Späť

Modely štatistickej fyziky aplikované v geoinformatike
Models of statistical physics applied in geoinformatics

doc. RNDr. Milan Žukovič, PhD.
Univerzita Pavla Jozefa Šafárika v Košiciach, Prírodovedecká fakulta

Abstrakt:
Moderné techniky diaľkového prieskumu zeme umožňujú zber obrovského množstva priestorových dát, ktoré je potrebné efektívne spracovať (pokiaľ možno v reálnom čase). Spracovanie môže zahŕňať aj rekonštrukciu chýbajúcich dát, ktoré sa často vyskytujú z rôznych dôvodov, ako sú poruchy zariadenia, obmedzenia satelitných dráh alebo zlých poveternostných podmienok. Avšak, takéto masívne dáta nie je možné efektívne spracovať štandardnými geoštatistickými technikami kvôli ich vysokej výpočtovej zložitosti, ťažkosti ich automatizácie aby pracovali bez subjektívnych užívateľských vstupov a často aj nutnosti pred-spracovania dát. Preto je potrebné vyvinúť nové techniky, ktoré by prekonali tieto nedostatky. V prednáške si predstavíme niektoré nové predikčné modely, inšpirované štatistickou fyzikou. Konkrétne, budeme uvažovať niekoľko štandardných diskrétnych spinových modelov, ktoré sa tradične používajú na modelovanie magnetických systémov, a na ich základe skonštruujeme efektívne, automatické a univerzálne metódy pre predikciu priestorových dát. Stručne naznačíme dva prístupy, z ktorých jeden je neparametrický a heuristický využívajúci optimalizáciu s lokálnymi a globálnymi väzbami a druhý je parametrický založený na podmienených Monte Carlo simuláciách vhodne modifikovaného spojitého modelu s flexibilnou triedou korelácií krátkeho dosahu.

Kľúčové slová:
priestorové predikcie; geoštatistika; štatistická fyzika; spinové modely; podmienené simulácie


Abstract:
Modern remote sensing techniques allow recording of enormous amounts of spatial data, which need efficient (preferably real-time) processing. Such processing can also include reconstruction of missing data that often occur due to different reasons, such as equipment malfunctions, restricted satellite paths or bad weather conditions. However, such massive data sets cannot be efficiently handled by standard geostatistical techniques due to high computational complexity, difficulties to automatize the algorithms to work without subjective user inputs and often also necessity of some data pre-processing. Thus there is a need to develop new spatial prediction techniques that would overcome these shortcomings. In the lecture we will introduce some novel spatial prediction models that are inspired from statistical physics. In particular, we will consider several standard discrete spin models, traditionally used for modeling of magnetic systems, and based on them construct efficient, automatic and universal methods for prediction of spatial data. We will briefly outline two approaches, one of which is nonparametric heuristic that uses optimization with local and global constraints and the other one is parametric employing conditional Monte Carlo simulations of a suitably modified continuous model with flexible class of short-range correlations.

Keywords:
spatial prediction; geostatistics; statistical physics; spin models; conditional simulation

Späť