<SVD方法>
EOF(or PCA):主要用于分析单个气象要素场的时空变化结构。奇异值分解SVD(Singular Value Decomposition)是一种矩阵分解方法，在气象领域中常用来分析两个气象场场之间的相关关系。能够找到成对出现的空间分布型，代表两场的相互联系着的空间结构。
左场，右场：分别对应我们的要求的两个变量场，谁左谁右并不重要。
奇异向量：左场提取的模态称为左奇异向量，右场提取的模态为右奇异向量。
需要注意的是，各个场的奇异向量均为相互正交的。
模态：第一左奇异向量和第一右奇异向量及其各自的时间系数共同构成了SVD的第一模态，也可以叫第一对模态。
总体相关系数：指的是一对奇异向量对应的左右时间系数的相关系数，用来看左场第一模态和右场第一模态的相关性（总体相关系数是一个数）。
同性相关系数：表示原场和原场某一模态的时间序列的相关系数（为一个场），在一定程度上可以反应该变量的一个遥相关型。
异性相关系数：代表原场（比如左场）和对立场（比如右场）某个模态的时间序列的相关系数（为一个场），表是一个场对另一个场的影响关键区。
。。。。。。
完整文档见SVD在气象学的应用
NCL的函数库中与SVD相关的函数包括svd_lapack，svdcov，svdcov_sv，svdstd，svdstd_sv。
svd_lapack
用于计算一般矩形矩阵的奇异值分解。具体写法为：
s = svd_lapack (a, "S" , "S", 0, u, v)
这里，a是一个(/nca,nra/)矩阵，两个“S”为固定写法，0表示输出v时不转置(1则表示转置v)，
u和v 分别为左、右奇异向量，u的长度和属性都和a相同，而v的长度为(/nca,nca/)，属性也与a相同。
svdcov
对两个场进行奇异值分解，并返回与这两个场相关的左右同构和异构数组。具体写法为：
svd_rv = svdcov(s,z,nsvd,homlft,hetlft,homrgt,hetrgt)
这里，s为(/ncols,ntime/)的气象场，z为(/ncolz,ntime/), 二者都为float或者double。
nsvd为计算的svd模态数。homlft,hetlft,homrgt,hetrgt分别为左同构场、左异构场、右同构场合右异构场。
它们的属性如下：
homlft：(/nsvd,ncols/),typeof(s)
hetlft：(/nsvd,ncols/),typeof(s)
homrgt：((/nsvd,ncolz/),typeof(s)
hetrgt：((/nsvd,ncolz/),typeof(s)
时间系数为：
ak = onedtond(svd_rv@ak,(/nsvd,ntime/))
bk = onedtond(svd_rv@bk,(/nsvd,ntime/))
ak!0 = "sv"
ak!1 = "time"
bk!0 = "sv"
bk!1 = "time"
svdcov_sv
该命令与svdcov的区别在于，它只返回两个输入数据集相关联的左右奇异向量。
svdstd、svdstd_sv
它们与svdcov、svdcov_sv的区别在于，它们首先对输入的数组进行了标准化处理，然后再进行SVD计算，而svdcov、svdcov_sv不会对输入的数据进行标准化处理。