使用双重稀疏高斯过程对欧洲古气候进行时空建模
机器学习
2022-11-16 v1 应用统计
摘要
古气候学——对过去气候的研究——其意义超越气候科学本身，例如在考古学与人类学中用于理解过去人类迁徙。关于地球古气候的信息来自对物理与生物地球化学过程的模拟，以及自然档案中发现的代用记录。气候场重建（CFR）将这些数据结合为统计的 spatial 或时空模型。迄今，尚不存在一种在空间与时间上连续、能给出带不确定性的预测且可纳入多源数据的共识性时空古气候模型。高斯过程（GP）模型具备这些期望特性；然而，GP 在构建 CFR 典型规模的数据上扩展性极差。我们提议基于近期稀疏时空 GP 的进展，其通过结合基于诱导变量的变分方法与 GP 的状态空间表述来减轻计算负担。我们成功运用此类双重稀疏 GP，从末次盛冰期（LGM）到中全新世（MH）构建了一个综合古气候模拟与化石花粉代用数据的欧洲古气候概率模型。
引用
@article{arxiv.2211.08160,
title = {Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes},
author = {Seth D. Axen and Alexandra Gessner and Christian Sommer and Nils Weitzel and Álvaro Tejero-Cantero},
journal= {arXiv preprint arXiv:2211.08160},
year = {2022}
}
备注
8 pages, 4 figures, Accepted at 2022 NeurIPS Workshop on Gaussian Processes, Spatiotemporal Modeling, and Decision-making Systems (GPSMDMS)