[논문 리뷰] Towards a Complete Picture of Covariance Functions on Spheres Cross Time

Philip A. White, Emilio Porcu|arXiv (Cornell University)|2018. 07. 11.

Soil Geostatistics and Mapping참고 문헌 57인용 수 6

한 줄 요약

이 논문은 구면에서 시간에 걸쳐 정의된 다차원 구면에서의 시공간 확률장에 대한 새로운 공분산 함수 클래스를 제안한다. 이는 Gneiting 클래스를 큰 원 거리로 확장하고, 유클리드 공간과 구면 공간의 시공간 공분산 구조를 연결하는 특성 정리(정리)를 도출함으로써 이루어진다. 제안된 모델은 기존의 비분리 모델에 비해 시뮬레이션 데이터와 기후 재분석 데이터에서 예측 성능이 향상된다.

ABSTRACT

With the advent of wide-spread global and continental-scale spatiotemporal datasets, increased attention has been given to covariance functions on spheres over time. This paper provides a characterization theorem for covariance functions of random fields defined over $d$-dimensional spheres cross time. The result characterizes the relationship between covariance functions for spheres over time and space-time covariance functions defined over Euclidean spaces. We then show that the Gneiting class of space-time covariance functions \citep{gneiting2002} can be extended to spheres cross time by replacing the squared Euclidean distance with the great circle distance. Additionally, we provide a new class of covariance functions using our characterization theorem, giving an example of a class correspondence between covariance functions over Euclidean spaces with compact support and covariance functions over spheres cross time. We discuss modeling details using nearest-neighbor Gaussian processes in a Bayesian framework for our extension of the Gneiting class. In this context, we illustrate the value of our proposed classes by comparing them to currently established nonseparable covariance classes using out-of-sample predictive criteria. These comparisons are carried out on a simulated dataset and two climate reanalysis datasets from the National Centers for Environmental Prediction and National Center for Atmospheric Research. In our simulation study, we establish that covariance parameters from a generative model from our class can be identified in model fitting and that predictive performance is as good or better than competing covariance models. In our real data examples, we show that our covariance class has better predictive performance than competing models, and we discuss results in the context of the climate processes that we model.

연구 동기 및 목표

• 유클리드 공간의 시공간 공분산 함수들과 관련된 이론적 프레임워크를 통해 d차원 구면에서 시간에 걸친 확률장에 대한 공분산 함수를 특성화하는 것.
• 유클리드 거리 대신 큰 원 거리를 사용하여 Gneiting 클래스의 시공간 공분산 함수를 구면 영역으로 확장하는 것.
• 특성 정리를 통해 구면과 시간의 곱집합에서 새로운 컴팩트 지지 공분산 함수 클래스를 개발하는 것.
• 근접 이웃 가우시안 프로세스를 사용한 베이지안 프레임워크에서 제안된 모델의 예측 성능을 평가하는 것.
• 실제 기후 재분석 데이터셋과 시뮬레이션 데이터에 대해 새로운 공분산 클래스의 실용적 유용성을 입증하는 것.

제안 방법

• 구면과 시간의 곱집합에서의 공분산 함수들이 유클리드 공간의 공분산 함수들과 어떻게 연결되는지를 보여주는 특성 정리를 유도함으로써, 기존에 알려진 클래스들의 이론적 전이를 가능하게 한다.
• Gneiting 클래스의 제곱 유클리드 거리 대신 큰 원 거리를 사용하여, 시간에 걸쳐 구면에서 유효한 공분산 함수를 구성하는 것.
• 특성 정리를 적용하여, 구면 시공간 장에 대한 새로운 컴팩트 지지 공분산 함수 클래스를 생성하는 것.
• 대규모 데이터셋에서의 스케일러블한 추론과 예측을 위해 근접 이웃 가우시안 프로세스를 활용한 베이지안 프레임워크를 적용하는 것.
• 경쟁적인 비분리 공분산 모델 간의 성능을 비교하기 위해 샘플 외 예측 기준(예: 로그 스코어링)을 사용하는 것.
• 모델을 시뮬레이션 데이터셋과 NCEP 및 NCAR의 두 개의 실제 기후 재분석 데이터셋에서 검증하는 것.

실험 결과

연구 질문

• RQ1 유클리드 거리를 큰 원 거리로 대체함으로써 Gneiting 클래스의 시공간 공분산 함수를 구면 영역으로 일반화할 수 있는가?
• RQ2 구면과 시간의 곱집합에서 공분산 함수의 유효성을 보장하는 이론적 조건은 무엇이며, 이는 유클리드 대응체와 어떻게 관련되는가?
• RQ3 제안된 특성 정리를 사용하여 구면과 시간의 곱집합에서 새로운 컴팩트 지지 공분산 함수 클래스를 구성할 수 있는가?
• RQ4 제안된 공분산 모델의 예측 성능은 실제 및 시뮬레이션 데이터에서 기존의 비분리 모델에 비해 어떻게 비교되는가?
• RQ5 근접 이웃 가우시안 프로세스를 사용한 베이지안 프레임워크에서 제안된 클래스의 모델 파라미터를 일관되게 추정할 수 있는가?

주요 결과

• 제곱 유클리드 거리를 큰 원 거리로 대체함으로써 Gneiting 클래스를 시간에 걸쳐 구면에서 성공적으로 확장할 수 있었으며, 유효하고 해석 가능한 공분산 함수를 도출하였다.
• 제안된 특성 정리는 구면과 시간의 곱집합에서 새로운 컴팩트 지지 공분산 함수 클래스의 구축을 가능하게 하였으며, 기존의 유클리드 결과를 확장하였다.
• 시뮬레이션 연구에서, 제안된 클래스의 생성 모델에서의 모델 파라미터는 피팅 과정에서 일관되게 식별 가능했으며, 이는 모델의 정규성과 추정 안정성을 확인하였다.
• 샘플 외 로그 스코어링 기준으로 측정한 결과, 제안된 모델의 예측 성능는 시뮬레이션 및 실제 기후 데이터셋 모두에서 경쟁 모델과 비교해 동등하거나 뛰어났다.
• 실제 기후 재분석 데이터에서 제안된 공분산 클래스는 기존의 비분리 모델에 비해 뛰어난 예측 정확도를 보였으며, 기후 과정의 기초 메커니즘과 해석 가능한 결과를 제공하였다.
• 근접 이웃 가우시안 프로세스를 사용한 베이지안 구현은 스케일러블한 추론을 가능하게 하여, 큰 규모의 시공간 데이터셋에 대한 응용을 지원하였다.