AO、NAO、ENSO:小波分析示例
厄尔尼诺-南方涛动 (ENSO)、北大西洋涛动 (NAO) 和北极涛动 (AO) 是具有全球影响的大气现象,对人们的生活产生重大影响。ENSO 首先给南半球的发展中国家带来了洪水、干旱和随之而来的贫困。在这里,我们使用新的 torchwavelets 包来比较检查这三个系列中的模式。
来源:RStudio AI博客最近,我们展示了如何使用 torch 进行小波分析。作为频谱分析方法家族的一员,小波分析与傅里叶变换有些相似,具体来说,与其流行的二维应用频谱图有些相似。
torch
小波分析
但正如那本书摘录中所解释的那样,它们之间存在显著差异。就当前帖子的目的而言,只需知道频域模式是通过让一个小“波”(实际上可以是任何形状)在数据上“滑动”来发现的,计算每个样本邻域的匹配度(或不匹配度)。
因此,通过这篇文章,我的目标是双重的。
首先,介绍 torchwavelets,这是一个小巧但有用的包,可以自动执行所有必要的步骤。与傅里叶变换及其应用相比,小波这一主题相当“混乱”——也就是说,它享有的共享术语要少得多,共享实践也少得多。因此,只要有现成的、社区接受的方法可用且有充分的文档记录,那么实施就应该遵循这些方法。借助 torchwavelets,我们提供了 Torrence 和 Compo 1998 年的“小波分析实用指南”(Torrence and Compo (1998))的实现,这是一篇经常被引用的论文,在广泛的应用领域具有影响力。从代码方面来看,我们的软件包主要是 Tom Runia 的 PyTorch 实现的移植,而 PyTorch 实现本身又基于 Aaron O’Leary 之前的实现。
torchwaveletstorchwavelets
Torrence 和 Compo (1998)
Torrence 和 Compo
1998
Tom Runia 的 PyTorch 实现
Aaron O’Leary
其次,展示小波分析在具有重大科学意义和巨大社会意义的领域(气象学/气候学)的一个有吸引力的用例。我本人绝不是专家,但我希望这可以启发这些领域的人们,以及其他出现时间数据的领域的科学家和分析师。
三个振荡
厄尔尼诺-南方涛动 (ENSO)tsibble
(
)
(