一种贝叶斯INLA-SPDE方法用于带有支撑变化和错位协变量的时空点-网格融合

《Spatial Statistics》：A Bayesian INLA-SPDE approach to spatio-temporal point-grid fusion with change-of-support and misaligned covariates

　　

研究人员提出了一种用于点数据和网格数据的时空数据融合框架，其中变量在不同空间支撑上观测。具有马特恩-随机偏微分方程（Matérn-SPDE）先验的潜在高斯场提供了连续空间表示，而特定于源的观测算子将观测映射到点测量和网格平均值，解决了支撑变化（change-of-support）和协变量错位（covariate misalignment）问题。此外，纳入时间依赖性使得能够在未知位置和时间点进行预测。推断和预测使用积分嵌套拉普拉斯近似（Integrated Nested Laplace Approximation, INLA）和随机偏微分方程（Stochastic Partial Differential Equations, SPDE）方法进行，该方法可在不确定性量化下实现快速计算。研究人员的贡献包括：一个分层模型，该模型联合融合了同一变量在不同空间和时间分辨率以及测量误差下的多个数据源；以及一个实际实现，通过相同的数据融合框架纳入了错位协变量，允许不同的协变量支撑。研究人员通过校准到实际点级传感器密度和空间覆盖的模拟来展示该框架的效用。利用该模拟框架，研究人员探讨了该方法相对于时间点数量以及点观测和相关协变量可用性的稳定性和性能，展示了通过点和网格数据融合相对于单一源模型的优势。研究人员将该框架应用于苏格兰安格斯Elliot Water流域的土壤湿度映射。他们融合了原位传感器数据与对齐和错位协变量、卫星数据和海拔数据，以生成带有不确定性的每日高分辨率地图。

论文解读文章

**研究背景与问题**
在环境与生态统计中，空间数据融合面临挑战，数据常来自不同来源（如点测量传感器与区域/网格卫星数据）。传统方法难以同时处理支撑变化（change-of-support, COSP）和协变量错位（covariate misalignment）问题。现有贝叶斯混合方法（Bayesian melding）虽能融合点与网格数据，但对错位协变量处理不足，通常将其作为固定效应或简单对齐，忽略了其空间不确定性。此外，时间维度融合的研究相对有限。为此，研究人员开发了一种基于贝叶斯分层框架与积分嵌套拉普拉斯近似-随机偏微分方程（INLA-SPDE）的时空数据融合模型，旨在同时整合点与网格数据，明确建模错位协变量，并提供快速计算与不确定性量化。该研究发表于《Spatial Statistics》。

**研究内容与意义**
研究人员提出了一种通用时空数据融合模型，将响应变量和多个协变量建模为独立的潜在时空高斯场（Gaussian field），并通过聚合算子（如点观测和网格平均）链接到观测数据。该模型通过一阶自回归（AR(1)）过程捕捉时间依赖性，采用马特恩（Matérn）空间协方差函数描述空间结构。通过模拟实验（校准自真实土壤湿度传感器密度）和实际应用（苏格兰Elliot Water流域土壤湿度映射），证明了融合点-网格数据相比单一数据源在参数估计和预测精度上的显著提升，尤其在时间点增加时（t从3增至10）模型更稳健。重要意义在于为稀疏传感器网络与卫星产品的有效结合提供了计算高效、理论严谨的框架，支持高分辨率时空预测。

**主要技术方法**（不超过250字）
关键方法包括：（1）贝叶斯分层模型：将响应和错位协变量均作为潜在时空高斯场，通过聚合算子（点投影矩阵和网格积分近似）处理支撑变化；（2）INLA-SPDE推断：利用三角网格将连续高斯场近似为高斯马尔可夫随机场（Gaussian Markov Random Field, GMRF），通过积分嵌套拉普拉斯近似（INLA）快速计算后验边际，避免MCMC高计算成本；（3）时间建模：采用一阶自回归（AR(1)）过程描述时间相关性，假设空间过程每天独立但共享马特恩参数；（4）模拟设计：基于Elliot Water流域实际传感器网络（10个雨量计、22个土壤传感器）和卫星网格（1km分辨率、5×19网格）校准参数，生成100次独立模拟评估模型。样本队列来源为SEPA、Copernicus卫星产品及Open Elevation海拔数据。

**研究结果**
**1. 模拟研究：终末天未观测位置预测（t=3,7,10）**
通过比较点模型、网格模型与联合模型在训练期最后一天未观测位置的均方根预测误差（RMSPEy），发现联合模型在所有时间点下表现最优，且预测误差随t增加而降低，尤其t从3增至7时改善明显，t=10后趋于稳定。联合模型在缩放参数和空间方差的RMSE上比单源模型改进约15-20%和10-15%。

**2. 模拟研究：未来一天未观测位置预测（t=3,7,10,30）**
评估超出训练期一天的前向预测能力。联合模型仍优于或持平于点/网格模型，但所有模型误差高于终末天预测（0.4-0.6范围），且随t增加差距保持稳定，说明外推时空预测更具挑战性。

**3. 模拟研究：格网协变量缺失下的鲁棒性**
模拟卫星格网协变量完全缺失的真实情景（仅响应变量有网格数据），联合模型在t=3时仍能合理估计截距和方差参数，但缩放参数β和空间范围参数ρ的后验不确定性增大，RMSE升高，表明ρ对格网数据缺失敏感，而时间系数a保持稳定。

**4. 土壤湿度映射应用**
研究人员将模型应用于苏格兰Elliot Water流域，融合原位传感器（降雨量、土壤温度、土壤湿度）与卫星土壤水分指数（SWI）及海拔数据，生成每日高分辨率预测图（标准水指数）。t=3与t=10对比表明：增加时间点改善了强时间自相关参数（如a₃）的估计精度（CI变窄），但增加了如截距α₃的不确定性，反映了时间非平稳性与模型假设（固定空间范围、AR(1)简化）之间的冲突。联合模型生成的预测图比点模型更平滑、网格模型更细致，且窄化了置信区间。

**讨论与结论**
研究人员总结指出，该时空数据融合模型通过将错位协变量作为潜在时空场建模，有效克服了之前固定效应处理的局限，并利用INLA-SPDE实现快速推断。模拟和实际应用均证明联合模型在参数估计和预测上显著优于单源模型，尤其在时间点增多时。然而，模型假设可分离的时空协方差和固定的空间范围可能导致参数（如ρ₃）估计偏差。研究结论翻译如下：研究开发了一种用于点和网格数据的时空数据融合模型，该模型建立在Moraga et al. (2017)的空间框架及其由He和Wong (2024)所做的时空扩展之上。然而，后者的模型框架仅将协变量视为固定效应，因此无法处理错位协变量。研究人员通过将选定的协变量建模为独立的潜在时空场，并通过聚合算子将响应和协变量映射到观测支撑，解决了这一问题。具有任意点和面支撑的模型明确处理了错位协变量和响应，并允许点传感器和网格数据具有不同的测量误差。关键结构包括具有马特恩空间协方差并通过AR(1)扩展至时间的潜在高斯随机场，以及在可分离时空依赖性下整合点传感器数据和网格卫星数据的融合策略。该模型使用INLA-SPDE方法进行拟合，以实现快速推断和预测。未来工作可扩展至非可分离协方差、更灵活的时间过程（如AR(p)）以及处理时间错位。