气候序列的周期提取方法-谱分析.pptVIP

气候序列的周期提取方法 谱分析 时间序列分析方法 存在两种基本的时间序列分析方法： 时间域分析方法； 离散数据——Markov Chains 连续数据——自回归过程 频率域分析方法； 时间序列分析方法类似于理论分布，即用几个参数作为数据的代表，但理论分布并不考虑数据的排序特征，而这里的时间序列方法是对数据的排序特征进行推断，从而也可用于对未来数据特征的推断，这要求数据应满足平稳性。 时间序列分析方法 存在两种基本的时间序列分析方法： 时间域分析方法； 离散数据——Markov Chains 连续数据——自回归过程 频率域分析方法； 频率域分析方法 频率域分析方法根据不同时间尺度（或频率）的贡献来表证数据； 每一时间尺度可由一对sine和cosine函数表示； 整个的时间序列就是由不同尺度的sine和cosine函数的叠加构成； 通常我们对单个尺度的波更加的感兴趣。 频率域分析方法 因此频率域分析方法涉及到将包含n个点的原始数据转化为一系列的周期函数； 虽然，直观上频率域分析方法较难以让人接受； 但是，这种方法在大气科学分析中是非常常用的，也是非常重要的方法，常能为我们提供原数据重要的信息。 谐波分析（Harmonic analysis） 谐波分析（Harmonic analysis） 谐波分析是将一系列sine和cosine函数叠加在一起来表征原始数据的振荡或波动； Cosine和sine函数特点 一个谐波函数表征一个简单的时间序列——存在的问题 即便是时间序列具有很好的正弦曲线的特征，我们用正弦曲线表征该数据时，仍然存在以下问题： 数据是时间的函数，而三角函数却是角度的函数； 余弦和正弦曲线波动的范围在+1和-1之间，而数据的振荡范围通常不能满足此限制； 余弦曲线极值位于 处，而此位置对于正弦曲线则为平均值。 一个谐波函数表征一个简单的时间序列——解决方法 将数据记录长度n看作为一个周期或基本周期，则有： 为基本频率，下标1表示整个数据只有一个完整的循环。 一个谐波函数表征一个简单的时间序列——解决方法 将cosine或sine函数向上或向下移动到原数据的基本水平处，然后拉伸或压缩到与原数据相同的振幅范围。 ： 振幅，则振幅的最大和最小值为 一个谐波函数表征一个简单的时间序列——解决方法 应将谐波函数水平的移动，从而与原序列的脊和槽相匹配。 为位相角，即将cosine函数向右移动角度 ，则新的函数在 处达到最大值。 举例1 1943-1989年Ithaca平均每月温度； t=1表示1月，t=2表示2月，…； 整个序列的年平均温度为46.1℉； 原数据近似正弦曲线； 最暖的7月平均温度为68.8℉，最冷的1月平均温度为22.2 ℉ 单个谐波的振幅和位相估计 由三角函数的特性： 知： 谐波与多元线性回归 当对上式进行变量代换可转化为一般的多元线性回归方程： 由此，可利用最小二乘法估计参数，且： 位相角 计算公式： 且满足 参数 在满足时间步长相等，且无缺测的前提下，通过最小二乘估计得到参数： 举例2 同上例，有下表 举例2 则可计算得到平均值为46.1℉ 与前述例子的结果非常接近，但位相角向右移动8度（大约1周的时间），则结果更接近实际数据。 高阶谐波 由于年循环近似于正弦曲线，因此单个谐波便可很好的拟合； 但这并不意味着单个谐波可以很好的表征任何时间序列； 类似于多元回归问题，增加更多的余弦波也会提高谐波分析的拟合结果，但也同样面临可能会过度拟合的问题。 高阶谐波 已证明包含n个点的原始数据通过叠加n/2个谐波函数便可以完全表征原数据，即存在一个可以通过所有点的谐波。 频率（圆频率）为： 解释 K=2，二阶谐波，其振幅和位相分别为C2和 ； 表示时间t从0到n/2有一个循环，而从n/2到n还有一个完整的循环，即2波； 同样，k=3表示整个时间过程存在3个波。 参数 在时间步长均等，且无缺测点的前提下，通过求解多元回归方程可得到： 过度拟合 有关多元回归分析表明，当拟合线通过所有数据点时，复相关系数为100%，为过度拟合。 同样，当谐波方程中包含n/2个谐波时，也为过度拟合。 过度拟合 由于每个谐波项都包含2个参数，即振幅和位相，同时方程中还包含截距，即样本平均值： 当n为偶数时，可以有n/2个谐波， ， n/2个振幅+ (n/2-1)个位相+样本平均值，方程包含有n个参数； 当n为奇数时