具有函数型协变量的曲线空间聚类：一种贝叶斯划分模型及在气候研究光谱辐射中的应用
应用统计
2016-04-04 v1
摘要
在气候变化研究中，气候变化的红外光谱特征近来在概念上被采纳，并广泛应用于识别和归因大气成分变化。我们提出一种贝叶斯层次模型，用于基于函数型协变量和局部特征效应的高维函数型数据空间聚类。我们将函数型混合效应模型与广义空间划分方法结合，以：(1) 为高维时空函数型数据生成空间连续的簇；(2) 通过子区域或多级划分上的并行计算提高计算效率；(3) 捕捉数据驱动划分中的近边界模糊性与不确定性。我们提出一种对空间簇形状约束更少的广义划分方法。参数空间中的维度缩减也通过贝叶斯小波实现，以缓解簇带来的模型复杂度增加。该模型很好地捕捉了大气和云属性对光谱辐射测量的区域效应。结果阐明了利用空间连续划分识别区域效应和小尺度变率的重要性。
引用
@article{arxiv.1604.00059,
title = {Spatial Clustering of Curves with Functional Covariates: A Bayesian Partitioning Model with Application to Spectra Radiance in Climate Study},
author = {Zhen Zhang and Chae Young Lim and Tapabrata Maiti and Seiji Kato},
journal= {arXiv preprint arXiv:1604.00059},
year = {2016}
}
备注
28 pages, 6 figures