We study the spatio-temporal features of extremal sub-daily precipitation data over the Piave river basin in northeast Italy using a rich database of observed hourly rainfall. Empirical evidence suggests that both the marginal and dependence structures for extreme precipitation in the area exhibit seasonal patterns, and spatial dependence appears to weaken as events become more extreme. We investigate factors affecting the marginal distributions, the spatial dependence and the interplay between them. Capturing these features is essential to provide a realistic description of extreme precipitation processes in order to better estimate their associated risks. With this aim, we identify various climatic covariates at different spatio-temporal scales and explore their usefulness. We go beyond existing literature by investigating and comparing the performance of recently proposed covariate-dependent models for both the marginal and dependence structures of extremes. Furthermore, a flexible max-id model, which encompasses both asymptotic dependence and independence, is used to learn about the spatio-temporal variability of rainfall processes at extreme levels. We find that modelling non-stationarity only at the marginal level does not fully capture the variability of precipitation extremes, and that it is important to also capture the seasonal variation of extremal dependence.


翻译:本研究利用观测小时降雨量的丰富数据库,分析了意大利东北部皮亚韦河流域极端次日内降水数据的时空特征。经验证据表明,该区域极端降水的边缘分布结构与相依结构均呈现季节性模式,且随着事件极端程度增加,空间相依性呈现减弱趋势。我们探讨了影响边缘分布、空间相依性及其相互作用的因素。准确捕捉这些特征对于提供极端降水过程的真实描述至关重要,从而能更精确地评估其相关风险。为此,我们识别了不同时空尺度上的多种气候协变量,并探究其效用。本研究通过系统评估和比较近期提出的协变量依赖模型在极端值边缘结构与相依结构中的表现,拓展了现有研究框架。此外,采用兼具渐近相依与渐近独立特性的灵活最大无限可分模型,以解析极端水平下降水过程的时空变异性。研究发现,仅在边缘分布层面建模非平稳性不足以完全捕捉极端降水的变异性,同时捕捉极端相依性的季节性变化同样至关重要。

0
下载
关闭预览

相关内容

144页ppt《扩散模型》,Google DeepMind Sander Dieleman
专知会员服务
46+阅读 · 11月21日
用于识别任务的视觉 Transformer 综述
专知会员服务
75+阅读 · 2023年2月25日
时空序列预测方法综述
专知
22+阅读 · 2020年10月19日
【CPS】社会物理信息系统(CPSS)及其典型应用
产业智能官
16+阅读 · 2018年9月18日
论文笔记之attention mechanism专题1:SA-Net(CVPR 2018)
统计学习与视觉计算组
16+阅读 · 2018年4月5日
Mask R-CNN 论文笔记
统计学习与视觉计算组
11+阅读 · 2018年3月22日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关VIP内容
144页ppt《扩散模型》,Google DeepMind Sander Dieleman
专知会员服务
46+阅读 · 11月21日
用于识别任务的视觉 Transformer 综述
专知会员服务
75+阅读 · 2023年2月25日
相关资讯
时空序列预测方法综述
专知
22+阅读 · 2020年10月19日
【CPS】社会物理信息系统(CPSS)及其典型应用
产业智能官
16+阅读 · 2018年9月18日
论文笔记之attention mechanism专题1:SA-Net(CVPR 2018)
统计学习与视觉计算组
16+阅读 · 2018年4月5日
Mask R-CNN 论文笔记
统计学习与视觉计算组
11+阅读 · 2018年3月22日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员