A hierarchical Bayesian non-asymptotic extreme value model for spatial data
空间数据的层级贝叶斯非渐近极值模型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：摘要聚焦降水的空间极值建模，未提供金融尾部风险或所列宏观时间序列方向的直接依据。
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…
关注这篇论文的作者
空间数据的层级贝叶斯非渐近极值模型
- 研究问题
- 论文研究如何为极端降水绘制重现水平空间图，同时放松传统极值理论的渐近假设，并处理事件大小与发生过程的变化。
- 方法与思路
- 作者构建贝叶斯层级模型，以潜在时间和空间过程描述事件大小及发生的分布变化，并用地理协变量与层级空间结构刻画依赖。
- 材料陈述的贡献
- 摘要称，方法通过模拟和美国北卡罗来纳州日降水极值应用展示，在所比较先进方法基础上显著降低了估计不确定性。
- 阅读关注点
- 应核对非渐近极值分布的构造、事件发生与大小的联合建模、空间先验设定，以及不确定性下降是否伴随可靠区间覆盖。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明分布假设、比较数值和覆盖表现，不能据此判断所有空间极值问题。
原文摘要
Spatial maps of extreme precipitation are crucial in flood protection. With the aim of producing maps of precipitation return levels, we propose a novel approach to model a collection of spatially distributed time series where the asymptotic assumption, typical of the traditional extreme value theory, is relaxed. We introduce a Bayesian hierarchical model that accounts for the possible underlying variability in the distribution of event magnitudes and occurrences, which are described through latent temporal and spatial processes. Spatial dependence is characterized by geographical covariates and effects not fully described by the covariates are captured by spatial structure in the hierarchies. The performance of the approach is illustrated through simulation studies and an application to daily rainfall extremes across North Carolina (USA). The results show that we significantly reduce the estimation uncertainty with respect to state of the art techniques.