INLA-RF: A Hybrid Modeling Strategy for Spatio-Temporal Environmental Data

Resumo Técnico: INLA-RF: Uma Estratégia de Modelagem Híbrida para Dados Ambientais Espaço-Temporais

Enunciado do Problema
Processos ambientais frequentemente exibem padrões complexos, não lineares e descontinuidades no espaço e no tempo, o que impõe desafios significativos à modelagem geoestatística tradicional. Embora modelos estatísticos, particularmente aqueles baseados na Aproximação Laplaciana Aninhada Integrada (INLA) combinada com a abordagem da Equação Diferencial Parcial Estocástica (SPDE), ofereçam quantificação de incerteza fundamentada e interpretabilidade, podem carecer de flexibilidade para capturar relações não lineares intrincadas e dependências de alta dimensão. Por outro lado, métodos de Aprendizado de Máquina (ML), como Floresta Aleatória (RF), destacam-se na modelagem de não linearidades e dados de alta dimensão, mas tipicamente sofrem com interpretabilidade limitada, falta de mecanismos nativos de quantificação de incerteza e tratamento implícito, em vez de explícito, da dependência espaço-temporal. Abordagens híbridas existentes frequentemente falham em propagar incerteza entre estágios de modelagem ou recorrem a métodos de ensemble simples que não integram plenamente as forças de ambos os paradigmas.

Metodologia
O artigo propõe uma estratégia de modelagem híbrida, coletivamente denominada INLA-RF, que acopla iterativamente um modelo espaço-temporal Bayesiano (ajustado via INLA-SPDE) com Floresta Aleatória. O framework opera sobre um Modelo Gaussiano Latente (LGM) onde a resposta $y$ é decomposta em um componente de grande escala (LS) impulsionado por covariáveis e um componente residual (RE) capturando dependência espaço-temporal e ruído. A inovação central reside em um esquema iterativo de duas etapas:

1. ETAPA 1 (INLA): Um LGM espaço-temporal paramétrico é ajustado para capturar dependência espaço-temporal.
2. ETAPA 2 (RF): A Floresta Aleatória é treinada nos resíduos do modelo INLA para aprender estruturas não lineares remanescentes.

A saída da RF é então realimentada para a etapa INLA para refinar o modelo. O artigo introduz dois algoritmos distintos dentro deste framework:

• INLA-RF1 (Abordagem de Offset): Este algoritmo trata a previsão da RF como um termo de correção incorporado ao modelo INLA como um offset. Ele efetivamente realiza uma correção de média. Uma característica chave é a opção de propagação de incerteza, onde o erro quadrático médio fora da bolsa (OOB-MSE) da RF é utilizado como um componente de variância fixo na verossimilhança Gaussiana do modelo INLA. Isso garante que correções de RF incertas tenham influência reduzida no ajuste final.
• INLA-RF2 (Correção de Nós do Campo Latente): Este algoritmo visa "nós de estresse" específicos dentro do campo latente do LGM. Em vez de um offset global, introduz um efeito aleatório adicional independente e identicamente distribuído (IID) indexado apenas em um subconjunto selecionado de nós latentes ($K$). Esses nós são selecionados com base em critérios como as maiores variâncias marginais posteriores ou maiores erros preditivos. A saída da RF é agregada a esses nós para atualizar a média e a precisão deste componente latente adicional, permitindo correções localizadas a mudanças abruptas ou descontinuidades que os componentes suaves de um LGM padrão poderiam perder.

Ambos os algoritmos utilizam a Divergência de Kullback-Leibler (KLD) entre as distribuições posteriores do campo latente em iterações consecutivas como critério de parada. Esta abordagem orientada por dados determina o número de iterações, evitando parâmetros de ajuste arbitrários e reduzindo o risco de sobreajuste.

Contribuições Principais

1. Algoritmos Híbridos Inovadores: A introdução do INLA-RF1 e INLA-RF2, que integram explicitamente a aprendizagem de resíduos da RF no framework Bayesiano INLA-SPDE.
2. Propagação de Incerteza: Ao contrário de muitas abordagens híbridas, o framework proposto propaga explicitamente a incerteza da etapa de ML (via OOB-MSE) de volta para o modelo estatístico, seja através de uma variância de offset (INLA-RF1) ou através da precisão de um componente de correção latente (INLA-RF2).
3. Critério de Parada Adaptativo: O uso da KLD como critério de parada fornece um método fundamentado para terminar o processo iterativo quando a distribuição posterior se estabiliza, aprimorando a eficiência computacional.
4. Correção Local Direcionada: O INLA-RF2 oferece um mecanismo para corrigir regiões específicas do campo latente, abordando rupturas estruturais ou especificações incorretas localizadas que modelos globais podem falhar em capturar.

Resultados
O desempenho do INLA-RF foi avaliado por meio de dois estudos de simulação e uma aplicação real envolvendo concentrações diárias de PM10 na região da Lombardia, Itália (2016–2021).

• Simulação Espaço-Temporal (INLA-RF1): Em um cenário com relações não lineares de covariáveis, o INLA-RF1 melhorou a acurácia preditiva (menor RMSE e MAE) em comparação tanto com o modelo INLA isolado quanto com a RF padrão. A versão com propagação de incerteza (INLA-RF1.2) forneceu incerteza melhor calibrada (maior Probabilidade de Cobertura) ao custo de intervalos preditivos mais amplos, enquanto a versão sem propagação (INLA-RF1.1) produziu previsões mais precisas.
• Simulação de Descontinuidade Temporal (INLA-RF2): Em um cenário puramente temporal com saltos abruptos, o INLA-RF2 melhorou significativamente a estimação nos "pontos de estresse" selecionados (nós próximos aos saltos). O RMSE nesses pontos diminuiu de 0,93 (INLA de referência) para 0,22, e a Probabilidade de Cobertura aumentou de 0,47 para 0,92, demonstrando a capacidade do algoritmo de corrigir campos latentes em regiões de alta incerteza ou mudança estrutural.
• Estudo de Caso Real (Conjunto de Dados Agrimonia): Aplicado a dados de poluição do ar, o INLA-RF1 (ambas as versões) superou o modelo INLA de referência e a RF padrão em termos de RMSE e MAE. O INLA-RF1.2 alcançou cobertura substancialmente maior que a referência. Em contraste, o INLA-RF2 não produziu melhorias significativas sobre a referência nesta aplicação específica, provavelmente porque os dados reais não exibiram características localizadas claras que exigissem correção ao nível de nós, para as quais o algoritmo foi projetado.

Significado e Alegações
O artigo alega que o framework INLA-RF conecta com sucesso a lacuna entre a interpretabilidade e a quantificação de incerteza de modelos estatísticos Bayesianos e a flexibilidade preditiva do aprendizado de máquina. Os resultados indicam que o INLA-RF pode melhorar a acurácia preditiva espaço-temporal, particularmente na presença de descontinuidades temporais ou relações não lineares entre covariáveis e a resposta. Os autores enfatizam que a escolha entre INLA-RF1 e INLA-RF2 depende do objetivo de modelagem: o INLA-RF1 é preferível para melhorar o desempenho preditivo geral com complexidade mínima, enquanto o INLA-RF2 é adequado para corrigir regiões específicas do campo latente, embora exija seleção cuidadosa dos nós de estresse. O framework é apresentado como uma ferramenta flexível que mantém a eficiência computacional da abordagem INLA-SPDE, ao mesmo tempo que aprimora sua capacidade de modelar dados ambientais complexos.