[论文解读] Non-stationary Spatial Modelling with Applications to Spatial Prediction of Precipitation

Geir‐Arne Fuglstad, Daniel Simpson+2 more|arXiv (Cornell University)|Jun 3, 2013

Soil Geostatistics and Mapping参考文献 20被引用 7

一句话总结

本文提出了一种基于具有空间变化系数的随机偏微分方程（SPDE）的非平稳空间高斯随机场模型，以捕捉环境数据中复杂的非平稳协方差结构。该方法通过高斯马尔可夫随机场（GMRF）近似实现高效计算，并在连续美国的年降水量预测中，相较于平稳模型，表现出更优的预测性能，评估指标为CRPS和对数评分规则。

ABSTRACT

A non-stationary spatial Gaussian random field (GRF) is described as the solution of an inhomogeneous stochastic partial differential equation (SPDE), where the covariance structure of the GRF is controlled by the coefficients in the SPDE. This allows for a flexible way to vary the covariance structure, where intuition about the resulting structure can be gained from the local behaviour of the differential equation. Additionally, computations can be done with computationally convenient Gaussian Markov random fields which approximate the true GRFs. The model is applied to a dataset of annual precipitation in the conterminous US. The non-stationary model performs better than a stationary model measured with both CRPS and the logarithmic scoring rule.

研究动机与目标

• 开发一种灵活且计算高效的非平稳空间协方差结构建模方法，用于环境过程。
• 通过在协方差函数中允许空间变化的范围和各向异性，提高降水量的空间预测精度。
• 利用SPDE-GMRF的关联性，在保持计算可扩展性的同时实现非平稳性。
• 将该模型应用于美国本土的实测年降水量数据，仅使用海拔作为协变量。

提出的方法

• 将非平稳高斯随机场（GRF）建模为具有空间变化系数的非齐次SPDE的解，这些系数控制局部协方差结构。
• 使用SPDE解的GMRF近似，通过稀疏精度矩阵实现快速计算，并支持高效的MCMC或变分推断。
• 对SPDE系数进行参数化，以控制局部范围和各向异性，从而实现灵活且数据驱动的空间依赖模式。
• 构建包含SPDE系数和噪声精度的超先验的完整贝叶斯层次模型，以实现不确定性量化。
• 推导出关于模型参数的后验对数梯度的闭式表达式，以支持优化或MCMC采样。
• 利用稀疏矩阵技术高效计算矩阵迹和导数，充分利用精度矩阵的稀疏性。

实验结果

研究问题

• RQ1 基于SPDE的非平稳空间模型是否能相比平稳模型提升降水量的空间预测精度？
• RQ2 SPDE中的空间变化系数如何影响结果协方差结构和预测性能？
• RQ3 SPDE-GMRF框架在多大程度上能够处理大型环境数据集中复杂的非平稳空间依赖模式？
• RQ4 与平稳替代模型相比，该模型在标准评分规则（如CRPS和对数评分）下的表现如何？

主要发现

• 非平稳SPDE-GMRF模型在连续美国年降水量的空间预测中显著优于平稳模型。
• 该模型在连续概率评分（CRPS）和对数评分规则下均表现出更优的预测性能。
• 基于SPDE的方法能够灵活地实现对空间范围和各向异性的局部控制，成功捕捉了地形影响，例如在山区区域依赖性降低。
• GMRF近似带来的计算效率使得在包含7,040个观测点的大数据集上实现可扩展的推断成为可能。
• 该方法在仅使用海拔作为额外协变量的情况下成功建模了非平稳性，表现出对数据稀疏性的鲁棒性。
• 基于梯度的推断框架实现了高效的后验计算，支持完整的贝叶斯不确定性量化。