[論文レビュー] Review: Nonstationary Spatial Modeling, with Emphasis on Process Convolution and Covariate-Driven Approaches

Mark D. Risser|arXiv (Cornell University)|Oct 7, 2016

Soil Geostatistics and Mapping参考文献 23被引用数 20

ひとこと要約

この論文は、プロセス畳み込みと共変量駆動型手法に焦点を当てた非定常空間モデルのアプローチをレビューし、非定常性を捉えるために共変量を用いて空間的依存性をモデル化する完全ベイズ枠組みを提案する。効率的な計算手法とスケーラブルな推論を可能にする convoSPAT R パッケージを導入し、大規模なデータセットや複雑な空間的依存構造を持つ場合でも、正確で解釈可能な空間予測が可能になる。

ABSTRACT

In many environmental applications involving spatially-referenced data, limitations on the number and locations of observations motivate the need for practical and efficient models for spatial interpolation, or kriging. A key component of models for continuously-indexed spatial data is the covariance function, which is traditionally assumed to belong to a parametric class of stationary models. While convenient, the assumption of stationarity is rarely realistic; as a result, there is a rich literature on alternative methodologies which capture and model the nonstationarity present in most environmental processes. This review document provides a rigorous and concise description of the existing literature on nonstationary methods, paying particular attention to process convolution (also called kernel smoothing or moving average) approaches. A summary is also provided of more recent methods which leverage covariate information and yield both interpretational and computational benefits. Note: the article is borrowed from Chapters 1 and 2 of the author's Ph.D. dissertation, joint with Catherine A. Calder.

研究の動機と目的

• 空間的依存性が場所によって変化する環境応用において、定常空間モデルの限界を克服すること。
• ポイントリファレンスデータにおける非定常空間的依存性を計算的に効率的かつ解釈可能にモデル化する手法を開発すること。
• 共変量情報を共分散構造に直接統合することで、モデルの柔軟性と解釈可能性を向上させること。
• 大規模データセットに対してスケーラブルであり、効率的な計算を可能にする非定常空間ガウス過程の完全ベイズ枠組みを提供すること。
• 共変量が空間領域全体にわたって空間的依存性に与える影響を可視化および解釈可能にする。

提案手法

• 空間的に変化するカーネルを用いてランダム場を畳み込むことで、非定常共分散関数を構築するプロセス畳み込み（カーネルスムージングまたは移動平均）を用いる。
• 局所的に変化する幾何的非等方性をモデル化するための混合成分アプローチを採用し、空間的に変化する相関構造を可能にする。
• 局所尤度推定法を用いて空間的に変化するプロセスパラメータ（例：分散、滑らかさ、ノイズ項）を推定し、その後これらの推定値を空間的にスムージングする。
• 共変量情報を空間的依存構造に直接組み込む完全ベイズモデルを開発し、共変量の空間相関への影響を解釈可能に可能にする。
• ベイズ的 CART とモデル平均化を用いて空間領域を共変量に基づいてセグメント化し、セグメント内では依存性の性質が一様となるようなピecewise-stationary モデリングを可能にする。
• 非定常空間ガウス過程の効率的モデルフィッティングを可能にする convoSPAT R パッケージを実装し、n ≈ 1000 の単一実現値および繰り返し観測データをサポートする。

実験結果

リサーチクエスチョン

• RQ1 従来の定常共分散関数が不十分な場合、非定常空間的依存性を柔軟かつ効率的にモデル化する方法は何か？
• RQ2 共変量情報が空間相関構造に与える影響は何か？ また、解釈可能性を高めるために、その情報を共分散関数に直接組み込むにはどうすればよいか？
• RQ3 大規模データセットに対して非定常空間モデルを計算的に実行可能にし、統計的厳密性を維持することは可能か？
• RQ4 空間的に変化するパラメータ（例：分散、滑らかさ、非等方性）を含めることで、予測精度と不確実性の定量化はどの程度向上するか？
• RQ5 連続的な共変量データがすべての位置に存在しない状況下でも、共変量のベイズ的ツリー分割により非定常空間過程のモデリングはどの程度改善されるか？

主な発見

• プロセス畳み込みと共変量駆動型依存構造を組み合わせた非定常空間ガウス過程モデルは、多様な環境応用において正確で解釈可能な空間予測を可能にする。
• convoSPAT R パッケージは、n ≈ 1000 の観測値を持つデータセットに対しても、従来手法よりも著しく計算スケーラビリティを向上させる効率的なモデルフィッティングをサポートする。
• 共変量情報を空間的依存構造に直接組み込むことで、パラメータ数を抑制し、モデルの解釈可能性を高めるとともに過剰適合を低減できる。
• 局所尤度推定に続いて推定パラメータの空間スムージングを行うアプローチは、空間的に変化する2次モーメント特性を安定的かつ効率的にモデル化する手法である。
• ベイズ的 CART とモデル平均化を用いることで、共変量に基づいた空間領域のロバストなセグメンテーションが可能となり、共変量がすべての予測位置に観測されていなくても、ピースワイズステーショナリティのモデリングが可能になる。
• 特に環境要因が不均一な領域において、複雑で場所依存の空間的依存性を捉える点で、定常モデルを上回る性能を示す。