[论文解读] Spatial Modelling of Temperature and Humidity using Systems of Stochastic Partial Differential Equations

Xiangping Hu, Ingelin Steinsland+3 more|arXiv (Cornell University)|Jul 4, 2013

Soil Geostatistics and Mapping参考文献 37被引用 8

一句话总结

本文提出了一种双变量随机偏微分方程（SPDE）模型，在贝叶斯框架下对挪威南部的气温和湿度进行联合空间建模。通过利用SPDE方法与高斯马尔可夫随机场，该方法实现了快速、计算高效的推断，并表明双变量模型通过跨变量借用信息，显著提高了预测精度，特别是在未观测位置，其表现优于独立模型，在五年中的四年表现更优。

ABSTRACT

This work is motivated by constructing a weather simulator for precipitation. Temperature and humidity are two of the most important driving forces of precipitation, and the strategy is to have a stochastic model for temperature and humidity, and use a deterministic model to go from these variables to precipitation. Temperature and humidity are empirically positively correlated. Generally speaking, if variables are empirically dependent, then multivariate models should be considered. In this work we model humidity and temperature in southern Norway. We want to construct bivariate Gaussian random fields (GRFs) based on this dataset. The aim of our work is to use the bivariate GRFs to capture both the dependence structure between humidity and temperature as well as their spatial dependencies. One important feature for the dataset is that the humidity and temperature are not necessarily observed at the same locations. Both univariate and bivariate spatial models are fitted and compared. For modeling and inference the SPDE approach for univariate models and the systems of SPDEs approach for multivariate models have been used. To evaluate the performance of the difference between the univariate and bivariate models, we compare predictive performance using some commonly used scoring rules: mean absolute error, mean-square error and continuous ranked probability score. The results illustrate that we can capture strong positive correlation between the temperature and the humidity. Furthermore, the results also agree with the physical or empirical knowledge. At the end, we conclude that using the bivariate GRFs to model this dataset is superior to the approach with independent univariate GRFs both when evaluating point predictions and for quantifying prediction uncertainty.

研究动机与目标

• 开发一种联合空间模型，用于气温和湿度，以捕捉其依赖关系和空间结构。
• 通过SPDE方法，实现多变量空间数据的快速、可扩展的贝叶斯推断。
• 评估双变量建模是否相比独立的单变量模型能提升预测性能。
• 评估模型在仅部分数据观测到的位置预测未观测变量的表现。
• 通过提供准确、联合建模的输入，支持后续的降水物理建模。

提出的方法

• 本研究采用多变量SPDE方法，将气温和湿度建模为由潜变量高斯场驱动的随机过程。
• SPDE公式通过稀疏精度矩阵诱导马尔可夫性质，确保计算效率，从而支持使用INLA实现完整的贝叶斯推断。
• 构建一个双变量SPDE系统，共享跨年度的空间参数，允许年份特定的截距，同时保持空间依赖结构。
• 通过设计矩阵将稀疏观测与潜变量场关联，处理观测数据中随机缺失（MAR）模式。
• 通过集成嵌套拉普拉斯近似（INLA）估计超参数，将系数视为潜变量场的一部分，以加速优化过程。
• 比较三种模型：双变量SPDE模型、具有独立分量的双变量模型，以及独立的单变量模型。

实验结果

研究问题

• RQ1 双变量SPDE模型是否能比独立模型更有效地联合捕捉气温和湿度的空间依赖性和变量间相关性？
• RQ2 引入变量间依赖关系如何提升预测精度，特别是在仅观测到部分变量的位置？
• RQ3 SPDE方法是否能实现具有复杂缺失数据模式的多变量空间模型的计算高效推断？
• RQ4 年份特定的截距与共享的空间参数如何影响模型拟合与预测性能？
• RQ5 当仅观测到一个变量时，双变量模型在预测另一个变量方面能提升多少？

主要发现

• 双变量SPDE模型在预测未观测位置的气温和湿度方面，显著优于独立模型，尤其在数据稀疏的年份表现更优。
• 在五年中的四年，双变量模型的预测性能优于独立模型，尤其在仅观测到一个变量的位置表现更佳。
• 该模型有效利用了一个变量的信息来提升对另一个变量的预测，表现出强大的跨变量信息借用能力。
• SPDE方法通过INLA实现了快速、可扩展的推断，使大规模空间数据集的完整贝叶斯建模成为可能，尤其适用于复杂依赖结构。
• 结果支持将双变量SPDE模型作为生成物理一致输入的稳健框架，用于气象和气候模型。
• 该模型成功展示了对缺失数据模式的处理能力，即气温和湿度并非总在同一位置被观测到。