Statistical Modeling Using Bayesian Latent Gaussian Models

Bókin fjallar um tölfræðilega líkanagerð fyrir jarðeðlisfræðileg gögn og umhverfisgögn með Bayesískum duldum Gauss-líkönum. Uppbyggingu þessara líkana er lýst ítarlega í inngangskafla þar sem útskýrt er hvernig byggja má upp fordreifingar fyrir stika líkananna, meta stikana með Bayesískum reikniaðferðum og nota líkönin til að spá fyrir um óþekkt gildi. Í hinum sex köflunum er fjallað um notkun Bayesískra dulinna Gauss-líkana á raunveruleg viðfangsefni í jöklafræði, vatnafræði, jarðskjálftaverkfræði, jarðskjálftafræði, veðurfræði og loftslagsfræði.

Dæmin taka meðal annars til rúmfræðilegrar spár um yfirborðsmassajafnvægi, mats á framlagi Suðurskautslandsins til hækkunar sjávarborðs, mats á rennslislyklum til að umreikna vatnshæð í rennsli, líkana fyrir sterkar jarðhreyfingar, rúmfræðilegrar líkanagerðar á stærð jarðskjálfta, veðurspáa sem byggjast á niðurstöðum tölulegra líkana og öfgagildagreiningar á úrkomu í margvíðu reiknineti.

This book focuses on the statistical modeling of geophysical and environmental data using Bayesian latent Gaussian models. The structure of these models is described in a thorough introductory chapter, which explains how to construct prior densities for the model parameters, how to infer the parameters using Bayesian computation, and how to use the models to make predictions. The remaining six chapters focus on the application of Bayesian latent Gaussian models to real examples in glaciology, hydrology, engineering seismology, seismology, meteorology and climatology.

These examples include: spatial predictions of surface mass balance; the estimation of Antarctica’s contribution to sea-level rise; the estimation of rating curves for the projection of water level to discharge; ground motion models for strong motion; spatial modeling of earthquake magnitudes; weather forecasting based on numerical model forecasts; and extreme value analysis of precipitation on a high-dimensional grid.

The book is aimed at graduate students and experts in statistics, geophysics, environmental sciences, engineering, and related fields.