[论文解读] SPDE based modeling of large space-time data sets

Fabio Sigrist, Werner A. Stahel|arXiv (Cornell University)|Jan 1, 2014

Soil Geostatistics and Mapping参考文献 98被引用 3

一句话总结

本文提出了一种用于建模大规模时空数据集的随机偏微分方程（SPDE）框架，利用谱方法实现计算高效的推断。该方法能够捕捉非可分的协方差结构，并具有运输和扩散等物理可解释的动力学特征，显著提升了原始数值模型输出的降水预报性能。

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 solutions of stochastic advectiondiusion partial dierential equations (SPDEs) provide a exible model class for spatiotemporal processes which is computationally feasible also for large data sets. The solution of the SPDE has in general a nonseparable covariance structure. Furthermore, its parameters can be physically interpreted as explicitly modeling phenomena such as transport and diusion that occur in many natural processes in diverse elds ranging from environmental sciences to ecology. In order to obtain computationally ecient statistical algorithms we use spectral methods to solve the SPDE. 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.

研究动机与目标

• 解决使用计算上可行的统计方法对日益庞大的时空数据集进行建模的挑战。
• 开发一个灵活的模型类别，以捕捉自然过程中复杂的非可分时空依赖关系。
• 实现可物理解释的参数，代表环境和生态系统中常见的输运与扩散现象。
• 通过谱方法实现在大规模数据设置下的贝叶斯或频率学推断，实现计算高效。

提出的方法

• 使用随机对流-扩散偏微分方程（SPDE）的解来建模时空过程。
• 应用谱方法求解SPDE，确保近似误差不会随时间累积。
• 利用快速傅里叶变换（FFTs）降低计算成本，其计算复杂度在谱空间中与维度呈线性关系。
• 构建SPDE解以获得适合复杂时空依赖关系的非可分协方差结构。
• 将SPDE模型整合到统计框架中，用于后处理数值天气预报输出。
• 利用该模型以计算高效的方式校准预报并量化预测不确定性。

实验结果

研究问题

• RQ1 基于SPDE的模型能否为大规模时空数据集提供灵活且计算可行的框架？
• RQ2 与传统模型相比，SPDE解在捕捉非可分时空协方差结构方面表现如何？
• RQ3 SPDE参数在多大程度上可被物理解释为真实世界过程中输运与扩散的体现？
• RQ4 在SPDE推断中使用谱方法是否能在降低计算成本的同时保持准确性？
• RQ5 基于SPDE的后处理方法能否提升数值天气预报的校准性和预测性能？

主要发现

• 基于SPDE的模型成功捕捉了非可分的时空协方差结构，从而能够更准确地表征复杂过程。
• 谱方法实现了计算高效的推断，总计算成本主要由快速傅里叶变换主导，并与维度呈线性关系。
• 模型参数具有物理可解释性，明确表征了自然系统中观测到的输运与扩散机制。
• 使用SPDE模型后处理的预报结果在校准性上更优，且对不确定性的量化更可靠，优于原始数值天气预报。
• 在瑞士北部的降水预测中，基于SPDE的后处理方法在预测性能上优于原始预报。