[论文解读] Identifying Precipitation Regimes in China Using Model-Based Clustering of Spatial Functional Data

Zhang, Haozhe, Zhu, Zhengyuan+1 more|arXiv (Cornell University)|Apr 23, 2019

Land Use and Ecosystem Services被引用 5

一句话总结

本文提出一种基于模型的聚类方法，用于空间函数型数据，整合空间依赖性和地理协变量，以识别中国区域的降水型态。通过将函数线性模型与聚类成员关系的空间马尔可夫随机场结合，该方法揭示了与东亚季风动力学一致的、由季风驱动的、分步推进的区域模式，使用了1951–2012年间722个气象站的日降水数据。

ABSTRACT

The identification of precipitation regimes is important for many purposes such as agricultural planning, water resource management, and return period estimation. Since precipitation and other related meteorological data typically exhibit spatial dependency and different characteristics at different time scales, clustering such data presents unique challenges. In this paper, we develop a flexible model-based approach to cluster multi-scale spatial functional data to address such problems. The underlying clustering model is a functional linear model , and the cluster memberships are assumed to be a realization from a Markov random field with geographic covariates. The methodology is applied to a precipitation data from China to identify precipitation regimes.

研究动机与目标

• 开发一种灵活的、基于模型的聚类方法，用于具有复杂空间与时间依赖性的空间函数型数据。
• 识别中国范围内的同质性降水型态，以支持洪水与干旱管理。
• 将地理协变量（尤其是高程差异）纳入空间聚类过程，以提高区域化精度。
• 解决传统EOF分析的局限性，特别是站点分布不均与时间分辨率粗糙的问题。

提出的方法

• 采用函数线性模型，其中每个站点的降水曲线建模为 Yi|(Zi = k) = Si(αk + γi) + ϵi，通过随机效应 γi 捕捉曲线内依赖性。
• 通过 STΣ−1S = I 的可识别性约束，解决 γi 与 ϵi 之间的混淆问题。
• 使用具有吉布斯分布的空间马尔可夫随机场对聚类成员 Zi 进行建模，其中 P(Zi = k|Z∂i) = exp{Uik(θ)}/Ni(θ)，能量函数为 Uik(θ) = θ∑j∈∂i I(Zj = k)。
• 通过重新定义邻域结构，将地理协变量纳入：若高程差 >1000m，则即使空间上接近，也不将站点视为邻居。
• 采用改进的能量函数 ˜Uik(θ) = θ∑j∈∂i fi,j{I(Zj = k)}，将距离与高程效应纳入邻居相互作用。
• 将该方法应用于1951–2012年间722个站点的年均日降水曲线，重点关注季节间模式。

实验结果

研究问题

• RQ1 如何对具有不规则时间点与空间依赖性的空间函数型数据进行有效聚类？
• RQ2 在聚类中引入如高程等地理协变量在多大程度上能提升降水型态识别的准确性与可解释性？
• RQ3 基于模型的聚类方法是否能优于传统EOF分析，更准确捕捉中国区域的季风相关降水模式？
• RQ4 结合地理约束的空间马尔可夫随机场在多大程度上增强了聚类的稳定性与区域一致性？

主要发现

• 该方法成功识别出中国五种不同的降水型态，与东亚夏季季风的逐步推进与撤退过程一致。
• 区域化结果显示出三个稳定阶段（5–6月：华南；6–7月：25–30°N；7–8月：40–45°N）以及两次突跃式北移（6月初与7月中旬），与已知的季风动力学相符。
• 引入基于高程的距离约束后，邻居关系的空间现实性得到改善，减少了高原与低地站点之间的虚假连接。
• 最终的聚类分配具有良好的空间一致性，反映了已知的气候学模式，包括8月下旬雨带退至华南地区。
• 该方法优于传统EOF分析，能够保留密集分布站点的信息，并捕捉到亚月尺度的季风过渡过程。
• 该方法可推广至其他具有类似空间-函数结构的环境数据，如气温或风速。