[论文解读] On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction

Christoph Muehlmann, Klaus Nordhausen+1 more|arXiv (Cornell University)|Jul 1, 2020

Blind Source Separation Techniques参考文献 32被引用 16

一句话总结

本文提出了一种新颖的空间预测框架，利用空间盲源分离（SBSS）作为预处理步骤，将多变量空间数据分解为独立的单变量分量，从而实现更简单的单变量克里金预测。该方法在模拟和真实地球化学数据中表现优于或匹配传统协同克里金法与神经网络，尤其在SBSS模型假设成立时表现更优，表明分离交叉依赖关系可显著简化多变量预测，且性能损失最小。

ABSTRACT

Multivariate measurements taken at irregularly sampled locations are a common form of data, for example in geochemical analysis of soil. In practical considerations predictions of these measurements at unobserved locations are of great interest. For standard multivariate spatial prediction methods it is mandatory to not only model spatial dependencies but also cross-dependencies which makes it a demanding task. Recently, a blind source separation approach for spatial data was suggested. When using this spatial blind source separation method prior the actual spatial prediction, modelling of spatial cross-dependencies is avoided, which in turn simplifies the spatial prediction task significantly. In this paper we investigate the use of spatial blind source separation as a pre-processing tool for spatial prediction and compare it with predictions from Cokriging and neural networks in an extensive simulation study as well as a geochemical dataset.

研究动机与目标

• 探究空间盲源分离（SBSS）是否可作为有效的预处理工具，通过解耦交叉依赖关系，简化多变量空间预测任务。
• 在模拟与真实空间数据中，比较SBSS-克里金法与经典协同克里金法及基于神经网络的方法的预测性能。
• 评估SBSS-克里金法在不同空间依赖结构与数据条件下的鲁棒性与有效性。
• 提供实证证据，验证SBSS是否能在不牺牲预测精度的前提下，降低多变量空间建模的复杂度。

提出的方法

• SBSS通过线性混合模型 X(s) = ΩZ(s) + µ 将p元空间随机场X(s)分解为p个独立的单变量潜变量场Z(s)，其中Ω为满秩混合矩阵。
• 通过联合对全局样本协方差矩阵与基于核函数（高斯、球形、环形）应用于空间距离所导出的局部协方差矩阵进行对角化，估计去混合矩阵。
• SBSS处理后，每个潜变量场Zj(s)使用选定的协方差模型（如Matérn或球状模型）与块金效应，独立地通过普通克里金法进行预测。
• 最终X(s)的预测通过将逆混合矩阵应用于已克里金化的潜变量场预测结果进行重构。
• 对于神经网络，输入特征包括空间坐标与m个最近邻点的值（m=10或5），同时测试了批量归一化（BN）与自归一化（SNN）网络。
• 通过在模拟与真实数据（苔藓地球化学数据集）测试集上的均方误差（MSE）评估预测性能。

实验结果

研究问题

• RQ1 SBSS是否能有效解耦多变量空间数据中的交叉依赖关系，从而简化后续预测任务？
• RQ2 在不同空间依赖结构下，SBSS-克里金法与协同克里金法及神经网络相比，其预测精度如何？
• RQ3 当底层SBSS模型假设成立时，SBSS-克里金法的性能是否得到提升？
• RQ4 神经网络在多变量空间预测中相对于基于克里金法的方法，其表现是显著更优还是更差？
• RQ5 SBSS中核函数的选择（如球形与环形）是否显著影响预测性能？

主要发现

• 在模拟实验中，SBSS-克里金法的性能与协同克里金法相当，当SBSS模型假设成立时甚至略占优势。
• 在模拟与真实数据设置中，Matérn协方差模型的性能略优于球状模型。
• 神经网络的性能劣于所有基于克里金法的方法，其中SNN网络表现略好于BN网络。
• 在真实数据示例中，使用m=10个邻居的神经网络性能优于m=5的情况，但仍然逊于基于克里金法的方法。
• 使用单个50公里球形核与使用四个非重叠环形核（0–25、25–50、50–75、75–100公里）的SBSS方法，其MSE几乎相同，表明对核函数选择具有鲁棒性。
• 在真实苔藓数据集（n=594）中，SBSS-克里金法在所有方法中达到最低MSE，某些配置下甚至优于协同克里金法。