Matlab小波变换在降雨数据分析中的应用与实践

1. 项目概述：当降雨数据遇上小波变换

去年夏天帮本地气象站处理一组十年期降雨数据时，我意识到传统傅里叶分析在捕捉降雨突变特征时的局限性——它就像用固定倍数的放大镜观察信号，无法同时看清短时暴雨和长期干旱趋势。而小波变换提供的时频局部化能力，恰好能像可调焦显微镜那样，在不同尺度下揭示降雨序列的隐藏特征。

这个项目完整记录了用Matlab实现降雨时间序列小波分析的全过程，包含从数据预处理、小波基选择到时频能量谱解读的完整技术链。特别适合水文、气象领域的研究者，以及任何需要分析非平稳时间序列的数据工作者。通过本文你将掌握如何用db4小波识别厄尔尼诺年的异常降雨模式，以及如何通过小波相干性分析不同气象站数据的关联特征。

2. 核心工具与数据准备

2.1 Matlab小波工具箱关键函数

Matlab的Wavelet Toolbox提供了完整的分析套件，核心函数包括：

• wavedec：多尺度一维小波分解
• wrcoef：小波重构系数
• cwt：连续小波变换
• wcoherence：小波相干性分析

实测发现2016b版本后的cwt函数对边缘效应处理有明显改进，建议优先使用新版。对于日降雨数据，典型调用方式如下：

matlab复制[coefs, frequencies] = cwt(rainfall, 'amor', 1, 'VoicesPerOctave', 12);

2.2 降雨数据特性与预处理

某气象站提供的10年日降雨数据（2013-2022）呈现典型右偏分布：

• 零值占比约58%（无雨日）
• 最大日降雨量127mm（台风季）
• 季节性差异显著

预处理关键步骤：

1. 零值处理：将无雨日记为0.01mm（避免对数变换失效）
2. 异常值修正：用3σ原则修正台风异常值
3. 标准化：采用Box-Cox变换（λ=0.3）改善正态性
4. 去趋势：一阶差分消除年际趋势

特别注意：降雨数据的间断性会导致小波系数在高频段出现伪振荡，建议先进行概率分布匹配

3. 小波变换实施详解

3.1 小波基选择对比实验

测试了5种常用小波基在降雨分析中的表现：

| 小波类型 | 重构误差 | 时域分辨率 | 频域分辨率 | 适用场景 |
|----------|----------