Non-stationary Spatial Modeling Using Fractional SPDEs

Resumo Técnico: Modelagem Espacial Não Estacionária Usando EDPs Fracionárias

Definição do Problema
Campos Aleatórios Gaussianos (GRFs) são ferramentas padrão para modelagem espacial, tipicamente baseadas na família de covariância Matérn, que assume estacionariedade e isotropia. No entanto, muitas aplicações do mundo real, como a modelagem de salinidade oceânica e precipitação, violam essas suposições. Métodos existentes para modelagem não estacionária, como abordagens de deformação ou convolução, frequentemente incorrem em altos custos computacionais devido a matrizes de covariância densas. Além disso, embora a abordagem de Equações Diferenciais Parciais Estocásticas (EDPs) ofereça eficiência computacional por meio de matrizes de precisão esparsas, as extensões anteriores foram limitadas: algumas incorporam anisotropia espacialmente variante mas assumem suavidade inteira, enquanto outras permitem suavidade fracionária mas assumem estacionariedade ou isotropia. Adicionalmente, modelos não estacionários flexíveis são propensos ao sobreajuste (overfitting) sem uma penalização cuidadosa, e a importância relativa da suavidade fracionária versus a não estacionariedade em aplicações específicas permanece subexplorada.

Metodologia
Os autores propõem um framework unificado que combina suavidade fracionária com anisotropia espacialmente variante dentro da abordagem de EDP.

• Definição do Modelo: O GRF $u(\cdot)$ é definido como a solução de uma EDP não estacionária:
  $$(\kappa(\mathbf{s}) - \nabla \cdot \mathbf{H}(\mathbf{s})\nabla)^\beta u(\mathbf{s}) = \tau(\mathbf{s})\mathcal{W}(\mathbf{s})$$
  onde $\mathcal{W}$ é o ruído branco Gaussiano. Os parâmetros $\kappa(\cdot)$ (alcance), $\tau(\cdot)$ (variância) e a matriz definida positiva $\mathbf{H}(\cdot)$ (anisotropia) variam espacialmente. O parâmetro de suavidade $\beta$ (relacionado à suavidade Matérn $\nu = 2\beta - 1$) pode ser um número não inteiro.
• Parametrização:
  • Anisotropia: A matriz $\mathbf{H}(\cdot)$ é parametrizada usando um campo vetorial espacialmente variante $\mathbf{v}(\cdot)$ através de uma bijeção suave envolvendo funções hiperbólicas, garantindo que o determinante seja 1 e removendo problemas de identificabilidade entre $\mathbf{v}$ e $-\mathbf{v}$.
  • Não Estacionariedade: As transformações logarítmicas dos parâmetros ($\log \kappa, \log \sigma, v_x, v_y$) são decompostas em componentes estacionários e componentes não estacionários modelados como GRFs latentes.
  • Suavidade Fracionária: A abordagem de EDP racional (Bolin e Kirchner, 2020) é empregada para aproximar o operador fracionário $(\mathcal{L})^{-\beta}$ usando funções racionais (polinômios no numerador e denominador).
• Discretização e Computação:
  • O domínio é discretizado usando o método de elementos finitos (FEM) em uma malha triangular, resultando em matrizes de precisão esparsas.
  • Diferenciação Automática (AD): Para lidar com as complexas derivadas de log-verossimilhança necessárias para a estimativa de parâmetros (especialmente com a aproximação racional), os autores utilizam AD. Isso evita a escala deficiente dos métodos de diferença finita conforme o número de parâmetros aumenta.
  • Implementação de AD Esparsa: Uma biblioteca customizada (sparsejax) é desenvolvida para realizar operações de matriz esparsa dentro do framework de AD, preservando os padrões de esparsidade durante a retropropagação para garantir a viabilidade computacional tanto em CPUs quanto em GPUs.
• Inferência e Priores:
  • Um modelo Bayesiano hierárquico é construído.
  • Priores de Complexidade Penalizada (PC): As priores são construídas para penalizar a flexibilidade do modelo e evitar o sobreajuste. Para componentes não estacionários, as penalidades são definidas de modo que a probabilidade de o parâmetro desviar significativamente de seu correspondente estacionário seja limitada (ex: a 5%).
  • Otimização: Os parâmetros são estimados via Máxima Posterior (MAP) usando uma otimização de dois estágios baseada em gradiente (Adam seguido de L-BFGS-B).

Principais Contribuições

1. Modelo Unificado: O artigo estende a abordagem de EDP para incorporar simultaneamente anisotropia espacialmente variante e suavidade fracionária, criando uma classe mais flexível de modelos para processos espaciais.
2. Eficiência Computacional: Ao integrar diferenciação automática com operações de matriz esparsa, os autores permitem a otimização eficiente baseada em gradiente para modelos fracionários não estacionários de alta dimensão, superando as limitações de escala das abordagens numéricas de diferenciação anteriores.
3. Inferência Robusta: O desenvolvimento de priores específicas tanto para parâmetros estacionários quanto não estacionários garante que o modelo flexível não sofra sobreajuste, mesmo com variações no número de locais de observação.
4. Avaliação Empírica: O estudo investiga sistematicamente os requisitos de dados para a estimativa confiável de suavidade fracionária e não estacionariedade.

Resultados

• Estudo de Simulação:
  • Requisitos de Dados: O estudo conclui que uma única realização contendo pelo menos 500 observações é necessária para estimar confiavelmente a suavidade fracionária e a não estacionariedade nos cenários considerados.
  • Sobreajuste (Overfitting): A penalização proposta consegue prevenir o sobreajuste em diferentes números de locais de observação.
  • Funções de Base: Aumentar o número de funções de base para componentes não estacionários (ex: de 8 para 24) não degradou o desempenho, sugerindo que a superspecificação da estrutura não é inerentemente prejudicial se for penalizada corretamente.
  • Estimativa de Suavidade: A estimativa do parâmetro de suavidade $\nu$ proporcionou apenas melhorias marginais no desempenho preditivo quando os dados reais foram gerados a partir de um modelo estacionário.
• Estudos de Caso:
  • Salinidade Oceânica (Trondheimsfjorden): A não estacionariedade foi encontrada como o fator dominante para melhorar o desempenho preditivo (medido por RMSE e CRPS), enquanto a suavidade fracionária teve menor impacto.
  • Precipitação (EUA Contíguos): Inversamente, a suavidade fracionária melhorou significativamente as previsões, enquanto a não estacionariedade ofereceu menos benefício relativo.
  • Conclusão: A importância relativa da suavidade fracionária versus a não estacionariedade depende da aplicação.

Significância e Alegações
Os autores alegam que sua abordagem fornece uma ferramenta computacionalmente robusta para explorar a presença de suavidade fracionária e não estacionariedade em dados espaciais. O artigo enfatiza que, embora o modelo seja altamente flexível, sua utilidade prática depende da especificação cuidadosa das priores para evitar o sobreajuste. Os resultados sugerem que os profissionais não devem assumir que uma característica (ex: não estacionariedade) é universalmente superior; em vez disso, a escolha de incluir suavidade fracionária ou anisotropia espacialmente variante deve ser impulsionada pelas características específicas do conjunto de dados e da aplicação. O método proposto serve tanto como uma ferramenta preditiva quanto como um mecanismo exploratório para diagnosticar a estrutura espacial subjacente de processos ambientais.