کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869045 681310 2016 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
High resolution simulation of nonstationary Gaussian random fields
ترجمه فارسی عنوان
شبیه سازی با وضوح بالا از زمینه های تصادفی گاوس ناپایدار
کلمات کلیدی
جابجایی حلقه، تغییر شکل، غیر متناوب، شبیه سازی، ثابت تکان دادن،
ترجمه چکیده
شبیه سازی زمینه های تصادفی ضروری اساسی برای بسیاری از تحلیل های فضایی است. برای شبکه های فضایی کوچک، شبیه سازی ها می توانند با استفاده از دستکاری مستقیم ماتریس کوواریانس تولید شوند. شبیه سازی با رزولوشن با وضوح بیشتر به راحتی در فرایندهای ثابت قابل دسترسی است، در حالی که الگوریتم هایی از قبیل جابجایی دایره ای می تواند برای شبیه سازی یک فرآیند در میلیون ها مکان استفاده شود. ما در مورد یک رویکرد برای شبیه سازی فرآیندهای گاوسی غیر دائمی با وضوح بالا که متکی بر تولید یک فیلد تصادفی ثابت و پس از آن یک تغییر شکل غیرخطی برای تولید میدان ناپایدار است، بحث می کنیم. یک ضریب واریانس متنوع متغیر برای مقادیر مقیاس محلی. تابع کوواریانس ناپایدار به طور غیر پارامتری تخمین زده می شود و سپس تابع تغییر شکل در یک چارچوب متناهی محاسبه می شود. ما رویکرد پیشنهادی در مجموعه داده های مصنوعی را نشان می دهد، یک مجموعه داده های دما و چالش بر روی حالت کلرادو و یک مدل آب و هوایی منطقه ای در شمال امریکا است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
شبیه سازی با وضوح بالا از زمینه های تصادفی گاوس ناپایدار
چکیده انگلیسی
Simulation of random fields is a fundamental requirement for many spatial analyses. For small spatial networks, simulations can be produced using direct manipulations of the covariance matrix. Larger high resolution simulations are most easily available for stationary processes, where algorithms such as circulant embedding can be used to simulate a process at millions of locations. We discuss an approach to simulating high resolution nonstationary Gaussian processes that relies on generating a stationary random field followed by a nonlinear deformation to produce a nonstationary field. A spatially varying variance coefficient accounts for local scale effects. The nonstationary covariance function is estimated nonparametrically, and the deformation function is then estimated in a variational framework. We illustrate the proposed approach on synthetic datasets, a challenging temperature dataset over the state of Colorado and a regional climate model over North America.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 101, September 2016, Pages 277-288
نویسندگان
,