[论文解读] Review: Nonstationary Spatial Modeling, with Emphasis on Process Convolution and Covariate-Driven Approaches

Mark D. Risser|arXiv (Cornell University)|Oct 7, 2016

Soil Geostatistics and Mapping参考文献 23被引用 20

一句话总结

本文综述了非平稳空间建模方法，重点关注过程卷积和协变量驱动方法，提出了一种完全贝叶斯框架，通过协变量建模空间依赖性以捕捉非平稳性。该研究引入了高效的计算方法，并开发了convoSPAT R软件包，实现了可扩展的推理，即使在大规模数据集和复杂的空间依赖结构下，也能实现准确且可解释的空间预测。

ABSTRACT

In many environmental applications involving spatially-referenced data, limitations on the number and locations of observations motivate the need for practical and efficient models for spatial interpolation, or kriging. A key component of models for continuously-indexed spatial data is the covariance function, which is traditionally assumed to belong to a parametric class of stationary models. While convenient, the assumption of stationarity is rarely realistic; as a result, there is a rich literature on alternative methodologies which capture and model the nonstationarity present in most environmental processes. This review document provides a rigorous and concise description of the existing literature on nonstationary methods, paying particular attention to process convolution (also called kernel smoothing or moving average) approaches. A summary is also provided of more recent methods which leverage covariate information and yield both interpretational and computational benefits. Note: the article is borrowed from Chapters 1 and 2 of the author's Ph.D. dissertation, joint with Catherine A. Calder.

研究动机与目标

• 解决在空间依赖性随位置变化的环境应用中，平稳空间模型的局限性。
• 为点参考数据中的非平稳空间依赖性建模，开发计算高效且可解释的方法。
• 将协变量信息直接整合到协方差结构中，以提高模型的灵活性和可解释性。
• 提供一种可扩展的、完全贝叶斯框架，用于非平稳空间高斯过程，支持大规模数据集的高效计算。
• 实现对协变量如何影响空间域内空间依赖性的可视化与解释。

提出的方法

• 利用过程卷积（核平滑或移动平均）通过将随机场与随空间变化的核函数卷积，构建非平稳协方差函数。
• 采用混合分量方法建模局部变化的几何各向异性，以实现随空间变化的相关结构。
• 应用局部似然技术估计随空间变化的过程参数（如方差、平滑度、微结构项），随后对这些估计值进行空间平滑。
• 开发完全贝叶斯模型，将协变量信息直接嵌入空间依赖结构中，从而实现对协变量对空间相关性影响的解释。
• 使用贝叶斯CART结合模型平均，根据协变量对空间域进行分割，实现分段平稳建模，使得各分段内依赖特性保持同质。
• 在convoSPAT R软件包中实现高效建模，用于非平稳空间高斯过程的拟合，支持单次实现和重复观测，样本量n ≈ 1000。

实验结果

研究问题

• RQ1 当传统平稳协方差函数不充分时，如何灵活且高效地建模非平稳空间依赖性？
• RQ2 协变量信息对空间相关结构有何影响？如何将其直接整合到协方差函数中以实现可解释性？
• RQ3 非平稳空间模型能否在保持统计严谨性的同时，对大规模数据集实现计算上的可行性？
• RQ4 引入随空间变化的参数（如方差、平滑度、各向异性）在多大程度上能提升预测精度和不确定性量化？
• RQ5 在所有位置均未观测到连续协变量数据的情况下，贝叶斯树分割协变量在多大程度上能改善非平稳空间过程的建模？

主要发现

• 所提出的基于过程卷积和协变量驱动依赖结构的非平稳空间高斯过程模型，可在多种环境应用中实现准确且可解释的空间预测。
• convoSPAT R软件包支持高达n ≈ 1000个观测值的数据集的高效模型拟合，相较于传统方法显著提升了计算可扩展性。
• 将协变量信息直接整合到空间依赖结构中，实现了参数化的简洁性，增强了模型可解释性并减少了过拟合。
• 先通过局部似然估计再对估计参数进行空间平滑，是一种稳定且高效的建模随空间变化的二阶属性的方法。
• 贝叶斯CART结合模型平均能够基于协变量实现稳健的空间域分割，即使协变量未在所有预测位置观测到，也能实现分段平稳建模。
• 该方法在捕捉复杂、位置依赖的空间依赖性方面优于平稳模型，尤其在环境条件异质性较高的区域表现更优。