Spherical autoregressive change-point detection with applications

Spatio-temporal processes arise very naturally in a number of different applied fields, like Cosmology, Astrophysics, Geophysics, Climate and Atmospheric Science. In most of these areas, the detection of structural breaks or regime shifts in the data stream is key. To this end, in the present work, we aim at generalizing the recently introduced SPHAR(p) process by allowing for temporal changes in its functional parameters and variability structure. Our approach, which intrinsically integrates the spatial and temporal dimensions, could give multiscale insights into both the global and local behavior of changes, and its performance will be tested on a real dataset of global surface temperature anomalies.

I processi spatio-temporali sorgono naturalmente in numerosi campi applicativi, come la Cosmologia, l'Astrofisica, la Geofisica, le Scienze del Clima e dell'Atmosfera. In molti di questi ambiti, l'individuazione di break strutturali nella serie dei dati è fondamentale. A tal fine, nel presente lavoro, ci proponiamo di generalizzare i processi SPHAR(p) introducendo cambiamenti temporali nei parametri funzionali e nella loro struttura di variabilità. Il nostro approccio, oltre ad integrare esplicitamente sia la dimensione spaziale che quella temporale del fenomeno in studio, permette al contempo di estrarre informazioni multiscala che meglio qualificano e caratterizzano i punti di cambio individuati. Le prestazioni della modellistica proposta saranno testate su un dataset reale relativo ad anomalie della temperatura superficiale globale.