[논문 리뷰] Do We Need Non-Stationarity in Spatial Models?

Geir‐Arne Fuglstad, Daniel Simpson외 1명|arXiv (Cornell University)|2014. 09. 02.

Spatial and Panel Data Analysis참고 문헌 37인용 수 1

한 줄 요약

이 논문은 연속된 미국 전역의 강수량 데이터에서 공간적으로 변하는 상관관계 구조를 다루기 위해 스토하스틱 편미분방정식(스파티얼 스토하스틱 편미분방정식) 기반의 가우시안 랜덤 필드(GRF)와 가우시안 마르코프 랜덤 필드(GMRF) 근사를 사용하는 유연한 비 stationary 공간 모델을 제안한다. 이 모델은 특히 공간적으로 변하는 니거 효과를 고려할 경우 정상 모델 대비 예측 정확도에서 뛰어난 성능을 보이며, 이는 이질적인 공분산 구조 적응을 방해하는 요인임을 시사한다.

ABSTRACT

A stationary spatial model is an idealization and we expect that the true de- pendence structures of physical phenomena are spatially varying, but how should we handle this non-stationarity in practice? We study the challenges involved in applying a flexible non-stationary model to a dataset of annual precip itation in the contermi- nous US, where exploratory data analysis shows strong evidence of a non-stationary covariance structure. We apply an extension of a recently developed model that uses a Gaussian random field (GRF), which is based on local modellin g through a stochastic partial differential equation and computations through a Gaussian Markov field that approximates the GRF. We fit the flexible model both to a single year and to multiple ye ars of de-trended data, and compare the predictions between the two cases and to the corresponding sta- tionary models. The flexible model performs better in each ca se with respect to both the continuous rank probability score and the log-predictive score. But we discover that not accounting for a spatially varying nugget effect fo rces a suboptimal adapta- tion in the covariance structure. After adding separate nug get effects for west and east

연구 동기 및 목표

• 공간적으로 변하는 강수량 상관관계 구조를 정확하게 모델링하기 위해 비정상 공간 모델이 필수적인가를 조사하는 것.
• 물리적 현상이 본질적으로 공간적으로 변하는 상관관계를 보일 때 공간 공분산의 비정상성 모델링에 도전하는 것.
• 연간 강수량 자료에서 민감한 비정상 모델과 정상 모델의 예측 성능을 비교하는 것.
• 공간적으로 변하는 니거 효과가 모델 적합도와 예측 정확도에 미치는 영향을 검토하는 것.

제안 방법

• 비정상 공간 상관관계를 모델링하기 위해 스토하스틱 편미분방정식(SPDEs) 기반의 가우시안 랜덤 필드(GRF) 프레임워크를 사용한다.
• 대규모 공간 데이터셋에서 효율적인 추론을 가능하게 하기 위해 가우시안 마르코프 랜덤 필드(GMRF)를 GRF의 계산적 근사로 사용한다.
• 공분산 매개변수의 공간적 변동을 允허하기 위해 모델을 확장하였으며, 서부 및 동부 미국에 대해 별도의 니거 효과를 포함시켰다.
• 성능 평가를 위해 단일 연도 및 다년간의 추세 제거된 강수량 자료에 모델을 피팅하였다.
• 모델 비교를 위해 연속적 순위 확률 점수(CRPS)와 로그예측 점수(LPS)를 사용하여 예측 정확도를 평가하였다.
• 기초 데이터 분석을 통해 공분산 구조의 강력한 비정상성 증거를 확인하여 민감한 모델링의 필요성을 정당화하였다.

실험 결과

연구 질문

• RQ1 연속된 미국 전역의 연간 강수량에 대해 비정상 공간 모델이 정상 모델보다 더 뛰어난 예측 성능을 제공하는가?
• RQ2 공간적으로 변하는 니거 효과를 포함할 경우 비정상 모델의 공분산 구조 적응 방식에 어떤 영향을 미치는가?
• RQ3 공간적으로 변하는 니거 효과를 忽시할 경우 공간 상관관계 모델링에 얼마나 심각한 영향을 미치는가?
• RQ4 CRPS와 LPS 측면에서 민감한 비정상 모델의 예측 성능은 정상 모델 대비 어떻게 다를까?

주요 결과

• 연속적 순위 확률 점수와 로그예측 점수 모두에서 민감한 비정상 모델이 정상 모델보다 예측 성능에서 뛰어난 성과를 보였다.
• 공간적으로 변하는 니거 효과를 고려하지 않으면 모델이 공분산 구조를 왜곡함으로써 보정을 시도하게 되어 최적의 적응이 어려워진다.
• 서부 및 동부 미국에 대해 별도의 니거 효과를 포함시키면 모델 적합도와 예측 정확도가 크게 향상된다.
• 단일 연도 및 다년간의 추세 제거된 자료에 적용했을 때 비정상 모델은 시간 척도에 관계없이 뛰어난 성능을 보이며, 이는 시간적 안정성을 확인한다.
• 기초 데이터 분석을 통해 연간 강수량의 공간 공분산 구조에 강력한 비정상성 증거가 확인되었다.
• 결과적으로 공간 상관관계의 비정상성은 이론적 문제 이상의 실용적 필요성으로서 환경 데이터의 정확한 공간 예측을 위해 필수적임을 시사한다.