5.

5 Interpolasi dan Menganalisis Data yang Tidak Bervariasi

Sekarang dapat digunakan pengalaman kami dalam menganalisis data secara merata
untuk menjalankan analisis spektral pada data yang tidak merata. Data semacam ini sangat
umum dalam ilmu bumi, misalnya di bidang paleoceanografi, di mana inti laut dalam biasanya
dicuplik pada interval kedalaman konstan. Transformasi data parameter panjang yang merata
menjadi data parameter waktu dalam lingkungan dengan perubahan rasio panjang waktu
menghasilkan rentang waktu yang tidak merata. Ada banyak metode untuk interpolasi data tidak
merata atau deret waktu yang tidak seimbang. Tujuan teknik interpolasi ini untuk x (t) data
adalah untuk memperkirakan nilai x untuk vektor t spasi yang sama dari pengukuran x (t) aktual
yang tidak beraturan. Interpolasi linier memprediksi nilai-x dengan efektif yang menggambarkan
garis lurus antara dua pengukuran yang berdekatan dan dengan menghitung nilai-x pada titik
yang tepat di sepanjang garis tersebut. Namun, metode ini memiliki keterbatasannya. Hal ini
mengasumsikan transisi linear dalam data, yang memperkenalkan sejumlah artefak termasuk
hilangnya komponen frekuensi tinggi dari sinyal dan pembatasan rentang data dengan
pengukuran asli.
Interpolasi kubik spline adalah metode lain untuk interpolasi data yang tidak merata.
Kubik spline adalah kurva kontinu yang terus menerus membutuhkan setidaknya empat titik data
untuk setiap langkah. Metode ini memiliki keuntungan bahwa ia mempertahankan informasi
frekuensi tinggi yang terkandung dalam data. Namun, gradien yang terlalu tinggi dalam urutan
data, yang biasanya terjadi berdekatan antara yang sangat minimum dan maksimum dapat
menyebabkan amplitudo palsu dalam deret waktu interpolasi. Karena semua teknik interpolasi
ini (dan lainnya) mungkin memperkenalkan artefak ke dalam data, selalu disarankan untuk (1)
menjaga jumlah total poin data konstan sebelum dan interpolasi (2) merancang metode yang
digunakan untuk memperkirakan secara merata urutan data spasi, dan (3) mengeksplorasi efek
interpolasi pada varians dari data.
Setelah pengenalan singkat mengenai teknik interpolasi maka dapat diterapkan teknik
interpolasi spline linear dan kubik yang paling populer untuk data yang tidak merata. Setelah
menginterpolasi data, kemudian dapat digunakan alat spektral yang sebelumnya telah diterapkan
pada data yang merata.
Kedua set data sintetis mengandung matriks dua kolom dengan 339 baris. Kolom pertama berisi
usia dalam kiloyears, yang tidak memiliki jarak yang sama. Kolom kedua berisi nilai isotop-
oksigen yang diukur pada fosil mikro berkapur (foraminifera). Set data berisi 100, 40 dan 20
siklus kyrlic dan mereka ditindih oleh noise Gaussian. Dalam pita frekuensi 100 kyr, seri data
kedua telah digeser oleh 5 kyrs sehubungan dengan seri data pertama. Untuk merencanakan data
yang kami ketik

Statistik untuk jarak dari seri data pertama dapat dihitung oleh

plot menunjukkan bahwa jarak bervariasi sekitar interval rata-rata 3 kyrs, dengan standar deviasi
ca. 1 kyr. Nilai minimum dan maksimum untuk sumbu waktu

Dari tmin = 0 dan tmax = 997 kyrs menyediakan beberapa informasi tentang rentang temporal dari
data. Seri data kedua

memiliki kisaran yang serupa, dari 0 hingga 997 kyrs. Kami melihat bahwa kedua seri memiliki
jarak rata-rata 3 kyrs dan berkisar dari 0 hingga ca. 1000 kyat. Kami sekarang interpolasi data ke
sumbu waktu yang merata. Saat melakukan ini, kami mengikuti aturan bahwa jumlah poin data
tidak boleh ditingkatkan. Sumbu waktu baru berjalan dari 0 hingga 996 kyrs, dengan interval 3
kyr.

Kita sekarang dapat menginterpolasi dua seri waktu ke sumbu ini dengan metode interpolasi
linear dan spline, menggunakan fungsi interp1
series1L = interp1(series1(:,1),series1(:,2),t,'linear');
series1S = interp1(series1(:,1),series1(:,2),t,'spline');
series2L = interp1(series2(:,1),series2(:,2),t,'linear');
series2S = interp1(series2(:,1),series2(:,2),t,'spline');
Dalam metode interpolasi linier interpolant linear adalah garis lurus antara titik data yang
berdekatan. Dalam interpolasi spline interpolant adalah polinomial piecewise (spline) antara
titik-titik data ini. Metode spline dengan interp1 menggunakan interpolasi spline piecewise
kubik, yaitu interpolant adalah polinomial derajat tiga. Hasil ini dibandingkan dengan
merencanakan seri pertama sebelum dan interpolasi buritan.
plot(series1(:,1),series1(:,2),'ko'), hold on
plot(t,series1L,'b-',t,series1S,'r-'), hold off
Kita sudah dapat mengamati beberapa artifak yang signifikan di ca. 370 kyrs. Sedangkan titik-
titik yang diinterpolasi secara linear selalu berada dalam kisaran data asli, metode interpolasi
spline menghasilkan nilai yang tidak realistis tinggi atau rendah (Gambar 5.9). Hasilnya dapat
dibandingkan dengan merencanakan seri data kedua.
plot(series2(:,1),series2(:,2),'ko'), hold on
plot(t,series2L,'b-',t,series2S,'r-'), hold off
Dalam seri ini, hanya beberapa artefak yang bisa diamati. Fungsi interp1 juga menyediakan
alternatif untuk spline, yaitu pchip. Nama pchip adalah singkatan

Gambar. 5.9 Artefak interpolasi. Sedangkan titik interpolasi linear selalu dalam kisaran data asli,
metode interpolasi spline menghasilkan nilai tinggi dan rendah yang tidak realistis.

Kubik Piecewise Hermit Interpolasi Polinomial dan metode ini melakukan interpolasi kubik
piecewisedengan mempertahankan bentuknya. Fungsi ini menghindari artefak khas dari splines
karena mempertahankan bentuk asli dari seri data. Kita dapat menerapkan fungsi yang digunakan
di atas untuk menghitung spektrum daya, menghitung FFT untuk 256 titik data dengan frekuensi
contoh 1/3 kyr –1.

Puncak yang signifikan terjadi pada frekuensi sekitar 0,01, 0,025 dan 0,05, sesuai kira-kira
dengan siklus 100, 40 dan 20 kyr. Analisis deret waktu kedua

juga menghasilkan puncak yang signifikan pada frekuensi 0,01, 0,025 dan 0,05 (Gambar 5.10).
Kita sekarang menghitung spektrum silang untuk kedua seri data.

Korelasi, seperti yang ditunjukkan oleh nilai tinggi untuk koherensi, cukup meyakinkan.

Kita dapat mengamati koherensi yang cukup tinggi pada frekuensi 0,01, 0,025 dan 0,05. Bagian
kompleks Pxy diperlukan untuk menghitung perbedaan fasa untuk setiap frekuensi.
Gambar. 5.10 Hasil dari analisis lintas-spektral dari dua sinyal yang diinterpolasi secara linier: a.
sinyal dalam domain waktu, b. lintas spektrum kedua sinyal, c. koherensi sinyal dalam domain
frekuensi, dan d. spektrum fase dalam radian.

Pergeseran fasa pada frekuensi f = 0,01 dihitung menggunakan

yang menghasilkan output

Spektrum fase dinormalkan menjadi periode penuh (tau = 2 phi) dan pergeseran fasa sebesar -
0.2796 karena itu sama dengan (-0.2796'100 kyrs) / (2'phi) - 445 kyrs. Ini sesuai kira-kira dengan
pergeseran fasa dari 5 kyrs yang diperkenalkan ke seri data kedua sehubungan dengan seri
pertama.
Kotak Alat Pengolah Sinyal juga berisi fungsi GUI bernama sptool (untuk Pengolahan Sinyal),
yang merupakan alat yang lebih nyaman untuk analisis spektral tetapi tidak dijelaskan secara
rinci di sini.
5.6 Spektrum Daya Evolusioner
Amplitudo puncak spektral biasanya bervariasi seiring waktu. Ini terutama berlaku untuk seri
waktu paleoklimat. Catatan Paleoclimate biasanya menunjukkan tren, tidak hanya dalam mean
dan varians tetapi juga dalam kontribusi relatif dari komponen ritmis seperti siklus Milankovitch
dalam catatan isotop oxyger. Spektrum kekuatan evolusioner memiliki kemampuan untuk
memetakan perubahan tersebut dalam domain frekuensi. Spektrum daya evolusi atau jendela
adalah modifikasi dari metode yang diperkenalkan pada Bagian 5.3, yang menghitung spektrum
segmen tumpang tindih dari deret waktu. Segmen yang tumpang tindih ini relatif pendek
dibandingkan dengan segmen berjendela yang digunakan oleh metode Welch (Bagian 5.3), yang
digunakan untuk meningkatkan rasio signal-to-noise dari spektrum daya. Metode spektrum daya
evolusioner karena itu menggunakan Short-Time Fourier Transform (STFT) bukan Fast Fourier
Transformation (FFT). Output dari spektrum kekuatan evolusioner adalah konten frekuensi
jangka pendek, waktu-lokal dari sinyal, Ada berbagai metode untuk menampilkan hasil.
Misalnya, frekuensi waktu dapat diplot pada sumbu x dan y, masing-masing, atau sebaliknya,
warna plot tergantung pada ketinggian puncak spektral. contoh kami menggunakan satu set data
yang mirip dengan yang digunakan dalam bagian seri data berisi tiga periodikitas utama dari
100, 40 dan 20 kyrs dan gaussian noise tambahan. Amplitudo, bagaimanapun, perubahan melalui
contoh ini dapat digunakan untuk menggambarkan keuntungan dari metode spektrum daya
evolusioner. Dalam contoh kita, 450 kyrs, dimana 100 dan 20 kyr cycl hanya setelah ca. 450
kyrs, sedangkan siklus 100 dan 20 kyr menampilkan rangkaian waktu. pertama kita memuat dari
file series3.txt dan display (Gambar 5.11).

Karena keduanya standardan metode spektrum dayaevolusimembutuhkan data dengan spasi yang
sama, kami menginterpolasi data ke waktu yang meratavektor t, seperti yang ditunjukkan pada
Bagian 5.5.
t = 0 : 3 : 1000;
series3L = interp1(series3(:,1),series3(:,2),t,'linear');
Kami kemudian menghitung spektrum kekuatan non-evolusi untuk panjang keseluruhan deret
waktu (Gambar 5.12). Latihan ini membantu kita untuk membandingkan perbedaan antara hasil
standar danmetode spektrum daya evolusi.
[Pxx,f] = periodogram(series3L,[],1024,1/3);
plot(f,Pxx)
xlabel('Frequency')
ylabel('Power')
title('Power Spectrum')
Spektrum-spektrum otomatis menunjukkan puncak signifikan pada siklus 100, 40 dan 20 kyr,
serta beberapa kebisingan. Spektrum daya tidak memberikan informasi apapun tentang fluktuasi
dalam amplitudo puncak ini.

Gambar. 5.11 set data sintetik yang mengandung tiga periodik utama dari 100, 40, dan 20 kyrs
dan gaussian noise tambahan. Sedangkan siklus 100 dan 20 kyr hadir sepanjang waktu, siklus 40
kyr hanya muncul di sekitar 450 kyrs sebelumnya
informasi mengenai fluktuasi dalam amplitude dari puncak ini. Spektrum daya non
evolusioner sederhana menunjukkan rata rata dari kandungan informasi spectral dalam data.
Kita sekarang gunakan fungsi spectrogram untuk memetakan perubahan dalam spektrum daya
dengan waktu. Secara default, deret waktu dibagi kedalam delapan segmen dengan sebuah
overlap 50%. Setiap segment windowed (berjendela) dengan sebuah jendela Hamming untuk
menekan kebocoran spectral (section 5.3). fungsi spektogram menggunakan input parameter
serupa untuk diterapkan dalam periodogram dalam section 5.3. kemudian kita hitung spektrum
daya evolusioner untuk sebuah window dari 64 data poin dengan sebuah overlap 50 data poin.
STFT menghitung untuk nfft = 256. Sejak jarak dari vektor interpolasi vektor waktu adalah 3
kyrs, frekuensi sampling adalah 1/3 kyr-1.
spectrogram(series3L,64,50,256,1/3)
title(‘Evolutionary Power Spectrum’)
xlabel(‘Frequency (1/kyr)’)
ylabel(‘Time (kyr)’)
colormap(jet)
Gambar 5.12 Spektrum daya untuk deret waktu komplit (lengkap). Menunjukkan puncak
signifikan pada 100, 40, dan 20 kyrs. Bagaimanapun, plot tidak membuktikan informasi
manapun pada perilaku temporal dari siklus tersebut.
Output dari spectrogram merupakan sebuah plot warna (gambar 5.13) yang menampilkan strip
vertical merah menunjukkan signifikan maximum pada frekuensi 0.01 dan 0.05 kyr-1 (yaitu setip
100 dan 20 kyrs). Terdapat pula sebuah siklus 40 kyr (korespon terhadap frekuensi dari 0.025
kyr-1), tapi ini hanya terjadi setelah kira-kira 450 kyrs, seperti dokumentasi oleh strip vertical
merah di bagian bawah grafik.
Untuk mengimprovisasi penampilan dari siklus signifikan, warna yang digunakan pada grafik
dapat diubah menggunakan colormap editor (warna map editor).

colormapeditor

warna map editor (colormap editor) menampilkan warna map dari gambar sebagai strip dari sel-
sel persegi. Simpul yang memisahkan wilayah slope seragam pada warna map RGB dapat
digeser dengan menggunakan mouse, dimana menyuguhkan distorsi pada warna map dan hasil
dalam modifikasi dari warna spektogram. Untuk contoh, penggeseran simpul kuning kea rah
kanan, menaikkan kontras antara area puncak vertical pada 100, 40 dan 20 kyrs, serta latar
belakang.
Gambar 5.13 daya spektrum evolusioner menggunakan spectrogram , dimana menghitung
transformasi short-time Fourier STFT dari overlap segment dari deret waktu. Kita gunakan
Hamming window dari 64 data poin dan overlap 50 data poin. STFT menghitung untuk nfft =
256. Sejak jarak dari interpolaso vektor waktu adalah 3 kyrs, frekuensi sampel adalah 1/3 kyr-1.
Plot menunjukkan permulaan dari siklus 40 kyr pada sekitar 450 kyrs sebelum sekarang.