[论文解读] An SPDE Based Spatio-temporal Model for Large Data Sets with an Application to Postprocessing Precipitation Forecasts

Fabio Sigrist, Hans R. Künsch+1 more|arXiv (Cornell University)|Apr 27, 2012

Soil Geostatistics and Mapping参考文献 56被引用 2

一句话总结

本文提出了一种基于随机偏微分方程（SPDE）的时空高斯过程模型，能够以计算高效的方式对具有非可分协方差结构的大规模时空数据进行建模。通过利用谱方法和快速傅里叶变换，该方法有效处理了如输运和扩散等复杂动力学过程，并显著提升了原始数值模型输出的降水预报校准度和准确性。

ABSTRACT

Increasingly larger data sets of processes in space and time ask for statistical models and methods that can cope with such data. We show that the solution of a stochastic advection-diffusion partial differential equation provides a flexible model class for spatio-temporal processes which is computationally feasible also for large data sets. The Gaussian process defined through the stochastic partial differential equation has in general a nonseparable covariance structure. Furthermore, its parameters can be physically interpreted as explicitly modeling phenomena such as transport and diffusion that occur in many natural processes in diverse fields ranging from environmental sciences to ecology. In order to obtain computationally efficient statistical algorithms we use spectral methods to solve the stochastic partial differential equation. This has the advantage that approximation errors do not accumulate over time, and that in the spectral space the computational cost grows linearly with the dimension, the total computational costs of Bayesian or frequentist inference being dominated by the fast Fourier transform. The proposed model is applied to postprocessing of precipitation forecasts from a numerical weather prediction model for northern Switzerland. In contrast to the raw forecasts from the numerical model, the postprocessed forecasts are calibrated and quantify prediction uncertainty. Moreover, they outperform the raw forecasts, in the sense that they have a lower mean absolute error.

研究动机与目标

• 解决在环境与生态应用中，日益庞大的时空数据集所面临的计算与统计挑战。
• 开发一种灵活且具有物理解释性的模型类别，以捕捉非可分的时空依赖结构。
• 通过谱方法与快速傅里叶变换，实现对大规模数据集的高效贝叶斯或频率学推断。
• 将该模型应用于后处理数值天气预报输出，提升校准度与预测准确性。

提出的方法

• 将时空高斯过程表述为随机对流-扩散偏微分方程（SPDE）的解。
• 使用谱方法求解SPDE，确保计算成本随数据维度呈线性增长。
• 利用快速傅里叶变换（FFTs）以最小化时间累积的近似误差。
• 通过可解释的SPDE参数对输运与扩散等物理过程进行建模。
• 利用谱表示实现贝叶斯或频率学推断，确保计算可行性。
• 将该模型应用于瑞士北部数值天气模型的原始降水预报进行后处理。

实验结果

研究问题

• RQ1 SPDE-based模型能否为具有非可分协方差结构的大规模时空数据提供计算可行且灵活的框架？
• RQ2 谱方法如何提升SPDE-based推断在时空过程中的计算效率与数值稳定性？
• RQ3 SPDE-based后处理在多大程度上能改善数值天气预报模型在降水预测中的校准度与准确性？
• RQ4 SPDE参数在现实世界环境系统中能否被物理解释为输运与扩散过程？

主要发现

• SPDE-based模型提供了非可分协方差结构，能有效捕捉大规模数据集中复杂的时空动态。
• 谱方法结合快速傅里叶变换确保计算成本随数据维度呈线性增长，从而实现高效推断。
• 模型参数具有物理解释性，代表了环境过程中常见的输运与扩散现象。
• 后处理后的预报结果在校准度与平均绝对误差方面均优于原始数值模型输出。
• 该方法成功降低了瑞士北部地区降水预报的预测误差，展示了其在业务气象学中的实际应用价值。