一种统计与机器学习结合的极端野火频次与规模空间预测方法
统计方法学
2023-04-04 v1 应用统计
摘要
受 Extreme Value Analysis 2021（EVA 2021）数据挑战启发，我们提出一种基于统计与机器学习的极端野火频次与规模空间预测方法。该方法专为处理含缺失观测的大数据集而设计。我们的方法依赖于一个针对零膨胀数据开发的四阶段高维双变量稀疏空间模型，其通过随机偏微分方程（SPDE）构建。阶段 1 中，观测按零/非零分类，并用两层层次贝叶斯稀疏空间模型建模以估计两类概率。阶段 2 中，在用空间变系数建模正观测前，通过固定秩克里金从经验估计获得平滑参数曲面。采用此近似贝叶斯推断以避免用空间变系数建模大空间数据的高计算负担。阶段 3 中，来自阶段的经标准化对数变换正观测进一步用稀疏双变量空间高斯过程建模。第三阶段野火计数高斯分布假设计算高效但有误，因此在阶段 4 中用随机森林修正预测值。阶段 1 与 3 的后验推断通过马尔可夫链蒙特卡洛（MCMC）采样获得。随后对人工生成缺口建立交叉验证方案，并将所提模型的 EVA 2021 预测分数与若干自然竞争方法比较。
引用
@article{arxiv.2112.14920,
title = {A combined statistical and machine learning approach for spatial prediction of extreme wildfire frequencies and sizes},
author = {Daniela Cisneros and Yan Gong and Rishikesh Yadav and Arnab Hazra and Raphael Huser},
journal= {arXiv preprint arXiv:2112.14920},
year = {2023}
}
备注
49 pages, 11 figures