小波-趋势项-EMD联合方法：提升大气相干长度廓线去噪效果

“趋势项调制的小波-经验模态分解联合方法用于大气相干长度廓线去噪” 本文主要探讨了如何通过创新的信号处理技术来改善差分光柱像运动激光雷达（Differential Opacity Lidar，DOL）的信号去噪效果，从而提高大气湍流强度廓线的反演精度。DOL的信号噪声是影响其探测性能的关键因素，因此，研究者提出了一种新的联合去噪方法——小波-趋势项-经验模态分解（Wavelet-Trend-Ensemble Empirical Mode Decomposition，WTEMD）。 传统的去噪方法如小波变换（Wavelet Transform，WT）和经验模态分解（Empirical Mode Decomposition，EMD）各自存在局限性。小波变换虽然能有效捕捉信号的局部特征，但对小波基的选择敏感；而EMD则可能受到噪声干扰，导致解构不准确。为了克服这些局限，研究者提出了WTEMD方法。首先，他们利用EMD提取信号的趋势项，以降低对小波选择的依赖性。然后，将趋势项与小波降噪后的信号相结合，形成调制后的信号，再用此信号进行EMD去噪。这种方法旨在通过趋势项调制，增强去噪的自适应性。 为了确保调制的有效性，研究者提出了一种适用于大气相干长度（coherence length, r0）廓线的调制判定准则。此外，他们还采用了去趋势波动分析（Detrended Fluctuation Analysis, DFA）来自适应地确定EMD降噪的阈值，以更精确地识别和去除噪声。 为了验证WTEMD方法的有效性，研究者将其与其他四种去噪方法（小波、EMD、集合经验模态分解 Ensemble Empirical Mode Decomposition, EEMD 和小波-EMD）进行了比较。数值仿真和实际实验结果均表明，在不同噪声水平下，这五种方法都能提高r0廓线的信噪比和反演精度。其中，联合方法（WTEMD和小波-EMD）优于单一方法，而小波法又优于EMD和EEMD。特别是WTEMD方法，它进一步提升了小波-EMD方法的去噪能力，为小波-EMD联合去噪方法的改进提供了新的视角和思路。 总结来说，这项研究提供了一种新颖的信号处理技术，通过结合小波变换、趋势项提取和EMD，实现了对DOL信号的高效去噪，从而有望提高大气湍流探测的精度和稳定性。这种方法对于大气科学研究和气象观测具有重要的应用价值，特别是在优化激光雷达系统性能方面。