Motivated by the need to analyze readily available data collected in space and time, especially in environmental sciences, we propose a parsimonious spatiotemporal model for time series data on a spatial grid. In essence, our model is a vector autoregressive model that utilizes the spatial structure to achieve parsimony of autoregressive matrices at two levels. The first level ensures the sparsity of the autoregressive matrices using a lagged-neighborhood scheme. The second level performs a spatial clustering of the nonzero autoregressive coefficients such that within some subregions, nearby locations share the same autoregressive coefficients while across different subregions the coefficients may have distinct values. The model parameters are estimated using the penalized maximum likelihood with an adaptive fused Lasso penalty. The estimation procedure can be tailored to accommodate the need and prior knowledge of a modeler. Performance of the proposed estimation algorithm is examined in a simulation study. Our method gives reliable estimation results that are interpretable and especially useful to identify geographical subregions, within each of which, the time series have similar dynamical behavior with homogeneous autoregressive coefficients. We apply our model to a wind speed time series dataset generated from a climate model over Saudi Arabia to illustrate its power in explaining the dynamics by the spatially structured coefficients. Moreover, the estimated model can be useful for building stochastic weather generators as an approximation of the computationally expensive climate model.

出于对分析时空（尤其是环境科学）中随时可用的数据的需求的推动，我们为空间网格上的时间序列数据提出了一个简约的时空模型。从本质上讲，我们的模型是向量自回归模型，该模型利用空间结构来实现两级自回归矩阵的简约性。第一级使用滞后邻域方案来确保自回归矩阵的稀疏性。第二层执行非零自回归系数的空间聚类，以便在某些子区域内，附近的位置共享相同的自回归系数，而在不同的子区域中，系数可能具有不同的值。使用具有自适应融合拉索罚分的惩罚最大似然估计模型参数。可以对估计程序进行调整，以适应建模人员的需求和先验知识。在仿真研究中检查了所提出的估计算法的性能。我们的方法给出了可靠的估计结果，这些结果是可以解释的，对于识别地理子区域特别有用，在每个子区域中，时间序列具有相似的动力学行为，均质自回归系数。我们将模型应用于由沙特阿拉伯的气候模型生成的风速时间序列数据集，以说明其通过空间结构系数解释动力学的力量。此外，估计模型对于构建随机天气生成器可能是有用的，因为它是计算上昂贵的气候模型的近似值。在仿真研究中检查了所提出的估计算法的性能。我们的方法给出了可靠的估计结果，这些结果是可以解释的，对于识别地理子区域特别有用，在每个子区域中，时间序列具有相似的动力学行为，均质自回归系数。我们将模型应用于由沙特阿拉伯的气候模型生成的风速时间序列数据集，以说明其通过空间结构系数解释动力学的力量。此外，估计模型对于构建随机天气生成器可能是有用的，因为它是计算上昂贵的气候模型的近似值。在仿真研究中检查了所提出的估计算法的性能。我们的方法给出了可靠的估计结果，这些结果是可以解释的，对于识别地理子区域特别有用，在每个子区域中，时间序列具有相似的动力学行为，均质自回归系数。我们将模型应用于由沙特阿拉伯的气候模型生成的风速时间序列数据集，以说明其通过空间结构系数解释动力学的力量。此外，估计模型对于构建随机天气生成器可能是有用的，因为它是计算上昂贵的气候模型的近似值。我们的方法给出了可靠的估计结果，这些结果是可以解释的，对于识别地理子区域特别有用，在每个子区域中，时间序列具有相似的动力学行为，均质自回归系数。我们将模型应用于由沙特阿拉伯的气候模型生成的风速时间序列数据集，以说明其通过空间结构系数解释动力学的力量。此外，估计模型对于构建随机天气生成器可能是有用的，因为它是计算上昂贵的气候模型的近似值。我们的方法给出了可靠的估计结果，这些结果是可以解释的，对于识别地理子区域特别有用，在每个子区域中，时间序列具有相似的动力学行为，均质自回归系数。我们将模型应用于由沙特阿拉伯的气候模型生成的风速时间序列数据集，以说明其通过空间结构系数解释动力学的力量。此外，估计模型对于构建随机天气生成器可能是有用的，因为它是计算上昂贵的气候模型的近似值。我们将模型应用于由沙特阿拉伯的气候模型生成的风速时间序列数据集，以说明其通过空间结构系数解释动力学的力量。此外，估计模型对于构建随机天气生成器可能是有用的，因为它是计算上昂贵的气候模型的近似值。我们将模型应用于由沙特阿拉伯的气候模型生成的风速时间序列数据集，以说明其通过空间结构系数解释动力学的力量。此外，估计模型对于构建随机天气生成器可能是有用的，因为它是计算上昂贵的气候模型的近似值。