PoissonRatioUQ: An R package for band ratio uncertainty quantification

PoissonRatioUQ: एक R पैकेज बैंड अनुपात अनिश्चितता परिमाणीकरण (band ratio uncertainty quantification) के लिए का तकनीकी सारांश

समस्या विवरण (Problem Statement)
यह शोध पत्र रिमोट सेंसिंग डेटा में अनिश्चितता के मॉडलिंग और परिमाणीकरण की सांख्यिकीय चुनौती को संबोधित करता है, जहाँ अवलोकन की मौलिक इकाई उपकरण द्वारा प्राप्त फोटॉन की गणना (count) होती है। कई अनुप्रयोगों में—जैसे कि वायुमंडलीय संरचना अनुपातों (उदाहरण के लिए, NASA का GOLD मिशन) की प्राप्ति, फार-अल्ट्रावॉयलेट सेंसिंग के माध्यम से थर्मोस्फेरिक न्यूट्रल तापमान, और X-रे खगोल विज्ञान हार्डनेस रेश्यो—रुचि का विषय विशिष्ट सब-बैंड्स में डेटा का अनुपात होता है।

इस शोध पत्र में एक महत्वपूर्ण अंतर स्पष्ट किया गया है कि रुचि का भौतिक चर पॉइसन माध्य (Poisson means) का अनुपात है, न कि स्वयं प्रेक्षित गणनाओं (observed counts) का अनुपात। चूँकि पॉइसन माध्य एक गुप्त चर (latent random variable) है, इसलिए केवल प्रेक्षित गणनाओं के सरल अनुपात गणनाएँ अंतर्निहित भौतिकी और अनिश्चितता को ठीक से पकड़ने में विफल रहती हैं। मौजूदा दृष्टिकोणों में अक्सर पॉइसन माध्यों के वितरण को अनुमानित करने, फिर उनके अनुपात के वितरण को, और अंततः रुचि के व्युत्पन्न चर (जैसे तापमान या संरचना) के वितरण को निर्धारित करने के लिए पदानुक्रमित बायेसियन मॉडलिंग (hierarchical Bayesian modeling) की आवश्यकता होती है।

कार्यप्रणाली (Methodology)
लेखक एक परमानेंटल प्रोसेस (permanental process) पर आधारित मॉडलिंग ढांचे का परिचय देते हैं, जो एक विशिष्ट प्रकार का पॉइसन पॉइंट प्रोसेस (PPP) है जिसमें एक यादृच्छिक तीव्रता फलन $\lambda(s) = \frac{1}{2}(f_1(s)^2 + \dots + f_n(s)^2)$ होता है, जहाँ प्रत्येक $f_i(s)$ एक गाऊसी प्रक्रिया (Gaussian Process - GP) का अनुसरण करता है। इस प्रक्रिया को इसके पॉइंट क्लस्टरिंग (point clustering) को मॉडल करने की क्षमता और 'रिप्रेजेंटर थ्योरम' (Representer Theorem) के माध्यम से इसके अनुमान की लचीलेपन के लिए चुना गया है।

स्थानिक रूप से बिन किए गए (spatially binned) डेटा के लिए कार्यान्वित अनुमान प्रक्रिया इस प्रकार है:

1. गुप्त चर सूत्रीकरण (Latent Variable Formulation): तीव्रता वेक्टर $\vec{\Lambda}$ एक गुप्त वेक्टर $\vec{f} \sim \mathcal{N}(0, \gamma^{-1}K)$ द्वारा संचालित होता है, जिससे $\Lambda_i = \frac{c}{2}f_i^2$ होता है।
2. पोस्टीरियर अनुकूलन (Posterior Optimization): गुप्त वेक्टर के लिए लॉग-पोस्टीरियर को व्युत्पन्न किया जाता है और अधिकतम ए पोस्टेरिओरी (Maximum A Posteriori - MAP) अनुमानक खोजने के लिए कंजुगेट ग्रेडिएंट पद्धति का उपयोग करके इसे अनुकूलित किया जाता है।
3. लाप्लास सन्निकटन (Laplace Approximation): गुप्त वेक्टर $\vec{f}$ के पोस्टीरियर वितरण को MAP अनुमान और पोस्टीरियर के इनवर्स हेसियन (inverse Hessian) का उपयोग करके एक सामान्य वितरण (normal distribution) के रूप में अनुमानित किया जाता है।
4. तीव्रता वितरण (Intensity Distribution): अनुमानित तीव्रता $\hat{\Lambda}_i$ का वितरण एक गामा वितरण, $\Gamma(\hat{\alpha}_i, \hat{\beta}_i)$ द्वारा अनुमानित किया जाता है, जो गुप्त चर के माध्य और प्रसरण से व्युत्पन्न होता है।
5. अनुपात वितरण (Ratio Distribution): तीव्रताओं का अनुपात $Z = \Lambda_a / \Lambda_b$ एक सामान्यीकृत बीटा प्राइम (Generalized Beta Prime - BP) वितरण का अनुसरण करता है।
6. गैर-रेखीय रूपांतरण (Nonlinear Transformation): उन समस्याओं के लिए जहाँ रुचि का चर $T$, अनुपात $Z = (mT + z_0)^p$ के माध्यम से संबंधित है, $T$ का वितरण एक शिफ्टेड (shifted) जनरलाइज्ड बीटा प्राइम वितरण के रूप में विश्लेषणात्मक रूप से प्राप्त किया जाता है।

इस पैकेज में एक गैर-स्थानिक अनुमान विकल्प भी शामिल है (स्थानिक सहसंबंध को नजरअंदाज करते हुए) जो कंजुगेट गामा प्रायर्स (conjugate Gamma priors) के साथ एक सरल बायेसियन अपडेट का उपयोग करता है, जो स्वतंत्र स्थानों या बिना स्थानिक संरचना वाले बिन किए गए डेटा के लिए उपयुक्त है।

मुख्य योगदान (Key Contributions)
प्राथमिक योगदान PoissonRatioUQ R पैकेज है, जो निम्नलिखित के लिए एक पूर्ण पाइपलाइन प्रदान करता है:

• बायेसियन मॉडलिंग: पॉइसन तीव्रता अनुपातों के अनुमान के लिए परमानेंटल प्रोसेस मॉडल का कार्यान्वयन।
• अनिश्चितता परिमाणीकरण (Uncertainty Quantification - UQ): तीव्रता अनुपातों और व्युत्पन्न मात्राओं के लिए क्लोज्ड-फॉर्म (closed-form) पोस्टीरियर वितरण प्रदान करना, जो जनरलाइज्ड बीटा प्राइम वितरण द्वारा अभिलक्षित है।
• सहायक फलन (Auxiliary Functions):
  • permprocest(): तीव्रता वेक्टर्स और पोस्टीरियर पैरामीटर्स का अनुमान लगाता है।
  • ratioestimationpermproc(): स्थानिक सहसंबंध के साथ तीव्रता अनुपातों का अनुमान लगाता है।
  • zbetaprime(): बिना स्थानिक सहसंबंध के अनुपातों का अनुमान लगाता है।
  • tgivenab(): अनुपात वितरणों को रुचि के चर $T$ के वितरण में रूपांतरित करता है।
  • dbetaprime(), pbetaprime(), qbetaprime(), rbetaprime(): जनरलाइज्ड बीटा प्राइम वितरण के PDF, CDF, क्वांटाइल्स और रैंडम जनरेशन के लिए फलन।
  • CRPS(), CRPSgaussian(), CRPSgbp(): कंटीन्यूअस de रैंकड प्रोबेबिलिटी स्कोर (Continuous Ranked Probability Score) का उपयोग करके भविष्य कहनेवाला मॉडलों (predictive models) को स्कोर करने के उपकरण।
  • hpdset(), hpdintervalgaussian(): मनमाने वितरणों और गाऊसी वितरणों के लिए उच्चतम पोस्टीरियर घनत्व (Highest Posterior Density - HPD) सेट की गणना करने के उपकरण।

परिणाम (Results)
लेखक प्रदर्शन को मान्य करने के लिए "टॉय" (toy) समस्याओं पर इस पद्धति का प्रदर्शन करते हैं:

• अनुपात अनुमान (Ratio Estimation): मॉडल ने बिन किए गए पॉइसन काउंट डेटा से एक साइनुसोइडल अनुपात फलन $Z(x)$ का सफलतापूर्वक अनुमान लगाया। 50 बिन्स के साथ, मॉडल ने लगभग 0.12 का औसत कंटीन्यूअस de रैंकड प्रोबेबिलिटी स्कोर (CRPS) और MAP अनुमान का लगभग 7% का सापेक्ष मीन एब्सोल्यूट एरर (MAE) प्राप्त किया।
• कंप्यूटेशनल दक्षता (Computational Efficiency): एक टाइमिंग अध्ययन ने दिखाया कि 1000 बिन्स के लिए पूर्ण पोस्टीरियर वितरण निर्धारित करने में (प्रायर कोवेरिएंस कर्नेल के पूर्ण आइगेनडीकंपोजिशन सहित) एक मानक डेस्कटॉप कंप्यूटर (16 GB RAM) पर लगभग 15 सेकंड लगे।
• गैर-रेखीय रूपांतरण (Nonlinear Transformations): पद्धति ने अनुपात के गैर-रेखीय रूपांतरण ($Z = (mT + z_0)^p$) से रुचि के चर $T$ को सफलतापूर्वक रिकवर किया। लेखक नोट करते हैं कि जबकि अनुमान सटीक हैं, गैर-रेखीयता (विशेष रूप से जब $Z > 1$ और $p > 1$) त्रुटियों को बढ़ा सकती है, जिसके परिणामस्वरूप डोमेन एंडपॉइंट्स के पास व्यापक HPD अंतराल प्राप्त होते हैं।
• HPD गणना (HPD Calculation): hpdset() फलन को गासियन मिश्रण (mixture of Gaussians) की द्वि-मोडल (bimodal) प्रकृति को सटीक रूप से पकड़ते हुए दिखाया गया है, जो बहु-मोडल पोस्टीरियर वितरणों के लिए इसकी उपयोगिता को प्रदर्शित करता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र PoissonRatioUQ पैकेज को पॉइसन तीव्रता अनुपातों और संबंधित व्युत्क्रम समस्याओं (inverse problems) के बायेसियन अनुमान के लिए एक विशेष उपकरण के रूप में स्थापित करता है। इसका महत्व निम्नलिखित में निहित है:

1. भौतिक निष्ठा (Physical Fidelity): गणनाओं के बजाय पॉइसन माध्यों के अनुपात को मॉडल करके, यह दृष्टिकोण रिमोट सेंसिंग अनुप्रयोगों में मौलिक भौतिक चरों के साथ संरेखित होता है।
2. विश्लेषणात्मक सुगमता (Analytical Tractability): परमानेंटल प्रोसेस और रिप्रेजेंटर थ्योरम का उपयोग क्लोज्ड-फॉर्म पोस्टीरियर सन्निकटन (गामा और जनरलाइज्ड बीटा प्राइम) की अनुमति देता है, जिससे इन विशिष्ट समस्याओं के लिए कम्प्यूटेशनल रूप से महंगी मार्कोव चेन मोंटे कार्लो (MCMC) सैंपलिंग से बचा जा सकता है।
3. एकीकृत पाइपलाइन (Unified Pipeline): यह पैकेज एक एकल डेटा प्रोसेसिंग पाइपलाइन प्रदान करता है जो कच्चे पॉइंट प्रोसेस डेटा (परमानेंटल प्रोसेस के माध्यम से) और बिन किए गए डेटा, साथ ही स्थानिक रूप से सहसंबंधित और स्वतंत्र दोनों मामलों को संभालने में सक्षम है।
4. सुलभता (Accessibility): इसका R में कार्यान्वयन भू-भौतिकी, एयरोस्पेस और खगोल विज्ञान के शोधकर्ताओं के लिए इन उन्नत सांख्यिकीय विधियों को सुलभ बनाता है।

लेखक नोट करते हैं कि वर्तमान कार्यान्वयन स्थानिक रूप से बिन किए गए डेटा पर केंद्रित है और भविष्य के कार्यों का लक्ष्य अनबिन किए गए डेटा के लिए पद्धति का विस्तार करना और लो-रैंक कर्नेल डिकंपोजिशन के माध्यम से बड़े डेटासेट के लिए प्रदर्शन को अनुकूलित करना है।