[论文解读] A diffusion-based spatio-temporal extension of Gaussian Matérn fields

Finn Lindgren, Haakon Bakka+3 more|Edinburgh Research Explorer|Jun 8, 2020

Soil Geostatistics and Mapping被引用 8

一句话总结

本文通过将高斯马尔可夫场表示为随机偏微分方程（SPDE）的解，提出了一种基于扩散过程的时空扩展模型，实现了对非可分、非平稳及流形嵌入协方差结构的灵活建模。主要贡献在于在R-INLA中实现了计算高效的稀疏有限元表示，支持空间与时间依赖性、平滑度及非可分性的可解释参数，并在全球气温建模中展示了其实际效用。

ABSTRACT

Gaussian random fields with Matérn covariance functions are popular models in spatial statistics and machine learning. In this work, we develop a spatio-temporal extension of the Gaussian Matérn fields formulated as solutions to a stochastic partial differential equation. The spatially stationary subset of the models have marginal spatial Matérn covariances, and the model also extends to Whittle-Matérn fields on curved manifolds, and to more general non-stationary fields. In addition to the parameters of the spatial dependence (variance, smoothness, and practical correlation range) it additionally has parameters controlling the practical correlation range in time, the smoothness in time, and the type of non-separability of the spatio-temporal covariance. Through the separability parameter, the model also allows for separable covariance functions. We provide a sparse representation based on a finite element approximation, that is well suited for statistical inference and which is implemented in the R-INLA software. The flexibility of the model is illustrated in an application to spatio-temporal modeling of global temperature data.

研究动机与目标

• 开发一种灵活且具有物理解释的时空随机场模型，将高斯马尔可夫族扩展至非平稳、非可分形式之外。
• 通过稀疏且计算高效的表示，实现对非可分、非平稳及流形嵌入型时空过程的统计推断。
• 在R-INLA中提供一个实用的建模框架，支持空间与时间依赖性、平滑度及非可分性的可解释参数。
• 证明非可分模型在计算上可与可分模型相媲美，对稀疏性和精度矩阵结构的影响可忽略不计。
• 通过实际应用展示该模型在复杂环境过程（如全球气温变化）中的建模与预测能力。

提出的方法

• 将时空高斯场表述为由时空白噪声驱动的随机偏微分方程（SPDE）的解，将物理动力学嵌入模型结构中。
• 使用有限元法（FEM）对SPDE进行离散化，生成适用于集成嵌套拉普拉斯近似（INLA）的大规模推断的稀疏精度矩阵。
• 通过张量积组合空间与时间微分算子，构建可分离的精度算子结构，保持可交换性并实现高效计算。
• 引入可解释的参数用于空间与时间平滑度（ν）、相关范围（κ）、方差（σ²）及非可分性（通过混合参数），实现对协方差结构的灵活建模。
• 通过在精度算子中引入空间变化的参数，将框架扩展至非平稳与流形嵌入型场，同时保持计算可行性。
• 通过inlabru接口在R-INLA软件栈中实现该模型，利用cgeneric方法实现计算效率与可扩展性。

实验结果

研究问题

• RQ1 基于物理解释的SPDE公式能否产生一种灵活的非可分时空高斯场模型，将马尔可夫族推广至非平稳与非可分形式之外？
• RQ2 如何以既可解释又计算高效的方式建模时空协方差中的非可分性，以适用于大规模数据集？
• RQ3 非可分性在空间-时间插值与完整预测设置中对预测性能的影响程度如何？
• RQ4 相同的计算框架能否以相似的效率与稀疏性支持可分与非可分模型？
• RQ5 模型参数（如平滑度、相关范围、非可分性）与环境过程（如气温演变）中潜在物理动力学之间的关系如何？

主要发现

• 所提出的模型族支持非可分、非平稳及流形嵌入型时空场，且通过SPDE构造具有明确的物理解释。
• 该模型在计算效率上可与可分模型相媲美，即使在非可分情况下，后验精度矩阵也保持相似的稀疏模式。
• 非可分模型（如DEMf(2,2,0)变体）表现出双锥邻域结构，其复杂度仅略高于可分模型的时空棱柱结构。
• 在预测任务中，该模型优于标准可分替代方案，其中非可分性显著提升了预测性能，但在留一法交叉验证的插值任务中影响较小。
• 该框架可通过SPDE直接建模物理动力学，非可分性自然源于扩散过程，而非人为强加。
• 通过inlabru接口在R-INLA中的实现，使用户能够轻松指定并拟合具有可解释参数的复杂时空模型，包括平滑度、相关范围及非可分性。