Spatial modeling of day-within-year temperature time series: an examination of daily maximum temperatures in Aragón, Spain
年内日温度序列的空间建模：西班牙阿拉贡日最高温研究AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用年度与年内日的自回归结构处理温度序列，支持时间序列方法分类，应用对象为气候数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
年内日温度序列的空间建模：西班牙阿拉贡日最高温研究
- 研究问题
- 如何联合刻画阿拉贡及周边地区六十年夏季日最高温的空间差异、年际依赖与年内日序列依赖，并预测缺失或未观测地点？
- 方法与思路
- 作者构建连续空间、年度和年内日双时间尺度的多层模型，对两种时间尺度设自回归，并为空间变化的参数引入空间过程。
- 材料陈述的贡献
- 摘要称，模型分离固定与随机效应及各时空层次，纳入海拔、季节性和线性趋势，并用于地点预测与气候变化比较。
- 阅读关注点
- 应核对各层随机效应与自回归的区分、空间参数建模、留一交叉验证的单位，以及气候变化比较和缺失地点预测的不确定性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供预测误差或气候变化估计，线性趋势也不构成因果归因。
原文摘要
Acknowledging a considerable literature on modeling daily temperature data, we propose a multi-level spatio-temporal model which introduces several innovations in order to explain the daily maximum temperature in the summer period over 60 years in a region containing Aragón, Spain. The model operates over continuous space but adopts two discrete temporal scales, year and day within year. It captures temporal dependence through autoregression on days within year and also on years. Spatial dependence is captured through spatial process modeling of intercepts, slope coefficients, variances, and autocorrelations. The model is expressed in a form which separates fixed effects from random effects and also separates space, years, and days for each type of effect. Motivated by exploratory data analysis, fixed effects to capture the influence of elevation, seasonality and a linear trend are employed. Pure errors are introduced for years, for locations within years, and for locations at days within years. The performance of the model is checked using a leave-one-out cross-validation. Applications of the model are presented including prediction of the daily temperature series at unobserved or partially observed sites and inference to investigate climate change comparison.