什么用
1. 寻找主要空间结构
EOF 从数据中提取占方差最高的空间模态。我理解的是方差越大，模态中数据差异就越大，包含的信息就越多，这个模态就越重要。
2. 实现降维
原始数据可能包含数千个网格点，而 EOF 仅需要前几个模态，就能解释 70–90% 甚至更多的方差，从而大幅减小数据维度。
3. 识别时间尺度或物理过程
空间模态配合 PC 时间序列，常能揭示某些物理机制，如海表面温度的季节振荡、风场主控结构、内潮能量传播路径等。
三、EOF 的实现流程是什么
这里有一点让我困惑很久，在我查看其他大佬分享的经验贴时，常看见特征分解和SVD（奇异值分解），第一个在考研的时候学到过，但是第二个接触的很少。我想说的是，这两个方法在解决EOF问题上是等价的，只不过是以不同的方式处理矩阵。
假设原始数据矩阵为
，行表示空间，列表示时间。
1. 特征分解方法
1.1 去除时间均值
（这一步是为了去除相干信息，主要想知道非相干信息的变化）
对每一个空间点（每一行）做时间去均值：
去均值后的矩阵记为。
1.2 构造空间协方差矩阵
其中，为
，表示空间点之间的协方差。
1.3 特征值分解
这里，为第
个 EOF 空间模态；
为该模态的特征值（其大小代表解释的方差量）
1.4 计算时间系数（主成分 PC）
这相当于计算了一个时间点的数据，此时的维度是
，把所有时间放在一起就得到：
其中，为 EOF 模态矩阵。
1.5 计算方差贡献率
用来衡量每个模态的重要性。
2. SVD实现
2.1 去除时间均值，同1.1
2.2 直接对X进行SVD
可将分解为以下三部分：
其中，-
为左奇异向量组成的正交矩阵，其列向量是单位正交向量。
-
为右奇异向量矩阵，列向量为时间方向的单位正交向量。
-
为准对角矩阵，唯一的非零元素位于对角线上。（这里要注意的是Σ为准对角矩阵，可以不是方阵）
2.3 得到空间模态和时间系数
空间模态等于左奇异向量，时间系数等于
。
这里要注意的是，此时对角线上的值为判断空间模态排序的依据，越大排名越靠前，同时也不要忘记对
和
相应的排序。
四、EOF的应用场景
EOF 在地球科学尤其是大气和海洋科学中使用极为广泛，典型应用包括：
1. 空间结构提取
如海温场的主要模态（ENSO 模态）、风场的主导模式、海面高度异常的传播路径。
2. 物理过程分析
EOF 模态往往对应某种物理机制，如内潮能量不均匀分布、涡旋活动主结构、季节变化主模态等。
3. 数据降维
常用于同化、机器学习前处理、预测模型输入压缩。
4. 噪声滤波
通过保留前几个方差贡献率高的模态，可以过滤随机噪声模态（贡献率极低）。
5. 特征构建
在深度学习或统计模型中，EOF 提供更稳定、更物理的特征。
五、实例代码
这个很好实现啦，大家GPT一下就可以了
