[論文レビュー] Bayesian Nonparametric Nonhomogeneous Poisson Process with Applications to USGS Earthquake Data

Junxian Geng, Wei Shi+1 more|arXiv (Cornell University)|Jul 6, 2019

Bayesian Methods and Mixture Models参考文献 27被引用数 8

ひとこと要約

本稿では、非ホモジニアス・ポアソン過程における強度とクラスタ構造を同時に推定するため、有限混合モデル（MFM）を用いたベイジアン非パラメトリック手法を提案する。この手法により、地震データにおける空間的不均一性の一貫性ある推定が可能となる。効率的なギブスサンプラーを採用し、クラスタ数を周辺化することで、既存手法を上回る強度推定性能を発揮し、アラスカおよびプエルトリコ周辺に2つの高強度地震帯が特定された。

ABSTRACT

Intensity estimation is a common problem in statistical analysis of spatial point pattern data. This paper proposes a nonparametric Bayesian method for estimating the spatial point process intensity based on mixture of finite mixture (MFM) model. MFM approach leads to a consistent estimate of the intensity of spatial point patterns in different areas while considering heterogeneity. An efficient Markov chain Monte Carlo (MCMC) algorithm is proposed for our method. Extensive simulation studies are carried out to examine empirical performance of the proposed method. The usage of our proposed method is further illustrated with the analysis of the Earthquake Hazards Program of United States Geological Survey (USGS) earthquake data.

研究の動機と目的

• 地理的領域における地震発生強度の空間的不均一性をモデル化する課題に対処すること。
• 空間点プロセスにおける強度とクラスタ構造（クラスタ数および配置）を同時に推定すること。
• 未知のクラスタ数と空間変動性を扱う際の従来のパラメトリックおよび頻度主義的手法の限界を克服すること。
• MFMのポリアのうなず構造を活用することで、複雑な可逆ジャンプMCMCを回避する、スケーラブルで効率的なMCMCアルゴリズムの開発。
• 高分解能空間分析を用いて、実世界のUSGS全球地震データ（M≥4、2018年）に対して本手法の有効性を実証すること。

提案手法

• 各クラスタが異なる強度パラメータを持つ有限混合モデル（MFM）フレームワークを用いて、非ホモジニアス・ポアソン過程の強度をモデル化する。
• 強度パラメータには共役のガンマ事前分布を、クラスタ割り当て確率には対称的ディリクレ事前分布を用いる。
• クラスタ数を解析的に周辺化することで、完全条件付きギブスサンプラーを実装し、可逆ジャンプMCMCを回避する。
• クラスタ割り当て $ z_i $ と強度パラメータ $ \lambda_r $ のフル条件付き分布を導出することで、効率的なMCMCサンプリングを可能にする。
• MFMに内在するポリアのうなずスキームを活用し、クラスタの割り当てと誤った小さなクラスタの除去を容易にする。
• 空間グリッド（例：$100\times100$）に応用し、各領域の強度を推定し、事後確率に基づいて各領域をクラスタに割り当てる。

実験結果

リサーチクエスチョン

• RQ1 未知のクラスタ数を想定した空間点プロセスにおいて、ベイジアン非パラメトリック手法が強度とクラスタ構造を同時に推定できるか？
• RQ2 MFMに基づく手法は、既存の非パラメトリックおよびパラメトリック強度推定手法と比較して、精度と一貫性において優れているか？
• RQ3 2018年の全球M≥4地震において、どのような空間的クラスタリングパターンが出現し、既知の地震帯と整合するか？
• RQ4 解像度（例：$20\times20$、$50\times50$、$100\times100$）が強度推定性能およびモデル適合度に与える影響は何か？
• RQ5 本手法は余分な小さなクラスタを検出し、除去でき、CRPに基づく手法と比較してより一貫性のあるクラスタ数推定が可能か？

主な発見

• シミュレーション研究において、8つの比較手法の中で本手法が最も優れた強度推定性能を示し、解像度 $20\times20$、$50\times50$、$100\times100$ におけるLPML値はそれぞれ68,970、75,116、79,148であった。
• $100\times100$ 解像度が最も高いLPMLを示し、モデル適合度と推定精度の優位性を示した。
• USGSデータでは8つのクラスタが推定され、最も高い強度を示すクラスタ（1単位面積あたり374.011件）はわずか2グリッドセルをカバーしていたが、全地震の90%は世界の表面積の5%に集中していた。
• 2つの主要な高強度クラスタは、アラスカ中部海岸（$-151.15, 61.28$）およびプエルトリコ海溝（$-67.23, 17.96$）に位置し、既知の地震帯と整合的であった。
• 事後平均強度マップは顕著な空間的不均一性を示し、ほぼすべての地震活動が2つの主要な地域に集中していた。
• MFMアプローチは誤ったクラスタを効果的に除去し、CRPベースのモデルが示す過剰適合の傾向を避け、一貫性があり解釈可能なクラスタ構造を実現した。