[論文レビュー] A functional regression model for heterogeneous BioGeoChemical Argo data in the Southern Ocean

Moritz Korte-Stapff, Drew Yarger+2 more|arXiv (Cornell University)|Nov 8, 2022

Bayesian Methods and Mixture Models被引用数 5

ひとこと要約

本稿では、南大洋における生物地球化学的変数の時空間予測のための多変量関数データ混合モデルを提案する。関数回帰を用い、クラスタ依存の共分散構造を導入することで、急激な海洋フロントを扱う。この手法により、不確実性の定量化を伴う全プロファイル酸素予測が可能となり、空間的・時系列的・関数的相関を活用するとともに、海洋フロントに起因するデータの非定常性を考慮することで、従来手法を上回る性能を発揮する。

ABSTRACT

Leveraging available measurements of our environment can help us understand complex processes. One example is Argo Biogeochemical data, which aims to collect measurements of oxygen, nitrate, pH, and other variables at varying depths in the ocean. We focus on the oxygen data in the Southern Ocean, which has implications for ocean biology and the Earth's carbon cycle. Systematic monitoring of such data has only recently begun to be established, and the data is sparse. In contrast, Argo measurements of temperature and salinity are much more abundant. In this work, we introduce and estimate a functional regression model describing dependence in oxygen, temperature, and salinity data at all depths covered by the Argo data simultaneously. Our model elucidates important aspects of the joint distribution of temperature, salinity, and oxygen. Due to fronts that establish distinct spatial zones in the Southern Ocean, we augment this functional regression model with a mixture component. By modelling spatial dependence in the mixture component and in the data itself, we provide predictions onto a grid and improve location estimates of fronts. Our approach is scalable to the size of the Argo data, and we demonstrate its success in cross-validation and a comprehensive interpretation of the model.

研究の動機と目的

• 南大洋における生物地球化学的（BGC）アルゴー観測データの不足は、生物地球化学的モニタリングを制限するため、その問題を解決すること。
• 海洋フロントに起因する急激な変化を伴う時空間関数データをモデル化すること。これは、標準的な定常性仮定を満たさない。
• 関数応答（例：酸素プロファイル）を、関数予測変数（温度、塩分）と空間的依存性を用いて予測する、柔軟で計算的にスケーラブルな手法を開発すること。
• 特に、フロート単位やプロファイル単位を除いた場合のシナリオにおいて、予測の不確実性を定量化すること。
• 既知の海洋フロントを回復し、クラスタ固有の共分散構造をモデル化することで、予測精度を向上させること。

提案手法

• 各プロファイルを深さ、時間、位置でインデックスづけた関数的観測として扱う、関数的時空間混合モデルを提案する。
• クラスタ固有の共分散構造を持つ有限混合関数線形モデルを用い、海洋フロントにおける急激な遷移を捉える。
• 温度、塩分、酸素プロファイルの次元削減のため、関数的主成分分析（FPCA）を適用する。
• 高次元で不規則にサンプリングされた関数データにおけるパラメータ推定のため、重要度サンプリングを組み込んだ新規のマルコフ連鎖モンテカルロ期待最大化（MCEM）アルゴリズムを開発する。
• クラスタごとの関数応答と予測変数の同時共分散構造をモデル化することで、空間的予測に共変動法（cokriging）を統合する。
• 計算スケーラビリティを向上させるために、ペナルティスプラインと低ランク近似を用いる。

実験結果

リサーチクエスチョン

• RQ1 限られたBGCアルゴー観測データと豊富なコアアルゴー観測データを用いて、関数的混合モデルが南大洋における全酸素プロファイルを効果的に予測できるか。
• RQ2 空間的不連続性（海洋フロントに起因）をどのように扱いながら、フロント内では均質性を保っているか。
• RQ3 均一な共分散構造を用いたモデルと比較して、クラスタ依存の共分散構造を組み込むことで、予測精度と不確実性の定量化がどの程度向上するか。
• RQ4 異なるデータ削除スキーム（例：フロート単位削除 vs. プロファイル単位削除）におけるモデルの性能はどのように変化するか。
• RQ5 モデルは既知の海洋フロントを回復できるか。また、クラスタメンバーシップの季節変動を適切に反映できるか。

主な発見

• モデルは南大洋における既知の海洋フロントを適切に回復しており、クラスタメンバーシップマップは明確な空間的・季節的パターンを示している。
• 予測された酸素プロファイルは観測データと高い整合性を示し、フロート単位削除条件下では不確実性推定値が適切に上昇している。
• AICに基づくモデル選択では、予測変数に12次元の主成分、応答変数に12次元の主成分が最適であり、13次元に拡張するとわずかにAICが増加している。
• 2020年1月15日には、空間的相関と予測変数が酸素の分散の最大85％を説明しており、強力な説明力を持つことが示された。
• データ密度が低い地域、特にフロート単位削除条件下では予測標準偏差が高くなる傾向があり、現実的な不確実性伝播を反映している。
• モデルに基づく不確実性分解では、特に遷移領域において、クラスタメンバーシップの不確実性が全体の予測分散に顕著に寄与している。