光华讲坛——社会名流与企业家论坛第6334期

主 题：Efficient Calibration of Numerical Model Outputs

主讲人：中山大学黄辉教授

主持人：统计学院林华珍教授

时间：2022年11月21日（周一）上午10:30-11:30

直播平台及会议ID：腾讯会议，ID: 411-387-844

主办单位：统计研究中心和统计学院 科研处

主讲人简介：

黄辉博士2004年本科毕业于中国科学技术大学统计与金融系，2010年于美国马里兰大学巴郡分校获统计学博士学位，随后分别在耶鲁大学公共卫生学院和迈阿密大学商学院从事博士后研究工作。2017入职中山大学数学学院任教至今，目前为教授、博士生导师。现主要从事空间统计学、时空数据分析、函数型数据分析等领域的教学和研究工作，迄今为止主持科技部国家重点研发项目子课题1项，国家自然科学基金重点项目子课题、面上项目和青年项目各1项。

内容提要：

Numerical air quality models are pivotal for the forecast and assessment of air pollution, but model outputs may be systematically biased. In this study, we propose several hierarchichal dynamic models to calibrate large-scale numerical model outputs using data from other sources. In deeper levels of our models, we use stochastic integro-differential equations to characterize the dynamic evolution of spatial random effects. Moreover, we adopt techniques such as ensemble Kalman smoother and/or variational Bayes to accelerate the computing. For statistical inference, a conditional simulation technique is applied to quantify the uncertainty of parameter estimates and calibration results. The proposed approaches are also applied to calibrate real data, PM$_{2.5}$ outputs from the Community Multiscale Air Quality (CMAQ) system for China's Beijing-Tianjin-Hebei region. Results show that, under different measures of accuracy, our models can produce better calibrations than other methods , and achieve higher computational efficiencies.

数值空气质量模型是预测和评估空气污染的关键，但模型输出可能存在系统性偏差。在该研究中，主讲人提出了几个分层动态模型，以利用其它来源的数据校准大规模数值模型的输出。在该模型的更深层次上，还使用随机积分-微分方程来表征空间随机效应的动态演化。此外，主讲人采用了集合卡尔曼平滑和/或变分贝叶斯等技术来提高计算速度。在统计推断方面，采用条件仿真技术对参数估计和校准结果的不确定性进行量化。作者用该方法校准京津冀地区社区多尺度空气质量(CMAQ)系统的真实数据PM$_{2.5}$。结果表明，在不同的精度度量下，该模型的校准结果优于其他方法，并实现更高的计算效率。