介绍“空间统计学用于区域气候模式的研究”

hillside

http://mp.weixin.qq.com/s?__biz=MzIzNDE2MTg3OQ==&mid=2652774882&idx=2&sn=89ca2ebd44df0c350cb3d769422a9601&chksm=f310125ac4679b4ce958dad9f036eb71ae593fd7bbbc0d51ef641feb69c304446dc654b9b229&mpshare=1&scene=23&srcid=1004U4iIGKY0FHDqMwNykqGc#rd

GIScience 2012主题报告会1——Noel Cressie: 空间统计学用于区域气候模式的研究  

【主题报告人介绍】Noel Cressie教授出生于澳大利亚的西澳Fremantle, 并在普林斯顿大学获取博士学位，2012年时为美国俄亥俄州立大学(OSU)统计学教授，但2012年10月起将回其家乡澳大利亚卧龙岗(Wollongong)大学任教，Noel 时国际上非常著名的空间统计学和环境统计学专家，研究兴趣为空间和时空数据的统计建模型与分析，出版有多时空数据统计的著作。1993年，他写了一本非常经典的书《Statistics for Spatial Data》，奠定了其在空间统计领域的泰山北斗地位，2011年，他又与Christopher K. Wikle合著有《Statistics for Spatio-Temporal Data》一书 (Wiley公司出版)，将空间统计扩展至时间维。

Cressie的两部书：

• Cressie, N. and Wikle, C.K. (2011). Statistics for Spatio-Temporal Data. Wiley, Hoboken, NJ (588 pp.).
  
• Cressie, N. (1993). Statistics for Spatial Data, rev.edn. Wiley, New York, NY (900 pp.). (Original edition, 1991. Paperback edition in the Wiley Classics Library: Wiley, Hoboken, NJ, 2015).
  
  

【演讲梗概】

Noel Cressie教授在统计模型及空间与时空数据分析方面, 在应用Bayesian及Empirical-Bayesian方法及环境科学方面都是世界领先的，该方法已被应用于“大科学”领域中，“如地球在太空领域内的遥感信息，空间与时间的区域气候模拟，应用Bayesian统计来揭露生物标记来源模型。其他研究领域包括空间指挥和控制，疾病映射，医疗成像，及冰流动力学。

Noel Cressie没有采用宏大于叙事方式进行主题报告，他比较平和。本次主题报告主要报告了其最近在荷兰《International Journal of Applied Earth Observation and Geoinformation(国际应用地球观测与地理信息学杂志,该杂志前身是ITC Journal)》上的最新一篇论文《Bayesian Hierarchical ANOVA of Regional Climate-Change Projections from NARCCAP Phase II》的成果，研究成果采用“贝叶斯架构下的空间双因子变异数模式”的创新方法用于北美地区全球变暖的区域气候模型(RCM)的趋势预估。

传统的变异数分析最常用的是经验正交函数(empirical orthogonal functions，EOF)，其最大的好处是，分析时基底(所谓的EOF mode 1、mode 2 等等)是由数据本身决定，基底会具有某种物理意义。和更基本的傅立叶分析比较(基底为sin and cos functions，只具数学意义)，会更适合作气候资料的分析。但问题是，其基底在数学上必须独立 (正交)，也就限定了这些具有物理意义的基底必须独立(例如mode1 可能代表ENSO，mode2可能代表四季变化)，但是实际上不同的气候现象可能是相依的，如前述例子中ENSO和四季变化之间不太可能完全独立，所以EOF分析并不是完美的。如何处理变异数分析模式的空间相关性问题，将显著影响最终的分析结果。

(论文全文见：http://www.sciencedirect.com/sci ... i/S0303243411002017)

    本研究开发出一种称为“贝叶斯架构下的空间双因子变异数模式”的新模式，除了解决了空间相关性的问题，且易于调整、能够处理部分地区缺少观测值的问题，同时具有相当高的运算效率，因此相当适合用来处理庞大的的环境数据。此外，其能估算各个气候模拟发生的概率，据此自动给予适当的权重，所以不但可以找出重要的气候特征，还可以分析每个特征发生的可能性。在本研究中，研究人员即将此模式应用在分析近期(1971－2010年)、未来(2041－2070年)等各个时间区段的北美各地的季间温度变化。结果表明，全球变暖信号相当显著，以几个主要区域来说，位于加拿大东北部的哈德逊湾，将会是北美经历最大温度波动的地区，在冬季可能出现高达摄氏6度的温度增幅，在夏天则仅约摄氏1度；美国中西部及五大湖区在各季节温度增幅皆在约摄氏2.8度左右；洛基山脉则是以夏季温度上升较为明显，可达约摄氏3.5度，冬天则较少，约为摄氏2.3度。

    研究人员表示，“空间双因子变异数模式”这种方法有相当好的扩展性，未来可能将“不同的区域模式”纳为新因子而成为“空间三因子变异数模式”，甚至再将“不同的情境预估” (本研究仅考虑A2情境) 纳入而成为“空间四因子变异数模式”。同时，除了温度，本模式也可用于其他因子(如:降水)的预估上，极具扩展性，将会是未来气候变迁分析的一大利器。但同时，本分析亦仅立基在北美区域气候模式的仿真结果之上，对于区域气候模式没有仿真到的气候变异，本分析方法仍然无法侦测到，仍然有其限制存在。

htseng16

太理论了！