在 R-INLA 中整合空间错位的空气污染数据的联合贝叶斯时空模型
应用统计
2020-08-17 v1
摘要
在空气污染研究中，扩散模型提供覆盖整个空间域的网格尺度浓度估计，随后根据监测站的观测进行校准。然而，这些不同数据源在空间和时间上错位。若不考虑错位，会导致预测偏差。我们旨在展示如何组合多种数据源（如扩散模型输出、地面观测和协变量）以得到更精确的网格尺度空气污染预测。我们考虑 2007—2011 年大伦敦及周边的二氧化氮（NO2）浓度，并组合两种不同的扩散模型。为获得最佳预测能力，纳入了不同的空间与时间效应集合。我们提出的模型介于校准与贝叶斯融合（Bayesian melding）数据融合技术之间。与其他实例不同，我们在不同尺度上联合建模响应（监测站处的浓度水平）与扩散模型输出，并考虑不同不确定性来源。我们的时空模型可重建各模型分量的潜在场，并预测每日污染浓度。我们将所提模型的预测能力与其他处理错位的既有方法（如双线性插值）比较，表明在本案例研究中联合模型是更优选择。
引用
@article{arxiv.2006.08988,
title = {A joint bayesian space-time model to integrate spatially misaligned air pollution data in R-INLA},
author = {Chiara Forlani and Samir Bhatt and Michela Cameletti and Elias Krainski and Marta Blangiardo},
journal= {arXiv preprint arXiv:2006.08988},
year = {2020}
}
备注
This paper has been submitted to Environmetrics and is under revision