基于极大稳定过程耦合气象站观测与集合预报的强降水空间建模

由于复杂的物理现象，强降雨事件的分布难以在空间上建模。基于物理的数值模型通常能提供物理上连贯的空间模式，但可能遗漏一些重要的降水特征，如强降雨强度。然而，地面气象站的测量提供了充足的降雨强度，但大多数国家气象记录网络在空间上往往过于稀疏，无法充分捕捉降雨模式。为了充分利用这两类信息源，气候学家与水文学家一直在寻求能够高效融合不同降雨数据的模型。一个固有的困难是捕捉降雨极大值间适当的多元依赖结构。为此，多元极值理论建议使用极大稳定过程。此类过程可由隐藏随机过程的独立副本经泊松点过程加权后的极大线性组合表示。在实践中，该隐藏过程的选择并非易事，特别是当手头空间数据存在各向异性、非平稳性与块金效应时。通过将法国国家气象局（Météo-France）的预报集合数据与本地观测相耦合，我们构建并比较了不同类型的数据驱动极大稳定过程，这些过程参数精简、易于模拟，且能再现块金效应与空间非平稳性。我们还将新方法与来自空间极值理论的经典方法（如 Brown-Resnick 过程）进行比较。