Copula-based models for spatially dependent cylindrical data

Résumé technique : Modèles à base de copules pour les données cylindriques à dépendance spatiale

Énoncé du problème
Les données cylindriques, composées de variables appariées circulaires (angle) et linéaires (intensité), sont prévalentes dans des domaines tels que la météorologie, l'océanographie et l'écologie. Un défi majeur dans l'analyse de ces données est de modéliser conjointement la dépendance angulaire-linéaire et l'autocorrélation spatiale tout en maintenant la flexibilité des spécifications marginales. La littérature existante repose souvent sur des constructions à base de copules, mais traite généralement les paramètres de copule comme des constantes sans rapport avec les covariables et restreint la régression marginale à des prédicteurs linéaires, ignorant ainsi la corrélation spatiale. De plus, les approches standards basées sur la loi gaussienne échouent souvent à prendre en compte les marges non gaussiennes ou les dépendances non linéaires entre les composantes circulaires et linéaires.

Méthodologie
Les auteurs proposent un Modèle de Régression de Copule Conditionnelle Additif Structuré pour les données cylindriques, nommé modèle de Copule Partiellement Enroulée (PWC - Partially Wrapped Copula). La méthodologie est construite sur les composants suivants :

• Approche partiellement enroulée : Au lieu de définir la distribution jointe directement sur le cylindre $S^1 \times \mathbb{R}$, le modèle adopte une approche « enroulée ». La réponse circulaire $\phi_1(s)$ est traitée comme le modulo $2\pi$ d'un processus spatial linéaire latent sous-jacent $Y_1(s)$. Un processus de nombre de tours latent $k(s) \in \mathbb{Z}$ est introduit tel que $Y_1(s) = \phi_1(s) + 2\pi k(s)$, permettant au modèle d'opérer sur l'espace linéaire non enroulé $\mathbb{R}^2$ avant l'enroulement de la composante circulaire.
• Cadre de copule conditionnelle : En exploitant le théorème de Sklar, la distribution conditionnelle jointe est décomposée en distributions marginales et une fonction de copule qui régit la dépendance. Le paramètre de copule $\rho$ est autorisé à varier en fonction des covariables et de l'espace, comblant ainsi l'écart dans les modèles cylindriques existants où les paramètres de copule sont souvent statiques.
• Distributions marginales :
  • La composante circulaire est modélisée à l'aide d'une distribution Gaussienne Enroulée (WG - Wrapped Gaussian), induite par un processus gaussien (GP) sous-jacent.
  • La composante linéaire suit une distribution Log-Normale, également pilotée par un GP sous-jacent.
• Dépendance spatiale et non-stationnarité : Les effets spatiaux sont modélisés à l'aide de Champs Aléatoires de Markov Gaussiens (GMRF) dérivés d'Équations aux Dérivées Partielles Stochastiques (SPDE). Cette approche approxime les Champs Aléatoires Gaussiens (GRF) pour garantir l'efficacité computationnelle via des matrices de précision creuses. Crucialement, le modèle permet la non-stationnarité dans les structures de moyenne et de covariance en laissant les paramètres de l'SPDE (portée et variance) varier de manière lisse sur l'espace via des prédicteurs log-linéaires.
• Inférence Bayésienne : L'estimation a posteriori est réalisée via une simulation de Monte Carlo par chaînes de Markov (MCMC). Les auteurs emploient une approche en deux étapes : d'abord, les modèles marginaux sont ajustés (échantillonnage des nombres de tours latents et des paramètres GP), puis les coefficients de régression de la copule sont estimés conditionnellement aux marges ajustées. Cette stratégie réduit la charge de calcul par rapport à une estimation jointe tout en maintenant une quantification valide de l'incertitude.

Principales contributions

1. Copules dépendantes des covariables pour les données cylindriques : L'article étend l'application des copules dépendantes des covariables aux contextes cylindriques, permettant à la structure de dépendance entre la direction et la vitesse du vent (ou des variables similaires) de varier selon les covariables environnementales.
2. Modélisation spatiale et marginale flexible : En combinant des processus gaussiens enroulés avec la régression distributionnelle, le modèle accommode les marges non gaussiennes et les effets spatiaux non linéaires.
3. Processus spatiaux non stationnaires : Le cadre modélise explicitement la dépendance spatiale non stationnaire dans la moyenne et la covariance des processus latents, en utilisant le cadre SPDE-GMRF pour gérer la complexité computationnelle des grands ensembles de données spatiales.
4. Récupération du nombre de tours latent : L'introduction d'un processus de nombre de tours latent facilite l'utilisation de techniques de modélisation spatiale linéaire standard pour les données circulaires, évitant les complexités de la périodicité partielle dans la vraisemblance jointe.

Résultats

• Étude de simulation : Une étude de simulation a évalué la capacité du modèle à identifier la dépendance de queue (copules Gaussienne, Clayton et Gumbel) et les effets des covariables. Les résultats ont indiqué que les critères d'information (DIC et WAIC) étaient généralement efficaces pour sélectionner la famille de copules correcte. Les copules asymétriques (Clayton et Gumbel) ont été plus facilement distinguées de la copule gaussienne en raison de leurs propriétés de queue distinctes, particulièrement à mesure que les tailles d'échantillon augmentaient.
• Application aux données de vent allemandes : Le modèle a été appliqué à des données horaires de direction et de vitesse du vent provenant de 289 stations météorologiques en Allemagne lors d'un événement tempétueux (janvier 2025).
  • Sélection de modèle : La copule de Gumbel avec un paramètre dépendant des covariables a fourni le meilleur ajustement, surpassant les modèles avec des paramètres constants ou des hypothèses d'indépendance. Cela a indiqué la présence d'une dépendance de queue supérieure entre la direction et la vitesse du vent pendant la tempête.
  • Effets des covariables : L'analyse a révélé qu'une pression atmosphérique plus élevée était associée à des vitesses de vent plus faibles et à des directions altérées, tandis que la température de l'air et l'humidité augmentaient les vitesses de vent. Le paramètre de dépendance $\rho$ était positivement associé à la pression atmosphérique et à la visibilité, suggérant une dépendance plus forte dans des conditions atmosphériques stables.
  • Prédiction spatiale : Le modèle a réussi à capturer la dynamique du vent dans le nord et le centre de l'Allemagne. La performance prédictive était légèrement réduite dans les régions montagneuses du sud (Alpes), en raison des effets orographiques complexes et de la résolution actuelle du maillage. La moyenne a posteriori du paramètre de copule a montré un gradient spatial, avec une dépendance plus forte dans le nord par rapport au sud.

Signification et affirmations
Les auteurs affirment que le modèle PWC proposé offre un cadre flexible pour l'analyse de données cylindriques spatialement dépendantes, surmontant les limites des approches existantes. En intégrant les effets des covariables dans la structure de dépendance et en permettant des processus spatiaux non stationnaires, le modèle offre une représentation plus précise des phénomènes environnementaux complexes tels que le comportement du vent. L'article souligne que, bien que l'application se concentre sur le vent, le cadre est généralisable à toute donnée spatiale circulaire-linéaire. Ce travail met en évidence l'importance d'aller au-delà des hypothèses de dépendance statique et des prédicteurs linéaires pour capturer les relations nuancées entre direction et intensité dans les ensembles de données spatialement corrélés. Des travaux futurs sont suggérés pour étendre le cadre à des contextes spatio-temporels complets et explorer des marges plus flexibles (par exemple, gaussiennes enroulées asymétriques) et des formulations de copules semi-paramétriques.