1. 项目概述：降雨量时序分析的双重检验方法
在气象水文研究中，长时间序列的降雨量数据分析对理解气候变化规律至关重要。MK检验（Mann-Kendall Test）和Morlet小波分析作为两种经典的时序分析方法，前者用于检测趋势显著性，后者擅长揭示周期特征。本项目将这两种方法结合使用，通过Matlab实现从数据预处理到结果可视化的完整分析流程。
实际应用中，我发现许多研究者单独使用其中一种方法，但将MK检验的趋势判断与小波分析的周期识别相结合，往往能发现数据中更丰富的隐藏信息。
2. 核心方法原理解析
2.1 MK检验的数学基础
MK检验作为一种非参数统计方法，其核心是通过比较序列中所有可能的数据对（x_i, x_j, i<j）来计算统计量S：
code复制S = Σ_{i=1}^{n-1} Σ_{j=i+1}^n sign(x_j - x_i)
其中sign为符号函数。当样本量n较大时（通常n>10），S近似服从正态分布，可通过标准化得到Z统计量进行显著性检验。我在实际计算中发现，对于存在季节性波动的降雨数据，建议先进行去季节化处理再应用MK检验，否则可能掩盖真实趋势。
2.2 Morlet小波变换的时频特性
Morlet小波由复指数函数与高斯窗函数构成：
code复制ψ(t) = π^{-1/4} e^{iω_0t} e^{-t^2/2}
其中ω_0为无量纲频率参数（通常取6以满足容许条件）。其傅里叶变换为：
code复制ψ̂(ω) = π^{-1/4} e^{-(ω-ω_0)^2/2}
这种对称的钟形频谱特性使其特别适合分析气象数据中的多尺度周期。在我的实践中，发现ω_0取值在5-6之间时，对年际和年代际周期的识别效果最佳。
3. Matlab实现全流程
3.1 数据预处理关键步骤
matlab复制% 读取降雨量数据（示例为CSV格式）
data = readtable('rainfall.csv');
years = data.Year;
rain = data.MonthlyRain;
% 处理缺失值（线性插值法）
rain_filled = fillmissing(rain, 'linear');
% 年度聚合（根据需求可选）
annual_rain = accumarray(year(years)-min(year(years))+1, rain_filled);
特别注意：若数据存在连续多月缺失，建议采用气象学常用的空间插值法而非简单线性插值。我曾遇到插值不当导致MK检验结果失真的案例。
3.2 MK检验完整实现
matlab复制function [z, p, trend] = mk_test(data)
n = length(data);
s = 0;
% 计算S统计量
for k = 1:n-1
for j = k+1:n
s = s + sign(data(j) - data(k));
end
end
% 计算方差（考虑结值修正）
ties = unique(data);
g = length(ties);
var_s = n*(n-1)*(2*n+5)/18;
if g < n
for p = 1:g
tp = sum(data == ties(p));
var_s = var_s - tp*(tp-1)*(2*tp+5)/18;
end
end
% 计算Z值
if s > 0
z = (s - 1)/sqrt(var_s);
elseif s < 0
z = (s + 1)/sqrt(var_s);
else
z = 0;
end
% 双尾检验p值
p = 2*(1 - normcdf(abs(z)));
trend = s;
end
3.3 Morlet小波分析核心代码
matlab复制function [wave, period, scale] = morlet_cwt(data, dt, dj, s0, j1)
n = length(data);
fourier_factor = 4*pi/(6 + sqrt(2 + 6^2)); % Morlet小波转换因子
scale = s0 * 2.^(dj*(0:j1));
period = fourier_factor * scale;
% 标准化数据
variance = std(data)^2;
data = (data - mean(data))/sqrt(variance);
% 快速傅里叶变换
fft_data = fft(data);
k = [1:fix(n/2)];
k = [0, k, -fliplr(k(1:fix((n-1)/2)))];
k = 2*pi*k/n;
% 小波变换
wave = zeros(length(scale), n);
for m = 1:length(scale)
daughter = sqrt(2*pi*scale(m)/dt) * ...
exp(-0.5*(scale(m)*k - 6).^2) .* (scale(m)*k > 0);
wave(m,:) = ifft(fft_data .* daughter);
end
end
4. 结果可视化与解读技巧
4.1 MK检验结果展示
matlab复制% 执行MK检验
[z, p, trend] = mk_test(annual_rain);
% 绘制结果
figure;
subplot(2,1,1);
plot(years, annual_rain);
title(['年降雨量变化 (Z = ', num2str(z, '%.2f'), ', p = ', num2str(p, '%.4f'), ')']);
xlabel('年份'); ylabel('降雨量(mm)');
% 添加趋势线
hold on;
if p < 0.05
coeff = polyfit(year(years), annual_rain, 1);
plot(years, polyval(coeff, year(years)), 'r--', 'LineWidth', 2);
legend('实际数据', ['显著趋势 (p<0.05)'], 'Location', 'best');
end
4.2 小波功率谱绘制
matlab复制% 参数设置
dt = 1/12; % 月数据时间步长
dj = 0.25; % 尺度间隔
s0 = 2*dt; % 最小尺度
j1 = 7/dj; % 最大尺度
% 执行小波变换
[wave, period, scale] = morlet_cwt(rain_filled, dt, dj, s0, j1);
power = abs(wave).^2;
% 绘制小波功率谱
figure;
contourf(year(years), period, power, 20, 'LineColor', 'none');
colorbar;
set(gca, 'YScale', 'log');
ylabel('周期 (年)');
xlabel('年份');
title('Morlet小波功率谱');
可视化技巧：使用对数坐标显示周期轴时，建议配合
set(gca, 'YTick', [1 2 5 10 20])手动设置刻度，使周期特征更易解读。我曾发现自动刻度有时会掩盖关键周期信号。
5. 实战经验与问题排查
5.1 边界效应处理方案
小波分析的边界效应（edge effects）会导致图像两端出现虚假信号。解决方法包括：
- 数据镜像延拓：
extended_data = [flipud(data(1:100)); data; flipud(data(end-99:end))] - 锥形影响区域（COI）标记：
matlab复制hold on;
plot(years, fourier_factor*scale(end)*ones(size(years)), 'k--');
5.2 常见报错与解决
-
内存不足错误：
- 现象：
Out of memorywhen processing >50年数据 - 解决方案：分时段计算或降低尺度分辨率（增大dj值）
- 现象：
-
周期识别异常：
- 检查项：确认ω_0参数是否合适，数据是否已去趋势
- 调试命令：
test_omega = 5:0.5:7;测试不同参数效果
-
MK检验结果不稳定：
- 可能原因：数据存在自相关性
- 改进方法：采用预白化处理或使用改进的MK检验（如Hamed-Rao方法）
5.3 性能优化技巧
对于大规模数据分析（如全国站点数据），建议：
- 向量化MK检验中的双重循环：
matlab复制[j,k] = meshgrid(1:n);
s = sum(sign(data(j) - data(k)), 'all')/2;
- 使用并行计算加速小波变换：
matlab复制parfor m = 1:length(scale)
wave(m,:) = ifft(fft_data .* daughter);
end
6. 扩展应用场景
6.1 多站点联合分析
通过矩阵运算实现批量处理：
matlab复制stations = {'A', 'B', 'C'};
results = struct();
for i = 1:length(stations)
data = load([stations{i} '.csv']);
[z(i), p(i)] = mk_test(data);
[wave{i}, period] = morlet_cwt(data, dt, dj, s0, j1);
end
6.2 与其他气象要素的交叉分析
matlab复制% 计算温度与降雨的小波相干谱
[temp_wave] = morlet_cwt(temperature, dt, dj, s0, j1);
coherence = abs(wave .* conj(temp_wave)) ./ sqrt(power .* abs(temp_wave).^2);
我在分析华北地区数据时，通过这种方法发现了降雨-温度关系的年代际变化特征，相关成果已发表于《气候与环境研究》期刊。