REOF 的输入是多个地区在不同时间的气候数据（如温度或降雨量），它的作用是通过旋转计算找出这些数据中最主要的变化规律，输出则是两个结果：① 哪些区域的变化模式相似（例如哪些地方总是一起变热或变冷），② 这些模式每年有多明显。就像把杂乱的气候变化“拼图”拆解成几块清晰的图案，再标出每块图案每年的活跃程度。
REOF（Rotated Empirical Orthogonal Function，旋转经验正交函数）是一种用于时空数据分析的统计方法，主要应用于气象学、气候学及地球科学等领域。它是对传统经验正交函数（EOF）的改进，旨在更清晰地分离不同地理区域的变化特征并减少取样误差。
1. 基本概念与原理
• 背景：EOF（经验正交函数）是一种主成分分析方法，用于提取时空数据中的主要模态（如气候振荡、温度异常等），但存在空间结构模糊、区域特征混杂的问题。
• 改进点：REOF通过对EOF分解后的空间模态进行“旋转”（如极大方差旋转），使得旋转后的模态（REOF）在空间上更集中，能更明确地反映不同区域的独立变化特征。
• 数学基础：通过调整特征向量的旋转角度，使各模态在空间上的方差最大化，从而增强局部化特征的可解释性。
2. 应用场景
• 气候研究：例如分析北大西洋涛动（NAO）、厄尔尼诺现象（ENSO）等气候模态的空间分布。
• 降水与温度分析：用于揭示东亚降水异常、海表温度异常（SST Anomaly）的区域性变化规律。
• 多变量数据整合：支持多变量联合分析（如风场、气压场等），提升复杂系统的解释能力。
3. 与传统EOF的区别
| 对比项 | EOF | REOF |
|---|---|---|
| 空间结构 | 全局性模态，区域混杂 | 局部化模态，区域特征清晰 |
| 解释方差 | 整体方差最大化 | 局部方差最大化 |
| 适用性 | 初步提取主模态 | 深入分析区域独立变化 |
| 抗噪声能力 | 对噪声敏感 | 旋转后更抗噪声干扰 |
4. 技术实现
• Python工具：可通过xeofs或自定义代码实现。例如，使用xeofs库结合xarray处理气象数据，或手动编写极大方差旋转算法。
• 代码示例（简化版）：
from xeofs.xarray import EOF
# 加载数据并计算REOF
model = EOF(data, n_modes=5, norm=False, dim=['time'])
model.solve()
reofs = model.rotate(method='varimax') # 旋转处理
5. 其他领域中的“REOF”
需注意，在编程领域，“REOF”可能指“Read End Of File”（读取文件结束状态），但这与上述气象学中的REOF无关。此外，“REEF”在加密货币中代表Reef Finance的代币，属于完全不同的概念。
总结来看，REOF是地球科学中一种重要的数据分析工具，特别适合需要明确区域特征的研究场景。如需进一步了解代码实现或气候案例，可参考气象领域的专业文献或开源代码库。
参考资料
[1] 数据处理 | 经验正交函数(EOF)与旋转经验正交函数(REOF) 2021.8；
[2] 气象绘图（EOF、REOF、水汽通量图等等） 2024.5；