CAPTULO 3

PROCESADO DE DATOS EN LA CAPA SUPERFICIAL

ATMOSFRICA
Las series temporales que se generan durante las campaas experimentales pueden
contener una serie de anomalas. stas estn provocadas por los propios sensores, el
sistema de adquisicin y/o el sistema de almacenamiento de datos. Consecuentemente,
es imprescindible depurar los datos obtenidos para extraer conclusiones fiables del
fenmeno estudiado. En nuestro caso, para depurar los datos experimentales se han
utilizado tanto tratamientos temporales como espectrales.

Adems de la depuracin de los datos, dentro del procesado de los datos para el estudio
de la turbulencia es prctica comn la utilizacin de tcnicas espectrales para
caracterizar y analizar algunos fenmenos naturales, siendo la herramienta ms
explotada y conocida en mayor profundidad el anlisis de Fourier. Sin embargo, en la
actualidad se estn empezando a extender otras tcnicas que aportan informacin
adicional al problema del anlisis espectral como es el anlisis wavelet. En la elaboracin
de este trabajo se han utilizado ambas tcnicas para la deteccin de fenmenos
ondulatorios en la capa lmite atmosfrica. En este captulo se expondrn, brevemente,
sus caractersticas ms importantes.
3.1 Introduccin
Durante la ltima dcada las mejoras en las tcnicas del procesado de la seal han hecho
que el conocimiento de la capa superficial atmosfrica haya mejorado sensiblemente.
Adems, los ordenadores, ms rpidos y pequeos, ahora al alcance de la mayora de
cientficos que investigan la capa superficial, ofrecen virtualmente posibilidades ilimitadas
para el procesado y la visualizacin de los resultados, incluso cuando un experimento an
est en proceso. En consecuencia, hoy en da, se pueden estandarizar la mayora de
mtodos para el procesado de datos en tiempo real (Vickers y Mahrt, 2001). Un
entendimiento apropiado de las caractersticas instrumentales es esencial para la
planificacin de cualquier experimento y la obtencin de conclusiones razonables de los
fenmenos fsicos estudiados.

La informacin que se postula, en el presente captulo, se divide en dos grupos, en la
seccin 3.2 se exponen los recursos utilizados mediante el anlisis temporal y en la
seccin 3.3 los empleados en el anlisis espectral, mostrando los mtodos utilizados y
algunos ejemplos, que nos han servido para la realizacin de este trabajo.
3.2 Anlisis temporal
3.2.1 Estadsticos de los promedios temporales
Hay diferentes tipos de medias que se usan en la teora o en la prctica. La ms comn
en el anlisis de observaciones con instrumentos fijos, de medida directa, es la media
temporal que, para un registro continuo (serie temporal), se define como
33
Captulo 3
34

=
T
dt t f
T
F
0
) (
1
( 3.1 )
donde t es el tiempo, f es cualquier variable o funcin de variables, F es la media
temporal correspondiente y T es la longitud temporal de la muestra sobre el promediado
deseado.

En ciertos flujos de la capa fronteriza atmosfrica, la eleccin de una muestra temporal
ptima o el periodo de promedio T no siempre est clara. Debe ser lo suficientemente
grande como para asegurar un promedio estable e incorporar los efectos de todas las
contribuciones importantes de los grandes remolinos del flujo, pero no tan grande como
para enmascarar lo que puede considerarse como una tendencia real en el flujo (por
ejemplo las variaciones diurnas). En el anlisis de las observaciones en
micrometeorologa, el promedio ptimo de tiempo tiene un rango de 300 a 1800
segundos, dependiendo de la altura de las observaciones, la altura de la capa lmite
atmosfrica y el carcter de la estabilidad.
3.2.2 Control de calidad
En las campaas experimentales, se almacenan las medidas procedentes de los sensores
en series temporales. stas acostumbran a contener anomalas, como consecuencia de la
digitalizacin de la seal, derivadas del mismo sensor, por el cableado, por el sistema de
almacenamiento o por el sistema de alimentacin del conjunto. Las principales anomalas
encontradas son los valores puntuales, o picos excesivamente altos o bajos, las
discontinuidades o huecos en el muestreo y el ruido o inhomogeneidades presentes en
las series temporales. En consecuencia, se hace imprescindible realizar un control de
calidad a los datos antes de extraer posibles conclusiones errneas.
3.2.2.1 Eliminacin de datos espurios o picos
En el tratamiento estadstico de la turbulencia conviene eliminar de las series temporales,
de todas las variables, aquellos datos aislados (picos) que se alejan del valor medio
porque alteran los resultados.

Suponiendo que la serie temporal digitalizada {x
i
} se comporta como una variable
aleatoria normal en perodos cortos, podemos calcular su valor medio x mediante la
expresin

1
1
N
i
i
x x
N
=
=

( 3.2 )
donde N es el nmero de trminos de la ventana considerada, y la varianza
correspondiente segn
2
x
( )
2
2
1
1
N
x i
i
x x
N

=
=

( 3.3 )
Eligiendo un nivel de confianza de la serie de 3.5 veces la desviacin estndar,
escrutamos cada uno de los datos, sustituyendo todos aquellos que no estn
comprendidos en el intervalo ( . La sustitucin ms utilizada es por el
valor medio de los dos valores prximos o bien mediante una interpolacin lineal (Vickers
y Mahrt, 1997).
)
x
3.5 , 3.5
x
x x +


Procesado de datos en la capa superficial atmosfrica
35
Como los picos iniciales han influido en el clculo de los estadsticos anteriores,
ecuaciones 3.2 y 3.3, se repite el proceso para toda la serie con los datos sustituidos,
calculndose los nuevos estadsticos de filtrado. Y as sucesivamente, hasta que el total
de los datos de la serie no sustituidos estn dentro del intervalo de confianza designado
por la media y la varianza ltimas.
3.2.2.2 Eliminacin de ruido
La digitalizacin de la seal provoca una inyeccin de ruido en los datos. Para eliminar
esta alteracin y homogeneizar la serie temporal se opta por el suavizado de la misma
mediante la media mvil.

El calificativo mvil comprende la tcnica de clculo de un estadstico sobre subseries,
ventanas de longitud constante, L, desplazndose un intervalo . Con ello se obtienen
N-L puntos que denotan una evolucin temporal suavizada de dicho estadstico. As, la
media mvil se define como:
L N x
L
x
L
i
i
= =

+
=
, , 2 , 1
1
) (

( 3.4 )
Una mayor longitud de la ventana produce una mayor suavizacin en la evolucin
temporal del estadstico y la prdida de informacin referente a los fenmenos de menor
escala.

Para eliminar el ruido y suavizar la seal temporal tambin se utilizan tcnicas wavelet,
seccin 3.3.2.
3.2.3 Medicin en torres y mstiles
Las medidas en torres son ideales para el estudio de la capa superficial atmosfrica. Se
pueden medir los flujos mediante sensores de turbulencia a diferentes alturas y adems
estimar los perfiles de temperatura y viento con sensores de medida directa.

Ahora bien, los mstiles y las torres que soportan un sensor pueden interferir en el flujo,
introduciendo errores en las medidas de gradientes y de flujos. Es posible reducir estos
errores hasta niveles aceptables mediante un diseo cuidadoso de la estructura de la
torre y los mstiles que soportan los sensores. La influencia de la estructura de la torre
es diferente para los flujos que pasan primero por el sensor que para aquellos que antes
de ser medidos pasan por la torre. Por este motivo, se recomienda elegir el brazo, que
soporta al sensor, con una longitud superior a 1.5 veces la estructura lateral de la torre y
restringir el estudio de los datos a un sector que excluya las direcciones de viento
procedentes de la torre en 30 a cada lado (Kaimal y Finnigan, 1994).

Cuando los sensores no estn bien nivelados o estn ubicados en una terreno con
pendiente es evidente que se obtendrn errores en las medidas de la velocidad del viento
y en el clculo de los flujos. En cuyo caso, se recomienda utilizar la correccin del ngulo
(tilt), que presentamos a continuacin. Posteriormente expondremos el mtodo que
hemos utilizado en este trabajo para la estimacin de los perfiles de viento y de
temperatura.
3.2.3.1 Correccin del ngulo
El mtodo que se utiliza para resolver el problema de la orientacin del sensor se divide
en dos fases: primero se elige un conjunto de ejes que se utilizarn para interpretar las
medidas, luego se alinearn todos los instrumentos cuidadosamente respecto a la
direccin local de estos ejes. Un ejemplo comn en meteorologa es elegir las
coordenadas cartesianas con z alineada en la direccin del gradiente geopotencial, x en la

Captulo 3
36
direccin W-E e y en la direccin S-N. Aunque es difcil precisar dichas direcciones en
cada instrumento. A continuacin es el propio flujo el que selecciona los ejes de
coordenadas. Por ejemplo, como se acostumbra a hacer en micrometeorologa, se
designa x como la direccin del vector del viento local medio, y como la direccin de la
binormal y z como la normal principal a la lnea de corriente.

Para obtener el marco de referencia del instrumento se necesitan dos transformaciones
matemticas. Suponiendo un conjunto de datos de viento muestreados digitalmente y
recogidos por un instrumento en coordenadas cartesianas marcadas como x
1
, y
1
, z
1
. Las
componentes de la velocidad sern u
1
, v
1
, w
1
.

El primer paso es promediar la serie temporal de las velocidades para producir un vector
viento con componentes
1 1 1
, , w v u . El vector medio depende del promedio temporal
elegido y la resolucin espacial de los instrumentos. McMillen (1988), en particular,
adopta la estrategia de la lnea de corriente descrita aqu, utilizando un filtro de media
mvil con ventanas de 200 segundos para eliminar las tendencias de las variables y
aplicando una rotacin de las coordenadas al final de cada periodo de 30 minutos.

La primera transformacin balancea los ejes x
1
e y
1
alrededor de z
1
para producir un
nuevo conjunto de ejes (x
2
, y
2
, z
2
) con x
2
extendindose en el plano del vector viento y
z
1
. Las nuevas componentes vienen dadas por
( 3.5 )
1 2
1 1 2
1 1 2
cos sin
sin cos
w w
v u v
v u u
=
+ =
+ =


donde

|
|
.
|

\
|
=
1
1
arctan
u
v
( 3.6 )
Esta rotacin fuerza que 0
2
= v , pero la componente vertical no queda afectada.

La segunda transformacin rota x
2
y z
2
alrededor de y
2
en las nuevas direcciones x
3
, y
3
, z
3

de tal manera que x
3
apunta en la direccin del viento medio. Las nuevas componentes
de la velocidad son
( 3.7 )


cos sin
sin cos
2 2 3
2 3
2 2 3
w u w
v v
w u u
+ =
=
+ =
donde

|
|
.
|

\
|
=
2
2
arctan
u
w
( 3.8 )
Estas nuevas componentes tienen el sistema de referencia tal que la componente x est
dirigida en la direccin del viento medio y el plano x-y es paralelo al terreno con
coordenada z perpendicular a ste.

Para evitar el problema de la orientacin del sensor se aplica la correccin del ngulo en
cada nivel de medida. Sin embargo, los flujos computados son muy sensibles a esta

Procesado de datos en la capa superficial atmosfrica
37
correccin para vientos dbiles, menores de 2 m/s, en consecuencia la correccin del
ngulo sufre incertidumbres. Este aspecto provoca que los flujos en los casos muy
estables probablemente contengan errores importantes en su estimacin.
3.2.3.2 Estimacin de los perfiles
Para estimar los perfiles verticales del mdulo del viento y la temperatura potencial
Hogstrom (1988) recomienda que se estimen mediante un ajuste polinmico de segundo
grado del logaritmo de z usando el mtodo de los mnimos cuadrados, es decir,
( 3.9 ) | |
2
0 1 2
( ) ln( ) ln( ) A z a a z a z = + +
donde A representa tanto a la velocidad del viento como a la temperatura potencial, dado
que el comportamiento de los perfiles de ambas variables se asume semilogartmico en
condiciones no neutrales. De esta forma podemos estimar los gradientes verticales del
mdulo del viento y de la temperatura. En cuanto al gradiente de la direccin del viento,
Nieuwstadt (1984a) recomienda utilizar el ajuste de un polinomio de segundo grado
respecto a la altura z.

A lo largo de la memoria se muestran diferentes estudios en los que se ha recurrido al
ajuste por mnimos cuadrados. Para evaluar la calidad de los ajustes obtenidos,
Nieuwstadt (1984a) recomienda la utilizacin de la varianza normalizada R, como una
medida de validez de los mismos, definida como

( )
( )
2
2
E O
O O
Y Y
R
Y Y

( 3.10 )
donde la variable Y puede ser la temperatura, la velocidad o la direccin del viento, el
subndice E indica el valor estimado por el ajuste, el subndice O indica la medida
observada en la muestra y la barra horizontal sobre los smbolos denota el promedio
sobre todos los niveles de medida. En nuestro caso aceptamos slo aquellos perfiles que
cumplen que R<0.1, que es equivalente al cuadrado del coeficiente de correlacin
r
2
>0.7.
3.3 Anlisis espectral
El anlisis espectral es una herramienta estadstica que se utiliza para estudiar la
turbulencia y detectar los movimientos ondulatorios. La descomposicin de las series
temporales en componentes de frecuencia, permite discernir como los remolinos de las
diferentes escalas contribuyen al estado global de la turbulencia.

En esta seccin exponemos las tcnicas espectrales que se han utilizado en este trabajo
y que nos han permitido analizar las escalas de los remolinos. En concreto, hemos
recurrido al anlisis de Fourier y al anlisis wavelet.
3.3.1 Anlisis de Fourier
La transformada de Fourier es el mtodo por antonomasia del anlisis espectral de las
seales peridicas y transitorias.
3.3.1.1 Definicin de la transformada de Fourier
Para una variable continua, , se define como su transformada de Fourier, ,
prescindiendo de los factores de normalizacin, como:
) (t x ( ) X f

Captulo 3
38
( 3.11 )
2
( ) ( )
ift
X f x t e dt

=

y su transformada de Fourier inversa como:
( 3.12 )
2
( ) ( )
ift
x t X f e df

=

Dada la definicin de la transformada de Fourier, la transformada de una funcin real
ser compleja y, por tanto, su expresin podr escribirse como:
( 3.13 ) | | | | ( ) Re ( ) Im ( ) X f X f i X f = +
donde es la parte real de X(f) e Im su parte imaginaria. Se definen el
mdulo y la fase de X(f) como:
| Re ( ) X f | | | ( ) X f

| | | |
| |
| |
| |
2 2
( ) Re ( ) Im ( )
Im ( )
( ) arctan
Re ( )
X f X f X f
X f
X f
X f

= +
=
( 3.14 )
El cuadrado del mdulo define la energa espectral E(f), que al dividir por f pasa a ser la
densidad de energa espectral S(f), que nos da informacin sobre la contribucin en la
varianza de la serie temporal de cada frecuencia.
3.3.1.2 Mtodos de anlisis basados en la transformada de Fourier
Desde 1950, los mtodos empleados en el anlisis espectral se basan fundamentalmente
en el clculo de la transformada de Fourier, ya sea de la serie natural o bien de la serie
tratada previamente. Pueden distinguirse los siguientes:
Periodograma
Consiste en la representacin del mdulo de la transformada de Fourier de la seal en
funcin de las frecuencias. Presenta un espectro de elevada varianza y de un, tambin,
elevado nivel de ruido, que se puede observar como la desviacin respecto a la media del
espectro, por lo que presenta una pobre resolucin espectral, entendindose por
resolucin a la diferencia entre la intensidad de los mximos frecuenciales frente al nivel
medio de ruido. Un mtodo que mejora la resolucin es trabajar con la densidad de
energa espectral S(f), Stull (1988).
Espectrograma
Si un mximo posee una significacin peridica real en una seal, se mantendr en los
espectros calculados para diferentes ventanas temporales. Por tanto se puede
descomponer la seal en diferentes ventanas y realizar su espectro mvil. De este modo
obtenemos la funcin escalar S(t,f). Si se representa sta mediante curvas de nivel, se
obtendrn los mximos espectrales que correspondan a periodicidades de significacin
real. Esta tcnica se conoce como anlisis espectral mvil (MSA) y su representacin
tiempo-frecuencia espectrograma.

Sin embargo hay que considerar que existe la dificultad de que la amplitud de los
mximos de frecuencia depende de la energa de la serie. Por tanto si lo que se pretende
es estudiar la evolucin temporal del espectro es necesario normalizar la energa de cada

Procesado de datos en la capa superficial atmosfrica
39
ventana, ya que de lo contrario se produciran fluctuaciones espectrales que
enmascararan los resultados. A tal efecto, cada espectro se tipifica. Esta tcnica se
conoce como anlisis espectral mvil tipificado (MTSA) y su representacin tiempo-
frecuencia espectrograma tipificado, Rodrguez (1995).

En el cuarto captulo se analizan los periodogramas y los espectrogramas tipificados de
las principales variables meteorolgicas y en el sexto captulo se utilizan para detectar
ondas de Kelvin-Helmholtz en la capa lmite nocturna.
3.3.2 Anlisis Wavelet
El anlisis wavelet ofrece una alternativa al tradicional anlisis de Fourier en la
representacin de funciones o seales y en la extraccin de informacin de las mismas.

Las wavelets equivalen a ondas localizadas en el tiempo y en la frecuencia. La
representacin de una funcin o seal basada en estas oscilaciones localizadas es muy
til porque los coeficientes asociados a cada una de ellas transportan los detalles de la
seal en el tiempo y en la frecuencia.

Un valor pequeo del coeficiente significa que hay poca variacin en la seal dentro de la
vecindad de aquella pequea oscilacin particular, mientras que un coeficiente grande
indica que existe un apreciable cambio en la seal. En consecuencia, el anlisis de los
coeficientes permite identificar formas en la seal. Y, adems, como los coeficientes
estn identificados y localizados en frecuencia y en tiempo, los coeficientes pequeos
pueden reemplazarse por ceros sin afectar considerablemente a la reconstruccin de la
seal. Esta estrategia permite la representacin eficiente de las seales y los algoritmos
para eliminar el ruido de las seales, Lord et al. (2000).

En esta seccin expondremos los fundamentos de las wavelets continuas y las discretas y
consideraremos sus propiedades estadsticas asociadas a la deteccin de ondas y a la
eliminacin del ruido de una seal.
3.3.2.1 Fundamentos wavelet
Desde el punto de vista del procesado de la seal, una descomposicin wavelet se
entiende como una combinacin de filtros pasa alto (H) y pasa bajo (L) con unas
propiedades particulares. Si suponemos que deseamos examinar una funcin F mediante
la transformada wavelet, aplicamos una descomposicin wavelet que consiste en
descomponer sucesivamente la funcin F usando los filtros en aproximaciones {A
j
} y
detalles {D
j
} de la seal. Este proceso se ilustra en la Figura 3.1, donde el filtro pasa
altos extrae los detalles y el filtro pasa bajos las aproximaciones (suavizando la seal).

El mtodo consiste en un primer paso por la funcin F, extrayendo A
1
y D
1
. A
continuacin se aplica el mismo proceso a la aproximacin A
1
y se obtiene A
2
y D
2
, y as
sucesivamente. Una importante consecuencia de esta descomposicin es que para
reconstruir la funcin F slo se necesitan los coeficientes de detalle {D
j
|j=1,...,J} y la
aproximacin final A
J
, suponiendo una descomposicin hasta el nivel J.

Podemos pensar que la descomposicin nos lleva desde una funcin fina a una basta
aproximacin, mientras que la reconstruccin acta en sentido contrario. El proceso de
reconstruccin se muestra esquemticamente en la Figura 3.2, donde vemos que para
reconstruir F, todo lo que se necesita son los espacios de detalle D
1
, D
2
, D
3
y la
aproximacin A
3
.




Captulo 3
40
1 2 3
1 2 3
L L L
H H H
F A A A Aproximaciones
D D D Detalle


s

Figura 3.1 Visin esquemtica de una descomposicin wavelet de una funcin F en 3 niveles como una
combinacin de filtros pasa altos H y pasa bajos L, obtenindose las aproximaciones y los detalles.

Figura 3.2
aproximacin A
3
y los detalle D
1
, D
2
, D
3
es todo lo que se necesita.
Como veremos en las secciones siguientes, los coeficientes asociados a la
descompo cia y tiempo. Para este
proceso se usan dilataciones y traslaciones de una funcin wavelet ; estas funciones
xtraccin de formas: La descomposicin wavelet se obtiene como una combinacin de
ajas en
seal. Los coeficientes grandes identifican donde hay grandes gradientes,
nmero de coeficientes que son muy pequeos. Como estos coeficientes
ntribuyen muy poco a la reconstruccin de la funcin, se pueden reemplazar por ceros.
poral, f(t), el anlisis de Fourier extrae informacin sobre las
frecuencias contenidas en f, pero la informacin concerniente a la localizacin temporal
es difcil. El enventanado de la seal f es un paso para obtener tal informacin. Primero
a) :
1 2 3
1 2 3
F A A A Aproximaciones
D D D Detalles


Reconstruccin esquemtica de la funcin F a partir de 3 niveles de descomposicin. La
sicin wavelet transportan la informacin en frecuen
wavelet forman una base para los detalles {D
j
} y las aproximaciones {A
j
}.

Existen dos motivos importantes que hacen atractivos los coeficientes wavelets:

E
filtros. Esta descomposicin es esencial para identificar escalas altas, medias y b
la
discontinuidades abruptas o ondulaciones en la seal, dependiendo de la base wavelet
elegida.

Eliminacin de ruido: En la descomposicin de una funcin arbitraria, habitualmente
hay un gran
co
Esta eliminacin de los coeficientes cercanos a cero permite una efectiva eliminacin del
ruido de una seal.
3.3.2.2 Transformada wavelet continua
Para una seal tem
se restringe la seal a un intervalo mediante la multiplicacin de una funcin ventana
fijada y despus se realiza el anlisis de Fourier al producto. Repitiendo el proceso con
versiones desplazadas de la funcin ventana se consigue obtener informacin acerca de
la frecuencia localizada en la seal. Como la anchura de la ventana es la misma para
todas las frecuencias, el tamao de la localizacin permanece constante para las
diferentes frecuencias, con la consecuente limitacin, Daubechies (1992).

La transformada wavelet continua presenta una descomposicin tiempo-frecuencia a
partir de traslaciones y dilataciones de una funcin wavelet (real o complej
( )
1
,
| |
( )
t b
a b a
a
t

( 3.15 )

Procesado de datos en la capa superficial atmosfrica
41
d ente, onde a y b son los denominados parmetros de escala y de traslacin, respectivam
con a(0), b.
avelet continua (CWT) de f viene dada por la siguiente expresin: La transformada w
( )
*
1
( , ) , ( )
t b
C a b f f t dt

=

( 3
,
| |
a b a
a

.16 )
donde ( )
*
t b
a

indica el complejo conjugado de ( )
t b
a

. Los llamados coeficientes
wavelet son {C(a,b)}.
tenga media cero, tal que
( 3.17 )
ste requisito conduce a pensar que la wavelet es una oscilacin.

cia a los valores bajos
cala y la frecuencia es
astante intuitiva: podemos pensar que una escala baja se corresponde con una wavelet
reconstruirse a partir de su transformada wavelet continua
or la evaluacin de

Es preciso que la wavelet
( ) 0 t dt =

e
Se usan los trminos de alta (baja) frecuencia para hacer referen
(altos) del parmetro de escala. Esta relacin inversa entre la es
b
comprimida, donde los detalles cambian rpidamente, semejante al comportamiento de
la seal en alta frecuencia.

La funcin original f puede
p


2
1 1
,
0
( ) ( , ) ( )
a b C
a
f t C a b t da db

=

( 3.18 )
donde la constante C

satisface la condicin de admisibilidad dada por

2
| ( )|
2 C d

= <

( 3.19 )
sta frmula de reconstruccin, conocida como la transformada wavelet inversa
demostrada en Daubechies (1992).
os un ejemplo. La ilustracin se compone de dos
rficas, arriba se muestra la seal artificial a analizar y debajo el anlisis de los
cuencia de muestreo de 1 Hz. La seal se divide en 4 partes de
024 segundos cada una. La primera parte est generada con ruido blanco, a
E , est

Podemos visualizar los coeficientes asociados a la CWT para extraer informacin de la
seal. En la Figura 3.3 presentam
g
coeficientes de la CWT.

En la grfica superior de la Figura 3.3 se muestra una seal sinttica de 4096 segundos
e duracin con una fre d
1
continuacin, en la segunda seccin se ha simulado un seno con una periodo de 200
segundos. En la tercera parte de la seal se han superpuesto tres senos de diferentes
periodos, donde uno de ellos es el mismo que en la parte anterior y los otros dos tienen
periodos de 60 y 30 segundos cada uno. Para finalizar, en la ltima parte de la seal se
vuelve a repetir la sinusoide de 200 segundos de periodo.

Captulo 3
42



Figura 3.3 Ejemplo del anlisis wavelet para detectar ondas. Arriba se muestra una seal sinttica, que se
compone de 4 partes, ruido blanco al principio, a continuacin un seno de 200 segundos de
periodo, despus la superposicin del seno anterior con dos sinusoides de 60 y 30 segundos de
periodo, para terminar con el seno inicial. Abajo se presenta la representacin del mdulo de los
En la gr
particular e
trata de una onda plana modulada por una gaussiana. El eje horizontal se corresponde
13
). Este hecho pone de manifiesto un lmite mximo del parmetro de
scala a en la descomposicin.
La dife ncia clave en el anlisis wavelet discreto es que los parmetros de escala (a) y
n continuos, sino enteros. En la mayora de
casos, la eleccin de a y b est limitada al siguiente conjunto de discretizacin:
coeficientes de la CWT con la wavelet de Morlet (ver anexo). La escala de colores indica el valor
del cuadrado de los coeficientes. El anlisis localiza los tres periodos que intervienen en la seal.
fica inferior de la Figura 3.3, se muestra el anlisis CWT de la seal, en
para analizar la serie se ha utilizado la wavelet de Morlet (ver anexo), que s
con la posicin de la seal y el eje vertical con el periodo analizado. La escala de colores
indica el valor del cuadrado de los coeficientes. La ilustracin muestra claramente la
presencia de tres procesos ondulatorios, uno predominante durante partes de la seal,
en referencia a la sinusoide de 200 segundos de periodo, y dos ms correspondientes a
la zona de superposicin, con periodos de 60 y 30 segundos. El patrn principal se puede
interpretar como un comportamiento oscilatorio que se aprecia claramente en la seal
original.

Denotar que la seal analizada no es continua, consiste en un nmero finito de datos
puntuales (2
e
3.3.2.3 Transformada wavelet discreta
re
de traslacin (b) en la ecuacin 3.15 no so

2
( , ) ; 2 ; 2
j j
j k a b k ka = = = Z ( 3.20 )

Procesado de datos en la capa superficial atmosfrica
43
L sp uacin os ndices de a y b en
a,b
se reemplazan por j y k, re ectivamente, as la ec
3.15 puede rescribirse en formato discreto como:
)
k
(
/ 2
,
( ) 2 2
j j
j k
t t

= ( 3.21 )
a frmula de reconstruccin es anloga a la ecuacin 3.18:

L

2
, ,
( ) , ; ( , )
j k j k
f t f j k =

Z
, j k
( 3.22 )
Una base wavelet la componen dos funciones: la funcin de escalado (o wavelet padre)
y la wavelet madre . Las otras wavelets se generan mediante la base por traslacin de
la funcin escalado y la dilatacin y traslacin de la wavelet madre usando las relaciones:

( ) ( )
0 0
0
/ 2 / 2
, , 0 0
( ) 2 2 , ( ) 2 2 , , 1, ,
J J j j
J k j k
t t k t t k j J J

= = = +
as dilataciones y las traslaciones de la wavelet madre forman una base de spa
detalle {D
j
} que se encuentra tras aplicaciones de filtros pasa altos H, mientras que las
n de la
avelet discreta de una funcin f:
( 3.24 )
donde
( 3.23 )
L l e cio de
funciones de escalado forman una base del espacio de las aproximaciones {A
j
}.

Puede presentarse una alternativa a la expresin 3.22 para la representaci
w
( ) f t c =

0 0
0
, , , ,
( ) ( )
J k J k j k j k
k j J k
t t

=
+

Z Z


0 0
, ,
,
J k J k
c f = ( 3.25 )
y

, ,
,
j k j k
f = ( 3.26 )
sando la funcin de escalado, del espacio de la aproximaciones, podemos conv
doble suma sobre escalas de la ecuacin 3.22 en un solo sumatorio. La ecuacin 3.24
n
s funciones de escalado (la aproximacin en el espacio {A
j
}). Las wavelets
{ } representan oscilaciones localizadas en las posiciones prximas al punto k2 en las
o y suavizado
ido y el suavizado de una seal son dos
operaciones diferentes. La eliminacin del ruido implica la reduccin del ruido en las
U s ertir la
con J
0
=0 describe con mayor precisin la representacin wavelet (Daubechies, 1992).

Las formas extensas estn representadas por el primer trmino de la ecuacin 3.24 co
la
{ }

0
, J k
j,k
-j
frecuencias cercanas a 2
j
y, as pues, presenta los detalles de la seal. Este tipo de
anlisis recibe el nombre de multiresolucin o anlisis multiescalar y nos ayuda a eliminar
el ruido de las seales.
a) Eliminacin de ruid
Estrictamente hablando, la eliminacin del ru
observaciones para aclarar la seal. El suavizado es una operacin que produce una
estimacin de la tendencia que es menos variable que la seal ruidosa original. A pesar
de estas consideraciones, desde el punto de vista estadstico ambos trminos se usan

Captulo 3
44
indistintamente, porque el ruido se modela generalmente como una componente de alta
frecuencia y es eliminado por suavizado.

Sean {y
i
} un conjunto de observaciones con ruido, entonces podemos escribir
( ) 1, ,
i i i
y g t i n = + = ( 3.27 )
onde g es una funcin modelada y {
i
} representa el ruido, generalmente mo
como variables aleatorias independientes e idnticamente distribuidas con media cero y
decuada para el suavizado
liminacin de ruido) se ha explicado en la introduccin de esta seccin. La idea bsica

, k j k
( 3.28 )
donde ^ representa una estimacin de los coeficientes o la funcin y el subndice M se
corresponde con el umbral de filtrado, que se explica en el apartado siguiente. La
La eleccin ptima de M; los valores de M demasiado pequeos o demasiado grandes
ve, respectivamente.
n precisa de estas

Como el problema afronta el truncamiento, Donoho (1998) propuso un estimador
avelet no lineal basado en la reconstruccin selectiva de los coeficientes wavelets
( 3.29 )
onde {
j,k
} son variables aleatorias distribuidas idnticamente in ependientes con
cero y varianza
2
.
r que slo grandes coeficientes contienen informacin sobre la
contamina uniformemente todos los coeficientes. As, el suavizado se crear guardando
do puede escribirse como:

d delado
varianza
2
. Suavizar {y
i
} tambin implica eliminar el ruido.

La razn por la cual el anlisis wavelet es una metodologa a
(e
es que si el ruido est representado por la variabilidad de la escala pequea, un camino
para eliminar el ruido es hacer cero todos los coeficientes de los niveles altos (ms finos)
en la representacin wavelet. Esta idea es semejante a considerar el estimador wavelet
truncado:
2 1
0 ,
0 0
( ) ( ) ( )
j
M
M j
j k
g t c t t

= =
= +

expresin 3.28 puede compararse con la 3.24 con J
0
=0.

El estimador truncado conlleva dos problemas:
-
resultan un sobresuavizado o un suavizado le
- Los estimadores truncados darn una pobre representacin de las singularidades
locales (si estn presentes) en la funcin, porque una representaci
singularidades requiere de los trminos de alto nivel que han sido eliminados por el
truncamiento.
w
empricos. Se trata de escoger slo los coeficientes que cumplan cierta condicin. Cuando
una seal est corrompida por ruido blanco, los coeficientes empricos de su
representacin wavelet estarn tambin corrompidos por el ruido blanco. Luego los
coeficientes wavelets observados satisfacen

, , ,
0, ,
j k j k j k
j J = + = 1 0, , 2 1
j
k =
d d media

Es razonable supone
,

j k

k
p funcin g, mientras que pequeos coeficientes
,

j
ueden atribuirse al ruido que
los coeficientes con valores absolutos mayores que un umbral dado, sustituyendo los
otros coeficientes por ceros.

El parmetro no lineal estima

Procesado de datos en la capa superficial atmosfrica
45
( 3.30 )
1 2 1
*
0 ,
0 0
( ) ( ) ( )
j
J
j k j k
j k
g t c t t

= =
= +
,

donde { } son los coeficientes con valor absoluto mayor que el umbral . Como los
coeficientes de todos los niveles se guardan (una vez que su valor absoluto es mayor que
el umbral), las singularidades locales de la funcin sern bien representadas. En si, el
problema principal es la seleccin ptima del umbral, que se expone a continuacin.
*
,

j k
b) Umbral
Recordemos que la idea bsica para eliminar el ruido es guardar slo los coeficientes de
las wavelets mayores que un cierto umbral en la reconstruccin de la seal. La reduccin
wavelet produce una estimacin de la seal original y se trata de minimizar la
media cuadrtica de la precisin M por:
( )
i
g t
( 3.31 ) ( )
2
1
( ) ( )
n
i i
i
M g t g t
=
=

donde n es el nmero de muestras. Por la ortogonalidad de la transformada wavelet

puede tambin expresarse como, (Nason, 1999)
( 3.32 )
( )
2
, ,
1

n
j k j k
i
M
=
=

En el problema del suavizado, lo que no observamos es g(t

i
), que se desconoce por la
seal contaminada con los datos corruptos del ruido de acuerdo con el modelo 3.27.

La idea bsica del umbral, (Donoho, 1998), es hacer cero aquellos coeficientes que
tienen un valor absoluto menor que un umbral >0 y guardar el resto de coeficientes.
Los valores de los coeficientes que se retienen pueden no ser modificados (umbral duro):
( 3.33 )
, , *
,
| |

0
j k j k
j k
si
otros casos

>
=

o ser encogidos (umbral suave), Abramovich et al. (2000):

( 3.34 )
( ) (
*
, , ,
max 0,| |
j k j k j k
sign =
Gao y Bruce (1996) sugieren un mtodo que une lo mejor de ambos tipos de umbral.
Existe una larga lista de mtodos disponibles para la eleccin del umbral (Lord et al.,
2000).

Uno de los mtodos ms utilizados es el umbral universal que Donoho y Johnstone
(1994) originalmente propusieron como:
2log( )
uni
n = ( 3.35 )
donde
2
es la varianza del ruido en el modelo 3.27. Segn Lord et al. (2000) este
modelo se usa frecuentemente en la prctica, porque a pesar de su simplicidad, da
buenos resultados con ambos umbrales (duro y suave). La desviacin estndar
generalmente se estima por un proceso robusto que usa la desviacin absoluta de la

Captulo 3
46
mediana (estadstico MAD), teniendo en cuenta los coeficientes de alto nivel de la
transformada wavelet, porque la seal ser inusual en estos niveles. El estimador es

0.6745
MAD
= ( 3.36 )
donde
( 3.37 )
, ,
| |
j k j k
MAD median =
con
( 3.38 )
( )
, ,

j k j k
median =
Aunque el umbral universal tiene importantes propiedades asintticas, slo depende de
los datos por el estimador , en otros casos se ignoran los datos y por este motivo no
puede afinarse para el problema especfico. En general, para grandes muestras, el
umbral universal tiende a la desviacin de la estimacin por sobresuavizado. En la Figura
3.4 se muestra un ejemplo de suavizado de una seal, para ello se ha construido una
seal artificial con ruido y se le ha realizado la transformada wavelet con base db4 (ver
anexo). Para la reconstruccin se ha utilizado el filtro suave.

Figura 3.4 Ejemplo de seal artificial con ruido (en color cian) suavizada (en color negro) mediante la
transformada wavelet db4 (ver anexo) con un umbral suave.
Estas dos propiedades tan importantes del anlisis wavelet se han empleado con los
datos de la campaa de Kansas (secciones 6.5 y 6.6). Una vez almacenados los datos
observamos que necesitaban un suavizado y le aplicamos la transformada wavelet
discreta para eliminar el ruido de la seal (seccin 6.5). Adems, como uno de los
objetivos de la campaa era detectar y localizar fenmenos ondulatorios en la capa
superficial, utilizamos la transformada wavelet continua para detectarlos con excelentes
resultados (seccin 6.6).