[论文解读] Spatiotemporally Consistent Multivariate Bias Correction for Climate Projections via Nested Vine Copulas

Theresa Meier, Erwan Koch+2 more|arXiv (Cornell University)|Mar 16, 2026

Spatial and Panel Data Analysis被引用 0

一句话总结

本文提出 GN-VBC，一种使用 GAM 将确定性效应与嵌套树枝状Copula（nested vine copulas）建模联合依赖关系的时空多变量偏差校正方法，从而在气候投影中提高变量之间、以及空间上的一致性。

ABSTRACT

Climate models are essential for understanding large-scale climate dynamics and long-term climate change, yet they exhibit systematic biases when compared with historical observations. Existing multivariate bias correction (MBC) approaches do not explicitly handel spatiotemporal dependence. However, preserving both spatiotemporal and inter-variable consistency is essential for realistic climate dynamics and reliable regional impact assessments. To address this gap, we propose a novel MBC method called GN-VBC that uses generalized additive models (GAMs) to disentangle spatiotemporal deterministic effects from stochastic residuals. To model joint distributions and dependencies across variables and locations, we introduce nsted vine copulas (NVCs), a hierarchical vine merging strategy. NVC in the context of MBC combines two dependence levels: (i) spatial dependence across locations, modeled separately for each variable, and (ii) inter-variable dependence modeled at a selected reference location, which links the spatial models into a coherent multivariate and spatial structure. An application to Switzerland shows improvements in preserving inter-variable, spatial and temporal dependence across a wide range of evaluation metrics.

研究动机与目标

• 需要在气候投影中保持变量间、空间与时间依赖性的偏差校正。
• 使用广义加性模型（GAM）将时空结构从随机残差中分解。
• 开发分层树枝状 Copula 框架（嵌套树枝状 Copula，NVC），将位置特定与变量特定的依赖性耦合起来。
• 将 GAM 与 NVC 整合为统一的偏差校正流程（GN-VBC），并在瑞士案例研究中进行评估。

提出的方法

• 对每个变量拟合时空 GAM，以估计确定性趋势并获取残差。
• 从 GAM 拟合中计算概率积分变换（PIT），将数据映射到均匀分布。
• 构建两类树枝状 Copula（位置特定与变量特定），并结合嵌套树枝状 Copula 来建模 d_s 维的联合分布。
• 使用基于 NVC 的分布对 Rosenblatt 变换及其逆变换进行对齐，以使模型输出与参考的依赖结构保持一致。
• 在逆变换中通过加性均值修正来结合所建模的气候变化信号，调整对齐后的数据。

实验结果

研究问题

• RQ1 GN-VBC 是否能够在保持位置之间时空一致性的同时，保留变量间的相关性？
• RQ2 嵌套树枝状 Copula 的合并是否相较于逐地点或简单联合方法在联合依赖建模方面有所提升？
• RQ3 与标准单变量 QM 及现有多变量偏差校正方法相比，GN-VBC 在多变量依赖保持方面的表现如何？
• RQ4 该方法是否能在具有现实计算成本的多变量多地点情景下实现可扩展性？

主要发现

• GN-VBC 在保留变量间、空间与时间依赖方面的表现与最先进的多变量偏差校正方法相近或超越。
• 该方法通过分层树枝状结构明确建模并合并了空间（同变量内的）与变量间的依赖性。
• 在瑞士案例研究中的评估显示，相较基准，在一系列指标上实现了更好的一致性。
• 该方法已在 R 包 GNVBC 中实现，并在瑞士 22 个网格点的五个大气变量上得到示范。
• 使用年度分块自助法来量化不确定性，以尊重时空相关性。
• NVC 中的桥接位置为将变量特定与位置特定树枝状 Copula 进行稳定锚定提供了基准。