基于非参数核的概率分布估计及其在降水建模中的应用
应用统计
2022-06-23 v2 机器学习
摘要
降水量的概率分布强烈依赖于地理、气候带以及所考虑的时间尺度。闭式参数化概率分布灵活性不足，无法为不同时间尺度上的降水量提供准确且通用的模型。本文推导了湿期降水量累积分布函数（CDF）的非参数估计。CDF估计通过对核密度估计积分得到，从而得出不同核函数下半显式CDF表达式。我们研究了自适应插入带宽（KCDE），使用了合成数据集和来自地中海克里特岛（希腊）的再分析降水数据。结果表明，KCDE比标准经验（阶梯）估计以及使用正态参考带宽的基于核的估计能更好地估计概率分布。我们还证明，KCDE可通过逆变换采样方法模拟非参数降水量分布。
引用
@article{arxiv.2109.09961,
title = {Non-parametric Kernel-Based Estimation of Probability Distributions for Precipitation Modeling},
author = {Andrew Pavlides and Vasiliki Agou and Dionissios T. Hristopulos},
journal= {arXiv preprint arXiv:2109.09961},
year = {2022}
}
备注
30 pages, 11 figures