Uncertainty-Aware Spatial Mixture Classification of Imbalanced CO₂ Plume States: Application to the Sleipner 2019 Benchmark

Sintesi Tecnica: Classificazione di Miscele Spaziali Consapevole dell'Incertezza per Stati di Plume di CO₂ Sbilanciati

Definizione del Problema
Il monitoraggio dello stoccaggio geologico di anidride carbonica (CO₂) richiede una classificazione affidabile degli stati del plume (ad esempio, esterno al plume, bordo del plume, interno al plume) attraverso serbatoi spazialmente eterogenei. I dataset di riferimento, come il modello Sleipner 2019, presentano sfide statistiche significative:

1. Severo Sbilanciamento delle Classi: La stragrande maggioranza dei bin di griglia (circa l'87% nello studio) rappresenta la classe di fondo "esterno al plume", mentre gli stati di bordo e interni, scientificamente critici, sono minoranze rare.
2. Eterogeneità Spaziale e Stratigrafica: La relazione tra i predittori del serbatoio (profondità, velocità, proprietà petrofisiche) e lo stato del plume varia tra i diversi strati geologici e i regimi spaziali. Un singolo classificatore globale non riesce a catturare tali variazioni locali.
3. Collinearità e Instabilità: I predittori del serbatoio sono spesso altamente correlati a causa di processi geologici condivisi. Nei modelli di miscela, dove i dati sono partizionati in componenti latenti, la dimensione effettiva del campione per ogni componente può essere ridotta, portando a stime locali mal condizionate e coefficienti di logit multinomiale instabili.
4. Mancanza di Quantificazione dell'Incertezza: Gli approcci standard di machine learning predittivo forniscono spesso stime puntuali senza incertezza a posteriori o identificazione interpretabile dei regimi latenti.

Metodologia
Gli autori propongono un modello di Classificazione a Miscela Logit Multinomiale Pesata per Cluster e Spazialmente Informata. Questo framework integra tre distinti elementi metodologici:

1. Modellazione per Cluster Pesati (Cluster-Weighted Modeling - CWM): A differenza delle miscele finite standard che modellano solo la distribuzione marginale delle covariate, il CWM fattorizza la distribuzione congiunta delle covariate ($X$) e della risposta ($Y$). Il modello assume $G$ regimi statistici latenti, in cui ogni regime $g$ possiede:

   • Una densità di covariata specifica per il componente $f_g(s_i, x_i, c_i)$, che include le coordinate spaziali (est, nord, profondità) per garantire che i regimi occupino regioni spaziali distinte.
   • Un modello di risposta condizionale specifico per il componente $q_g(y_i | x_i, c_i)$, implementato come regressione logit multinomiale.
   • Pesi di miscelazione costanti $\pi_g$ attraverso il dominio (l'eterogeneità spaziale è guidata dalle densità delle covariate, non dai pesi).

2. Stima Pesata per Classe: Per affrontare il severo sbilanciamento delle classi, la parte della risposta condizionale della verosimiglianza viene adattata utilizzando pesi di classe derivati da una trasformazione di potenza inversa delle frequenze di classe. Ciò sposta l'obiettivo dell'ottimizzazione dall'accuratezza complessiva al recupero bilanciato delle classi minoritarie.

3. Aggiornamento di Shrinkage a Due Parametri: Per stabilizzare l'algoritmo di Expectation-Maximization (EM) nel suo step M sotto collinearità e piccole dimensioni effettive del campione, gli autori sostituiscono l'aggiornamento standard di Massima Verosimiglianza (MLE) per i coefficienti logit multinomiali con un aggiornamento di shrinkage a due parametri specifico per componente:
   $$\hat{\beta}_{g, TPE} = (A_g + I_r)^{-1}(A_g + d_g I_r)(A_g + k_g I_r)^{-1} b_g$$
   dove $A_g$ e $b_g$ sono la matrice di informazione e il vettore di lavoro, mentre $k_g, d_g$ sono parametri di shrinkage selezionati tramite pseudo-BIC locale o cross-validazione. Questo aggiornamento generalizza gli stimatori Ridge ($d_g=1$) e di tipo Liu, permettendo al grado di regolarizzazione di adattarsi al condizionamento di ciascun regime latente.

Contributi Chiave
Il documento posiziona la propria contribuzione come un contributo metodologico applicato che integra tecniche consolidate piuttosto che proporre intere nuove teorie statistiche. I contributi specifici sono:

• Integrazione per il Monitoraggio dei Serbatoi: Combinazione di CWM spazialmente informata, risposte logit multinomiali e shrinkage a due parametri specificamente per dati di serbatoio binnati e sbilanciati.
• Stabilizzazione Specifica per Componente: Inserimento di un aggiornamento di shrinkage a due parametri all'interno dell'algoritmo EM per gestire i fit locali mal condizionati causati dalla collinearità e dalle classi rare all'interno di specifici regimi latenti.
• Protocollo di Validazione Rigoroso: Distinzione tra prestazione apparente in-sample e prestazione predittiva onesta utilizzando la cross-validazione a blocchi spaziali (per gestire l'autocorrelazione spaziale) e test di trasferimento leave-one-layer-out. Gli autori riportano esplicitamente "pseudo-BIC" e "pseudo-ICL" quando vengono utilizzati i pesi di classe, riconoscendo la deviazione dalla teoria standard della verosimiglianza.
• Analisi di Ablazione: Isolamento sistematico dei contributi del peso di classe, delle covariate spaziali, delle miscele latenti e dello shrinkage per determinare i driver delle prestazioni.

Risultati Empirici (Benchmark Sleipner 2019)
Il modello è stato applicato a una tabella binnata di 200 metri contenente 3.409 bin attraverso 9 strati.

• Regimi Latenti: Il modello ha identificato tre regimi latenti interpretabili e organizzati per profondità. Un regime dominava la colonna del serbatoio più profonda, mentre gli altri due partizionavano gli strati più superficiali, in linea con la nota stratigrafia di Utsira.
• Condizionamento: Tutti e tre i regimi hanno esibito un severo mal condizionamento (numeri di condizionamento $\sim 10^9$). I parametri di shrinkage si sono adattati di conseguenza, applicando uno shrinkage forte al regime più mal condizionato e aggiornamenti quasi-MLE a quelli meglio condizionati.
• Metriche di Prestazione:
  • Baseline: Una baseline basata sulla classe di maggioranza ha raggiunto un'accuratezza bilanciata di 0.333. Un logit multinomiale globale non pesato ha raggiunto lo 0.343.
  • Modello Proposto: Il CWM spaziale proposto con shrinkage a due parametri ha raggiunto un'accuratezza bilanciata in cross-validazione di 0.561 (SD 0.093).
  • Risultati di Ablazione: Il miglioramento rispetto alla baseline è stato guidato principalmente dal peso di classe (elevando il MLE globale da 0.343 a ~0.548) e dall'inclusione di covariate spaziali (la miscela non spaziale è scesa a 0.422).
  • Guadagni Marginali: L'aggiunta della struttura di miscela latente e dello shrinkage a due parametri ha fornito guadagni piccoli e statisticamente indistinguibili rispetto a un logit multinomiale globale pesato per classe (0.548–0.550) o a una miscela regolarizzata con Ridge. Nei test leave-one-layer-out, la miscela non regolarizzata ha persino superato leggermente la variante con shrinkage.

Significatività e Rivendicazioni
Gli autori sono notevolmente modesti nelle loro rivendicazioni, dichiarando esplicitamente che il framework proposto non supera significativamente le alternative più semplici pesate per classe in termini di pura accuratezza predittiva su questo specifico benchmark.

• Valore Primario: La significatività del framework risiede nell'interpretabilità e nella quantificazione dell'incertezza. Il modello fornisce:
  • Identificazione di regimi statistici latenti organizzati per profondità.
  • Mappe di incertezza a posteriori per ogni bin, evidenziando le zone di transizione tra i regimi.
  • Stabilizzazione adattiva dei coefficienti locali per componente, fondamentale per un'inferenza robusta in contesti di collinearità, anche se ciò non aumenta necessariamente il punteggio di accuratezza aggregata.
• Lezioni Metodologiche: Il documento enfatizza che per dati spaziali sbilanciati, una valutazione "onesta" (spatial-block CV) è critica, poiché la prestazione in-sample (accuratezza bilanciata 0.732) è eccessivamente ottimistica. Evidenzia inoltre che correggere la funzione obiettivo (tramite il peso di classe) è spesso più impattante rispetto all'aumento della complessità del modello.
• Conclusione: Il lavoro offre un "approccio interpretabile e consapevole dell'incertezza per il recupero di stati di plume minoritari sotto severo sbilanciamento", piuttosto che rivendicare che la regolarizzazione a due parametri migliori fondamentalmente la classificazione rispetto alle baseline più semplici. Il meccanismo di stabilizzazione è presentato come uno strumento per un'inferenza locale affidabile in regimi mal condizionati.