Applications of Bayesian computational statistics and modeling to large-scale geoscientific problems

Show full item record

Permalink

http://urn.fi/URN:ISBN:978-952-336-081-5
Title: Applications of Bayesian computational statistics and modeling to large-scale geoscientific problems
Author: Susiluoto, Jouni
Contributor: University of Helsinki, Faculty of Science, Department of Mathematics and Statistics
Doctoral Programme in Mathematics and Statistics
Finnish Meteorological Institute, Climate System Research
Publisher: Helsingin yliopisto
Date: 2019-10-16
Belongs to series: Finnish Meteorological Institute Contributions
URI: http://urn.fi/URN:ISBN:978-952-336-081-5
http://hdl.handle.net/10138/305603
Thesis level: Doctoral dissertation (article-based)
Abstract: Climate change is one of the most important, pressing, and furthest reaching global challenges that humanity faces in the 21st century. Already affecting daily lives of many directly and everyone indirectly, changes in climate are projected to have many catastrophic consequences. For this reason, researching climate and climate change is needed. Studying complex geoscientific phenomena such as climate change consists of a patchwork of challenging mathematical, statistical, and computational problems. To solve these problems, local and global process models and statistical models are combined with both small in situ observation data sets with only few observations, and equally well with enormous global remote sensing data products containing hundreds of millions of data points. This integration of models and data can be done in a Bayesian inverse modeling setting if the algorithms and computational methods used are chosen and implemented carefully. The methods used in the four publications on which this thesis is based range from high-dimensional Bayesian spatial statistical models and Markov chain Monte Carlo methods to time series modeling and point estimation via optimization. The particular geoscientific problems considered are: finding the spatio-temporal distribution of atmospheric carbon dioxide based on sparse remote sensing data, quantifying uncertainties in modeling methane emissions from boreal wetlands, analyzing and quantifying the effect of climate change on growing season in the boreal region, and using statistical methods to calibrate a terrestrial ecosystem model. In addition to analyzing these problems, the research and the results help to understand model performance and how modeling uncertainties in very large computational problems can be approached, also providing algorithm implementations on top of which future efforts may be built.Ilmastonmuutos on yksi suurimmista globaaleista haasteista, jonka kanssa ihmiskunta joutuu painiskelemaan kahdennellakymmenelläensimmäisellä vuosisadalla. Jo tänä päivänä sen vaikutukset yltävät ihmisten jokapäiväiseen elämään kaikkialla maapallolla. Ilmastonmuutoksen, kuten muidenkin monimutkaisten maapalloon liittyvien ilmiöiden, tutkiminen koostuu matemaattisten ja tietokonemallien sekä systeemisen tietämyksen järjestelmällisestä yhdistämisestä ja analysoinnista. Tässä työssä yhdistellään Bayesilaisen tilastotieteen keinoin satojen miljoonien datapisteiden satelliittimittausjoukkoja tilastollisiin malleihin, sekä pienempiä paikallisia aikasarjoja globaaleihin ilmastomalleihin. Käytettyjä metodeja on lukuisia, hierarkkisista malleista Markov chain Monte Carlo algoritmeihin ja Gaussisiin prosesseihin. Työssä käsitellyt ongelmat ovat: globaalin aikariippuvan ilmakehän hiilidioksidijakauman selvittäminen kaukokartoitushavaintoihin perustuen, pohjoisten suoalueiden metaaniemissioiden epävarmuuden määrittäminen, ilmastonmuutoksen aiheuttaman kasvukauden aikaistumisen analysointi, sekä ekosysteemimallin maakomponentin osittainen kalibrointi. Yllämainittujen ongelmien tutkimisen lisäksi työ auttaa selvittämään miten epävarmuuden analysointi raskaissa tietokonemalleissa on algoritmisesti tehtävissä sekä kuinka valtavia datamääriä voi hyödyntää epävarmuuden arviointiin. Työssä esitetty algoritmien kehitystyö luonnollisesti myös mahdollistaa menetelmien jalostamisen vastaisuudessa niin muihin tarkoituksiin, kuin uusiksi, kehittyneemmiksi menetelmiksi.
Subject: Sovellettu matematiikka
Rights: This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.


Files in this item

Total number of downloads: Loading...

Files Size Format View
applicat.pdf 9.126Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record