Bayesian identification of early warning signals for long-range dependent climatic time series
长程相依气候时间序列早期预警信号的贝叶斯识别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：摘要直接研究气候时间序列的长程依赖、时变自相关、方差和趋势估计，支持时间序列分类，未明确采用结构断点模型。
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…
长程相依气候时间序列早期预警信号的贝叶斯识别
- 研究问题
- 气候序列中的噪声、均值趋势和长记忆可能掩盖或伪造临界转变预警时，如何识别随时间变化的自相关和方差信号？
- 方法与思路
- 作者用两个分数高斯噪声过程的时变权重混合表示时变 Hurst 指数，借助集成嵌套拉普拉斯近似联合估计趋势并处理不规则采样。
- 材料陈述的贡献
- 摘要称模拟考察了自相关变化检测的能力与限制，气候应用支持重建的大西洋多年代际变率指数有预警信号，但不支持另一组古气候记录。
- 阅读关注点
- 应核对混合过程如何表示时变长记忆、趋势和方差如何与自相关区分，以及预警判定标准、先验敏感性和不规则采样的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出判定阈值和不确定性数值，检测到统计预警不等于证明临界转变将发生。
原文摘要
Detecting early warning signals in climatic time series is essential for anticipating critical transitions and tipping points. Common statistical indicators include increased variance and lag-one autocorrelation prior to bifurcation points. However, these indicators are sensitive to observational noise, long-term mean trends, and long-memory dependence, all of which are prevalent in climatic time series. Such effects can easily obscure genuine signals or generate spurious detections. To address these challenges, we employ a flexible Bayesian framework for modelling time-varying autocorrelation in long-range dependent time series, also accounting for time-varying variance. The approach uses a mixture of two fractional Gaussian noise processes with a time-dependent weight function to represent fractional Gaussian noise with a time-varying Hurst exponent. Inference is performed via integrated nested Laplace approximation, enabling joint estimation of mean trends and handling of irregularly sampled observations. The strengths and limitations of detecting changes in the autocorrelation is investigated in extensive simulations. Applied to real climatic data sets, we find evidence of early warning signals in a reconstructed Atlantic multidecadal variability index, while dismissing such signals for paleoclimate records spanning the Dansgaard-Oeschger events.