Fingerprint Analysis for Climate Change Detection and Attribution under a Latent Factor Model
潜在因子模型下的气候变化检测与归因指纹分析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：题名明确采用潜在因子模型，摘要利用主导变异模态的尖峰结构进行高维协方差估计。
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…
潜在因子模型下的气候变化检测与归因指纹分析
- 研究问题
- 控制模拟数量有限且气候模型与观测系统的内部变异不同，如何稳定估计高维协方差，并对外部强迫的贡献进行可靠推断？
- 方法与思路
- 作者利用主导气候变异模态的尖峰结构，结合偏差修正协方差、适应性权重与变异膨胀调整，构建归因推断和残差检验。
- 材料陈述的贡献
- 摘要称该框架改善估计及不确定性量化；温度数据应用得到更短且校准更好的区间，并改变部分地区的检测与归因结论。
- 阅读关注点
- 应核对潜在因子及尖峰结构条件、模型与观测变异差异的调整依据，以及缩放因子区间和残差一致性检验的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明具体地区、协方差条件与比较数值，不能外推气候归因结论。
原文摘要
Detection and attribution (D\&A) analyses provide a statistical framework for quantifying the contribution of external forcings to observed climate change. Optimal fingerprinting, the primary approach for D\&A, is formulated as an errors-in-variables regression with a high-dimensional covariance structure. Reliable inference is challenging because covariance matrices must be estimated from a limited number of control simulations, and climate models may exhibit variability patterns that differ from those of the observed climate system. We develop a spiked optimal fingerprinting framework that exploits the spiked structure of dominant climate variability modes while providing stable covariance estimation in high-dimensional settings. The proposed method develops bias-corrected spiked covariance estimation for constructing adaptive weight matrices and incorporates variability inflation adjustments to account for model--observation differences in internal variability. We further develop a valid uncertainty quantification procedure for the scaling factor estimators and a residual consistency test for assessing model adequacy. Numerical studies demonstrate improved estimation accuracy and uncertainty quantification compared with existing practical approaches. Applied to annual mean near-surface temperature data, the proposed framework produces shorter and better-calibrated confidence intervals and leads to different detection and attribution conclusions in several regions, providing new insights into the interpretation of climate attribution results.