CC BY
272
Вестник ДВО РАН. 2010. № 1
УДК 551.46:681.3
В.И.ПОНОМАРЕВ, Е.В.ДМИТРИЕВА, Н.И.САВЕЛЬЕВА
Классификация временных рядов гидрометеорологических характеристик в Азиатско-Тихоокеанском регионе методами кластерного анализа
Методами кластерного анализа классифицированы временные ряды (ВР) метеорологических и гидрологических характеристик северной части Азиатско-Тихоокеанского региона для двух многолетних временных интервалов. Из совокупности климатических индексов, аномалий атмосферного давления в центрах действия атмосферы, расхода р. Амур, температуры поверхности океана (ТПО) и ледовитости Охотского и Японского морей выделены классы близких по структуре ВР. Показано изменение состава классов после сдвига климатического режима в северной части Тихого океана в начале 1970-х годов, соответствующее изменению дальних и региональных взаимосвязей между исследуемыми характеристиками. Кластерный анализ использовался для классификации временных рядов аномалий ТПО Японского моря на широтно-долготной сетке, а также спектров этих рядов, что позволило выделить районы моря, существенно различающиеся по храктеру разномасштабной изменчивости.
Ключевые слова: временные ряды, кластерный анализ, внутригодовые климатические колебания, атмосферные индексы, аномалии, температура поверхности океана, ледовитость, Японское море, Охотское море, р. Амур, центр действия атмосферы.
Classification of meteorological and hydrological time series in the Asian-Pacific region using cluster analysis.
V.I.PONOMAREV, E.V.DMITRIEVA, N.I.SAVELIEVA. (V.I.Il’ichev Pacific Oceanological Institute, FEB RAS, Vladivostok).
Cluster analysis of time series of the atmosphere and hydrosphere characteristics over the Northwest Pacific was carried out for two periods: before and after the middle of the 70s of the last century Two classes similar in statistical structure were distinguished from the time series of climatic indices, surface pressure anomalies in atmospheric action centers, the Amur River discharge, sea surface temperature and ice extent in the Seas of Okhotsk and Japan. Class structure was modified after the climate regime shift in the North Pacific in the 1970s which was caused by the change of regional climate and teleconnections. The cluster analysis was also used for classifications of SST anomalies in the Japan/East Sea (1*1° horizontal resolution), and their spectra. The domains with different scales of SST fluctuation were determined.
Key worlds: time series, cluster analysis, climatic interannual oscillations, indices, anomalies, sea surface temperature, ice extent, Sea of Japan, Sea of Okhotsk, Amur River, atmospheric centers of action.
Временные ряды (ВР) метеорологических, гидрологических и океанографических данных за период инструментальных наблюдений содержат много скрытой, еще не выявленной информации о колебаниях погоды и климата. Цель данной работы - классификация совокупности ВР на основе методов кластерного анализа, выделение наиболее близких по структуре групп по различным характеристикам системы атмосфера-гидросфера Азиатско-Тихоокеанского региона (АТР). Классификация используется также для районирования сеточных рядов температуры поверхности Японского моря (с суточным разрешением) и их спектральных характеристик.
ПОНОМАРЕВ Владимир Иванович - кандидат физико-математических наук, ведущий научный сотрудник, ДМИТРИЕВА Елена Витальевна - кандидат технических наук, старший научный сотрудник, САВЕЛЬЕВА Нина Ивановна - кандидат географических наук, ведущий научный сотрудник (Тихоокеанский океанологический институт им. В.И.Ильичева ДВО РАН, Владивосток). E-mail: e_dmitrieva@poi.dvo.ru
Кластерный анализ - один из базовых методов современной технологии DATA Mining [1], позволяющей находить новые, действительные и потенциально полезные знания в базах данных (БД). Задача кластеризации ставится на начальном этапе исследования, заключается в поиске независимых групп (кластеров) и их характеристик во всем множестве независимых параметров, их описании. Для понимания того, что означает полученное разбиение и чем оно вызвано, используют другие методы. Кластерный анализ не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет производить классификацию по множеству признаков. Большая часть методов кластерного анализа основывается на гипотезе компактности: в используемом пространстве признаки измерения, принадлежащие одному и тому же классу, близки между собой, а измерения, принадлежащие разным классам, значительно отличаются друг от друга [3].
Разработана совокупность взаимосвязанных гидрометеорологических БД с реляционной структурой [2]. Эти БД включают ВР метеорологических, гидрологических и океанографических наблюдений, в частности температуру поверхности океана (ТПО), атмосферные характеристики, индексы атмосферной и океанической циркуляции. В данной работе применены два известных метода кластерного анализа: иерархический и «k-средних» [1]. Вычисления выполнялись с помощью пакета «Статистика».
Кластерный анализ временных рядов метеорологических и гидрологических параметров
По мере накопления информации складываются более детальные представления о физических процессах, обусловливающих изменения климата. К настоящему времени выявлены колебания в системе океан-атмосфера периодичностью 2-3, 3-7, 10-11, 16-18, 20-24, 26-30 и 50-70 лет [6, 12-14]. В северной части Тихого океана установлены три основных сдвига климатического режима: в 1920-х, начале 1940-х и начале 1970-х годов [13, 14]. Эти изменения сопровождались изменениями атмосферной циркуляции, положения и интенсивности основных центров действия атмосферы.
Для исследования климатических колебаний в отдельных районах Земли используются различные климатические индексы, например Арктические осцилляции (AO), СевероТихоокеанский индекс (NPI), индекс Южного колебания (SOI) и колебания Эль Нинье-Ла Нинья (NINO3), ALPI, PDO и др. Эти индексы конструируются на основе пространственно-временного распределения приземного атмосферного давления или температуры морской воды [17, 21].
В данной работе ВР отмеченных индексов классифицируются совместно с аномалиями приземного атмосферного давления в основных центрах действия атмосферы (ЦДА) АТР, а именно в алеутской депрессии (AL), сибирском (SH) и гавайском (HW) антициклонах, а также ВР ледовитости Охотского и Японского морей и расхода р. Амур. Для характеристики гидрологических процессов в Северо-Восточной Азии использовались ВР сезонного расхода р. Амур (Расход май-окт., Расход нояб.-апр.), ТПО и ледовитостости Охотского моря (ТПО Охотск. и Лед Охотск.), Татарского пролива Японского моря (ТПО Татарск. и Лед Татарск.). Рассматривались теплый (май-октябрь) и холодный (ноябрь-апрель) периоды года. Аномалии ТПО (АТПО) рассчитывались по [21], осредненным за июнь-июль в районах Татарского пролива 49-51° с.ш., 140-142° в.д. и в южной части Охотского моря в зоне влияния стока р. Амур 53-55° с.ш., 140-142° в.д. ВР ледовитости содержат относительные величины площади покрытия льдом морской поверхности в процентах. ВР аномалий рассматриваемых характеристик предварительно сглаживались трехлетним скользящим осреднением.
Характеристики ЦДА за 1930-1994 гг. получены из Мирового центра данных (RIHMI-WDC) [7], за 1996-2006 гг. предоставлены ДВНИГМИ. Используются ряды средних месячных значений ледовитости Охотского и Японского морей (Татарского пролива)
по данным А.Н.Крындина (1929-1959 гг.), Л.П.Якунина и В.В.Плотникова (1960-2002 гг.) [4, 5, 8].
Для классификации ВР применяется иерархический метод кластерного анализа, в котором для объединения использовался метод Варда [1, 25], а в качестве меры - коэффициент корреляции Пирсона. Результатом является дендрограмма, содержащая n уровней, каждый из которых соответствует одному из шагов процесса последовательного составления кластеров.
Кластерный анализ выполнялся для двух многолетних временных интервалов: 1941-1973 и 1973-2005 гг. - до и после обнаруженного сдвига климатического режима в северной части Тихого океана [14, 15]. Анализировались состав выделенных классов метеорологических и гидрологических характеристик и его изменения. Для метеорологических характеристик (рис. 1) выполнены самостоятельная классификация и оценка статистических взаимосвязей (табл. 1, 2). Критический уровень значимости (5%) соответствует значению корреляции 0,36 по критерию Фишера.
В результате кластеризации для обоих временных интервалов выделено два класса, наполнение которых остается неизменным с точки зрения набора переменных (рис. 1), однако внутри классов отмечается перегруппировка параметров.
Период 1941-1973 гг. В первый класс входят три группы параметров: первая объединяет АО и ÂL, по корреляции между которыми 0,4 (табл. 1), вторую образует SOI; в третью по высокому значению коэффициента корреляции (0,7) вошли HW и NPI. Отметим, что SOI не имеет значимой положительной корреляции ни с одним из параметров первого класса (табл. 1, выше диагонали). AO и AL характеризуются значимой положительной корреляцией с NPI из третьей группы этого же класса, а также отрицательной корреляцией с параметрами второго класса NINO3 и SH (табл. 1).
Рис. 1. Дерево кластеров временных рядов исследуемых средних годовых параметров системы атмосфера-океан для интервалов 1941-1973 гг. (а) и 1973-2005 гг. (б)
Таблица 1
Коэффициенты корреляции между временными рядами исследуемых средних годовых параметров системы атмосфера—океан для периодов 1941—1973 и 1973—2005 гг.
Параметр AO AL NPI SOI HW NINO3 SH
1941- 1973 гг.
AO ~^^0,4 0,2 0,2 -0,3 -0,28 -0,4
AL 0,5 ^0,5 0,2 0,2 -0,6 -0,5
NPI 0,7 0,7 0,2 0,7 -0,5 0,1
SOI 0 0,2 0,5 0,2 -0,5 -0,2
HW 0,3 0 0,4 0,4 -0,25 0,2
NINO3 -0,2 -0,2 -0,5 -0,8 -0,30 0,3
SH -0,6 0 -0,2 0,3 -0,5 -0,1
1973- 2005 гг.
Таким образом, до климатического сдвига все параметры первого класса объединены положительной корреляционной связью внутри класса, т.е. их изменения характеризовались однонаправленными изменениями. Среди параметров второго класса значимая статистическая связь отсутствовала (табл. 1, выше диагонали), но с параметрами класса 1 имеется отрицательная корреляция.
Период 1973-2005 гг. Внутренняя структура первого класса изменяется: NPI и SOI меняются местами (рис. 1б), положительные статистические связи АО-NPI и SOI-HW стали значимыми, а NINO3-AL и SH-AL - незначимыми (табл. 1, ниже диагонали). Усилилась отрицательная корреляция АО-SH, NINO3-HW, положительная АО-AL и SOI-HW. Таким образом, в последние 30 лет взаимосвязь между годовыми значениями индексов Арктических осцилляций и Северо-Тихоокеанского колебания (АО -NPI) для временных масштабов более 3 лет стала доминирующей. Усилилась связь между годовыми аномалиями давления (HW) и (SOI), колебания (NINO3), а дальняя взаимосвязь между АО и NINO3 стала незначимой. Перегруппировка параметров внутри кластеров свидетельствует об изменении характера колебаний атмосферы, в первую очередь - об усилении AO и SOI и их влияния на атмосферные процессы как Северного, так и Южного полушария, т.е. о глобальной перестройке в атмосфере Земли. В соответствии с этим изменились дальние связи между атмосферными процессами и гидросферой [7, 19, 22].
На втором этапе кластерного анализа классифицированы временные ряды параметров гидросферы в северной части АТР для тех же временных интервалов: 1941-1973 гг. и 1973-2005 гг. (рис. 2, табл. 2). Параметры гидросферы также были разделены на 2 класса (рис. 2). До сдвига климатического режима (1941-1973 гг.) в первый класс входят 3 группы: ВР расхода р. Амур в теплый и холодный периоды года и ТПО Татарского пролива в
Рис. 2. Дерево кластеров временных рядов средних сезонных гидрологических параметров для интервалов 1941-1973 гг. (а) и 1973-2005 гг. (б)
Таблица 2
Коэффициенты корреляции между временными рядами параметров гидросферы для периодов 1941—1973 и 1973—2005 гг.
Параметр Расход май-окт. Расход нояб.-апр. Лед Татарск. Лед Охотск. ТПО Татарск. ТПО Охотск.
1941-1973 гг.
Расход май-окт. 0,7 -0,3 0 0,5 0,3
Расход нояб.-апр. 0,3 -0,3 0 0,3 0,3
Лед Татарск. -0,4 -0,4 -0,4 -0,2 -0,5
Лед Охотск. -0,5 -0,8 0,5 0 0,2
ТПО Татарск. 0,1 0,7 -0,2 -0,5 0
ТПО Охотск. -0,2 0 -0,4 0,1 0,5
1973-2005 гг.
июне-июле (табл. 2, выше диагонали); ряды ледовитости Охотского моря и летнего ТПО прилегающей к Амурскому лиману части Охотского моря (табл. 1).
Второй класс включает ледовитость Охотского моря и Татарского пролива, имеющих положительную статистическую связь с коэффициентом корреляции 0,5 (табл. 2, ниже диагонали), тогда как в предыдущем временном интервале эта связь была отрицательной (-0,4). По сравнению с предшествующим периодом доминируют отрицательная взаимосвязь между летним расходом р. Амур и ледовитостью Японского и Охотского морей, а также положительная взаимосвязь между зимним расходом р. Амур и летним ТПО в Татарском проливе Японского моря.
Отмеченные изменения взаимосвязей гидрологических характеристик после сдвига климатического режима в северной части Тихого океана в начале 1970-х годов сопровождаются увеличением стока р. Амур в холодный период года и повышением температуры речных вод зимой [16, 18]. Усиление связи АО с NPI, гидрологическими и метеорологическими характеристиками Японского и Охотского морей сопряжено с эффектами потепления в Арктике и АТР, уменьшением ледовитости Арктического бассейна и дальневосто-ных морей. Новые статистические закономерности последних десятилетий обусловлены, с нашей точки зрения, изменением как локальных физических процессов в морях [20, 23], так и крупномасштабных процессов в системе океан-атмосфера.
Районирование среднесуточных аномалий температуры поверхности Японского моря методом «k-средних» кластерного анализа
Кластерный анализ среднесуточных АТПО Японского моря за 1996-2006 гг. выполнен на одноградусной сетке методом «k-средних» для разного числа классов.
Исходные данные ТПО Японского моря на пятнадцатиминутной сетке Японского метеорологического агентства (JMA) выбирались из региональной базы данных NEAR-GOOS Regional Delayed Mode Database (RDMDB). Выполнено осреднение АТПО для одноградусных квадратов, в каждом из которых определялся спектр временного ряда АТПО (в терминах спектральной мощности). Спектр рассчитывался с помощью пакета МАТЬАВ методом быстрого преобразования Фурье.
Для классификации временных рядов АТРО и их спектров в узлах регулярной сетки применяется метод «k-средних», так как данные по своей естественной природе делятся на компактные, примерно сферические группы, в которых все члены группы имеют соизмеримые расстояния от центра кластера [1]. Основная операция алгоритма «k-средних» состоит в сопоставлении заданного числа наблюдений k кластерам, так что средние в кластере (для всех переменных) максимально отличаются друг от друга. Необходимо заранее задать нужное количество кластеров и способ определения их начальных значений. Для установления начальных объектов кластеров использовался метод максимального различия средних. Число кластеров может также определяться иерархическим методом.
В результате выделены 6 районов Японского моря, в пределах каждого ВР АТПО имеют сходные свойства. Расстояния между кластерами являются мерой сходства между ними. Чем больше расстояние, тем больше различается совокупность свойств ВР каждого района, в котором определена типичная точка, имеющая минимальное расстояние от центра кластера. На рис. 3а-в показаны районы среднесуточных АТПО за 1996-2006 гг. для априорно заданных 2, 3, 6 классов, соответствующих районам моря.
Если задано 2 кластера, то акватория разделяется приблизительно вдоль 40° с.ш. на основные климатические зоны: субтропическую и субарктическую (рис. 3а), если 3 кластера, то выделяются западная, юго-восточная и северная части (рис. 3б), причем открытая граница юго-восточного района ориентирована вдоль фронта Восточно-Корейского течения. При 6 кластерах каждый из трех районов разделяется еще на два с некоторым смещением границ (рис. 3в). В западном районе выделяется область юго-западного
Рис. З. Районирование среднесуточных временных рядов АТПО Японского моря (а, б, в) и спектров этих рядов (г, д, е) методом «k-средних» с априорно заданным количеством кластеров: двух (а, г), трех (б, д), шести (в, е)
субарктического круговорота, в юго-восточном районе - область Корейского пролива и прилегающей к нему акватории, в северном районе - юго-западная область севернее Сан-гарского пролива.
В выделенных районах доминируют различные физические процессы: область Корейского пролива с прилегающей акваторией Японского моря (рис. 3в, кластер 4) подвержена наибольшему влиянию аномалий адвекции тепла из Восточно-Китайского моря; на восточные (кластеры 3 и 5) и западные (кластеры 6 и 2) части воздействуют различные аномалии адвекции тепла севернее Корейского пролива.
В юго-западной части Японской котловины, прилегающей к южному Приморью и зал. Петра Великого (рис. 3в, кластер 2), на АТПО влияют аномалии холодного ветра с континента [11], восходящие потоки тепла из моря, глубокая конвекция в зимний сезон [24], а также аномалии циркуляции вод в южной ячейке субарктического круговорота во все сезоны [10]. На северной периферии этого круговорота в зоне 42-43° с.ш. трансформированные субтропические воды переносят тепло в западном направлении к берегам Приморья [9]. Аномалии этой ветви течения и зонального переноса тепла также оказывают влияние на АТПО в этом районе (рис. 3в). В восточном районе (рис. 3в, кластер 3) АТПО подвержены влиянию аномалий переноса тепла Восточно-Корейским и Цусимским течениями, а также менее интенсивного, чем в районе 2, теплообмена между морем и атмосферой. Межгодовые и многолетние ТПО в северном районе (рис. 3в, кластер 1), включающем Татарский пролив, связаны с аномалиями северной ячейки субарктического
4З
круговорота, характеристиками взаимодействия моря с атмосферой и адвективного потока тепла, переносимого северной ветвью течения трансформированных субтропических вод.
Расстояние между кластерами показывает, что в наибольшей степени колебания АТПО в Татарском проливе и прилегающем районе (кластер 1) отличаются от колебаний в районе вблизи Корейского прилива (кластер 4). Меньшие различия рядов АТПО отмечаются в центральной части моря. Различия между классами ВР связаны с различием как их спектральных характеристик (рис. 3е), так и фаз доминирующих колебаний АТПО.
При увеличении числа кластеров с 2 до 6 выделяются новые районы в центральной и северной частях моря, в то время как южная и юго-восточная части Японского моря (районы Цусимского, Восточного-Корейского течений и Корейский пролив) соответствуют, как правило, одному кластеру (рис. 3г-е). Кластер 5 примерно соответствует отмеченным выше ветвям течения трансформированных субтропических вод в северной части моря, а кластер 1 - переменному (по направлению) течению вдоль берега Северной Кореи (рис. 3 е). Выделение по спектрам позволяет установить различия доминирующих колебаний АТПО в районах струйных течений северо-западной части моря.
Заключение
Таким образом, применение кластерного анализа дает возможность выделить различные совокупности (группы) близких по структуре временных рядов, характеризующих климатическую систему, а также определить, как изменяются содержание групп от одного исторического периода к другому, а также взяимосвязи между климатическими параметрами. Трансформации состава каждого из кластеров, содержащих ВР климатических индексов и аномалий атмосферного давления, вызваны физическими процессами перестройки циркуляции, сопутствующими глобальному потеплению.
Применение кластерного анализа к ВР АТПО Японского моря на широтно-долготной сетке, а также к спектрам этих рядов позволяет выделить районы моря, существенно различающиеся по храктеру разномасштабной изменчивости. Районирование согласуется с расположением климатических фронтов, основных элементов системы течений и циркуляции вод.
Метод позволяет при рассмотрении большого объема информации сокращать его, выделяя компактные группы и наиболее типичный для групп объект. Отмеченные аспекты применения методов кластерного анализа полезны при исследовании любой наблюдаемой или моделируемой природной системы.
ЛИТЕРАТУРА
1. Басергян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и DATA Mining. СПб.: БХИ-Петербург, 2004. 336 с.
2. Дмитриева Е.В., Ростов И.Д. Разработка и реализация баз океанографических данных по северной части Тихого океана. Владивосток: Дальнаука, 2004. 143 с.
3. Кольцов П.П. Математические модели теории распознавания образов // Компьютер и задачи выбора. М.: Наука, 1989. С. 89-119.
4. Крындин А.Н. Сезонные и межгодовые изменения ледовитости и положения кромки льда на дальневосточных морях в связи с особенностями атмосферной циркуляции // Тр. ГОИН. 1964. Вып. 71. С. 5-83.
5. Плотников В.В. Изменчивость ледовых условий дальневосточных морей России и их прогноз. Владивосток: Дальнаука, 2002. 172 с.
6. Пономарев В.И., Каплуненко Д.Д., Дмитриева Е.В. и др. Климатические изменения в северной части Азиатско-Тихоокеанского региона // Дальневосточные моря России / отв. ред. В.А.Акуличев. В 4 кн. М.: Наука, 2007. Кн. 1: Океанологические исследования. С. 17-48.
7. Смолянкина ТВ. Многолетняя изменчивость аномалий давления, широты и долготы центров действия атмосферы Азиатско-Тихоокеанского региона // Тр. ДВНИГМИ. Темат. вып. 2. Гидрометеорологические процессы на шельфе: Оценка воздействия на морскую среду. Владивосток: Дальнаука, 1999. С. 10-16.
8. Якунин Л.П. Атлас границ льда сплоченностью 7 и более баллов дальневосточных морей России. [Препр.]. Владивосток: Дальнаука, 2005. 32 с.
9. Aubrey D.G., Danchenkov M.A., Rizer S.C. Belt of salt water in the North Western Sea of Japan // Oceanogr. of the Japan Sea. Proc. CREAMS 2000 Int. Symp. Vladivostok, 2001. P 11-20.
10. Danchenkov М.А., Rizer S.C., Yoon J.-H. Deep currents in the central Sea of Japan // Pacific Oceanography. 2003. Vol. 1 (1). P. 6-15.
11. Kawamura H., Wu P Formation mechanism of the Japan Sea proper water in the flux center off Vladivostok // J. Geophys. Res. 1998. Vol. 103 (C10). P. 21611-21622.
12. Mann M.E., Park J. Join spatiotemporal modes of surface temperatute and sea level pressure variability in the northen hemisphere during the last century // J. Climate. 1996. Vol. 9. P. 2137-2162.
13. Mantua N.J., Hare S.R., Zhang Y. et al. A Pacific interdecadal climate oscillation with impacts on salmon production // Bull. of the American Meteorological Society. 1997. Vol. 78. P 1069-1079.
14. Minobe S. Spatio-temporal structure of the pentadecadal variability over North Pacific // Progress in Oceanography. 2000. Vol. 47. P. 381-408.
15. Ogi M., Tachibana Y., Nishio F., Danchenkov M.A. Does the Fresh Water Supply from the Amur River Flowing into the Sea of Okhotsk Affect Sea Ice Formation? // J. Meteorological Society of Japan (JMSJ). 2001. Vol. 79, N 1. P. 123-129.
16. Ogi M., Tachibana Y. Influence of the Arctic Oscillation on the negative correlation between Okhotsk Sea Ice and Amur River discharge // Geoph. Res. Lett. 2006. Vol. 33. L08709. P 1-4.
17. Overland J.E., Adams M., Bond M.A. Decadal variability of the Aleutian Low and its relation to high latitude circulation // J. Climate. 1999. Vol. 12. P 1542-1548.
18. Ponomarev VI., Savelieva N.I., Rudykh N.I. et al. Changing linkages between Amur River discharge and ice extent in the Seas of Okhotsk and Japan // Pacific Oceanography. 2005. Vol 3(2). P. 145-159.
19. Ponomarev V.I., Dmitrieva E.V Climatic tendencies and changing global-regional linkages in the North Pacific and Okhotsk Sea // Proc. 23rd Int. Symp. on Okhotsk Sea and Sea Ice. Okhotsk Sea and Cold Ocean Res. Assoc., 16-22 Feb. 2008. Mombetsu, Hokkaido, Japan. 2008. P 51-60.
20. Ponomarev V.I., Trusenkova O.O., Trusenkov S.T. et al. The ENSO signal in the Northwest Pacific // Proc. Science Board 98 Symp. 1997/98 El Nino event, Fairbanks, 14-25 Oct., 1998. PICES Scientific Report N 10. Sidney, Canada, 1999. P. 9-31.
21. Rayner N.A., Brohan P, Parker D.E., Folland C.K., Kennedy J.J., Vanicek M., Ansell T., Tett S.F.B. Improved analyses of changes and uncertainties in sea surface temperature measured in situ since the mid-nineteenth century: the HadSST2 data set // J. Climate. 2006. Vol. 19(3). P 446-469.
22. Rodionov A., Bond J.E. Overland The Aleutian Low and Winter Climatic Conditions in the Bering Sea. Pt 1: Classification // J. Climate. 2005. Vol. 16. P. 160-177.
23. Savelieva N., Dmitrieva E., Ponomarev V.I. Assessment of regional features and prevailing oscillations in the hydrosphere of the Asia Pacific: Amur River discharge, Ice Extent and SST of Okhotsk Sea, Tatar Strait // Proc. 23rd Int. Symp. on Okhotsk Sea and Sea Ice. Okhotsk Sea and Cold Ocean Res. Assoc., 16-22 Feb. 2008. Mombetsu, Hokkaido, Japan. 2008. P 79-86.
24. Talley L.D., Lobanov V.B., Ponomarev V.I. et al. Deep convection and brine rejection in the Japan Sea // GRL. 2003. Vol. 30, N 4. Doi: 10.1029/2002GL016451.
25. Ward J.H. Hierarchical grouping to optimize an objective function // J. Am. Statistical Assoc. 1963. N 58. P. 236-244.
