地理时空数据分解是进行地理时空数据分析最重要的研究方法。经典的经验正交函数法(Empirical orthogonal function,EOF)是目前地理时空数据分解中最常用、最有效的双正交分解方法。对于平稳或非平稳的时空序列,都有学者使用EOF方法将它们分解成不同的时空模态。但仔细分析表明:由于非平稳时空序列的方差和协方差随其长度的变化而变化,导致时空模态分解的结果不稳定,且所得到的地理时空模态不能够直接用于地理观测变量的预测。而且,经典的EOF分解结果,所得到的时间场部分都是由多种振荡频率的本征信号组成,不利于本征振荡信号与外部影响因素之间物理机制的建立。因此,本文在经典经验正交函数法的基础上,引入经验模态分解(Empirical mode decomposition,EMD),将这两种方法进行整合和集成,提出一种地理时空数据的分解方法(EODE),并将这种方法应用于太湖流域月平均降雨量的时空模式分解中。通过实例,验证了方法的可靠性。主要的研究内容如下:(1)分析了现有地理时空数据分解方法的特征。首先回顾了经验正交函数和经验模态分解法的概念、各自的分解理论,分析了经验正交函数和经验模态分解法的优点和不足,归纳总结这两种方法的关键点,奠定了本文所提出的分解方法的理论框架。(2)构建了地理时空数据分解方法(EODE)。经典经验正交分解的结果表明,通常,时空数据空间维的平均值或者加权平均值是主要的时间模态之一。因此,本研究假设将整个研究区域内时空序列空间维的平均值作为主要时间模态,利用经验模态分解将平均值序列分解成一系列的本征模态函数和残差。之后,将分解的本征模态函数看作是自变量,研究每个站点的地理观测变量序列与这些本征模态函数之间的关联程度。这些关联程度变量可描述地理观测变量的空间差异特征。(3)时空数据分解方法的数值模拟与实例验证。首先,利用ARFIMA方法生成了互不相关和互相关的时空数据集。利用所提出的方法(EODE),分解这些地理时空序列数据集,讨论了所得到分解结果与理论分析是否一致。之后,用所提出的方法,分解太湖流域月均降雨量序列(时间跨度为1957年1月-2015年5月),并用其他已知的方法验证了分解结果的可靠性。研究结果表明:本文所提出的分解方法是可靠的,能分解具有长程相关性和非平稳性的地理时空数据,且能提取时空序列中隐含的周期信息。与传统的EOF方法相比,所给出的方法在频率信息挖掘方面展示了较强的能力。