Zoeken
Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.
Boekenmand
Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).
RSS
Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.
nieuwe zoekopdracht
A novel approach for discovering stochastic models behind data applied to El Niño–Southern Oscillation
Olson, R.; An, S.-I.; Kim, S.-K.; Fang, Y. (2021). A novel approach for discovering stochastic models behind data applied to El Niño–Southern Oscillation. NPG Scientific Reports 11(1): 2648. https://dx.doi.org/10.1038/s41598-021-81162-2
In: Scientific Reports (Nature Publishing Group). Nature Publishing Group: London. ISSN 2045-2322; e-ISSN 2045-2322
|   |
| Auteurs | | Top |
- Olson, R.
- An, S.-I.
- Kim, S.-K.
- Fang, Y.
|
|
|
| Abstract |
Stochastic differential equations (SDEs) are ubiquitous across disciplines, and uncovering SDEs driving observed time series data is a key scientific challenge. Most previous work on this topic has relied on restrictive assumptions, undermining the generality of these approaches. We present a novel technique to uncover driving probabilistic models that is based on kernel density estimation. The approach relies on few assumptions, does not restrict underlying functional forms, and can be used even on non-Markov systems. When applied to El Niño–Southern Oscillation (ENSO), the fitted empirical model simulations can almost perfectly capture key time series properties of ENSO. This confirms that ENSO could be represented as a two-variable stochastic dynamical system. Our experiments provide insights into ENSO dynamics and suggest that state-dependent noise does not play a major role in ENSO skewness. Our method is general and can be used across disciplines for inverse and forward modeling, to shed light on structure of system dynamics and noise, to evaluate system predictability, and to generate synthetic datasets with realistic properties. |
IMIS is ontwikkeld en wordt gehost door het VLIZ.
