[论文解读] Assessing Characteristic Scales Using Wavelets

Michael J. Keim, Donald B. Percival|arXiv (Cornell University)|Jul 23, 2010

Complex Systems and Time Series Analysis参考文献 17被引用 9

一句话总结

本文提出了一种基于小波的特征尺度定义，通过小波方差与尺度关系图中的峰值来确定，提供了一种具有大样本理论支持的统计可处理估计器，可用于构建置信区间。该方法在非平稳或长记忆过程中的表现优于传统方法（如去相关时间τD），在北极海冰、温度记录和大气振荡等数据中得到应用。

ABSTRACT

Characteristic scale is a notion that pervades the geophysical sciences, but it has no widely accepted precise definition. The wavelet transform decomposes a time series into coefficients that are associated with different scales. The variance of these coefficients can be used to decompose the variance of the time series across different scales. A practical definition for characteristic scale can be formulated in terms of peaks in plots of the wavelet variance versus scale. This paper presents basic theory for characteristic scales based upon the discrete wavelet transform, proposes a natural estimator for these scales and provides a large sample theory for this estimator that permits the construction of confidence intervals for a true unknown characteristic scale. Computer experiments are presented that demonstrate the efficacy of the large sample theory for finite sample sizes. Examples of characteristic scale estimation are given for global temperature records, coherent structures in river flows, the Madden-Julian oscillation in an atmospheric time series and transects of one type of Arctic sea ice.

研究动机与目标

• 解决地球物理时间序列中特征尺度缺乏精确且广泛接受的定义的问题。
• 基于离散小波变换（DWT）开发一种统计上严谨的特征尺度估计器。
• 提供大样本理论，以支持估计特征尺度的置信区间构建。
• 在真实地球物理数据（包括非高斯和长记忆过程）上验证该方法的有效性。
• 为传统测量方法（如去相关时间τD）提供一种替代方案，后者在长程依赖过程中可能为无穷大。

提出的方法

• 利用离散小波变换（DWT）对时间序列方差在不同尺度上进行分解，重点关注基于尺度的方差分解——小波方差。
• 将特征尺度定义为小波方差与尺度关系图中局部峰值所对应的尺度。
• 提出一种自然估计器，基于局部区域内小波方差最大值所对应的尺度。
• 在小波系数过程为高斯分布的假设下，推导该估计器的大样本理论，从而支持置信区间的构建。
• 将该方法应用于真实地球物理时间序列，包括全球温度、河流流量、Madden–Julian振荡和北极海冰厚度。
• 通过蒙特卡洛模拟验证大样本理论，并与传统测量方法（如τD）进行比较。

实验结果

研究问题

• RQ1 能否提出一种直观且统计上可处理的小波基特征尺度定义？
• RQ2 小波基特征尺度估计器在有限样本下的表现如何？大样本理论是否可用于构建有效的置信区间？
• RQ3 在τD未定义（如长记忆过程中τD为无穷大）的情况下，小波基方法与传统测量方法（如τD）相比表现如何？
• RQ4 小波基方法能否有效捕捉非平稳或非高斯地球物理时间序列中的特征尺度？
• RQ5 该方法在北极海冰数据中检测时间与空间上特征尺度变化的能力如何？

主要发现

• 小波基特征尺度估计器在统计上是可靠的，大样本理论可为中等样本量提供有效的置信区间，蒙特卡洛模拟已证实该结论。
• 该方法成功识别出中等多年期北极海冰的有限特征尺度，估计范围为[29.6, 80.7]米，尽管该序列具有长程依赖性，导致τD为无穷大。
• 小波方差峰值能可靠地指示相干结构中的主导时间或空间尺度，如河流流量数据和Madden–Julian振荡。
• 在长程依赖情况下，小波方法优于τD，因为τD会变为无穷大，而小波方法保持有限且具有信息量。
• 即使对于非高斯序列（如北极海冰指标），大尺度上的小波系数也近似服从高斯分布，支持大样本理论的有效性。
• 该方法对多项式趋势具有鲁棒性，且能处理局部特征，适用于分析非平稳地球物理过程。