中国人民大学健康大数据研究院黄辉授团队研究成果“Efficient and Effective Calibration of Numerical Model Outputs Using Hierarchical Dynamic Models”在《The Annals of Applied Statistics》接收发表。

空气质量数值模型，如社区多尺度空气质量（CMAQ）系统，在表征精细空间和时间尺度的污染水平方面发挥着关键作用。然而，数值模型的输出往往系统地高估或低估了实际的污染物浓度。在这项研究中，我们提出了一种贝叶斯分层动态模型，以利用其他来源的数据，特别是来自稀疏分布的监测站的点级观测数据，校准大规模网格级CMAQ模型输出。在我们的模型中，嵌入了一个随机积分微分方程（IDE）来解释空气污染物的时空交互作用。为了更好地近似污染物的空间模式，我们采用非规则网格对IDE进行离散化。除此以外，我们开发了一种基于变分贝叶斯和集合卡尔曼平滑器的算法，以加速参数估计和校准过程。我们将所提出的方法应用于校准中国京津冀地区的CMAQ输出值上。与前人方法相比，我们所提出的方法更有效地捕捉到了时空交互作用，产生了更准确的校准结果，并且具有更高的计算效率。我们还采用了再分析数据集来验证新方法对大型空间数据的有效性和效率。本文合作作者包括：谌业文（佐治亚大学），常晓慧（俄勒冈州立大学），张博海（北师大-浸会联合国际学院），黄辉（中国人民大学）。