Bolsa de DAG: Inferir la dependencia direccional en los procesos espaciotemporales

Área de la Ciencia:

• Ciencias del medio ambiente
• Las estadísticas
• Ciencia de los datos

Sus antecedentes:

• El modelado espacio-temporal de los contaminantes del aire es crucial para comprender los impactos ambientales en la salud.
• Los patrones de viento locales influyen significativamente en la dispersión de contaminantes, pero los datos direccionales pueden ser incompletos o poco fiables.
• Los métodos existentes pueden tener dificultades con la complejidad y la escala de los datos de calidad del aire de alta resolución.

Objetivo del estudio:

• Desarrollar un nuevo marco estadístico para caracterizar las asociaciones direccionales que varían en el espacio y el tiempo en los datos ambientales referenciados por puntos.
• Abordar los desafíos planteados por la falta de información o la incertidumbre sobre las direcciones del viento predominantes en el modelado de la contaminación atmosférica.
• Introducir un método escalable e interpretable para el análisis de datos ambientales espaciotemporales complejos.

Principales métodos:

• Propuso una clase de procesos no estacionarios denominados procesos de bolsa de DAG (BAG).
• Mapeo de direcciones de viento discretas a los bordes en gráficos acíclicos dirigidos escasos (DAG) para modelar correlaciones direccionales.
• Desarrolló modelos jerárquicos bayesianos que incorporan BAG para una inferencia robusta.

Principales resultados:

• Se ha demostrado la no estacionalidad interpretable y la escalabilidad para grandes conjuntos de datos debido a la escasez de DAG.
• Se demostraron mejoras inferenciales y de rendimiento en comparación con las técnicas de modelado espacio-temporal más avanzadas.
• Analizaron con éxito los datos de partículas finas de la temporada de incendios forestales de California de 2020 utilizando datos de sensores de alta resolución.

Conclusiones:

• Los procesos de la bolsa de DAG proporcionan una herramienta flexible y potente para el análisis de datos ambientales espacio-temporales, especialmente cuando las dependencias direccionales son complejas.
• El método mejora la comprensión del transporte de contaminantes al manejar eficazmente la incertidumbre en los datos de la dirección del viento.
• El paquete R desarrollado facilita la aplicación de estos métodos estadísticos avanzados en la investigación ambiental.