Resumen Técnico: Un Nuevo Marco para la Fusión de Datos Espacio-Temporales No Estacionarios de Modelos de Múltiples Fidelidades

1. Planteamiento del Problema

El artículo aborda el desafío de fusionar datos de múltiples fidelidades en aplicaciones ambientales, específicamente donde abundantes pero ruidosos datos de baja fidelidad (LF) (por ejemplo, productos de reanálisis o satélites) deben combinarse con observaciones in situ de alta fidelidad (HF) escasas pero precisas para generar reconstrucciones de alta resolución.

Aunque los procesos gaussianos de múltiples fidelidades (MFGP) ofrecen una solución prometedora para aprovechar múltiples fuentes de datos, las implementaciones estándar enfrentan costos computacionales prohibitivos para conjuntos de datos grandes debido a la complejidad $O(n^3)$ de invertir la matriz de covarianza conjunta completa. Los enfoques escalables existentes, como los Procesos Gaussianos de Vecinos Más Cercanos (NNGP), a menudo dependen de inferencias totalmente bayesianas con procedimientos iterativos MCMC, lo que impide el cálculo directo de la verosimilitud marginal y limita la escalabilidad. Además, los MFGP estándar suelen tener dificultades con las relaciones no estacionarias entre los niveles de fidelidad y pueden absorber las diferencias sistemáticas de línea base (sesgos) entre los datos LF y HF en la estructura de dependencia cruzada de fidelidades, distorsionando las predicciones.

2. Metodología

Los autores proponen un marco escalable, basado completamente en la verosimilitud, para MFGP espacio-temporales que integra tres componentes centrales:

2.1 Formulación de Múltiples Fidelidades Descompuesta

En lugar de aproximar directamente la matriz de covarianza conjunta completa $K$, el marco descompone el modelo en procesos latentes independientes:

• Un proceso de baja fidelidad $f_L(x)$.
• Un proceso de discrepancia independiente $\delta(x)$.
• Un parámetro de escala $\rho$ (que puede ser constante o variar espacialmente) que vincula ambos.

La matriz de covarianza conjunta se expresa como:
$$K = A\Sigma_w A^\top + D_\epsilon$$
Donde $\Sigma_w$ es una matriz de covarianza en bloque-diagonal que contiene las covarianzas de $f_L$ y $\delta$, $A$ es una matriz que define la interacción entre fidelidades, y $D_\epsilon$ representa errores de ruido (nugget). Esta descomposición permite aplicar la aproximación de Vecchia independientemente a los procesos latentes $f_L$ y $\delta$ en lugar de a la compleja estructura conjunta.

2.2 Aproximación de Vecchia y Reconstrucción de Woodbury

Para lograr escalabilidad, el marco aplica la aproximación de Vecchia a las matrices de precisión de los procesos latentes ($\Sigma_L^{-1}$ y $\Sigma_\delta^{-1}$). Esto induce dispersión en las matrices de precisión, reduciendo la complejidad computacional de $O(n^3)$ a aproximadamente $O(nm^2)$, donde $m$ es el tamaño del conjunto de condicionamiento.

La matriz de precisión del modelo completo $K^{-1}$ nunca se forma explícitamente. En su lugar, se utiliza la identidad de la matriz de Woodbury para reconstruir las resoluciones lineales necesarias y las evaluaciones de verosimilitud utilizando los factores dispersos de los procesos latentes y la matriz auxiliar $H = \Sigma_w^{-1} + A^\top D_\epsilon^{-1} A$. Este enfoque garantiza la estabilidad numérica y evita la formación de matrices de covarianza densas y a gran escala.

2.3 Eliminación de la Media mediante Mínimos Cuadrados Generalizados (GLS)

Para evitar que los sesgos sistemáticos entre los niveles de fidelidad se absorban en la dependencia cruzada de fidelidades, los autores introducen una estrategia de eliminación de la media mediante GLS. Esto implica estimar interceptos específicos de fidelidad (y potencialmente tendencias espaciales) bajo la estructura de covarianza conjunta antes de evaluar la verosimilitud. El modelo opera entonces sobre el vector residual centrado, asegurando que la estructura de covarianza capture la dependencia espacio-temporal genuina en lugar de desplazamientos estructurales.

2.4 Integración No Estacionaria

El marco extiende trabajos anteriores al permitir que el parámetro de escala $\rho$ sea una función que varía espacialmente $\rho(s)$ en lugar de un escalar. Esto permite que el modelo capture relaciones dependientes de la ubicación entre los datos LF y HF. Los autores implementan $\rho(s)$ como una función lineal, polinómica o una estimación empírica suavizada derivada de datos locales, asegurando que la matriz de covarianza resultante permanezca definida positiva semidefinida mediante el uso de estructuras de matrices dispersas.

3. Contribuciones Clave

1. Primera Integración de la Aproximación de Vecchia en MFGP: El artículo presenta el primer marco que integra aproximaciones de Vecchia en un entorno de procesos gaussianos de múltiples fidelidades para inferencia basada en verosimilitud, permitiendo un entrenamiento escalable en conjuntos de datos grandes.
2. Formulación de Covarianza Descompuesta: Al separar los procesos LF y de discrepancia, el método permite aproximaciones de Vecchia independientes y una reconstrucción eficiente mediante la identidad de Woodbury, evitando la necesidad de invertir la matriz de covarianza completa de múltiples fidelidades.
3. Estrategia de Eliminación de la Media mediante GLS: Se introduce un enfoque de mínimos cuadrados generalizados para manejar desplazamientos específicos de fidelidad, evitando que los sesgos sistemáticos corrompan la estimación de las correlaciones cruzadas de fidelidades.
4. Escala Cruzada de Fidelidades No Estacionaria: El marco soporta parámetros de integración que varían espacialmente ($\rho(s)$), ofreciendo un mecanismo flexible para modelar relaciones heterogéneas entre fidelidades de datos en aplicaciones espacio-temporales.

4. Resultados Experimentales

El marco se validó mediante tres experimentos:

• Validación de Estabilidad y Precisión: Utilizando datos sintéticos, la aproximación de Vecchia descompuesta se comparó con una referencia exacta de MFGP. Los resultados mostraron que los errores de aproximación en los componentes de la verosimilitud y la precisión predictiva disminuyeron monótonamente a medida que aumentaba el tamaño del vecino ($m$). La selección de vecinos basada en correlaciones superó significativamente a la selección de vecinos más cercanos, logrando una recuperación de verosimilitud casi exacta con una fracción del costo computacional.
• Experimento con Datos Sintéticos: En un entorno controlado con niveles de ruido variables, el MFGP basado en Vecchia (con $m=40$) coincidió estrechamente con el rendimiento del MFGP exacto (no aproximado) en términos de Error Absoluto Medio (MAE), Error Cuadrático Medio (RMSE) y calibración de incertidumbre (cobertura del intervalo de predicción del 95%). Ambas variantes de MFGP superaron sustancialmente a las líneas base de GP de fidelidad única (GP-3D, GP-L, GP-4D).
• Aplicación en el Mundo Real (Velocidad del Viento en el Sur de Lombardía): El método se aplicó para fusionar datos de reanálisis ERA5 (LF) con datos de la estación de monitoreo ARPA (HF) para la reconstrucción de la velocidad del viento en Italia. El conjunto de datos contenía más de 26,000 observaciones, lo que hacía inviable computacionalmente la inferencia exacta.
  • El marco MFGP propuesto superó significativamente a una referencia de GP espacio-temporal de fidelidad única en términos de MAE, RMSE y correlación de Pearson.
  • La configuración más simple (GLS Global con $\rho$ constante) proporcionó el rendimiento general más robusto.
  • Si bien las tendencias espaciales adaptativas (GLS Adaptativo) mejoraron el rendimiento en estaciones específicas con sesgos locales, ocasionalmente condujeron a sobreextrapolación y sobreconfianza (mala cobertura del intervalo de predicción) en regiones con datos escasos.
  • La deformación de entrada mejoró la calibración de la incertidumbre para distribuciones de velocidad del viento sesgadas.

5. Significado y Afirmaciones

El artículo afirma proporcionar una base práctica para tareas de reconstrucción ambiental a gran escala donde los enfoques estándar de múltiples fidelidades son computacionalmente prohibitivos. El significado del trabajo radica en:

• Escalabilidad: Permitir inferencia basada en verosimilitud completa para modelos de múltiples fidelidades en conjuntos de datos donde la inversión exacta de matrices es imposible.
• Estabilidad Numérica: La descomposición y el uso de factores de Cholesky dispersos mejoran la estabilidad numérica, particularmente al manejar parámetros cruzados de fidelidades no estacionarios.
• Preservación de las Ventajas de Múltiples Fidelidades: El marco aproximado conserva los beneficios esenciales del modelado de múltiples fidelidades: aprovechar tanto la estructura espacio-temporal como la dependencia cruzada de fidelidades, mientras logra eficiencia computacional.
• Robustez: Los resultados sugieren que en redes de monitoreo del mundo real, una estructura de modelo disciplinada (por ejemplo, controlar desplazamientos de la media y evitar componentes demasiado flexibles sin suficiente soporte de datos) es crítica para predicciones fiables y cuantificación de incertidumbre.

Los autores concluyen que su marco cierra con éxito la brecha entre los beneficios teóricos del modelado de múltiples fidelidades y las restricciones prácticas de los datos ambientales a gran escala, ofreciendo una base flexible para futuras extensiones en el acoplamiento no estacionario y la calibración de incertidumbre.