[論文レビュー] An SPDE Based Spatio-temporal Model for Large Data Sets with an Application to Postprocessing Precipitation Forecasts

Fabio Sigrist, Hans R. Künsch+1 more|arXiv (Cornell University)|Apr 27, 2012

Soil Geostatistics and Mapping参考文献 56被引用数 2

ひとこと要約

本論文は、非分離共分散構造を有する大規模な空間時系列データの計算的に効率的なモデリングを可能にする、確率的偏微分方程式（SPDE）に基づく空間時系列ガウス過程モデルを提案する。スペクトル法と高速フーリエ変換を活用することで、輸送や拡散のような複雑なダイナミクスを効率的に扱い、生の数値モデル出力よりも降水予測のキャリブレーションと精度が著しく向上する。

ABSTRACT

Increasingly larger data sets of processes in space and time ask for statistical models and methods that can cope with such data. We show that the solution of a stochastic advection-diffusion partial differential equation provides a flexible model class for spatio-temporal processes which is computationally feasible also for large data sets. The Gaussian process defined through the stochastic partial differential equation has in general a nonseparable covariance structure. Furthermore, its parameters can be physically interpreted as explicitly modeling phenomena such as transport and diffusion that occur in many natural processes in diverse fields ranging from environmental sciences to ecology. In order to obtain computationally efficient statistical algorithms we use spectral methods to solve the stochastic partial differential equation. This has the advantage that approximation errors do not accumulate over time, and that in the spectral space the computational cost grows linearly with the dimension, the total computational costs of Bayesian or frequentist inference being dominated by the fast Fourier transform. The proposed model is applied to postprocessing of precipitation forecasts from a numerical weather prediction model for northern Switzerland. In contrast to the raw forecasts from the numerical model, the postprocessed forecasts are calibrated and quantify prediction uncertainty. Moreover, they outperform the raw forecasts, in the sense that they have a lower mean absolute error.

研究の動機と目的

• 環境および生態学的応用における、ますます大きな空間時系列データセットのモデリングにおける計算的および統計的課題に対処すること。
• 非分離な空間時系列依存構造を捉えることのできる柔軟で物理的に解釈可能なモデルクラスを開発すること。
• スペクトル法と高速フーリエ変換を用いて、大規模データセットにおけるベイズ的または頻度主義的推論を計算的に実行可能にする。
• モデルを数値気象予測の予測値後処理に適用し、キャリブレーションと予測精度を向上させること。

提案手法

• 空間時系列ガウス過程を、確率的移流拡散偏微分方程式（SPDE）の解として定式化する。
• スペクトル法を用いてSPDEを解き、データ次元に比例して計算コストが線形に増加するようにする。
• 高速フーリエ変換（FFTs）を活用して、時間経過に伴う近似誤差の蓄積を最小限に抑える。
• 輸送や拡散といった物理的プロセスを、解釈可能なSPDEパラメータでモデル化する。
• スペクトル表現を用いてベイズ的または頻度主義的推論を実装し、計算の実行可能性を確保する。
• スイス北西部の数値気象モデルからの生の降水量予測値を後処理するためにモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 SPDEベースのモデルは、非分離共分散構造を有する大規模な空間時系列データに対して、計算的に実行可能で柔軟なフレームワークを提供できるか？
• RQ2 スペクトル法は、空間時系列プロセスのSPDEベース推論における計算効率と数値的安定性をどのように向上させるか？
• RQ3 SPDEベースの後処理は、降水予測のキャリブレーションと精度をどの程度向上させることができるか？
• RQ4 SPDEパラメータは、現実の環境系における輸送および拡散プロセスとして物理的に解釈可能か？

主な発見

• SPDEベースのモデルは、非分離な共分散構造を提供し、大規模データセットにおける複雑な空間時系列ダイナミクスを効果的に捉える。
• スペクトル法と高速フーリエ変換を組み合わせることで、計算コストがデータ次元に比例して線形に増加し、効率的な推論が可能になる。
• モデルのパラメータは物理的に解釈可能であり、環境プロセスに一般的に見られる輸送および拡散現象を表す。
• 後処理済みの予測値は、生の数値モデル出力と比較してキャリブレーションが向上し、平均絶対誤差が低減している。
• 本手法は、スイス北西部における降水予測の予測誤差を著しく低減し、運用気象学における実用的有用性を示している。