A spatio-temporal statistical framework for heatwave attribution under climate change
UCLouvain(法语鲁汶大学);KU Leuven(荷语鲁汶大学);University of Leicester(莱斯特大学)
本文提出一种统一的时空统计框架,用于归因气候变化下的热浪,通过结合空间量化回归模型、非平稳空间极值模型和皮尔逊模型,分析热浪的概率和持续性,提升对传统方法无法捕捉的热浪特征的归因能力。
2026-04-29 stat.AP stat.ME
Modern strategies for time series regression
本文讨论了几种现代回归分析方法,涉及时间序列数据,其中一些预测变量也按时间索引。我们讨论了经典的统计方法以及最近在机器学习文献中提出的方法。这些方法进行了比较和对比,可以看出,目前大多数可用的方法有优点和缺点。在这一领域有很大的发展方法的余地。这项工作的动机是一个应用程序,涉及预测水位作为降雨量和其他气候变量的函数在澳大利亚东部的含水层。
2020-10-29 stat.ME stat.ML
Identification of Risk Extreme Values in a Time Series and Analysis with an Autoregressive Method - Application for Climate Risk Events
在这篇文章中,我们不打算重复风险管理的基本概念,但我们将尝试定义为什么经常是有用的时间序列分析在评估风险,以及如何可能计算一个有意义的分析使用回归和自回归。在介绍了趋势分析的一些基本概念后,将介绍一些识别峰的方法.当不需要使用完整的时间序列时,这通常是有用的,因为有时只关注极端情况更实际。在没有异常数据的正确时间序列的情况下,用简单的自回归模型处理极值时间序列。这就需要知道时间序列是否在周期之间具有相关性,以及有多少周期可以被认为是滞后的。我们认为,气候事件往往是滞后的,因为气候表现出明显的增长趋势,气候风险在此期间潜在地增加。不会有与风险管理相关的具体结论,因为所提出的自回归解决方案可以适用于任何时间序列分析。
2016-01-12 stat.AP
On the Estimation of Climate Normals and Anomalies
针对气候变化下非平稳气候时间序列的年际变化量化问题,提出正则化实时滤波器与季节核函数方法,优化气候常态估计的偏差-方差权衡并增强局部化,应用于海温等序列验证了有效性。
2025-11-13 stat.AP
Combining Climate Models using Bayesian Regression Trees and Random Paths
Battelle Memorial Institute(巴特尔纪念研究所);The Ohio State University(俄亥俄州立大学);Washington University in St. Louis(圣路易斯华盛顿大学);Indiana University(印第安纳大学)
本文提出随机路径BART模型,通过引入随机路径分配实现平滑权重函数,以整合多个气候模型并提高预测性能。
2026-01-24 stat.ME
Nonparametric quantile regression for time series with replicated observations and its application to climate data
本文提出了一个无模型的非参数估计的条件分位数的时间序列回归模型,其中的协变量向量是重复多次的响应值。这种类型的数据在气候研究中比比皆是。为了解决这些问题,我们提出的方法利用数据的复制性质,并改进了传统的分位数回归的限制性线性模型结构。在一个非常一般的框架下,导出了模型均值和方差函数的非参数估计的相关渐近理论。我们提供了一个详细的模拟研究,它清楚地表明了所提出的方法在效率上优于其他基准模型,特别是当真正的数据生成过程需要非线性均值函数和异方差模式与时间相关的协变量。当注意力集中在感兴趣变量的较高分位数时,非参数方法的预测准确性显著高于其他方法。最后,以一个著名的热带气旋风速资料和一个空气污染资料为例,说明了该方法的有效性。
2021-07-06 stat.ME
Probabilistic Forecasting of Climate Policy Uncertainty: The Role of Macro-financial Variables and Google Search Data
SAFIR, Sorbonne University Abu Dhabi(阿布扎比索邦大学);Indian Institute of Management, Bodhgaya(博德加亚印度管理学院);Sorbonne Center for Artificial Intelligence, Sorbonne University, Paris(巴黎索邦大学人工智能中心)
本文通过宏观金融变量和谷歌搜索数据预测气候政策不确定性,揭示了家庭金融脆弱性、房地产市场活动等关键因素的影响,并利用BSTS框架实现概率预测,为适应性气候政策提供依据。
2026-01-19 econ.EM stat.AP
MERCURY: A fast and versatile multi-resolution based global emulator of compound climate hazards
University of Oxford(牛津大学);Montreal Polytechnique(蒙特利尔理工学院);Columbia Climate School(哥伦比亚气候学院);International Institute for Applied Systems Analysis(国际应用系统分析研究所);Universität Leipzig(莱比锡大学);IRI THESys;Humboldt-Universität zu Berlin(柏林洪堡大学);Institute Pierre-Simone-Laplace(皮埃尔-西蒙·拉普拉斯研究所)
本文提出MERCURY多分辨率气候仿真器,通过概率回归加性模型与逆提升格式算子联合降尺度多变量,高效仿真复合湿热灾害并准确捕捉WBGT相关性与高分位数。
2024-12-24 cs.LG physics.ao-ph stat.AP
Multiscale inference and long-run variance estimation in nonparametric regression with time series errors
在本文中,我们开发了新的多尺度方法来测试定性假设的回归函数m的非参数回归模型与固定的设计点和时间序列错误。在时间序列应用中,m表示非参数时间趋势。实践者通常对趋势m是否具有某些形状属性感兴趣。例如,他们想知道m是否是常数,或者它是否在某些时间区域内增加/减少。我们的多尺度方法允许测试趋势m的这种形状属性。为了执行的方法,我们需要一个估计的长期方差的误差过程。对于误差项构成AR(p)过程的情形,我们提出了一种新的基于差分的长期误差方差估计。在本文的技术部分,我们推导出了多尺度检验的渐近理论和长期误差方差的估计。该理论是补充模拟研究和气候数据的实证应用。
2019-03-04 math.ST stat.TH
Reconstructing past temperatures from natural proxies and estimated climate forcings using short- and long-memory models
我们产生新的重建北半球年平均温度异常回公元1000年,并探讨包括外部气候强迫重建和占短期记忆和长期记忆功能的影响。我们的重建基于两个线性模型,第一个模型将潜温序列与三个主要的外部强迫(太阳辐照度、温室气体浓度和火山活动)联系起来,第二个模型将观测到的温度代用数据(树木年轮、沉积物记录、冰芯等)联系起来。未观测到的温度序列。不确定性被捕获与加性噪声,并进行严格的统计调查的回归误差的相关性结构,通过重建,假设没有记忆,短记忆自回归模型,和长记忆分数高斯噪声模型之间的系统比较。我们使用贝叶斯估计来拟合模型参数,并单独重建陆地和陆地和海洋相结合的温度异常。对于包括强迫的模型公式,探索性和贝叶斯数据分析都提供了反对无记忆模型的证据。模型评估表明,没有记忆的模型低估了不确定性。然而,没有一条证据足以支持短记忆模型胜过长记忆模型,或者支持相反的选择。当强迫不包括在内时,长记忆模型似乎是必要的。虽然包括外部气候强迫大大改善了重建,但排除这些强迫的准确重建对于测试用于未来预测的气候模型的保真度至关重要。
2015-03-04 stat.AP
Neural networks for nonlinear regression with serially correlated disturbances: Evidence from cloud cover
Aarhus University(奥尔胡斯大学);Center for Research in Energy (CoRE)(能源研究中心);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
提出将自回归移动平均结构融入前馈神经网络,以处理具有序列相关扰动的非线性回归,模拟和云覆盖预测实验表明该方法优于现有模型。
2026-08-18 econ.EM stat.AP
A new look at weather-related health impacts through functional regression
适应气候变化的一个主要挑战是评估天气变化对人类健康的影响。尽管越来越多的文献对天气相关的健康主题,许多方面的关系是未知的,限制了流行病学模型的预测能力。本文提出了新的模型,以改善目前使用的性能。所提出的模型是基于功能数据分析(FDA),处理连续曲线,而不是标量时间序列的统计框架。该模型适用于温度相关的心血管死亡率在蒙特利尔的问题。通过利用全部可用信息,所提出的模型改善了根据温度的心血管死亡率的预测。此外,通过量化生理适应效应,结果揭示了这种关系。这些结果,没有发现与经典模型,说明了FDA的方法的潜力。
2018-10-25 stat.AP
Regularized Fingerprinting in Detection and Attribution of Climate Change with Weight Matrix Optimizing the Efficiency in Scaling Factor Estimation
本文提出用非线性收缩估计误差协方差矩阵构造权重矩阵,以优化气候变化检测与归因中尺度因子的估计效率,并在渐近和有限样本下验证其优于现有线性收缩方法。
2020-12-08 stat.AP stat.ME
A flexible functional-circular regression model for analyzing temperature curves
在局部范围内,温度模式的变化被个人视为全球变暖和气候变化的最直接指标。作为一个具体的例子,对于大西洋气候位置,春季和秋季应该分别呈现冬季和夏季以及夏季和冬季之间的温和过渡。通过观察随时间变化的每日温度曲线,每条曲线都与某个日历日相连,这些变量的回归模型(温度曲线作为协变量,日历日作为响应)将有助于对特定时期的关系进行建模。此外,从长远来看,可以通过预测和观测比较来评估温度变化。在这项工作中,这样的模型提出和研究,考虑非参数Nadaraya-Watson型估计函数协变量和循环响应。导出了该估计量的渐近偏差和方差以及它的渐近分布。它的有限样本的性能进行了评估,在模拟研究和建议被施加到调查一个真实的数据集有关的温度曲线。
2022-11-21 stat.ME
Kumaraswamy-Teissier Distribution: Bayesian and Non-Bayesian Inference, Regression Modeling and Climate Application
Indian Institute of Technology Mandi(印度技术学院曼迪分校);Cytel Innovation Team, Cytel Pune(Cytel 浦那创新团队)
提出KTD-VARMA混合框架,用新型Kumaraswamy-Teissier分布刻画极端降雨并变换数据,结合VARMA建模时空依赖,在喜马拉雅西北部实现更优拟合与预测。
2026-10-06 stat.AP stat.ME
Bayesian Quantification of Covariance Matrix Estimation Uncertainty in Optimal Fingerprinting
用于气候变化检测和归因的基于回归的最佳指纹技术需要估计强迫信号以及内部变率协方差阵,以便区分它们对观测记录的影响。虽然以前开发的方法已经考虑到了与强迫信号的估计相关的不确定性,但很少关注描述自然变异性的协方差阵中的不确定性,尽管已知该协方差阵的规格对结果有意义的影响。在这里,我们提出了一个贝叶斯最优指纹框架使用拉普拉斯基函数参数化的协方差阵。与基于主成分的传统方法不同,这种参数化不需要根据气候模型数据估计基向量本身,这允许估计协方差结构的不确定性传播到最佳指纹回归参数。我们通过CMIP6验证研究表明,该方法比基于主成分的方法实现了更好的校准覆盖率的真实回归参数。当应用于HadCRUT观测数据,所提出的方法检测人为变暖具有较高的置信水平,并在气候模型的选择较低的变异性,比基于主成分的方法。
2022-08-04 stat.ME
A Scalable Operator-Valued Kernel Learning Framework for Continuous Multi-Way Regression
Tsinghua University(清华大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对连续多路数据回归,提出可扩展的算子值核学习框架FRCOMA,利用可分离核和稀疏权重,提升预测与变量选择性能。
2026-09-30 stat.ME
On Linear Regression for Interval-valued Data in $\mathcal{K}_{\mathcal{C}}\left(\mathbb{R}\right)$
研究区间值线性回归已有一段时间了。本文在随机集的框架下研究了区间值数据的线性回归。我们提出的模型推广了一系列现有的模型。我们建立了$\mathbb{R}$的紧凸子集空间中的模型的重要性质,类似于经典的线性回归。此外,我们进行了理论研究,在文献中广泛使用的最小二乘估计。一个模拟研究,支持我们的定理。最后,一个气候数据集的应用程序,以证明我们的模型的适用性。
2015-06-10 stat.ME
Regularized Fingerprinting with Linearly Optimal Weight Matrix in Detection and Attribution of Climate Change
针对现有正则化最优指纹法置信区间覆盖率不足的问题,提出线性收缩权重矩阵下的一致方差估计量及线性最优权重矩阵,提升了气候变化检测归因分析的可靠性与区间精度。
2025-05-20 physics.ao-ph physics.data-an stat.ME
Adaptable Fingerprinting with Nonlinear Shrinkage for Climate Change Detection and Attribution under Variance Heterogeneity
Department of Mathematics and Statistics, Auburn University(奥本大学数学与统计系)
该研究针对气候变化检测归因的高维场景,提出非线性收缩自适应指纹法,联合估计缩放与变异性膨胀因子,提升估计精度与置信区间性能,在气温数据应用中获更优归因结果。
2026-08-14 stat.AP stat.ME
Shift identification in time varying regression quantiles
本文研究了时变分位数回归曲线在水平移动之前是否相同。允许回归模型中的误差和协变量是局部平稳的。我们正式这个问题在相应的非参数假设检验问题,并开发一个集成平方范数为基础的测试(SIT)以及同步置信带(SCB)的方法。在零和局部替代下的SIT和SCB的渐近性质。此外,当比较数据集是相依的时,还研究了这些检验的渐近性质。然后,我们提出了有效的野生引导算法来实现SIT和SCB。此外,通过分析与COVID-19爆发和气候科学相关的模拟和真实数据,说明了所提出的方法的有用性。
2021-12-24 stat.ME
Station-wise statistical joint assessment of wind speed and direction under future climates across the United States
本研究开发了一种统计条件的方法来评估气候模型的风速和风向的性能,并预测其未来的变化下的代表性的浓度路径8.5的情况下,在内陆和近海地区横跨美国大陆。所提出的条件方法通过表征联合风速和风向分布的全范围变化来扩展现有研究的范围。方向风速分布估计使用两种统计方法:威布尔分布回归模型和分位数回归模型,这两个强制循环约束,其结果估计的方向分布。预测的不确定性与不同的气候模式和模式的内部变率进行了研究,并与气候变化信号进行了比较,以量化未来预测的统计意义。特别是这项工作扩展了内部变异的概念,以标准差和高分位数,以评估其预计的变化的相对幅度。评估结果表明,所研究的气候模型捕捉历史风速,风向,以及它们的依赖关系,合理地在内陆和海上的位置。在未来,大多数地点的平均风速在冬季和夏季都没有显着变化,但标准差和第95分位数的变化显示出一些强大的变化在某些地点在冬季。所提出的条件方法能够表征方向风速分布,这为速度和方向的联合评估提供了额外的见解。
2022-05-03 stat.AP stat.ME
Bayesian Functional Emulation of CO2 Emissions on Future Climate Change Scenarios
Politecnico di Milano(米兰理工大学);Università degli Studi di Milano Bicocca(米兰比可卡大学);European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心)
本文提出基于函数回归框架的统计模拟器,用于气候-经济确定性综合评估模型集合。通过混合效应分层模型进行参数推断,并采用自回归参数化协方差矩阵,实现对离散输出的连续时间评估。
2022-09-13 econ.EM stat.AP stat.ME
Fingerprint Analysis for Climate Change Detection and Attribution under a Latent Factor Model
Auburn University(奥本大学)
针对气候变化检测与归因中的最优指纹法,提出尖峰最优指纹框架,利用尖峰协方差估计与变率膨胀调整,改善高维推断,产生更短且校准更好的置信区间,并在多区域得出不同归因结论。
2026-09-15 stat.AP stat.ME
On model selection criteria for climate change impact studies
针对气候变化损害函数的政策评估目标,本文提出PWMSE模型选择准则,通过对未来气候的历史天气类比年份加权,选择在预计未来气候下预测影响误差最小的近似回归模型。
2023-04-21 stat.AP stat.ME
Assessing univariate and bivariate risks of late-frost and drought using vine copulas: A historical study for Bavaria
本研究利用藤蔓连接函数模型,基于巴伐利亚1952-2020年的气候数据,评估了干旱和晚霜的单变量及双变量风险,并识别出高风险区域,以支持森林适应气候变化。
2023-10-16 stat.AP stat.ME stat.ML
Vector Quantile Regression on Manifolds
Sapienza, University of Rome(罗马第一大学(萨皮恩扎大学));Technion(以色列理工学院);Sibylla(西比拉(机构名))
本文利用最优传输和c-凹函数,将向量分位数回归推广到流形上,定义了条件向量分位数函数,支持分位数估计、回归及置信集计算,并通过实验验证了方法的有效性。
2024-02-07 cs.LG stat.ME
Evidence Synthesis in Probabilistic Extreme Event Attribution: From Attribution Measures to Model Parameters
Ruhr-Universität Bochum(波鸿鲁尔大学);Deutscher Wetterdienst (DWD)(德国气象局)
研究概率性极端事件归因中证据综合方法,评估现有方法不足,提出针对性修改及新的参数级综合方法,该方法能跨多阈值和条件推断,模拟研究显示改进明显,案例研究体现其实用性。
2026-08-04 stat.AP stat.ME
Short text classification with machine learning in the social sciences: The case of climate change on Twitter
Stockholm University(斯德哥尔摩大学)
本文针对社会科学研究中小规模标注、类别低频的短文本分类难题,以气候变化相关Twitter推文分类为案例,对比多种文本分类器性能,发现传统机器学习方法效果媲美深度学习且资源需求更低。
2023-10-03 cs.CL cs.LG stat.ME
Self-convolved Bootstrap for M-regression under Complex Temporal Dynamics
针对协变量与误差可交叉依赖的非平稳时变系数 M 回归,提出单参数自卷积 bootstrap,实现 √n 一致推断及多类统一检验,并应用于气候与股票数据。
2024-09-09 math.ST stat.ME stat.TH
Bagged Polynomial Regression and Neural Networks
Department of Agricultural and Resource Economics, UC Davis(加州大学戴维斯分校农业与资源经济学系);Stanford Graduate School of Business(斯坦福商学院)
针对高维预测问题,提出基于随机投影的袋装多项式回归(BPR),在保持与神经网络相当精度的同时提供可解释性和诊断工具。
2026-06-03 cs.LG stat.ME stat.ML