Comité Nacional CLIVAR-España
CLIVAR-España
Acrónimo ME-CLI-UZ
Nombre de grupo Modelos Estocásticos
Institución o Centro "Universidad de Zaragoza Dpto. Métodos Estadísticos"
Sitio web http://metodosestadisticos.unizar.es/grupo-de-investigacion-modelos-estocasticos
Coordinadores de grupo
Investigadores
Descripción "El grupo Modelos Estocásticos forma parte del Dpto. de Métodos Estadísticos de la Universidad de Zaragoza. Colabora con especialistas de Hidrología, Meteorología y Climatología. Desarrolla modelos estadísticos espacio-temporales para series georreferenciadas, para eventos extremos, percentiles elevados, excesos sobre umbral, récords y -récords. La dependencia espacio-temporal se aborda con modelos jerárquicos bayesianos, representando interacciones y efectos no lineales y dependencias con estructuras estocásticas. Pueden caracterizar el cambio observado y ser útiles para el downscaling. Con técnicas específicas, se ha caracterizado un incremento acelerado en récords de temperatura en la Península. Se desarrollan modelos para eventos extremos de calor con procesos de Poisson y procesos de Poisson-shock no homogéneos, que representan eventos compuestos en la temperatura máxima y mínima diaria. Permiten generar proyecciones, a escala local y diaria, para escenarios de cambio."
Proyectos destacados
  • TED2021-130702B-I00: Modelización y proyección de récords y extremos medioambientales para evaluación del cambio climático. Aplicación en la cuenca del Ebro y en Pirineos. 2022 – 24. IP: Ana Carmen Cebrián y Gerardo Sanz.
  • PID2020-116873GB-I00: Modelos estocásticos para estimación y predicción en medicina y extremos medioambientales. 2021 -24. IP: F. Javier López y Ana Carmen Cebrián.
  • MTM2017-83812-P: Modelos estocásticos y extremos en Climatología y Medicina. Resultados exactos y asintóticos. 2018 - 21). IP: Gerardo Sanz.
Publicaciones destacadas
  • Abaurrea, J., et al. (2018). Modelling the occurrence of heat waves in maximum and minimum temperatures over Spain and projections for the period 2031-60. Global and Planetary Change, 161, 244–260. (https://doi.org/10.1016/j.gloplacha.2017.11.015)
  • Castillo-Mateo, J., et al. (2023a). Spatial quantile autoregression for season within year daily maximum temperature data. Annals of Applied Statistics, 17, 2305–2325. (https://doi.org/10.1214/22-AOAS1719)
  • Castillo-Mateo, J., et al. (2023b). RecordTest: An R package to analyze non-stationarity in the extremes based on record-breaking events. Journal of Statistical Software, 106, 1–28. (https://doi.org/10.18637/jss.v106.i05)
  • Castillo-Mateo, J., et al. (2023c). Statistical analysis of extreme and record-breaking daily maximum temperatures in peninsular Spain during 1960–2021. Atmospheric Research, 106934. (https://doi.org/10.1016/j.atmosres.2023.106934)
  • Castillo-Mateo, J., et al. (2022). Spatial modeling of day-within-year temperature time series: An examination of daily maximum temperatures in Aragón, Spain. Journal of Agricultural, Biological and Environmental Statistics, 27, 487–505. (https://doi.org/10.1007/s13253-022-00493-3)
  • Cebrián, A. C., et al. (2015). NHpoisson: An R package for fitting and validating nonhomogeneous Poisson processes. Journal of Statistical Software, 64, 1–25. https://doi.org/ (https://doi.org/10.18637/jss.v064.i06)
  • Cebrián, A. C., et al. (2021). Analyzing dependence between point processes in time using IndTestPP. R Journal, 13 (1). https://doi.org/ (http://dx.doi.org/10.32614/RJ-2021-049)
  • Cebrián, A. C., et al. (2022). Record tests to detect non-stationarity in the tails with an application to climate change. Stochastic Environmental Research and Risk Assessment, 36 (2), 313–330. (https://doi.org/10.1007/s00477-021-02122-w)
  • Cebrián, A. C., et al. (2022). Spatio-temporal analysis of the extent of an extreme heat event. Stochastic Environmental Research and Risk Assessment, 36(9), 2737-2751. (https://doi.org/10.1007/s00477-021-02157-z)
  • Gouet, R., et al. (2020). Exact and asymptotic properties of -records in the linear drift model. Journal of Statistical Mechanics: Theory and Experiment, 2020(10), 103201. (https://doi.org/10.1088/1742-5468/abb4dc)
Colaboraciones nacionales
  • CIDE-CSIC
  • C3-Universitat Rovira i Virgili
  • Confederación Hidrográfica del Ebro
Colaboraciones internacionales
  • Duke University
  • North Caroline State University
  • Universidad de Chile