使用分数阶随机偏微分方程进行非平稳空间建模

《Spatial Statistics》:Non-stationary spatial modeling using fractional SPDEs

【字体: 大 中 小 】 时间:2026年09月22日 来源:Spatial Statistics 2.7

编辑推荐:

   摘要 我们构建了一个高斯随机场(GRF),该场结合了分数光滑性与空间变化的各向异性。该GRF通过随机偏微分方程(SPDE)定义,其中范围、边缘方差和各向异性根据SPDE系数的谱参数化在空间上变化。我们构建了先验分布以减少这种灵活协方差模型中的过拟合现象,并采用基于自动求导的

  

摘要

我们构建了一个高斯随机场(GRF),该场结合了分数光滑性与空间变化的各向异性。该GRF通过随机偏微分方程(SPDE)定义,其中范围、边缘方差和各向异性根据SPDE系数的谱参数化在空间上变化。我们构建了先验分布以减少这种灵活协方差模型中的过拟合现象,并采用基于自动求导的基于梯度的优化方法来估计参数。在模拟研究中,我们探讨了需要多少观测值才能可靠地估计分数光滑性和非平稳性,发现在所考虑的场景中,需要至少包含500个观测值的一次实现。我们还发现,所提出的惩罚方法可以防止在不同数量的观测点下出现过拟合。两个案例研究表明,分数光滑性和非平稳性的相对重要性取决于具体应用。非平稳性改善了海洋盐度应用中的预测,而分数光滑性则改善了降水应用中的预测。预测能力通过均方误差和连续排序概率得分进行评估。除了预测之外,所提出的方法还可以作为探索分数光滑性和非平稳性存在的工具。

引言

高斯随机场(GRF)是环境科学和生态学等领域中常用的空间建模工具(Cressie and Wikle, 2011, Banerjee et al., 2015)。各向同性协方差模型被广泛使用,Matérn族协方差函数(Stein, 1999)是一个有吸引力的选择,因为它具有三个可以单独控制的、具有可解释性的参数:(1)边缘方差,(2)空间范围,和(3)光滑性。然而,在许多应用中,各向同性和平稳性的假设是不现实的。这激发了对更灵活协方差结构的研究(Sampson, 2010, Schmidt and Guttorp, 2020)以及将这些结构与能够实现空间模型高效推断的方法相结合的研究(Heaton et al., 2019)。在本文中,我们扩展了流行的SPDE方法(Lindgren et al., 2011, Lindgren et al., 2022),以同时纳入空间变化的各向异性和分数光滑性,并使用扩展模型探索它们在两个数据集中的相对重要性。

已经提出了几种方法来建模非平稳空间过程。一类突出的方法是形变方法,即通过双射映射对空间域进行变换,使得过程在变换后的空间中表现为平稳的(Sampson and Guttorp, 1992, Damian et al., 2001, Schmidt and O'Hagan, 2003)。另一种策略依赖于基于卷积的构造,将空间过程表示为潜在过程的平滑积分,从而允许协方差结构在空间上变化(Higdon, 1998, Paciorek and Schervish, 2006)。协变量驱动模型提供了一种替代方案,将空间变化的协变量直接纳入协方差函数中以捕获异质性(Neto et al., 2014, Risser and Calder, 2015)。值得注意的是,这些方法中的一些有相关的软件实现,例如Risser and Calder, 2017, Risser and Turek, 2020提供的局部协方差模型。然而,虽然这些方法提供了相当的灵活性,但它们使用稠密协方差矩阵,通常伴随着高昂的计算成本。

Lindgren et al. (2011) 提出的SPDE方法通过利用稀疏精度矩阵近似非平稳GRF,提供了一种高效的替代方案。Ingebrigtsen et al. (2015) 将该方法应用于建模挪威南部的年降水量,而Fuglstad et al. (2015a) 纳入了空间变化的各向异性。Fuglstad et al. (2015b) 证明非平稳模型可以改善预测性能,但也强调了仔细控制模型灵活性以避免过拟合的重要性。另一个重要的扩展是处理分数空间算子的数值方法(Bolin et al., 2018, Bolin et al., 2020)。特别是,Bolin and Kirchner (2020) 引入的分数SPDE的有理逼近。这使得具有任意光滑性参数的GRF成为可能,克服了原始SPDE公式仅限于有限光滑性值集合的限制。Bolin and Kirchner (2020, 第7节) 中的示例将非平稳范围和方差与分数光滑性参数相结合,但假设了各向同性。其他用于加速分数非平稳SPDE模型计算的替代方法也存在,例如无矩阵方法(Pereira et al., 2023)和Krylov子空间方法(Antil and Saibaba, 2022)。然而,它们依赖于对协方差矩阵和似然函数的近似,本文不再进一步讨论。

本文通过在各向异性中纳入非平稳性,扩展了现有的非平稳分数SPDE模型工作。其结果是一个更灵活的模型类别,能够捕获更广泛的空间过程。非平稳SPDE建模中的一个关键挑战是实际推断(Lindgren et al., 2022),并且已经明确建立,通过适当的先验来惩罚非平稳分量的灵活性是必要的(Fuglstad et al., 2019)。因此,我们为平稳和非平稳参数都开发了先验分布。为了在参数估计过程中获取梯度,我们使用自动求导(AD)对对数似然函数进行微分。与有限差分方法相比,该技术随着参数数量的增加具有良好的扩展性,使其对非平稳模型有益。有证据表明AD可以有助于优化Matérn协方差结构下的光滑性参数(Geoga et al., 2023),但众所周知,在填充渐近性下,边缘方差、范围和光滑性并不总是可一致估计的(Zhang, 2004)。因此,本文的一个关键重点是在计算稳健性方面评估灵活模型的实际效果。

通过模拟研究对提出的模型进行评估,并与更简单的替代方案进行比较。我们探讨了非整数光滑性和非平稳性的相对重要性,以及这如何依赖于先验设定和数据的可用性。我们的主要关注点是预测性能,使用均方根误差(RMSE)和连续排序概率得分(CRPS)进行衡量。通过偏差评估参数估计值。我们还在两个案例研究中调查了非平稳性与分数光滑性的重要性:(1)描述Trondheimsfjorden海洋盐度的数值模型仿真(SINTEF, 1987, Slagstad and McClimans, 2005),和(2)来自气候再分析模型的数据分析,描述美国本土地区夏季平均降水量(Genton and Kleiber, 2015)。这两个都是数据丰富的案例,我们在其中仿真数值模型的输出,并预期非平稳性或分数光滑性将改善性能。

在第2节中,我们提出SPDE模型,详细说明其离散化过程以及如何近似分数光滑性。第3节指定了我们对平稳和非平稳参数的参数化和先验选择。然后在第4节中,我们概述了用于推断的层次建模框架,并解释如何应用AD来计算参数估计过程中的梯度。模型的性能通过第5节中的模拟研究和第6节中的案例研究进行评估。最后,论文在第7节中得出结论,总结我们的主要结果并概述未来研究的潜在方向。模型的Python实现可在https://github.com/ellingsvee/FracNonStatSPDE找到。

---

第2节 协方差模型

受Bolin and Kirchner, 2020, Bolin et al., 2024启发,我们考虑定义在域$\mathcal{D} \subset \mathbb{R}^2$上的GRF $u(\cdot)$,其中$\mathcal{D}$为一个开放的、有界的、凸的多边形。其协方差结构通过以下SPDE描述:

$$\{(\kappa(\boldsymbol{s}) - \nabla \cdot \mathbf{H}(\boldsymbol{s}) \nabla)^\beta u(\boldsymbol{s}) = \tau(\boldsymbol{s})\mathcal{W}(\boldsymbol{s}), \quad \boldsymbol{s} \in \mathcal{D},$$
$$(\mathbf{H}(\boldsymbol{s})\nabla u(\boldsymbol{s})) \cdot \boldsymbol{n}(\boldsymbol{s}) = 0, \quad \boldsymbol{s} \in \partial\mathcal{D},$$

其中$\mathcal{W}(\cdot)$是高斯白噪声,$\boldsymbol{n}(\cdot)$是外向法向量,$\kappa(\cdot)$和$\tau(\cdot)$是正函数,$\mathbf{H}(\cdot)$是空间变化的正定$2 \times 2$矩阵。为了使SPDE给出具有有限方差的GRF,我们需要$\beta > 1/2$。

---

第2.1节 协方差结构的参数化与先验

我们的GRF分布取决于光滑性$\nu$和四个非平稳参数:$\log\kappa(\cdot)$, $\log\sigma(\cdot)$, $v_x(\cdot)$和$v_y(\cdot)$。我们选择在矩形域$\tilde{\mathcal{D}} = (A_1, A_2) \times (B_1, B_2) \subset \mathbb{R}^2$上对这些函数进行参数化,其中矩形域包含用于求解方程(1)的原始域,即$\mathcal{D} \subset \tilde{\mathcal{D}}$。每个非平稳参数被分解为一个平稳部分和一个由有限基描述的非平稳部分。例如,$\log\kappa: \tilde{\mathcal{D}} \to \mathbb{R}$被分为一个平稳贡献$\log\kappa_0$和一个...

---

第3节 层次模型

假设我们有一个包含$n$个观测值的向量$\mathbf{y} = (y_1, \ldots, y_n)^T$,分别位于$\mathcal{D}$中的位置$\boldsymbol{s}_1, \ldots, \boldsymbol{s}_n$处。对于$i = 1, \ldots, n$,观测值被独立地建模为:

$$y_i | \eta(\boldsymbol{s}_i), \sigma_N^2 \sim \mathcal{N}(\eta(\boldsymbol{s}_i), \sigma_N^2),$$

其中$\eta(\cdot)$是一个空间变化的真实信号。它被建模为GRF:

$$\eta(\boldsymbol{s}) = \mathbf{x}(\boldsymbol{s})^T \boldsymbol{\beta} + u(\boldsymbol{s}), \quad \boldsymbol{s} \in \mathcal{D},$$

其中$\mathbf{x}(\cdot)$是$p$个协变量的空间变化向量,$\boldsymbol{\beta}$是$p$个系数,$u(\cdot)$是第2.1节中的GRF。为了计算,我们用第2.2节中描述的近似值$\tilde{u}(\cdot)$替换$u(\cdot)$。这给出了...

---

第5节 模拟研究

为了评估非平稳性和分数光滑性在预测中的重要性,我们研究了所提模型的参数估计和预测性能。本节呈现了关键结果,其他实验在补充材料中提供。

---

第6节 案例研究

我们通过两个案例研究评估空间回归模型的附加价值。

---

第7节 讨论

本文通过结合非平稳各向异性与分数光滑性,扩展了非平稳SPDE模型的类别。具体来说,我们将Fuglstad et al., 2015a, Fuglstad et al., 2015b开发的非平稳各向异性框架、Llamazares-Elias et al. (2026) 对扩散矩阵的参数化以及Bolin and Kirchner (2020) 的有理逼近相结合。复杂性的增加带来了更高的过拟合风险。为了应对这一问题,我们开发了...

Elling Svee | Geir-Arne Fuglstad
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号