Spatial prediction of environmental processes using random forests: How best to account for spatial dependence?

Resumen Técnico: Predicción Espacial de Procesos Ambientales mediante Bosques Aleatorios

Planteamiento del Problema
La predicción espacial de procesos ambientales, como las concentraciones de contaminación del aire, es crítica para el cumplimiento regulatorio y la investigación epidemiológica. Mientras que los modelos de procesos gaussianos (p. ej., Kriging) son el estándar para la predicción espacial debido a su capacidad para manejar la autocorrelación espacial, los algoritmos de aprendizaje automático (ML) como los Bosques Aleatorios (RF, por sus siglas en inglés) son el estado del arte para la predicción no espacial debido a su capacidad para modelar relaciones complejas y no lineales entre covariables y respuesta. Existe una brecha significativa en la literatura con respecto al método óptimo para fusionar estos paradigmas. Aunque se han propuesto numerosos enfoques para dotar a los algoritmos de ML de capacidades espaciales —como la fusión con procesos gaussianos, el uso de estructuras de correlación basadas en observaciones o el empleo de ajuste geográfico local—, no ha habido una comparación numérica de sus rendimientos predictivos relativos. En consecuencia, los científicos ambientales carecen de orientación sobre qué enfoque seleccionar, particularmente cuando la causa subyacente de la autocorrelación espacial (por ejemplo, confusión no medida, desbordamiento espacial o efectos heterogéneos) es desconocida.

Metodología
Este estudio se centra en los Bosques Aleatorios como el algoritmo principal de ML debido a su eficiencia computacional y simplicidad conceptual en comparación con las alternativas de aprendizaje profundo. Los autores evalúan cinco marcos distintos para adaptar los RF a datos espaciales:

1. RF Estándar: Una implementación de línea base no espacial.
2. Características Suavizadas Espacialmente: Aumentar el conjunto de covariables con versiones espacialmente suavizadas de las covariables y/o la variable de respuesta utilizando pesos de núcleo exponencial (Soltani et al., 2022).
3. Funciones de Base Espacial (RF-Basis): Incorporar funciones de base radial de multirresolución (construidas con funciones de correlación de soporte compacto de Wendland) como covariables adicionales (Chen et al., 2024).
4. Ajuste de Datos Locales (RF-Local): Un enfoque de Bosque Aleatorio Geográficamente Aleatorio que ajusta un modelo RF local utilizando únicamente puntos de datos cercanos para cada ubicación de predicción, combinado con un modelo global (Georganos et al., 2021).
5. Proceso Gaussiano Suavizado Espacialmente (RF-GP): Una estrategia de aprendizaje de residuos donde se ajusta un Proceso Gaussiano (GP) a los residuos de un modelo RF. Esto incluye tanto un enfoque de un solo paso (Hengl et al., 2015) como un enfoque iterativo completo (MacBride et al., 2025) donde el GP y el RF se reajustan secuencialmente.

La evaluación se llevó a cabo a través de dos estudios:

• Estudio de Simulación: Un experimento controlado que generó 50 conjuntos de datos en seis escenarios que varían según los niveles de ruido (bajo/alto) y la causa de la autocorrelación espacial (confusión no medida, desbordamiento espacial y efectos espacialmente heterogéneos). El rendimiento se midió mediante el Error Cuadrático Medio de Predicción (RMSPE) y el sesgo.
• Estudio de Datos Reales: Una aplicación al estudio SCALE en Blantyre, Malawi, prediciendo las concentraciones de PM2.5 en interiores para hogares que carecen de mediciones. El conjunto de datos incluyó 7,173 hogares con diversas covariables (meteorología, estatus socioeconómico, características de la vivienda). El estudio utilizó una división de entrenamiento/prueba de 80/20 repetida cinco veces para evaluar el rendimiento fuera de la muestra.

Resultados Clave

• Hallazgos de la Simulación:

  • El RF no espacial estándar produjo consistentemente el RMSPE más alto en todos los escenarios.
  • Ningún método de adaptación espacial fue universalmente superior en todos los tipos de autocorrelación espacial.
  • RF-Local funcionó excepcionalmente bien cuando la autocorrelación espacial era impulsada por relaciones de covariable-respuesta espacialmente heterogéneas, pero funcionó mal en otros escenarios debido al sobreajuste en subconjuntos locales pequeños, particularmente en entornos de alto ruido.
  • Los modelos RF-GP (de un paso e iterativos) destacaron cuando la autocorrelación provenía de confusión no medida o desbordamiento espacial, pero fallaron cuando las relaciones eran espacialmente heterogéneas.
  • Los modelos RF-Basis (funciones de base espacial) y RF-Smooth (características suavizadas) demostraron el rendimiento más consistente, superando la línea base no espacial en todos los escenarios y manteniéndose cerca del mejor modelo en contextos específicos. Entre ellos, RF-Basis mostró la consistencia más robusta.
  • Eficiencia Computacional: RF-Local fue significativamente más lento (aproximadamente 1 hora por conjunto de datos) debido al ajuste de modelos locales para cada punto. Los modelos RF-Basis y RF-Smooth fueron computacionalmente factibles (minutos), mientras que los modelos RF-GP fueron intermedios.

• Hallazgos del Estudio SCALE:

  • En la aplicación al mundo real, RF-Local logró el RMSPE más bajo (14.03 µg/m³) y las probabilidades de cobertura más cercanas al 95% nominal.
  • RF-Basis fue el segundo más cercano en precisión predictiva, pero requirió significativamente menos tiempo computacional.
  • Todos los modelos adaptados espacialmente superaron al RF no espacial estándar.
  • El análisis de importancia de variables indicó que las variables meteorológicas (presión, humedad, temperatura) y los indicadores temporales (mes, hora) fueron los predictores dominantes, mientras que las características específicas del hogar (p. ej., combustible de cocina, nivel de pobreza) fueron menos influyentes.

Significancia y Reivindicaciones
El artículo afirma proporcionar la primera comparación numérica de enfoques de Bosque Aleatorio adaptados espacialmente a través de una gama de conjuntos de datos reales y simulados. Los autores concluyen que, si bien ningún método es óptimo para todos los mecanismos de autocorrelación espacial, utilizar funciones de base espacial (RF-Basis) parece ser la "apuesta segura" más fiable para los investigadores. Este enfoque ofrece un equilibrio favorable, funcionando consistentemente bien a través de diversos tipos de autocorrelación tanto en la simulación como en los datos reales, manteniendo al mismo tiempo la eficiencia computacional en comparación con el ajuste local o los métodos iterativos de procesos gaussianos.

El estudio destaca que extender los Bosques Aleatorios para tener en cuenta la autocorrelación espacial mejora consistentemente el rendimiento predictivo y la cuantificación de la incertidumbre. Sin embargo, los autores señalan modestamente que el modelo óptimo para un conjunto de datos específico solo puede determinarse mediante experimentos comparativos fuera de la muestra. También observan que en el estudio SCALE, el diseño de muestreo (muestreo de un solo tiempo de clústeres cercanos) hizo imposible desentrañar los efectos espaciales y temporales, lo que sugiere que los estudios futuros se beneficiarían de un monitoreo repetido para modelar con precisión los campos espacio-temporales.