[论文解读] High-dimensional peaks-over-threshold inference for the Brown-Resnick process
本文提出了一种计算高效的高维阈值上极值推断方法，针对布朗-雷斯尼克稳态过程使用广义帕累托过程，实现了极端空间事件的可扩展建模。该方法在模拟和真实极端降雨数据中均表现出可行性与鲁棒性，可实现高达3600个空间位置的精确推断。
Max-stable processes are increasingly widely used for modelling complex extreme events, but classical fitting methods are computationally demanding, limiting applications to a few dozen variables. Generalized Pareto processes are mathematically simpler and have the potential advantage of using all extreme events, by generalizing the notion of a univariate exceedance. In this paper we investigate methods for performing high-dimensional peaks over threshold inference for the Brown-Resnick model and discuss the behaviour of the proposed estimators for regularly varying distributions with standardized marginals. The performance of our procedures is assessed for several hundred variables, simulating both from the true model and from its max-domain of attraction. We illustrate the feasibility and flexibility of our methods by fitting a Brown-Resnick model to extreme rainfall on a grid with 3600 locations.
研究动机与目标
- 解决经典拟合方法在高维设置下对极值稳态过程的计算局限性。
- 通过广义帕累托过程将阈值上极值推断扩展至布朗-雷斯尼克过程，以提升效率并充分利用极端事件。
- 评估在标准化边缘分布下，重尾分布的估计器性能，特别是在高维情形下。
- 证明所提出方法在大规模网格（如3600个位置）上建模极端空间事件的可行性。
提出的方法
- 提出一种基于广义帕累托过程的阈值上极值方法，用于建模高维空间数据中的极端值。
- 以布朗-雷斯尼克过程作为空间极值的极值稳态模型基础。
- 应用正则变异性理论与标准化边缘分布，以确保模型的稳定性和可解释性。
- 采用适用于高维极值的似然推断方法，避免完整似然计算。
- 通过从真实模型及其极值吸引域中生成的模拟数据验证该方法。
- 通过在3600个位置的极端降雨数据集上拟合模型，展示其可扩展性。
实验结果
研究问题
- RQ1能否通过广义帕累托过程将阈值上极值推断有效扩展至高维布朗-雷斯尼克过程？
- RQ2对于具有标准化边缘分布的重尾分布，所提出的估计器在偏差与效率方面表现如何？
- RQ3当应用于大规模空间网格（如3600个位置）时，该方法的可扩展性如何？
- RQ4在模型误设或数据来自布朗-雷斯尼克过程极值吸引域的情况下，推断程序的鲁棒性如何？
- RQ5该方法能否准确捕捉大范围区域内极端降雨事件的空间依赖结构？
主要发现
- 所提出的推断方法在高达3600个空间位置下实现了稳定且精确的估计，展示了超越传统方法典型限制的可扩展性。
- 在来自真实布朗-雷斯尼克模型及其极值吸引域的模拟中，估计器表现出良好的有限样本性能。
- 使用广义帕累托过程可充分利用极端事件，相比丢弃非超过阈值事件的阈值方法，显著提升了效率。
- 在模型误设情况下，方法保持鲁棒性，当数据来自布朗-雷斯尼克过程的极值吸引域时，性能保持一致。
- 在极端降雨数据上的实证应用证实了该模型在大规模环境风险评估中的灵活性与实际可行性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。