ARMA Model Development and Analysis for Global Temperature Uncertainty
全球温度不确定性的 ARMA 模型构建与分析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：摘要明确使用 ARMA、AR 和 ARIMA 分析年度温度序列并开展自相关与残差诊断，文本直接支持时间序列分类。
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…
全球温度不确定性的 ARMA 模型构建与分析
- 研究问题
- 如何将观测全球年度温度距平中的潜在真实变化与测量不确定性区分，并比较不同时间序列模型对这类不确定性的描述？
- 方法与思路
- 作者将观测距平表示为潜在真实距平与正态变量之和，以后者方差描述并分解不确定性，拟合 ARMA(1,1) 并开展模型诊断比较。
- 材料陈述的贡献
- 摘要报告，在所用 NASA 温度数据及相关诊断下，ARMA(1,1) 优于所比较的 AR(1) 和两种差分阶数的 ARIMA 模型。
- 阅读关注点
- 核对潜在温度与误差项的区分依据、陆地和海洋不确定性的分解方式，以及残差诊断能否支持作者采用的模型优劣标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未核实；摘要未说明误差依赖结构、样本区间或数值结果，诊断比较不能自动确立普遍优势。
原文摘要
Temperature uncertainty models for land and sea surfaces can be developed based on statistical methods. In this paper, we developed a novel time series temperature uncertainty model which is the Auto-regressive Moving Average (ARMA)(1, 1) model. The model was developed for observed annual mean temperature anomaly X(t) which is a combination of true (latent) global anomaly Y (t) for a year (t) and normal variable w(t). The uncertainty is taken as the variance of w(t) which was decomposed to Land Surface Temperature (LST) uncertainty, Sea Surface Temperature (SST) uncertainty, and the corresponding source of uncertainty. The ARMA model was analyzed and compared with Auto-regressive (AR), and Auto-regressive integrated moving average (ARIMA) for the data taken from NASA, Goddard Institute for space studies Surface Temperature Analysis. The statistical analysis of the Auto-correlation function (ACF), Partial auto-correlation function (PACF), Normal quantile-quantile (Normal Q-Q) plot, the density of the residuals, and variance of normal variable w(t) show that ARMA(1, 1)is better than AR(1) and ARIMA(1, d, 1) for d = 1, 2.