通过混合建模在不同尺度下联合估计极端空间聚合降水

尽管大多数降雨极值模型关注点值，但最令人感兴趣的是直至河流流域尺度的区域上聚合降水。为捕捉在不同空间尺度上评估的降水聚合体的联合行为，必须借助底层空间过程的认知来构建简洁而有效的模型。降水由不同尺度与强度的过程（如对流与锋面）混合驱动，典型流域尺度的聚合体极值仅源于其中某一过程的极值，而非它们的组合。高强度对流事件在小尺度上造成极端空间聚合，而低强度大尺度锋面的贡献可能随聚合面积增大而增加。因此，要在单一方法中捕捉小到大尺度的空间聚合，需要能准确刻画对流与锋面事件极值性质的模型。以往的极值方法忽略了此混合结构；我们提出一种空间极值模型，它是两个具有不同边际与依赖模型的混合分量，能够捕捉对流与锋面降水的极值行为，并更真实地再现大范围尺度的空间聚合。锋面分量的极值建模因其表现出强长距离极值空间依赖而带来新挑战。我们的建模方法应用于精细尺度、高维、网格化降水数据。我们表明，考虑混合结构可改善关于不同大小区域上空间聚合极值的联合推断。