不兼容空间数据的贝叶斯建模：以阿德里安风暴后森林损伤评估为例

对不兼容空间数据（即具有不同空间分辨率的数据）进行建模是遥感数据分析中普遍存在的挑战。应对该挑战的典型方法是在建模前将信息聚合到共同的粗分辨率（即可兼容分辨率）。这种预处理聚合简化了分析，但可能导致信息损失，从而损害推断与预测性能。为避免损失细空间分辨率数据所提供的潜在信息并改善预测性能，我们提出一种新的贝叶斯方法，在最细空间分辨率上构建潜空间过程模型。该模型适用于结果变量在比预测变量更粗空间分辨率上测量的情形——当分析中使用高空间分辨率遥感预测变量时，这种配置愈发常见。本工作的关键贡献是一种高效算法，能够在利用更细分辨率数据进行完整贝叶斯推断的同时优化计算与存储成本。所提方法应用于奥地利克恩顿州2018年阿德里安(Adrian)风暴的森林损伤评估，其使用了高分辨率激光探测与测距(LiDAR)测量和相对粗分辨率的森林清查测量。大量仿真研究表明，该方法显著改善了小预测单元的推断。