Spatial quantile clustering of climate data
气候数据的空间分位数聚类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：摘要聚焦气候空间聚类，未明确研究分布效应或宏观计量问题，现有细分标签不足以直接对应。
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…
气候数据的空间分位数聚类
- 研究问题
- 当气候变量的分布变化不限于均值时，如何用分位数概括时序的空间差异，避免中心位置聚类遗漏重要变化？
- 方法与思路
- 作者提出贝叶斯空间时序聚类方法，以分位数刻画分布特征，并用马尔可夫随机场引入空间依赖层。
- 材料陈述的贡献
- 摘要称提出了一种空间分位数聚类方法，通过模拟进行检验，并将其应用于地中海海表温度数据。
- 阅读关注点
- 应核对分位数的选择、聚类与空间依赖的联合建模、先验及计算方法，以及模拟评价标准和应用中的聚类解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明模型条件或比较结果，不能判断聚类稳定性与普遍优势。
原文摘要
In the era of climate change, the distribution of climate variables evolves with changes not limited to the mean value. Consequently, clustering algorithms based on central tendency could produce misleading results when used to summarize spatial and/or temporal patterns. We present a novel approach to spatial clustering of time series based on quantiles using a Bayesian framework that incorporates a spatial dependence layer based on a Markov random field. A series of simulations tested the proposal, then applied to the sea surface temperature of the Mediterranean Sea, one of the first seas to be affected by the effects of climate change.