Nonparametric inference for nonstationary spatial point processes

Résumé Technique : Inférence Nonparamétrique pour les Processus Ponctuels Spatiaux Nonstationnaires

Énoncé du Problème
Les données de motifs ponctuels spatiaux présentent fréquemment des caractéristiques complexes telles que des changements abrupts, des points chauds (hotspots) et une dépendance spatialement variable de l'intensité locale. Sous un cadre de processus de Poisson, ces phénomènes correspondent à des discontinuités et une nonstationnarité de la fonction d'intensité (FI) sous-jacente. Les approches de modélisation standard, incluant les modèles stationnaires et de nombreuses formulations nonstationnaires existantes, peinent à capturer ces caractéristiques. Les modèles stationnaires ne parviennent pas à représenter les régimes hétérogènes, tandis que les modèles nonstationnaires standards (par exemple, pilotés par un processus gaussien latent unique) ont tendance à trop lisser (oversmoothing), estompant les transitions nettes qui caractérisent les données.

La difficulté centrale réside dans l'estimation de structures de covariance nonstationnaires flexibles lorsque le processus gaussien (GP) moteur est latent et intervient de manière non linéaire dans la FI d'un processus de Poisson. De plus, la vraisemblance d'un processus de Cox piloté par un GP est intractable, nécessitant l'intégration d'un GP de dimension infinie contre une vraisemblance de Poisson sans forme fermée. La littérature existante contourne généralement cela par des approximations, telles que la discrétisation du domaine en grilles ou l'utilisation d'approximations de Laplace. Ces méthodes introduisent des erreurs d'approximation difficiles à quantifier, qui croissent souvent de façon cubique avec le nombre de cellules de grille, et peuvent déformer des caractéristiques structurelles comme les frontières d'intensité nettes.

Méthodologie
Le document propose un modèle de Processus Ponctuel Spatial Nonstationnaire (NSPP), un processus de Cox où la nonstationnarité est induite par une partition aléatoire du domaine spatial. Les composantes clés de la méthodologie sont :

1. Cadre de Partition Aléatoire : Le domaine spatial $S$ est partitionné en $L$ régions ($S_1, \dots, S_L$) via une tessellation de Voronoi générée par un ensemble de points générateurs $U$ inconnus. Au sein de chaque région $S_\ell$, l'intensité est modélisée par $\lambda^*_\ell F(\beta_\ell(s))$, où :

   • $\lambda^*_\ell$ est une borne supérieure de l'intensité spécifique à la région.
   • $F$ est une fonction de lien monotone connue (par exemple, la fonction de répartition gaussienne standard).
   • $\beta_\ell$ est un processus gaussien stationnaire, conditionnellement indépendant, spécifique à la région $S_\ell$.
   • Cette construction permet un comportement local hétérogène et des discontinuités nettes aux frontières des régions tout en conservant la machinerie traitable des GP stationnaires au sein des régions.

2. Inférence Exacte via l'Augmentation de Données : Pour traiter la vraisemblance intractable, les auteurs étendent le schéma d'amincissement de Poisson (Poisson thinning) au cadre de la partition aléatoire. Ils introduisent des processus latents $\tilde{Y}_\ell$ (événements amincis) et $Z_\ell$ (événements en dehors de la région) aux côtés du processus observé $Y_\ell$. Cela produit une vraisemblance augmentée qui est analytiquement traitable, permettant une inférence bayésienne exacte sans discrétiser le domaine spatial ou approximer l'intégrale de la fonction d'intensité.

3. Algorithme MCMC : Un algorithme de Monte Carlo par chaînes de Markov (MCMC) sans discrétisation est développé pour cibler la distribution a posteriori exacte de dimension infinie. L'algorithme utilise un schéma d'échantillonnage de Gibbs en cinq blocs :

   • Mises à jour pour les processus latents $(\tilde{Y}, Z)$.
   • Mises à jour conjointes pour la partition $U$ et les étiquettes de processus $(Y, \tilde{Y}, Z)$ utilisant une étape de Metropolis-Hastings qui respecte le prior répulsif sur les points générateurs.
   • Mises à jour pour les GP latents $\beta$ (en utilisant l'échantillonnage skew-normal ou Metropolis-Hastings).
   • Mises à jour pour les bornes d'intensité $\lambda^*$.
   • Mises à jour pour les hyperparamètres du GP $\theta$ et le reste de dimension infinie de $\beta$ via l'échantillonnage rétrospectif.

   L'utilisation de l'échantillonnage rétrospectif garantit que l'algorithme cible la distribution a posteriori exacte sans approximation de dimension finie. De plus, la partition aléatoire localise le coût computationnel cubique des opérations de GP aux sous-domaines, et le cadre peut être mis à l'échelle pour de grands ensembles de données en utilisant des constructions de GP creuses (par exemple, des approximations de type Vecchia) tout en préservant l'exactitude.

Contributions Clés

• Inférence Exacte pour les Processus de Cox Nonstationnaires : Le papier présente le premier processus de Cox piloté par un GP qui combine une estimation flexible de l'intensité nonstationnaire avec une inférence bayésienne exacte, exempte d'erreur de discrétisation.
• Gestion des Discontinuités Nettes : En utilisant une partition de Voronoi aléatoire avec des GP conditionnellement indépendants, le modèle capture les changements abrupts et les transitions nettes d'intensité que les modèles nonstationnaires standards ont tendance à lisser.
• Efficacité Computationnelle : La stratégie de partition réduit la charge de calcul de l'inférence GP en confinant les calculs à des sous-domaines. La méthode passe à l'échelle pour de grands ensembles de données (par exemple, des milliers de points) tout en maintenant les propriétés d'inférence exacte.
• Robustesse à la Spécification du Modèle : La méthodologie démontre une robustesse face au choix du nombre de partitions $L$, performant même lorsque $L$ est supérieur au nombre réel de régimes sous-jacents.

Résultats
La méthodologie a été évaluée via des exemples synthétiques et des applications réelles :

• Données Synthétiques : Dans des scénarios de fonctions d'intensité discontinues et de points chauds localisés, le modèle NSPP a surpassé les modèles stationnaires, les estimateurs basés sur les noyaux (kernels) et d'autres alternatives nonstationnaires. Il a récupéré avec précision les surfaces d'intensité et les frontières nettes, là où les modèles concurrents ont soit trop lissé les données, soit échoué à capturer les discontinuités. Le modèle est resté robuste même lorsque le nombre de partitions $L$ était mal spécifié.
• Données Réelles (Beilschmiedia pendula) : Appliqué à la localisation des arbres au Panama, le NSPP a capturé les zones de haute et basse densité plus précisément qu'un processus de Cox log-gaussien (LGCP) et qu'un modèle nonstationnaire basé sur XGBoost. Le LGCP a produit une surface trop lisse, tandis que XGBoostPP a généré des estimations locales peu fiables. Le NSPP a naturellement identifié les zones de faible intensité sans spécification préalable de ces classes.
• Données Réelles (Feux de Mato Grosso) : Appliqué aux occurrences de feux au Brésil, le modèle a identifié avec succès les régions à haut risque (points chauds) dans les parties centre-nord et nord-ouest de l'État, s'alignant sur les dynamiques d'utilisation des terres et les modèles de déforestation connus. Il a fourni des estimations d'intensité spatialement résolues que les modèles stationnaires standards ne pouvaient atteindre.

Signification et Revendications
Le papier affirme que le modèle NSPP proposé offre une avancée méthodologique substantielle pour l'analyse des processus ponctuels sous nonstationnarité. Il répond au compromis de longue date entre flexibilité, exactitude et quantification robuste de l'incertitude. Contrairement aux approches existantes qui sacrifient l'une de ces propriétés, le modèle NSPP :

1. Fournit une quantification de l'incertitude cohérente et robuste pour toutes les caractéristiques structurelles (intensités, corrélations et partitions) au sein d'un cadre pleinement bayésien.
2. Évite les erreurs de discrétisation en opérant directement sur le domaine continu.
3. Capture efficacement les changements spatiaux nets et les régimes hétérogènes qui sont caractéristiques des phénomènes réels tels que les déclenchement d'incendies et les distributions écologiques.

Les auteurs concluent que la méthode est compétitive avec, et souvent supérieure aux, alternatives stationnaires et nonstationnaires dans divers scénarios, offrant un cadre rigoureux pour l'analyse de motifs ponctuels spatiaux complexes. Des travaux futurs sont suggérés, incluant des covariables non spatiales et de nouvelles améliorations computationnelles.