基于变分贝叶斯参数估计的隐马尔可夫模型用于切萨皮克湾流域随机降水生成
应用统计
2022-12-14 v2
摘要
随机降水生成器（SPG）是一类统计模型，可生成能模拟长时间干、湿降雨时段的合成数据。生成的降水时间序列数据用于气候预测、极端天气事件影响评估以及水资源与农业管理。我们针对每日降水数据构建了一个SPG，其在每个位置被指定为半连续分布，零值处为点质量表示无降水，正值降水为两个指数分布的混合。我们的生成器以隐马尔可夫模型（HMM）获得，其中潜在气候条件构成状态。我们将一个3状态HMM拟合到美国东海岸切萨皮克湾流域2000–2019年7月至9月湿季月份的每日降水数据。数据取自GPM-IMERG遥感数据集，并将已有的变分HMM研究扩展以纳入半连续发射分布。鉴于数据的高空间维度，随机优化实现可加速计算。潜在状态的最可能序列使用Viterbi算法估计，我们识别了与所提模型各状态相关的天气模态差异。由HMM生成的合成数据能够复现月度降水统计量以及历史GPM-IMERG数据中的空间依赖性。
引用
@article{arxiv.2210.04305,
title = {Stochastic Precipitation Generation for the Chesapeake Bay Watershed using Hidden Markov Models with Variational Bayes Parameter Estimation},
author = {Reetam Majumder and Nagaraj K. Neerchal and Amita Mehta},
journal= {arXiv preprint arXiv:2210.04305},
year = {2022}
}