Detecting Distributional Differences in Labeled Sequence Data with Application to Tropical Cyclone Satellite Imagery
带标签序列数据的分布差异检测：热带气旋卫星图像应用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：摘要研究气象图像序列的分布关联，未提供足够依据归入所列经济或金融细分领域。
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…
带标签序列数据的分布差异检测：热带气旋卫星图像应用
- 研究问题
- 热带气旋快速强度变化发生前的卫星图像序列，与未发生事件前的序列是否存在分布差异，差异体现在哪里？
- 方法与思路
- 作者将非参数关联检验改写为回归问题，用神经网络提取图像演化模式，并通过估计标签序列分布的自助法处理邻近序列依赖。
- 材料陈述的贡献
- 摘要称标签序列分布估计充分准确时可控制第一类错误，并发现与快速增强相关的红外图像模式，包括核心对流加深。
- 阅读关注点
- 应核对标签序列分布如何估计、错误控制所需的准确性条件、重叠序列依赖的处理，以及图像模式在样本外的稳定性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收。摘要未说明分布估计误差要求，也未量化后续预报能力的改善。
原文摘要
Our goal is to quantify whether, and if so how, spatio-temporal patterns in tropical cyclone (TC) satellite imagery signal an upcoming rapid intensity change event. To address this question, we propose a new nonparametric test of association between a time series of images and a series of binary event labels. We ask whether there is a difference in distribution between (dependent but identically distributed) 24-h sequences of images preceding an event versus a non-event. By rewriting the statistical test as a regression problem, we leverage neural networks to infer modes of structural evolution of TC convection that are representative of the lead-up to rapid intensity change events. Dependencies between nearby sequences are handled by a bootstrap procedure that estimates the marginal distribution of the label series. We prove that type I error control is guaranteed as long as the distribution of the label series is well-estimated, which is made easier by the extensive historical data for binary TC event labels. We show empirical evidence that our proposed method identifies archetypes of infrared imagery associated with elevated rapid intensification risk, typically marked by deep or deepening core convection over time. Such results provide a foundation for improved forecasts of rapid intensification.