[论文解读] Do We Need Non-Stationarity in Spatial Models?

Geir‐Arne Fuglstad, Daniel Simpson+1 more|arXiv (Cornell University)|Sep 2, 2014

Spatial and Panel Data Analysis参考文献 37被引用 1

一句话总结

本文提出了一种灵活的非平稳空间模型，通过随机偏微分方程（SPDEs）和高斯马尔可夫随机场（GMRF）近似，利用高斯随机场（GRF）来处理美国本土降水量中空间变化的依赖结构。该模型在预测精度方面优于平稳模型，尤其是在考虑空间变化的 nugget 效应时，否则后者会扭曲协方差结构的适应性。

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

研究动机与目标

• 调查非平稳空间模型是否对于准确建模空间变化的降水量依赖结构是必要的。
• 解决在物理现象本身表现出空间变化依赖性时，建模空间协方差非平稳性的挑战。
• 比较灵活的非平稳模型与平稳模型在年降水量数据上的预测性能。
• 考察空间变化的 nugget 效应对模型拟合和预测精度的影响。

提出的方法

• 本研究采用基于随机偏微分方程（SPDEs）的高斯随机场（GRF）框架，以建模非平稳空间依赖性。
• 使用高斯马尔可夫随机场（GMRF）作为GRF的计算近似，以实现在大规模空间数据集上的高效推断。
• 将模型扩展为允许空间变化的协方差参数，包括对美国西部和东部分别设定nugget效应。
• 将模型拟合于单年和多年去趋势化后的降水量数据，以评估其在不同时间尺度上的性能。
• 通过连续秩概率评分（CRPS）和对数预测评分（LPS）进行模型比较，以评估预测精度。
• 探索性数据分析发现了协方差结构中非平稳性的强烈证据，从而支持采用灵活建模方法。

实验结果

研究问题

• RQ1 与平稳模型相比，非平稳空间模型是否能为美国本土年降水量提供更好的预测性能？
• RQ2 在非平稳模型中，空间变化的nugget效应的引入如何影响协方差结构的适应性？
• RQ3 忽略空间变化的nugget效应在多大程度上导致空间依赖性的次优建模？
• RQ4 与平稳模型相比，灵活的非平稳模型在CRPS和LPS指标下的预测表现如何？

主要发现

• 通过连续秩概率评分和对数预测评分衡量，灵活的非平稳模型在预测性能上优于平稳模型。
• 若不考虑空间变化的nugget效应，模型将被迫通过扭曲协方差结构来补偿，导致适应性下降。
• 为美国西部和东部分别引入nugget效应显著提升了模型拟合度和预测精度。
• 非平稳模型在单年和多年去趋势化数据上的应用均表现出更优性能，证实其在不同时间尺度上的鲁棒性。
• 探索性数据分析证实了年降水量空间协方差结构中存在强烈的非平稳性证据。
• 结果表明，空间依赖性的非平稳性并非单纯的理论问题，而是环境数据中准确空间预测的实际需求。