Eliciting core spatial association from spatial time series: a random matrix approach
从空间时间序列提取核心空间关联：随机矩阵方法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：摘要明确处理空间时间序列及时间共同变化的分离，支持时间序列分类，未提供经济网络或因果识别依据。
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
从空间时间序列提取核心空间关联：随机矩阵方法
- 研究问题
- 空间时间序列中，如何区分常规时间共同变化与空间统计依赖，避免强时间信号掩盖气候数据中的空间异常及其演变？
- 方法与思路
- 作者提出随机矩阵框架，裁剪强而常规的时间信号，并引入 Hilbert 空间填充曲线和 Bergsma 依赖度量处理空间时间数据。
- 材料陈述的贡献
- 摘要称，该方法在印度日温差数据中揭示空间异常及依赖的时间演变，并将其与地形、局地气候和城市化联系起来。
- 阅读关注点
- 应核对核心空间关联的定义、信号裁剪阈值及空间信息保留依据，并检查地理与人为因素解释是否只是关联性证据。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核验。摘要未说明信号分离的识别条件或误差控制，亦未提供政策预测能力的直接验证。
原文摘要
Spatial time series (STS) data are fundamental to climate science, yet conventional approaches often conflate temporal co-evolution with genuine spatial dependence, obscuring subtle but critical climatic anomalies. We introduce a Random Matrix Theory (RMT)-based framework to isolate "core spatial association" by suitably trimming out strong but routine temporal signals while preserving spatial signals. Our pipeline introduces Hilbert space filling curve technique and Bergsma's correlation measure of statistical dependence, to climate modelling. Applied to the diurnal temperature range (DTR) data of India (1951-2022), the method reveals distinct spatial anomalies shaped by topography, mesoclimate, and urbanization. The approach uncovers temporal evolution in spatial dependence and demonstrates how regional climate variability is structured by both physical geography and anthropogenic influences. Beyond the Indian application, the framework is broadly applicable to diverse spatio-temporal datasets, offering a robust statistical foundation for predictive modelling, resilience planning, and policy design in the context of accelerating climate change.