[논문 리뷰] Spatial Modelling of Temperature and Humidity using Systems of Stochastic Partial Differential Equations

Xiangping Hu, Ingelin Steinsland외 3명|arXiv (Cornell University)|2013. 07. 04.

Soil Geostatistics and Mapping참고 문헌 37인용 수 8

한 줄 요약

이 논문은 베이지안 프레임워크를 사용하여 노르웨이 남부 지역의 기온과 습도를 공동으로 공간 모델링하기 위한 이元 확률 편미분방정식(SPDE) 모델을 제안한다. 가우시안 마르코프 무작위 필드를 활용한 SPDE 접근법을 통해 빠르고 계산 효율적인 추론이 가능하며, 변수 간의 강도를 빌려옴으로써 예측 정확도가 크게 향상됨을 보여주며, 다섯 해 중 네 해에서 독립 모델보다 뛰어난 성능을 보였다.

ABSTRACT

This work is motivated by constructing a weather simulator for precipitation. Temperature and humidity are two of the most important driving forces of precipitation, and the strategy is to have a stochastic model for temperature and humidity, and use a deterministic model to go from these variables to precipitation. Temperature and humidity are empirically positively correlated. Generally speaking, if variables are empirically dependent, then multivariate models should be considered. In this work we model humidity and temperature in southern Norway. We want to construct bivariate Gaussian random fields (GRFs) based on this dataset. The aim of our work is to use the bivariate GRFs to capture both the dependence structure between humidity and temperature as well as their spatial dependencies. One important feature for the dataset is that the humidity and temperature are not necessarily observed at the same locations. Both univariate and bivariate spatial models are fitted and compared. For modeling and inference the SPDE approach for univariate models and the systems of SPDEs approach for multivariate models have been used. To evaluate the performance of the difference between the univariate and bivariate models, we compare predictive performance using some commonly used scoring rules: mean absolute error, mean-square error and continuous ranked probability score. The results illustrate that we can capture strong positive correlation between the temperature and the humidity. Furthermore, the results also agree with the physical or empirical knowledge. At the end, we conclude that using the bivariate GRFs to model this dataset is superior to the approach with independent univariate GRFs both when evaluating point predictions and for quantifying prediction uncertainty.

연구 동기 및 목표

• 기후 변수 간의 의존성과 공간적 구조를 포괄하는 기온과 습도의 공동 공간 모델을 개발한다.
• SPDE 접근법을 활용해 다변량 공간 데이터에 대한 빠르고 확장 가능한 베이지안 추론을 가능하게 한다.
• 이원 모델링이 독립적인 단변량 모델 대비 예측 성능을 향상시키는지 평가한다.
• 부분 관측 데이터가 있는 위치에서 미관측 변수를 예측하는 데 모델 성능을 평가한다.
• 정확하고 공동으로 모델링된 입력 자료를 제공하여 강우 및 기상 모델의 후속 물리적 모델링을 지원한다.

제안 방법

• 연구는 기온과 습도를 잠재 가우시안 필드에 의해 구동되는 확률적 과정으로 모델링하기 위해 다변량 SPDE 접근법을 사용한다.
• 희소 정밀도 행렬을 통해 마르코프 성질을 유도함으로써 SPDE 설정이 계산 효율성을 보장하며, INLA를 통한 완전한 베이지안 추론을 가능하게 한다.
• 공유된 공간 매개변수를 갖는 이원 SPDE 시스템을 구성하여 연도별로 고유한 절편을 유지하면서도 공간적 의존성 구조를 유지한다.
• 관측 데이터에 무작위로 누락된 패턴(MAR)이 존재하는 경우, 희소 관측값을 잠재 필드에 연결하는 설계 행렬을 사용하여 모델링한다.
• 하이퍼파rameter는 통합 내재 라플라스 근사(INLA)를 통해 추정되며, 계수를 잠재 필드의 일부로 간주함으로써 최적화 속도를 향상시킨다.
• 세 가지 모델을 비교한다: 이원 SPDE 모델, 독립 성분을 가진 이원 모델, 단변량 독립 모델.

실험 결과

연구 질문

• RQ1 독립 모델 대비 이원 SPDE 모델이 기온과 습도의 공간적 의존성과 상관관계를 더 효과적으로 공동으로 포착할 수 있는가?
• RQ2 상관관계를 포함함으로써 예측 정확도가 향상되는 정도는 어떻게 되며, 특히 하나의 변수만 관측된 위치에서 어떻게 영향을 미치는가?
• RQ3 SPDE 기반 접근법이 복잡한 누락 데이터 패턴을 가진 다변량 공간 모델에 대해 계산 효율적인 추론을 가능하게 하는가?
• RQ4 연도별 절편과 공유된 공간 매개변수의 조합이 모델 적합도와 예측 성능에 어떤 영향을 미치는가?
• RQ5 다른 변수가 관측되지 않았을 때, 이원 모델이 한 변수의 예측 성능을 얼마나 향상시키는가?

주요 결과

• 이원 SPDE 모델은 특히 데이터가 희소한 해에 미관측 위치에서 기온과 습도를 예측하는 데 독립 모델보다 뚜렷하게 뛰어난 성능을 보였다.
• 다섯 해 중 네 해에서 이원 모델이 독립 모델보다 더 뛰어난 예측 성능을 달성했으며, 특히 한 변수만 관측된 위치에서 두드러졌다.
• 모델은 한 변수의 정보를 효과적으로 활용하여 다른 변수의 예측을 향상시키며, 강력한 변수 간 강도 빌림 효과를 보였다.
• SPDE 접근법은 INLA를 통해 빠르고 확장 가능한 추론을 가능하게 하여, 복잡한 의존성과 함께 큰 공간 데이터셋에 대한 완전한 베이지안 모델링을 실현 가능하게 했다.
• 결과는 이원 SPDE 모델이 기상 및 기후 모델의 물리적으로 일관된 입력 자료를 생성하는 데 있어 강력한 프레임워크임을 지지한다.
• 기온과 습도가 항상 같은 위치에서 관측되지 않는 누락 데이터 패턴을 효과적으로 처리할 수 있었음을 모델이 성공적으로 입증했다.