[論文レビュー] Calibrating an ice sheet model using high-dimensional non-Gaussian spatial data

Won Chang, Murali Haran+2 more|arXiv (Cornell University)|Jan 8, 2015

Cryospheric studies and observations参考文献 54被引用数 1

ひとこと要約

本論文は、高次元の非ガウス空間データを用いて、氷河モデルのキャリブレーションのための新規手法を提案する。一般化主成分分析（GPCA）を用いて次元削減を行い、指数型分布族を用いて周辺データをモデル化する。この手法は、アムデルセン海地域の観測データに対してPSU3D-ICEモデルを成功裏にキャリブレーションし、体系的誤差と空間的依存性が存在する中でも、パラメータの不確実性をきめ細かく評価した。その結果、海面上昇予測の精度が向上した。

ABSTRACT

Rapid retreat of ice in the Amundsen Sea sector of West Antarctica may cause drastic sea level rise, posing significant risks to populations in low-lying coastal regions. Calibration of computer models representing the behavior of the West Antarctic Ice Sheet is key for informative projections of future sea level rise. However, both the relevant observations and the model output are high-dimensional non-Gaussian spatial data; existing computer model calibration methods are unable to handle such data. Here we present a novel calibration method for non-Gaussian spatial processes whose marginal distributions are one-parameter exponential families. To mitigate the computational and inferential challenges posed by our approach, we apply a generalized principal component based dimension reduction method. To demonstrate the utility of our method, we calibrate the PSU3D-ICE model by comparing the output from a 499-member perturbed-parameter ensemble with observations from the Amundsen Sea sector of the ice sheet. Our methods help rigorously characterize the parameter uncertainty even in the presence of systematic data-model discrepancies and dependence in the errors. Our method also helps inform environmental risk analyses by contributing to improved projections of sea level rise from the ice sheets.

研究の動機と目的

• モデル出力と観測データの両方が高次元かつ非ガウス空間データである場合に、氷河モデルを適切にキャリブレーションする課題に対処すること。
• 非ガウス周辺分布と誤差の空間的依存性を扱える、計算的に実行可能なキャリブレーションフレームワークを開発すること。
• 体系的誤差（データとモデルのずれ）が存在する中でも、パラメータの不確実性をきめ細かく評価すること。
• 南西アンデルセン氷河のアムデルセン海地域における現実的な不確実性評価を組み込むことで、将来の海面上昇予測の信頼性を高めること。

提案手法

• 高次元空間過程における非ガウス周辺分布を捉えるために、1パラメータ指数型分布族を用いて空間データをモデル化する。
• 計算的および推論的課題を軽減するため、高次元データの次元削減に一般化主成分分析（GPCA）を適用する。
• 仮定された指数型分布構造の下で、尤度に基づくアプローチにより、摂動パラメータアンサンブルのモデル出力と観測データを統合するキャリブレーションフレームワークを構築する。
• 誤差の依存構造と非ガウス性を明示的にモデル化することで、モデル出力と観測値の体系的差異に対処する。
• 空間構造と不確実性を保持したまま、モデルパラメータの後れ分布推論を可能にする。
• 本手法は、499メンバーの摂動パラメータアンサンブルを用いたPSU3D-ICEモデルを用いて実装され、アムデルセン海地域の実観測データと比較された。

実験結果

リサーチクエスチョン

• RQ1 モデル出力と観測データの両方が高次元かつ非ガウス空間過程である場合、コンピュータモデルのキャリブレーションをどのように効果的に行うことができるか？
• RQ2 非ガウスデータの仮定のもとで、氷河モデルの効率的かつ正確なキャリブレーションを可能にする次元削減技術は何か？
• RQ3 体系的データ-モデル差異と空間的依存性を持つ誤差が存在する中で、パラメータの不確実性をどのようにきめ細かく評価できるか？
• RQ4 提案手法は、南西アンデルセン氷河からの海面上昇予測の信頼性をどの程度向上させるか？

主な発見

• 提案手法は、アムデルセン海地域の高次元非ガウス空間観測データに対して、PSU3D-ICEモデルを成功裏にキャリブレーションした。
• 一般化主成分分析（GPCA）は、空間情報の顕著な損失なしに、データの次元を効果的に削減し、計算が可能になるようにした。
• 体系的差異が存在する中でも、パラメータの不確実性をきめ細かく評価するのに成功した。
• 周辺分布を1パラメータ指数型分布族としてモデル化することで、ガウス仮定よりも空間データの非ガウス特性をより正確に捉えた。
• 誤差の空間的依存性を考慮したことで、モデルパラメータの後れ分布がより信頼性あるものとなった。
• 改善されたキャリブレーションにより、南西アンデルセン氷河からの将来の海面上昇予測の精度が向上し、より強固な環境リスク評価が可能になった。