一种用于结合空间不对齐的最高温度数据的时空统计降尺度模型，采用R-INLA方法实现

《Environmetrics》：A Spatial and Spatiotemporal Statistical Downscaling Model for Combining Spatially Misaligned Maximum Temperature Data Using R-INLA

　　非洲气候脆弱性研究提出基于气象站观测与区域气候模型数据融合的统计降尺度框架，通过空间变系数核心区模型和贝叶斯方法整合异质数据源，解决非洲气候数据空间分布不均和时空分辨率不足问题，并验证其优于传统空间插值和全局核心区模型的预测性能。

　　

摘要

非洲是受气候变化影响最严重的地区之一。然而，由于气候数据的有限性和获取难度，关于非洲气候变化及其影响的研究非常匮乏。尽管气象站能够提供准确的气候测量数据，但这些气象站分布稀疏且不均匀，同时在空间和时间上存在大量数据缺失的情况。物理气候模型输出是另一种形式的气候网格数据，它们能够在一定的分辨率下覆盖较大且密集的空间和时间范围，但在更小的尺度上则无法做到这一点。物理气候模型数据未能充分考虑数据中的不确定性，因此与实地观测结果相比往往存在偏差。为了提高气候模型输出的准确性和实地数据的空间覆盖范围，研究人员将模拟的气候模型数据与气象站的真实测量数据进行了统计校准。本文提出了一种统计降尺度方法，该方法将尼罗河流域各国气象站的实地最高温度观测数据与同一研究区域内区域气候模型（RCM）模拟的网格数据进行结合。为了解决这两组数据之间的空间不对齐问题以及来自不同数据源的不确定性，并将其传递到预测结果中，本文采用了一种空间变系数（SVCs）协同区域化模型。该模型假设协变量（模拟模型输出）和响应变量（实地观测数据）之间存在联合分布，并允许研究区域内观测数据与模拟数据之间存在空间变化关系。所提出的模型是在分层贝叶斯框架下，利用积分嵌套拉普拉斯近似（INLA）与随机偏微分方程（SPDEs）方法相结合进行拟合的。为了便于未来预测，该模型还扩展了对时空数据中的时间结构的处理。通过将模型预测结果与全球协同区域化模型、广义加性模型（GAM）以及仅依赖单一数据源的普通空间插值（克里金）模型的预测结果进行比较，发现所提出的模型表现更为优越。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本研究所需的数据可向通讯作者提出合理请求后获得。