[論文レビュー] Non-stationary Spatial Modelling with Applications to Spatial Prediction of Precipitation

Geir‐Arne Fuglstad, Daniel Simpson+2 more|arXiv (Cornell University)|Jun 3, 2013

Soil Geostatistics and Mapping参考文献 20被引用数 7

ひとこと要約

本稿では、環境データにおける複雑な非定常共分散構造を捉えるために、空間的に変化する係数を有する確率的偏微分方程式（SPDE）に基づく非定常空間ガウスランダムフィールドモデルを提案する。この手法はガウスマルコフランダムフィールド（GMRF）近似を用いて効率的な計算を可能とし、連続的ランク確率スコア（CRPS）および対数スコアルールを用いた測定において、本土アメリカにおける年間降水量の予測性能が定常モデルを上回ることを示している。

ABSTRACT

A non-stationary spatial Gaussian random field (GRF) is described as the solution of an inhomogeneous stochastic partial differential equation (SPDE), where the covariance structure of the GRF is controlled by the coefficients in the SPDE. This allows for a flexible way to vary the covariance structure, where intuition about the resulting structure can be gained from the local behaviour of the differential equation. Additionally, computations can be done with computationally convenient Gaussian Markov random fields which approximate the true GRFs. The model is applied to a dataset of annual precipitation in the conterminous US. The non-stationary model performs better than a stationary model measured with both CRPS and the logarithmic scoring rule.

研究の動機と目的

• 環境プロセスにおける非定常空間共分散構造を柔軟かつ計算的に効率よくモデリングする手法の開発。
• 共分散関数における空間的変動する範囲および非等方性を許容することで、降水量の空間予測精度の向上。
• SPDE-GMRFの関係を活用し、非定常性を許容しつつ計算スケーラビリティを維持。
• 本土アメリカ全域の実世界の年間降水量データにモデルを適用し、標高のみを共変量として使用。

提案手法

• 空間的に変化する係数を有する非一様SPDEの解として非定常ガウスランダムフィールド（GRF）をモデル化し、局所的な共分散構造を制御。
• SPDE解のGMRF近似を用いて、スパースな精度行列と効率的なMCMCまたは変分推論による高速計算を実現。
• SPDE係数をパラメータライズして局所的な範囲および非等方性を制御し、柔軟でデータ駆動の空間依存パターンを可能に。
• SPDE係数およびノイズ精度のハイパーパriorを含む完全ベイズ階層モデルを定式化し、不確実性の定量化を可能に。
• 最適化やMCMCサンプリングを支援するため、モデルパラメータに関する対数後確率勾配の閉形式表現を導出。
• スパース行列技術を活用し、精度行列のスパarsityを活かして、トレースおよび導関数の効率的計算を実装。

実験結果

リサーチクエスチョン

• RQ1 SPDEに基づく非定常空間モデルは、定常モデルと比較して降水量の空間予測精度を向上させることができるか？
• RQ2 SPDEにおける空間的に変化する係数が、得られる共分散構造および予測性能に与える影響は何か？
• RQ3 SPDE-GMRFフレームワークは、大規模な環境データセットにおける複雑な非定常空間依存パターンをどの程度適切に扱えるか？
• RQ4 提案手法は、CRPSや対数スコアルールといった標準的なスコアリングルールにおいて、定常代替手法と比較してどの程度の性能を示すか？

主な発見

• 非定常SPDE-GMRFモデルは、本土アメリカ全域における年間降水量の空間予測において、定常モデルを著しく上回る性能を示した。
• 連続的ランク確率スコア（CRPS）および対数スコアルールの両方の指標において、より優れた予測性能を達成した。
• SPDEベースのアプローチにより、空間的範囲および非等方性に対する柔軟で局所的な制御が可能となり、山間部における依存性の低下といった地形的要因を捉えることができた。
• GMRF近似の計算効率のおかげで、7,040個の観測位置を有する大規模データセットに対してもスケーラブルな推論が可能となった。
• 標高以外の追加共変量を必要とせず、データのスパarsityに対しても強い非定常性をモデル化できることを示した。
• 勾配に基づく推論フレームワークにより、効率的な事後分布計算が可能となり、完全ベイズ的不確実性定量化が実現された。