Климатическая система Земли порождает множество динамических мод изменчивости, которые проявляются на разных пространственных и временных масштабах. Классический метод главных компонент (PCA) широко используется для снижения размерности, но он улавливает только синхронные линейные связи и плохо работает с распространяющимися волнами. Спектральный PCA (sPCA), известный с начала 1970-х, позволяет учитывать фазовую информацию и искать моды в заданных частотных диапазонах, однако его практическое применение ограничено сложностью робастной оценки кросс-спектров и проблемой интерпретации, когда несколько мод имеют близкие амплитуды. Работа стоит на отшибе среди соседних исследований по анализу климатических данных: рядом лежат работы по снижению размерности, сегментации медицинских изображений и слабо контролируемому обучению, но прямых аналогов именно для вращаемого спектрального PCA в климатологии нет.
Авторы используют непрерывное вейвлет-преобразование Морле для оценки кросс-спектральных матриц в каждой частотной полосе. Вейвлет Морле представляет собой комплексную экспоненту, модулированную гауссовым окном, что обеспечивает хорошую частотную локализацию и робастность даже для коротких временных рядов. Для улучшения интерпретируемости, когда несколько собственных векторов имеют близкие собственные значения, предлагается вращение в подпространстве этих векторов. Критерием оптимальности служит минимизация интеграла от лапласиана фазы повёрнутого вектора по пространству: для распространяющейся волны фаза должна быть линейной функцией координат, и такой критерий выделяет физически осмысленные моды. Метод не требует параметрических предположений и прост в реализации.
На синтетических данных с двумя волнами, распространяющимися в противоположных направлениях, классический PCA потребовал 9 компонент для объяснения 10% дисперсии, тогда как sPCA с вейвлетом Морле уже первыми двумя компонентами объяснил 46% и 26% дисперсии и точно восстановил обе волны. Оценка скорости распространения по фазе дала значение 1.2, совпадающее с истинным. При равных амплитудах волн и 90% шума вращение собственных векторов успешно разделило две моды, которые до вращения были смешаны. Применение к данным температуры поверхности Тихого океана за 1940–2018 годы выявило моду Эль-Ниньо на периодах 2–7 лет с корреляцией 0.72 с индексом Niño 3.4. На субгодовых частотах (2–4.4 цикла в год) вращение позволило разделить несколько внетропических мод, включая западно-распространяющуюся волну в южной части Тихого океана со скоростью около 20 градусов долготы в месяц (0.4 м/с) и диполь в северной части Тихого океана.
Работа отличается от соседних исследований тем, что впервые применяет вращение собственных векторов с регуляризацией фазы именно в спектральной области для климатических данных. В отличие от классического PCA, который смешивает моды разных частот и не учитывает запаздывания, rsPCA позволяет выделять физически интерпретируемые динамические моды даже при равных амплитудах и высоком уровне шума. Это открывает путь к более точной диагностике климатических моделей и к выявлению субсезонных телесвязей, которые ранее были скрыты.
Метод может быть применён к другим климатическим переменным, таким как геопотенциальная высота, для выявления высокочастотных мод. Возможно использование других аналитических вейвлетов для неосциллирующих мод. Открытым остаётся вопрос о выборе числа главных компонент для вращения, что требует дальнейших исследований.
Метод повлияет на сезонное и субсезонное прогнозирование, диагностику климатических моделей и анализ экстремальных событий.
Применить rsPCA к геопотенциальной высоте и ансамблям климатических моделей для разделения сигнала и шума.
Работа напрямую связана с проблемой выделения динамических мод в сложных климатических системах, где классические методы снижения размерности не справляются с несинхронными связями и модами близкой амплитуды. Это ключевая задача для понимания внутренней изменчивости климата и отделения её от антропогенного сигнала.
Вейвлет Морле назван в честь французского геофизика Жана Морле, который разработал его в 1980-х для анализа сейсмических сигналов, а не климатических данных.