PulseAugur
中
实时 18:18:32
English(EN) Modeling Spatial Extremal Dependence of Precipitation Using Distributional Neural Networks

分布神经网络模拟空间降水极值

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的基于仿真的估计方法，使用生成神经网络来模拟降水的空间最大值依赖性。该方法可以估计最大稳定过程的参数及其不确定性，同时通过成对极值系数函数提供空间依赖性的非参数估计。该方法被证明是有效和稳健的，即使在传统似然估计难以处理的复杂场景中也是如此。它被应用于研究德国西部的月降雨量最大值，包括 2021 年 7 月的极端事件。 AI

影响 引入了一种新颖的生成神经网络方法，用于复杂的空间依赖性建模，可能适用于气象学以外的领域。

排序理由 这是一篇学术论文，详细介绍了使用神经网络模拟降水极值的新方法。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

分布神经网络模拟空间降水极值

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Christopher B\"ulte, Lisa Leimenstoll, Melanie Schienle ·

    使用分布神经网络模拟降水的空间极值依赖性

    arXiv:2407.08668v3 Announce Type: replace Abstract: In this work, we propose a simulation-based estimation approach using generative neural networks to determine dependencies of precipitation maxima and their underlying uncertainty in time and space. Within the common framework o…

相关实体

相关话题