The confidence limit is a standard measure of the accuracy of the result in any statistical analysis. Most of the confidence limits are derived as follows. The data are first divided into subsections and then, under the ergodic assumption, the temporal mean is substituted for the ensemble mean. Next, the confidence limit is defined as a range of standard deviations from this mean. However, such a confidence limit is valid only for linear and stationary processes. Furthermore, in order for the ergodic assumption to be valid, the subsections have to be statistically independent. For non‐stationary and nonlinear processes, such an analysis is no longer valid. The confidence limit of the method here termed EMD/HSA (for empirical mode decomposition/Hilbert spectral analysis) is introduced by using various adjustable stopping criteria in the sifting processes of the EMD step to generate a sample set of intrinsic mode functions (IMFs). The EMD technique acts as a pre‐processor for HSA on the original data, producing a set of components (IMFs) from the original data that equal the original data when added back together. Each IMF represents a scale in the data, from smallest to largest. The ensemble mean and standard deviation of the IMF sample sets obtained with different stopping criteria are calculated, and these form a simple random sample set. The confidence limit for EMD/HSA is then defined as a range of standard deviations from the ensemble mean. Without evoking the ergodic assumption, subdivision of the data stream into short sections is unnecessary; hence, the results and the confidence limit retain the full‐frequency resolution of the full dataset. This new confidence limit can be applied to the analysis of nonlinear and non‐stationary processes by these new techniques. Data from length‐of‐day measurements and a particularly violent recent earthquake are used to demonstrate how the confidence limit is obtained and applied. By providing a confidence limit for this new approach, a stable range of stopping criteria for the decomposition or sifting phase (EMD) has been established, making the results of the final processing with HSA, and the entire EMD/HSA method, more definitive.

Abstract The Third Pole (TP) is experiencing rapid warming and is currently in its warmest period in the past 2,000 years. This paper reviews the latest development in multidisciplinary TP research associated with this warming. The rapid warming facilitates intense and broad glacier melt over most of the TP, although some glaciers in the northwest are advancing. By heating the atmosphere and reducing snow/ice albedo, aerosols also contribute to the glaciers melting. Glacier melt is accompanied by lake expansion and intensification of the water cycle over the TP. Precipitation has increased over the eastern and northwestern TP. Meanwhile, the TP is greening and most regions are experiencing advancing phenological trends, although over the southwest there is a spring phenological delay mainly in response to the recent decline in spring precipitation. Atmospheric and terrestrial thermal and dynamical processes over the TP affect the Asian monsoon at different scales. Recent evidence indicates substantial roles that mesoscale convective systems play in the TP’s precipitation as well as an association between soil moisture anomalies in the TP and the Indian monsoon. Moreover, an increase in geohazard events has been associated with recent environmental changes, some of which have had catastrophic consequences caused by glacial lake outbursts and landslides. Active debris flows are growing in both frequency of occurrences and spatial scale. Meanwhile, new types of disasters, such as the twin ice avalanches in Ali in 2016, are now appearing in the region. Adaptation and mitigation measures should be taken to help societies’ preparation for future environmental challenges. Some key issues for future TP studies are also discussed.

Abstract A new method, the Hilbert–Huang Transform (HHT), developed initially for natural and engineering sciences has now been applied to financial data. The HHT method is specially developed for analysing non‐linear and non‐stationary data. The method consists of two parts: (1) the empirical mode decomposition (EMD), and (2) the Hilbert spectral analysis. The key part of the method is the first step, the EMD, with which any complicated data set can be decomposed into a finite and often small number of intrinsic mode functions (IMF). An IMF is defined here as any function having the same number of zero‐crossing and extrema, and also having symmetric envelopes defined by the local maxima, and minima respectively. The IMF also thus admits well‐behaved Hilbert transforms. This decomposition method is adaptive, and, therefore, highly efficient. Since the decomposition is based on the local characteristic time scale of the data, it is applicable to non‐linear and non‐stationary processes. With the Hilbert transform, the IMF yield instantaneous frequencies as functions of time that give sharp identifications of imbedded structures. The final presentation of the results is an energy–frequency–time distribution, which we designate as the Hilbert Spectrum. Comparisons with Wavelet and Fourier analyses show the new method offers much better temporal and frequency resolutions. The EMD is also useful as a filter to extract variability of different scales. In the present application, HHT has been used to examine the changeability of the market, as a measure of volatility of the market. Published in 2003 by John Wiley & Sons, Ltd.