9多时间数据小波分析.pptVIP

多时间数据小波分析研究工作汇报 武汉大学数学与统计学院 易华 汇报提纲 （一）研究数据及内容简介 （二）研究方法 （三）算例（黄河流域降水序列小波分析研究） （四）下一步工作设想 （五）参考文献 （一）研究数据及内容简介 MODIS影像数据(地温，植被，地表反射率)和气象观测数据（气温，降水，风速） 时空范围：全国752个气象观测站54年（1951-2004）每日气温和降水记录，MODIS 500米地面分辨率影像.7年（2000-2006）每10天一幅。 大气圈（气温、降水、风速）、生物圈（植被）、地圈（地温、地表反射率）之间的相互作用，气候和生态环境之间的互相影响。特别地，这种相互作用和互相影响的时空分布规律。使用数学（时空统计等）和逻辑（时空知识）方法完成数据水平的处理，使用上述地学知识进行专业解释。 （二）研究方法 主成分分析（PCA）;经验正交函数分解（EOF分析） 时间序列分析 采用小波分析研究数据的多时间尺度变化特征及其层次关系 通过离散小波变换对时间序列进行统计分析 气温、降水、风速多尺度时空变换及相互关系 针对某一个地区的若干个气象观测点，对气温、降水的变化规律及特征进行分析研究，找出其多尺度演变特征。 可以采用谱分析、相关分析以及连续小波变换对气温，降水数据进行研究。 可以利用小波研究气象时间序列参数对之间的相关关系。(这些参数可以是气压、温度、降水、相对湿度和风速) （三）算例：黄河流域降水序列小波分析研究 （1）研究意义 （2）理论支撑 （3）数据来源与处理 （4）降水时序变化特征分析 （5）降水序列的小波方差分析 （2）理论支撑 采用Morlet小波对黄河流域的降水时间序列进行连续小波变换。在测不准原理中，当信号为高斯函数时，原理中的不等式取等号，这表明了Morlet小波更适合于刻画时频局部性。 为了判断各序列的主要周期，即对降水序列变化起主要作用的周期，采用如下计算公式进行小波方差检验： 这里 为小波方差， 为小波系数。 （3）数据来源与处理 （4）降水时序变化的特征分析（年降水变化特征） 由年降水序列直线拟合可以看出自1960 年以来，年降水略呈增加趋势。(拟合趋势项常用的方法有分段趋势法、回归直线趋势、二次曲线趋势、逐步平均法、多元回归方法) （4）降水时序变化的特征分析（年降水变化特征） 由黄河流域1961-2000年年均降水年代距平表可以得出60s,70s,80s,90s的平均降水与正常值偏离的程度。 为什么小波变换能分析不同时间尺度下降水序列变化的周期 小波变换可以提供信号（函数）在不同尺度上平均变化的局部分析。 具体的说，固定一个尺度（例如十二年），小波变换在某个时间点的系数揭示了信号在时间点后十二年的加权平均和前十二年的加权平均的差值。不同的小波函数的选择决定了加权平均差中的不同的权重。（如果选择Haar小波，则加权平均为权重相同的平均值）。 如果还要考虑气温数据时间序列，可以仿照上述方法同样的分析。 考虑气温和降水的尺度变化关系。即气温和降水数据的相互依赖性。（多维时间序列分析） 气温、降水、风速多尺度时空变换及相互关系 针对某一个地区的若干个气象观测点，对气温、降水的变化规律及特征进行分析研究，找出其多尺度演变特征。 可以采用谱分析、相关分析以及连续小波分析对气温，降水数据分析。 可以用小波研究气象时间序列参数对之间的相关关系。这些参数可以是气压、温度、降水、相对湿度和风速。 （四）下一步(近期)工作设想 方法的普适性。 研究如何对数据进行多维时间序列分析及如何通过离散小波变换对时间序列进行统计分析。 MODIS影像数据、气象观测数据的主成分分析（PCA）及经验正交函数分解（EOF分析）。 研究不同尺度（分辨率）时空数据的聚类分析，分析聚类结果的尺度依赖性或尺度效应。 研究根据小波方差图来获取气象数据的多周期结构，支持周期性关联规则挖掘。 数据挖掘中逼近算法的研究 （五）参考文献 [1] 邵晓梅, 许月卿 ,严昌荣。黄河流域降水序列变化的小波 分析。北京大学学报(自然科学版), 2006 , Vol. 42(4)。 [2] 刘　德, 李永华, 何卷雄.重庆市夏季气温及降水变化的小 波分析。高原气象，2003，Vol. 22 　No. 2。 [3] Andreo B, Jimenez P, Duran J J, et al. Climatic and hydrological variations during the last 117～166 years in the south of the Iberian Peninsula, from spectral and cor