[论文解读] Calibrating an ice sheet model using high-dimensional non-Gaussian spatial data

Won Chang, Murali Haran+2 more|arXiv (Cornell University)|Jan 8, 2015

Cryospheric studies and observations参考文献 54被引用 1

一句话总结

本文提出了一种新颖的冰盖模型校准方法，利用高维非高斯空间数据，通过广义主成分分析实现降维，并采用指数族分布对边缘数据进行建模。该方法成功地将PSU3D-ICE模型与阿蒙森海扇区的观测数据进行校准，在存在系统性误差和空间相关性的情况下，严格量化了参数不确定性，从而提高了海平面上升预测的可靠性。

ABSTRACT

Rapid retreat of ice in the Amundsen Sea sector of West Antarctica may cause drastic sea level rise, posing significant risks to populations in low-lying coastal regions. Calibration of computer models representing the behavior of the West Antarctic Ice Sheet is key for informative projections of future sea level rise. However, both the relevant observations and the model output are high-dimensional non-Gaussian spatial data; existing computer model calibration methods are unable to handle such data. Here we present a novel calibration method for non-Gaussian spatial processes whose marginal distributions are one-parameter exponential families. To mitigate the computational and inferential challenges posed by our approach, we apply a generalized principal component based dimension reduction method. To demonstrate the utility of our method, we calibrate the PSU3D-ICE model by comparing the output from a 499-member perturbed-parameter ensemble with observations from the Amundsen Sea sector of the ice sheet. Our methods help rigorously characterize the parameter uncertainty even in the presence of systematic data-model discrepancies and dependence in the errors. Our method also helps inform environmental risk analyses by contributing to improved projections of sea level rise from the ice sheets.

研究动机与目标

• 解决当观测数据和模型输出均为高维非高斯空间数据时，冰盖模型校准的挑战。
• 开发一种计算上可行的校准框架，以处理误差中的非高斯边缘分布和空间相关性。
• 在存在系统性数据-模型差异的情况下，严格量化冰盖模型的参数不确定性。
• 通过在西阿蒙森海扇区纳入现实的不确定性量化，提高未来海平面上升预测的可靠性。

提出的方法

• 该方法使用单参数指数族对空间数据进行建模，以捕捉高维空间过程中的非高斯边缘分布。
• 采用广义主成分分析（GPCA）方法对高维数据进行降维，缓解计算和推断上的挑战。
• 通过在假设的指数族结构下基于似然的方法，将扰动参数集合模型输出与观测数据整合。
• 通过显式建模误差相关性和非高斯性，考虑模型输出与观测之间的系统性差异。
• 该方法在保持空间结构和校准过程中不确定性的同时，实现了对模型参数的后验推断。
• 该方法通过使用PSU3D-ICE模型的499个扰动参数集合，与阿蒙森海扇区的真实观测数据进行比较实现。

实验结果

研究问题

• RQ1 当模型输出和观测数据均为高维非高斯空间过程时，如何有效执行计算机模型校准？
• RQ2 何种降维技术能够在非高斯数据假设下实现冰盖模型的高效且精确校准？
• RQ3 在存在系统性数据-模型差异和空间相关误差的情况下，如何严格量化参数不确定性？
• RQ4 所提出的方法在多大程度上提高了西太平洋冰盖海平面上升预测的可靠性？

主要发现

• 所提出的方法成功地将PSU3D-ICE模型与阿蒙森海扇区的高维非高斯空间观测数据进行了校准。
• 广义主成分分析有效降低了数据的维度，实现了计算上的可行性，同时未造成显著的空间信息损失。
• 该方法即使在模型输出与观测之间存在系统性差异的情况下，也提供了对参数不确定性的严格表征。
• 通过将边缘分布建模为单参数指数族，该方法比高斯假设更准确地捕捉了空间数据的非高斯特征。
• 校准过程考虑了误差中的空间相关性，从而得出了更可靠的模型参数后验分布。
• 改进的校准增强了未来西太平洋冰盖海平面上升预测的准确性，从而为更稳健的环境风险评估提供了支持。