Nonparametric inference for nonstationary spatial point processes

Sintesi Tecnica: Inferenza Nonparametrica per Processi Puntuali Spaziali Nonstazionari

Enunciato del Problema
I dati relativi ai pattern puntuali spaziali presentano frequentemente caratteristiche complesse come cambiamenti bruschi, hotspot e dipendenza spazialmente variabile nell'intensità locale. Sotto un framework di processo di Poisson, questi fenomeni corrispondono a discontinuità e nonstazionarietà nella funzione di intensità (IF) sottostante. Gli approcci di modellazione standard, inclusi i modelli stazionari e molte formulazioni nonstazionarie esistenti, faticano a catturare tali caratteristiche. I modelli stazionari non riescono a rappresentare regimi eterogenei, mentre i modelli nonstazionari standard (ad esempio, quelli guidati da un singolo processo gaussiano latente) tendono a eccessivamente levigare (oversmoothing), sfumando le transizioni nette che caratterizzano i dati.

La difficoltà principale risiede nel stimare strutture di covarianza nonstazionarie flessibili quando il processo gaussiano (GP) trainante è latente e entra nel modello in modo non lineare attraverso l'IF di un processo di Poisson. Inoltre, la verosimiglianza di un processo di Cox guidato da un GP è intrattabile, richiedendo l'integrazione di un GP a dimensione infinita rispetto a una verosimiglianza di Poisson senza forma chiusa. La letteratura esistente solitamente aggira questo problema tramite approssimazioni, come la discretizzazione del dominio in griglie o l'uso di approssimazioni di Laplace. Questi metodi introducono errori di approssimazione difficili da quantificare, che spesso scalano cubicamente con il numero di celle della griglia e possono distorcere le caratteristiche strutturali come i confini netti di intensità.

Metodologia
Il documento propone un modello di Processo Puntuale Spaziale Nonstazionario (NSPP), un processo di Cox in cui la nonstazionarietà è indotta attraverso una partizione casuale del dominio spaziale. I componenti chiave della metodologia sono:

1. Framework di Partizione Casuale: Il dominio spaziale $S$ è partizionato in $L$ regioni ($S_1, \dots, S_L$) tramite una tassellatura di Voronoi generata da un insieme di punti generatori ignoti $U$. All'interno di ogni regione $S_\ell$, l'intensità è modellata come $\lambda^*_\ell F(\beta_\ell(s))$, dove:

   • $\lambda^*_\ell$ è un limite superiore specifico per la regione dell'intensità.
   • $F$ è una nota funzione di legame monotona (ad esempio, la CDF gaussiana standard).
   • $\beta_\ell$ è un processo gaussiano stazionario e condizionalmente indipendente specifico per la regione $S_\ell$.
     Questa costruzione permette comportamenti locali eterogenei e discontinuità nette ai confini delle regioni, mantenendo al contempo la trattabilità dei processi gaussiani stazionari all'interno delle regioni.

2. Inferenza Esatta tramite Data Augmentation: Per affrontare la verosimiglianza intrattabile, gli autori estendono lo schema di diradamento di Poisson (Poisson thinning) al contesto della partizione casuale. Introducono processi latenti $\tilde{Y}_\ell$ (eventi diradati) e $Z_\ell$ (eventi al di fuori della regione) insieme al processo osservato $Y_\ell$. Ciò produce una verosimiglianza aumentata analiticamente trattabile, consentendo un'inferenza bayesiana esatta senza discretizzare il dominio spaziale o approssimare l'integrale della funzione di intensità.

3. Algoritmo MCMC: Viene sviluppato un algoritmo Markov Chain Monte Carlo (MCMC) privo di discretizzazione per mirare alla distribuzione a posteriori esatta a dimensione infinita. L'algoritmo impiega uno schema di campionamento di Gibbs con cinque blocchi:

   • Aggiornamenti per i processi latenti $(\tilde{Y}, Z)$.
   • Aggiornamenti congiunti per la partizione $U$ e le etichette dei processi $(Y, \tilde{Y}, Z)$ utilizzando un passaggio di Metropolis-Hastings che rispetta il prior repulsivo sui punti generatori.
   • Aggiornamenti per i GP latenti $\beta$ (utilizzando il campionamento skew-normal o Metropolis-Hastings).
   • Aggiornamenti per i limiti di intensità $\lambda^*$.
   • Aggiornamenti per gli iperparametri del GP $\theta$ e il resto infinito di $\beta$ tramite campionamento retrospettivo.
     L'uso del campionamento retrospettivo assicura che l'algoritmo miri alla distribuzione a posteriori esatta senza approssimazioni a dimensione finita. Inoltre, la partizione casuale localizza il costo computazionale cubico delle operazioni GP ai sottodomini, e il framework può essere scalato su grandi dataset utilizzando costruzioni di GP sparse (ad esempio, approssimazioni di tipo Vecchia) preservando l'esattezza.

Contributi Chiave

• Inferenza Esatta per Processi di Cox Nonstazionari: Il documento presenta il primo processo di Cox guidato da GP che combina una flessibile stima dell'intensità nonstazionaria con un'inferenza bayesiana esatta e priva di errori di discretizzazione.
• Gestione delle Discontinuità Nette: Utilizzando una partizione di Voronoi casuale con GP condizionalmente indipendenti, il modello cattura cambiamenti bruschi e transizioni nette di intensità che vengono tipicamente levigati dai modelli nonstazionari standard.
• Efficienza Computazionale: La strategia di partizione riduce l'onere computazionale dell'inferenza GP confinando i calcoli ai sottodomini. Il metodo scala su grandi dataset (ad esempio, migliaia di punti) mantenendo le proprietà di inferenza esatta.
• Robustezza alla Specificazione del Modello: La metodologia dimostra robustezza rispetto alla scelta del numero di partizioni $L$, performando bene anche quando $L$ è maggiore del numero reale di regimi sottostanti.

Risultati
La metodologia è stata valutata attraverso esempi sintetici e applicazioni nel mondo reale:

• Dati Sintetici: In scenari con funzioni di intensità discontinue e hotspot localizzati, il modello NSPP ha superato i modelli stazionari, gli stimatori basati su kernel e altre alternative nonstazionarie. Ha recuperato accuratamente le superfici di intensità e i confini netti, mentre i modelli concorrenti o eccessivamente levigavano i dati o fallivano nel catturare le discontinuità. Il modello è rimasto robusto anche quando il numero di partizioni $L$ era errato.
• Dati Reali (Beilschmiedia pendula): Applicato alla posizione degli alberi in Panama, l'NSPP ha catturato le regioni ad alta e bassa densità in modo più accurato rispetto a un processo di Cox Log-Gaussiano (LGCP) e a un modello nonstazionario basato su XGBoost. L'LGCP ha prodotto una superficie eccessivamente levigata, mentre XGBoostPP ha generato stime locali inaffidabili. L'NSPP ha identificato naturalmente le zone a bassa intensità senza la specifica preventiva di tali classi.
• Dati Reali (Incendi nel Mato Grosso): Applicato agli occorrenza di incendi in Brasile, il modello ha identificato con successo le regioni ad alto rischio (hotspot) nelle parti centro-settentrionali e nord-occidentali dello stato, allineandosi con le dinamiche note di uso del suolo e i modelli di deforestazione. Ha fornito stime di intensità spazialmente risolte che i modelli stazionari standard non potevano raggiungere.

Significatività e Rivendicazioni
Il documento sostiene che il modello NSPP proposto offra un avanzamento metodologico sostanziale per l'analisi dei processi puntuali sotto nonstazionarietà. Esso affronta il lungo termine compromesso tra flessibilità, esattezza e quantificazione robusta dell'incertezza. A differenza degli approcci esistenti che sacrificano una di queste proprietà, il modello NSPP:

1. Fornisce una quantificazione dell'incertezza coerente e robusta per tutte le caratteristiche strutturali (intensità, correlazioni e partizioni) all'interno di un framework completamente bayesiano.
2. Evita gli errori di discretizzazione operando direttamente sul dominio continuo.
3. Cattura efficacemente cambiamenti spaziali netti e regimi eterogenei che sono caratteristici di fenomeni del mondo reale come gli incendi o le distribuzioni ecologiche.

Gli autori concludono che il metodo è competitivo con, e spesso superiore a, le alternative stazionarie e nonstazionarie in vari scenari, offrendo un framework rigoroso per l'analisi di complessi pattern puntuali spaziali. Si suggerisce come lavoro futuro l'inclusione di covariate non spaziali e ulteriori miglioramenti computazionali.