[论文解读] Estimating changes in extreme quantiles over time, applied to desert temperatures

Callum Leach, Kevin Ewans+1 more|arXiv (Cornell University)|Mar 7, 2026

Climate variability and models被引用 0

一句话总结

该论文开发了一个贝叶斯非平稳 GEV 回归框架，用以在一个世纪内利用 CMIP6 沙漠区域数据估计 100 年极端温度分位数的变化，并评估小样本极值分析的模型选择标准。

ABSTRACT

We quantify changes DeltaQ in 100-year return values for regional annual maxima and minima of near-surface atmospheric temperature from output of five CMIP6 models, for five of the Earth's desert regions, over the interval (2025,2125). We use generalised extreme value (GEV) regression to characterise changes in extremes, considering a range of different parametric forms for the variation of GEV parameters with time, and coupling models for different scenarios so that they provide a common GEV tail in the first year of observation. Parameters are estimated using Bayesian inference. We perform a simulation study using ground truth models generating data qualitatively similar to the CMIP6 output, to assess the relative performance of different information criteria in selecting models from a set of candidates, to minimise error in predictions of DeltaQ. The Bayesian information criterion (BIC) provides best performance, out-performing the divergence and widely-applicable information criteria in particular. Using BIC-selected GEV regression models, we estimate joint posterior distributions of DeltaQ over three forcing scenarios, for different combinations of region, GCM and climate ensemble. Estimates show a consistent trend across regions, GCMs and climate ensembles, of DeltaQ increasing with climate scenario for both regional annual maxima and minima. Aggregating posterior distributions over climate ensembles and GCMs, we find evidence for significant increases in DeltaQ for regional annual maxima under more severe forcing scenarios for all desert regions. Similar but weaker and less significant trends are observed for regional annual minima.

研究动机与目标

• 随时间使用 GEV 回归刻画极端温度分布的非平稳性。
• 评估在气候数据的小样本极值问题中，哪种信息准则最适合选择模型。
• 在不同强迫情景下，估计区域年极大值和极小值的 100 年再现值变化。
• 将三个气候情景下的 GEV 模型耦合，以获得再现值变化的联合后验分布。
• 为 CMIP6 数据的极值回归提供关于模型平均与模型选择的实际指南。

提出的方法

• 使用广义极值分布（GEV）回归来建模近地面温度 tas 的区域年极大值与极小值，参数随时间变化。
• 对时间变异性考虑 11 种参数形式（常数、线性、二次、渐近），应用于位置、尺度、形状；在 SSP 情景之间强制 2015 年尾部一致。
• 通过贝叶斯推断与 MCMC 来估计参数，获得完整的联合后验分布。
• 从 GEV 参数计算 100 年再现值 Qj(t)，并对每个情景 j 计算差值 ΔQj = Qj(2125) − Qj(2025)。
• 评估多种信息准则（AIC、BIC、DIC、WAIC）以选择模型复杂度，并通过模拟研究验证，模拟数据模仿 CMIP6 数据。
• 进行一个生成自 11 种数据生成过程（CCC 到 QQQ）的模拟研究，比较在不同准则下 ΔQ 预测的 RMSE，以引导在 CMIP6 分析中选择 BIC3 与 AIC3。

Figure 1 : World map showing desert regions considered. Details of longitude-latitude bounding boxes in Table 1 . Note that Mojave (MO) and Dasht-e Lut (DA) are small geographic regions consisting of small numbers of GCM grid locations.

实验结果

研究问题

• RQ1 非平稳 GEV 模型能否在气候强迫下准确捕捉沙漠区域 tas 极端分布的时序演变？
• RQ2 在小样本极值分析中，哪种信息准则最能预测样本外的 100 年再现值变化？
• RQ3 在沙漠区域、GCM 与强迫情景下耦合的 GEV 回归模型在估计 2025–2125 的 ΔQ 时表现如何？
• RQ4 贝叶斯模型平均是否在预测极端变化方面优于单一模型选择？
• RQ5 在 SSP126、SSP245、SSP585 情景下，极端 tas 再现值的区域性变化模式为何？

主要发现

• 基于 BIC 的模型选择通常能得到简洁的模型和鲁棒的 ΔQ 估计，在模拟研究中优于 WAIC 与 DIC 的变体。
• 在 CMIP6 沙漠区域与 GCM 中，较强强迫情景（SSP245 和 SSP585）下区域年极大值的 ΔQ 显著增加的证据。
• 区域年极小值在区域和情景间呈现类似但较弱且不太一致的 ΔQ 增长。
• 在所有情景中采用共同的 2015 尾部耦合的 GEV 回归，提供对多条强迫路径下 ΔQ 的统一估计。
• 对气候集合与 GCM 的后验 ΔQ 估计汇总显示极端最大值存在持续上升的趋势，南极的变化最小。
• 分析表明 ΔQ 的估计对所选择的非平稳模型形式敏感，支持在稳健推断中使用 BIC 选择的 GEV（在某些情况下使用贝叶斯模型平均）的方法。

Figure 2 : Regional annual maxima (left) and minima (right) time series of tas (K) for the UK “control” region from the UKESM1-0-LL GCM. Climate scenarios are distinguished by colour: SSP126 (green), SSP245 (orange), SSP585 (grey). Climate ensemble runs for each scenario, as listed in Table 2 , are