针对长程相关气候时间序列的贝叶斯早期警示信号识别

检测气候时间序列中的早期警示信号对于anticipating临界转换和转折点至关重要。常见的统计指标包括在临界点之前的方差增加和滞后一自相关性。然而，这些指标对观测噪声、长期均值趋势以及长期记忆依赖性都很敏感，这些因素在气候时间序列中都很常见。此类效应很容易掩盖真实信号或生成虚假检测。为此，我们采用灵活的贝叶斯框架来建模长程相关时间序列中时变自相关性，同时考虑时变方差。该方法使用两个仪器高斯噪声（fGn）的混合物，其权重函数随时间变化，以表示具有时变Hurst指数的仪器高斯噪声。通过集成嵌入拉普拉斯逼近（INLA）进行推断，实现对均值趋势的联合估计并处理不规则采样的观测数据。调查了检测自相关变化的强度和局限性进行了大量模拟实验。应用于真实气候数据集，我们在重建的大西洋多年代变动指数上发现了早期警示信号的证据，但对于跨越Dansgaard-Oeschger事件的古气候记录则未发现此类信号。