The SPDE approach for spatio-temporal datasets with advection and diffusion
Dans le cadre de la prévision des champs spatio-temporels en sciences de l’environnement, l’introduction de modèles inspirés par la physique des phénomènes sous-jacents qui sont numériquement efficaces est d’un intérêt croissant en statistiques spatiales. La taille de ces ensembles de données nécessite de nouvelles méthodes numériques pour les traiter efficacement. L’approche EDPS (Equation Différentielle Partielle Stochastique) s’est avérée efficace pour l’estimation et la prédiction dans un contexte spatial. Nous présentons ici l’EDPS d’advection-diffusion avec une dérivée temporelle afin d’élargir la famille des EDPS au contexte spatio-temporel. En faisant varier les coefficients des opérateurs différentiels, cette approche permet de définir une large classe de modèles spatio-temporels non séparables. Une approximation de la solution de l’EDPS par un champ aléatoire markovien gaussien est construite en discrétisant la dérivée temporelle par une méthode de différences finies (Euler implicite) et en résolvant l’EDPS purement spatiale par une méthode d’éléments finis (Galerkin continu) à chaque pas de temps. La technique de stabilisation « Streamline Diffusion » est introduite lorsque le terme d’advection domine le terme de diffusion. Des méthodes de calcul efficaces sont proposées pour estimer les paramètres de l’EDPS et pour prédire le champ spatio-temporel par krigeage. L’approche est appliquée à un ensemble de données sur le rayonnement solaire. Ses avantages et ses limites sont discutés.