Вы находитесь на странице: 1из 11

DISCRIPCIN DEL TEMA DE TESIS:

Mtodos lineales y no lineales del anlisis espectral de los procesos y campos


aleatorios hidrometeorolgicos.
PROPUESTO POR:
Adriana Elizabeth Lara Aguayo
PARA OBTENER EL GRADO DE:
Maestro en Ciencias en Hidrometeorologa
con orientacin en Oceanografa y Meteorologa Fsica
DIRECTOR DE TESIS PROPUESTO:
Dr. Anatoliy E. Filonov
Maestra en Ciencias en Hidrometeorologa
Departamento de Fsica
CUCEI
Universidad de Guadalajara
2008
1
DESCRIPCIN DEL TEMA DE TESIS PROPUESTO:
Mtodos Lineales y No lineales del Anlisis Espectral de los Procesos y Campos
Aleatorios Hidrometeorolgicos
INTRODUCCION
La interpretacin de datos observacionales requiere a menudo de un anlisis de las
caractersticas en las variaciones temporales de forzamiento y respuesta. En tiempos recientes el
anlisis espectral espacial y temporal se ha introducido activamente en la investigacin geofsica.
El mtodo tradicional, es el anlisis espectral de la serie de tiempo por la transformada de Fourier,
qu proporciona las caractersticas de una seal variable temporal en el espacio de frecuencia.
Mientras que los mtodos adaptativos (no lineales) son una herramienta poderosa del anlisis
espectral para la deteccin de periodicidades ocultas en la serie de tiempo y ms cuando las series
de tiempo registradas son cortas. Tanto los modelos lineales como los no lineales utilizan la
transformada de Fourier para pasar del espacio de tiempo al espacio de frecuencia y viceversa.
El uso extendido de computadoras y el descubrimiento del algoritmo de la Transformada
Rpida de Fourier, ha hecho de la transformada de Fourier el centro de mesa de cualquier anlisis
de la serie tiempo desde los aos sesenta del pasado siglo.
El anlisis por medio de la transformada de Fourier provee informacin de las caractersticas
de una seal variable temporal. Este proporciona solo su frecuencia contenida sobre el registro de
longitud entera y toda la informacin relacionada a la fase para eventos individuales,
comprendiendo la serie de tiempo perdida en la transformacin del espacio temporal al espacio de
frecuencias. As es posible identificar la magnitud y frecuencia (o equivalente al periodo) de varios
eventos incluidos en la serie de tiempo.
El anlisis espectral se usa ampliamente para la descripcin y el estudio de procesos
aleatorios y campos de amplia diversidad natural. Las reas de aplicacin tradicional de este
anlisis incluyen el de ruido instrumental o estadstico. En la prctica, las dificultades especficas y
los problemas surgen en el anlisis de campos aleatorios, relacionado al marcado aumento en el
volumen del dato original y el proceso. Para las series de tiempo estocsticas como las ondas de
viento, las contribuciones de los diferentes componentes de frecuencia son medidas en trminos de
la densidad espectral de poder. Para ondas determnisticas semejantes a la marea superficial, pueden
usarse la densidad espectral de poder o la densidad espectral de energa (espectro energtico). En la
prctica, el trmino espectro se aplica a todas las funciones espectrales incluyendo los trminos
comnmente usados tal como auto-espectro y espectro de poder (Emery y Thomson 2004).
2
El anlisis espectral de un campo aleatorio es un problema estadstico, los datos que
representan un fenmeno fsico aleatorio no puede describirse por una relacin matemtica
explicita, porque cada observacin del fenmeno es nica. En otras palabras, cualquier observacin
dada representar solo uno de muchos posibles resultados que tienen ocurrencia (Bendat y Piersol
1986). Es posible representar el anlisis espectral grficamente como resultado de una accin
sucesiva en el proceso o el campo de filtros (ventanas) temporales o espaciales.
Este documento esta interesado principalmente en la estimacin de espectros de nmero de
onda de frecuencia, usando los datos de series observadas que se prueban en el tiempo.
El objetivo de este documento es desarrollar los modelos lineales y no lineales para
caracterizar fenmenos fsicos. Para esto se requiere un conocimiento sobre las caractersticas de
los procesos a tratar, realizar las estimaciones necesarias y analizar los resultados.
JUSTIFICACIN
Muchos fenmenos fsicos y objetos se forman bajo la accin de un gran nmero de
influencias elementales no relacionadas. Esto indica una distribucin amplia de procesos aleatorios
y campos en el mundo fsico. Es posible clasificar las seales en determinsticas y aleatorias por
medio del anlisis espectral. Al utilizar modelos basados en procesos aleatorios en aplicaciones
prcticas de tratamiento de series del tiempo, se considera que el proceso aleatorio se forma como
un conjunto de realizaciones, cada uno de los cuales es una funcin de tiempo. Si una funcin
aleatoria varia en el tiempo y en el espacio, o solo en el espacio, entonces se habla de un campo
aleatorio.
Se examinarn los procesos aleatorios de un punto de vista probabilstico. En ciertos
problemas, por ejemplo en el estudio de las pulsaciones acsticas y campos electromagnticos en
un medio homogneo, es til caracterizar el campo aleatorio no por su espectro, pero por su funcin
de correlacin. La aproximacin al problema de la estimacin espectral, como un problema de los
parmetros encontrados de un modelo de proceso o un modelo espectral es universal y se usa para
construir diferentes estimaciones espectrales.
La dificultad relacionada con la organizacin de las mediciones espaciales se presentan ms
claramente en las investigaciones oceanogrficas. Como regla con el anlisis espacial por lo general
no es suficiente la capacidad de resolucin ya que las mediciones espaciales frecuentemente se
presentan en un plano con 3 - 4 puntos de medicin (ubicadas en el espacio de una estacin de
boyas autnomas). Por ello en la oceanografa se debe esperar el mayor efecto en la sustitucin de
los estimadores tradicionales por los mtodos adaptativos.
3
OBJETIVOS
Objetivo general: Estudiar los mtodos lineales y no lineales del anlisis espectral en los
procesos y campos hidrometeorolgicos.
Objetivos especficos:
1. Basndose en las mediciones instrumentales:
- Se aplicar el anlisis espectral unidimensional para el estudio de la variabilidad climtica
en la regin del lago de Chapala.
- Se aplicar el anlisis espectral tridimensional para el estudio de las ondas internas en el
lago volcnico Santa Maria del Oro.
METODOLOGA
Para el anlisis de las periodicidades ocultas en las mediciones escalares y vectoriales de las
series de tiempo, se utilizarn los mtodos lineales y no lineales del anlisis espectral, (Jenkins y
Watts 1969, Urlych 1974, y Mooers 1973). En general se usan los mtodos parmetricos para las
series de tiempo cortas (pocos ciclos de la oscilacin de inters) y los mtodos no parmetricos para
series de tiempo largas (muchos ciclos de la oscilacin de inters).
Para un proceso aleatorio se puede introducir la descomposicin espectral del proceso de la
siguiente forma:
Si una funcin aleatoria
( ) t
se da por un conjunto de N valores discretos en un segmento
T t 0 en el momento de tiempo
/
n
t n N T
en donde / F N T , entonces el espectro
amplitudinal
( ) f C

se determina por un conjunto de N de valores discretos en la franja de


frecuencias
[ ] F , 0
en los puntos
/
k
f k T
con ayuda de la transformada discreta de Fourier (TDF)
en la forma
1
0
exp 2 .
N
k n
n
kn
C i
N

(1)
4
Para comodidad de la escritura fueron introducidas las siguientes simplificaciones:
, .
n k
n k
C F C
F T

_ _


, ,
La estimacin por el perodograma se encuentra por el modulo cuadrado de el espectro
amplitudinal
2
1
0
1
exp 2 .
N
k n
n
kn
S i
N N

(2)
Otra estimacin del espectro se realiza mediante la funcin de correlacin:
( ) ( ) ( )
max
0
max
1

,
N n
n
R M t n t n M t
N n

+ 1
]


(3)
donde N el numero de miembros de la serie temporal discreta
( )
n
t
, M es el parmetro de
retraso del tiempo y es necesario calcular los valores de la densidad espectral en max
n
de puntos
equidistantes est se transforma por la TDF (1),
1
0

( ) exp 2 .
N
k
n
kn
S R M t i
N

(4)
donde
k
S
es estimacin espectral o espectro energtico.
Las estimaciones por los mtodos no lineales (adaptativos) se realizarn mediante la
utilizacin de un filtro de transformacin o filtro blanco,
5
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )

'

'

1
1
1
1
]
1

0
0
1
0 2 1
2 0 1
1 1 0
2
1
1





M
M
a
a
R M R M R
M R R R
M R R R

(5)
dnde en donde N M , M es el orden del filtro,
( ) R j
es la
j
sima cuenta de la funcin
de correlacin, solucionando el sistema (5) se encuentran los coeficientes del filtro
j
a
(factores de
peso) y la dispersin
2
M
en su salida.
De los coeficientes se calcula la estimacin espectral por el Mtodo de Mxima Entropa
(ME):
2
2
1
0
( )
exp( )
x
M
j j
j
t
S
a i t

, (6)
donde t es el intervalo entre las muestras en la serie inicial,
0
1 a
(Konyaev, 1990).
La segunda estimacin adaptativa obtenida por el mtodo de Mxima Verosimilitud (MV)
se fundamenta en la solucin comprometida: se construyen los filtros de todas las longitudes
posibles desde 2 hasta N, donde ij
a
se obtiene de una matriz, la matriz inversa de correlacin de la
sucesin inicial:
6
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1
1
1
1
]
1

1
1
1
1
]
1


N N N N
N
N
a a a
a a a
a a a
R N R N R
N R R R
N R R R
2 1
2 2 2 2 1
1 1 2 1 1
1
0 2 1
2 0 1
1 1 0





(8)
Ya que los valores de ij
a
por lo general se normalizan en la dispersin del ruido de salida,
la estimacin de Mxima Verosimilitud tiene la forma:
( )
( )
2
1
,
, 1
.
exp
N
i j i j
i j
t
S f
a i t

(9)
El campo aleatorio, tal y como el proceso aleatorio, se presenta como una serie mltiple,
siendo cada una de ellas una funcin aleatoria del argumento vectorial. La descomposicin
espectral de los campos aleatorios y sus funciones de correlacin no presenta ninguna diferencia de
las descomposiciones de los procesos aleatorios y de las funciones de correlacin de una
dimensin. Todas las propiedades y relaciones descritas para los procesos aleatorios conservan su
fuerza para los campos, con algunas extensiones debido a la modificacin del argumento escalar
por vectorial.
La estimacin por la funcin de correlacin se lleva a cabo en dos etapas. Inicialmente se
construye una estimacin de la funcin de correlacin
7
( ) ( ) ( ) x d x x x
x
x R
x
x
x

+

. (8)
Despus el espectro del campo se encuentra a travs de la Transformada de Fourier de la
estimacin de la funcin de correlacin
( ) ( ) x d x k i x R k S


2 exp

. (9)
Al estimar el espectro por el periodograma inicialmente se realiza la Transformada de Fourier
para la serie del campo
( )
( )

exp 2
x
x
C k x i k x dx

r r
r r r
(10)
y se encuentra el periodograma del campo
( ) ( )
2
1
1

, S k C k
x

r r
y despus se calcula la estimacin suavizada del espectro,
( ) ( ) ( ) ,

' ' '
1
k d k k Q k S k S


(11)
en donde ( ) k Q

es la ventana suavizante frecuencial.
La estimacin tradicional del espectro espacio temporal tiene la forma:
( )
( )
1 1
, exp 2
P P
ij ij ij
i j
S k f a S f i k x

r r
r
(12)
en donde
( ) f S
ij es la matriz de espectros cruzados,
k
r
es el vector de onda;
ij
x
r
es el vector de la
diferencia de coordenadas entre esimo i y
esimo j
sensor; ij
a
son multiplicadores de peso
escogidos para cada posicin concreta de los sensores de tal manera que se pueda formar una
buena ventana espectral espacial a travs de la eliminacin o supresin de la informacin obtenida
con sensores ubicados no adecuadamente.
El estimador mismo de Mxima Entropa (con una exactitud de hasta el multiplicador
normativo) se calcula de la forma:
8
( )
( )
1
1
, 0

, exp 2
P
ij ij
i j
S k f h f i k x

_


,

r r
(13)
donde ( )
ij
h f
es la matriz de filtros de multicanales
( ) { }

'

1 1 0
1
1
0
p
p
ij
a a a
a
a
a
f h

(14)
Para la estimacin del espectro por el mtodo de Mxima Verosimilitud el filtro multicanal se
determina por la matriz espectral inversa
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1
2 1
2 2 2 2 1
1 1 2 1 1

1
1
1
1
1
]
1

f S f S f S
f S f S f S
f S f S f S
f h
p p p p
p
p
i j




(15)
y la estimacin se calcula sustituyendo (15) en (13) (Burg 1972).
La meta de la estimacin espectral es describir la distribucin (sobre la frecuencia) del poder
contenido en una seal, basado en un juego finito de datos. La estimacin del espectro de
energtico es til en una variedad de aplicaciones, incluyendo la deteccin de series ocultas en
ruido de banda angosta.
Estas estimaciones sern llevadas a cabo mediante programas implementados en Fortran y
Matlab para el grfico de los mismos, ya que su realizacin analticamente es demasiado extensa.
9
CRONOGRAMA DE ACTIVIDADES
Ao 2005
Actividades
Febrero Marzo Abril Mayo Junio Julio AgostoSeptiembre
Investigacin
Bibliogrfica
X X X X
Redaccin de
fundamentos bsicos


X X X
Anlisis y desarrollo
de los mtodos
lineales y no lineales
X X X
Aplicacin de datos
reales a los mtodos
X X X X

Anlisis de
resultados
X X

Presentacin de tesis
X
BIBLIOGRAFIA
Bendat, J.S., and Piersol, A.G. (1986) Random Data: Analysis and Measurement Procedures. Third
Edition, John Wiley & Sons, Inc.
Burg, J. P. (1972) The relationship between maximum entropy spectra and maximum likelihood
spectra. Geophysics, Vol. 37, No. 2, P. 375-376.
Emery, W. J. and Thomson R.E. (2004) Data analysis methods in physical oceanography. Second
Ed. Elsevier B.V.
Jenkins, G.M., and Watts, D.G. (1969) Spectral Analysis and Its Applications. San Francisco-
Cambridge-London-Amsterdam, Holden-Day, 345 p.
Konyaev, K.V. (1990). Spectral Analysis of Physical Oceanographic Data. A.A.
Balkema/Rotterdam, 200 p.
Mooers, C.N.K. (1973) A Technique for the Cross-Spectrum Analysis of Pairs of Complex Valued
Time Series with Emphasis on Properties of Polarized Components and Rotational
Invariants. Deep Sea Res. 20: 1129-1141.
10
Ulrych, T., and Jensen O. (1974) Cross spectral analysis using maximum entropy. Geophysics, Vol.
39, No. 3, P. 353-354
11

Вам также может понравиться