INLA-RF: A Hybrid Modeling Strategy for Spatio-Temporal Environmental Data

Resumen Técnico: INLA-RF: Una Estrategia de Modelado Híbrido para Datos Ambientales Espacio-Temporales

Planteamiento del Problema
Los procesos ambientales a menudo exhiben patrones complejos, no lineales y discontinuidades a través del espacio y el tiempo, lo que plantea desafíos significativos para el modelado geostatístico tradicional. Si bien los modelos estadísticos, particularmente aquellos basados en la Aproximación Laplaciana Anidada Integrada (INLA) combinada con el enfoque de Ecuación Diferencial Parcial Estocástica (SPDE), ofrecen cuantificación de incertidumbre fundamentada e interpretabilidad, pueden carecer de la flexibilidad para capturar relaciones no lineales intrincadas y dependencias de alta dimensión. Por el contrario, los métodos de Aprendizaje Automático (ML) como el Bosque Aleatorio (RF) sobresalen en el modelado de no linealidades y datos de alta dimensión, pero típicamente sufren de una interpretabilidad limitada, una falta de mecanismos nativos de cuantificación de incertidumbre y un manejo implícito en lugar de explícito de la dependencia espacio-temporal. Los enfoques híbridos existentes a menudo fallan en propagar la incertidumbre a través de las etapas de modelado o dependen de métodos de ensamblaje simples que no integran plenamente las fortalezas de ambos paradigmas.

Metodología
El artículo propone una estrategia de modelado híbrido, denominada colectivamente INLA-RF, que acopla iterativamente un modelo bayesiano espacio-temporal (ajustado mediante INLA-SPDE) con Bosque Aleatorio. El marco opera sobre un Modelo Gaussiano Latente (LGM) donde la respuesta $y$ se descompone en un componente de gran escala (LS) impulsado por covariables y un componente residual (RE) que captura la dependencia espacio-temporal y el ruido. La innovación central reside en un esquema iterativo de dos etapas:

1. PASO 1 (INLA): Se ajusta un LGM paramétrico espacio-temporal para capturar la dependencia espacio-temporal.
2. PASO 2 (RF): Se entrena un Bosque Aleatorio sobre los residuos del modelo INLA para aprender las estructuras no lineales restantes.

La salida del RF se retroalimenta luego a la etapa INLA para refinar el modelo. El artículo introduce dos algoritmos distintos dentro de este marco:

• INLA-RF1 (Enfoque de Desplazamiento): Este algoritmo trata la predicción del RF como un término de corrección incorporado al modelo INLA como un desplazamiento. Realiza efectivamente una corrección de la media. Una característica clave es la opción de propagación de incertidumbre, donde el error cuadrático medio fuera de bolsa (OOB) del RF se utiliza como un componente de varianza fijo en la verosimilitud gaussiana del modelo INLA. Esto asegura que las correcciones de RF inciertas tengan una influencia reducida en el ajuste final.
• INLA-RF2 (Corrección de Nodos del Campo Latente): Este algoritmo apunta a "nodos de estrés" específicos dentro del campo latente del LGM. En lugar de un desplazamiento global, introduce un efecto aleatorio adicional independiente e idénticamente distribuido (IID) indexado solo en un subconjunto seleccionado de nodos latentes ($K$). Estos nodos se seleccionan basándose en criterios como las varianzas marginales posteriores más altas o los errores predictivos más grandes. La salida del RF se agrega a estos nodos para actualizar la media y la precisión de este componente latente adicional, permitiendo correcciones localizadas a cambios abruptos o discontinuidades que los componentes suaves de un LGM estándar podrían pasar por alto.

Ambos algoritmos utilizan la Divergencia de Kullback-Leibler (KLD) entre las distribuciones posteriores del campo latente en iteraciones consecutivas como criterio de parada. Este enfoque basado en datos determina el número de iteraciones, evitando parámetros de ajuste arbitrarios y reduciendo el riesgo de sobreajuste.

Contribuciones Clave

1. Algoritmos Híbridos Nuevos: La introducción de INLA-RF1 e INLA-RF2, que integran explícitamente el aprendizaje de residuos del RF en el marco bayesiano INLA-SPDE.
2. Propagación de Incertidumbre: A diferencia de muchos enfoques híbridos, el marco propuesto propaga explícitamente la incertidumbre desde la etapa de ML (vía OOB-MSE) de vuelta al modelo estadístico, ya sea a través de una varianza de desplazamiento (INLA-RF1) o a través de la precisión de un componente de corrección latente (INLA-RF2).
3. Criterio de Parada Adaptativo: El uso de la KLD como criterio de parada proporciona un método fundamentado para terminar el proceso iterativo cuando la distribución posterior se estabiliza, mejorando la eficiencia computacional.
4. Corrección Local Dirigida: INLA-RF2 ofrece un mecanismo para corregir regiones específicas del campo latente, abordando rupturas estructurales o especificaciones incorrectas localizadas que los modelos globales pueden fallar en capturar.

Resultados
El rendimiento de INLA-RF se evaluó mediante dos estudios de simulación y una aplicación del mundo real que involucra concentraciones diarias de PM10 en la región de Lombardía, Italia (2016–2021).

• Simulación Espacio-Temporal (INLA-RF1): En un escenario con relaciones no lineales de covariables, INLA-RF1 mejoró la precisión predictiva (menor RMSE y MAE) en comparación tanto con el modelo INLA independiente como con el RF estándar. La versión con propagación de incertidumbre (INLA-RF1.2) proporcionó una incertidumbre mejor calibrada (mayor Probabilidad de Cobertura) a costa de intervalos predictivos más amplios, mientras que la versión sin propagación (INLA-RF1.1) produjo predicciones más agudas.
• Simulación de Discontinuidad Temporal (INLA-RF2): En un entorno puramente temporal con saltos abruptos, INLA-RF2 mejoró significativamente la estimación en los "puntos de estrés" seleccionados (nodos cerca de los saltos). El RMSE en estos puntos disminuyó de 0.93 (INLA de referencia) a 0.22, y la Probabilidad de Cobertura aumentó de 0.47 a 0.92, demostrando la capacidad del algoritmo para corregir campos latentes en regiones de alta incertidumbre o cambio estructural.
• Estudio de Caso Real (Conjunto de Datos Agrimonia): Aplicado a datos de contaminación del aire, INLA-RF1 (ambas versiones) superó al modelo INLA de referencia y al RF estándar en términos de RMSE y MAE. INLA-RF1.2 logró una cobertura sustancialmente mayor que la referencia. Por el contrario, INLA-RF2 no produjo mejoras significativas sobre la referencia en esta aplicación específica, probablemente porque los datos reales no exhibieron las características localizadas claras que requieren corrección a nivel de nodo y que el algoritmo está diseñado para abordar.

Significado y Afirmaciones
El artículo afirma que el marco INLA-RF cierra exitosamente la brecha entre la interpretabilidad y la cuantificación de incertidumbre de los modelos estadísticos bayesianos y la flexibilidad predictiva del aprendizaje automático. Los resultados indican que INLA-RF puede mejorar la precisión predictiva espacio-temporal, particularmente en presencia de discontinuidades temporales o relaciones no lineales entre las covariables y la respuesta. Los autores enfatizan que la elección entre INLA-RF1 e INLA-RF2 depende del objetivo de modelado: INLA-RF1 es preferible para mejorar el rendimiento predictivo general con complejidad mínima, mientras que INLA-RF2 es adecuado para corregir regiones específicas del campo latente, aunque requiere una selección cuidadosa de los nodos de estrés. El marco se presenta como una herramienta flexible que mantiene la eficiencia computacional del enfoque INLA-SPDE mientras mejora su capacidad para modelar datos ambientales complejos.