针对大样本派生地表温度重现值数据的非平稳贝叶斯建模
统计方法学
2020-05-08 v1 应用统计
摘要
由长期极端温度引发的热浪对全球人类健康构成重大风险。鉴于极端温度观测的局限性，气候模型常被用于刻画全球极端温度，由此可派生出如重现值等量以概括任意地理位置低概率事件的量级。然而，尽管这些派生量本身有用，为理解重现值的空间依赖特性如何随空间变化并仿真气候模型以生成具有相应统计特性的额外空间场，常需对其施加空间统计模型。就这些目标而言，对全球数据建模时使用非平稳协方差函数至关重要。此外，鉴于现代全球气候模型输出可达量级，利用近似高斯过程方法以实现推断十分重要。本文展示了Risser与Turek(2020)所引方法在由一个全球气候模型集合运行派生、含逾50,000个空间位置的20年重现值大数据集上进行非平稳全贝叶斯分析的应用。该分析使用了R语言中免费的BayesNSGP软件包。
引用
@article{arxiv.2005.03658,
title = {Nonstationary Bayesian modeling for a large data set of derived surface temperature return values},
author = {Mark Risser},
journal= {arXiv preprint arXiv:2005.03658},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1910.14101