深度分类克里金用于空气质量指数的概率性空间预测
统计方法学
2025-12-30 v1 机器学习
摘要
准确的空气质量指数（AQI）进行空间插值对于监管决策至关重要，但AQI场天然呈非高斯分布，常表现出复杂的非线性空间结构。经典的空间预测方法，如克里金方法是线性的，且依赖于高斯假设，这限制了其捕捉这些特征的能力，并难以提供可靠的预测分布。本研究提出了一种灵活、无分布假设的深度学习框架——深度分类克里金（deep classifier kriging, DCK），用于估计单变量和双变量空间过程的完整预测分布函数，同时引入一种数据融合机制，使其能够建模非共位置的双变量过程，并整合来自不同空气污染数据源的异构数据。通过大量模拟实验，我们展示DCK在预测准确性和不确定性量化方面始终优于传统方法。我们进一步将DCK应用于AQI的概率性空间预测，通过将稀疏但高质量的站点观测数据与空间连续但偏差较大的辅助模型输出融合，得到具有空间分辨率的预测分布，从而支持超标和极端事件概率估计，为监管风险评估和政策制定提供支持。
引用
@article{arxiv.2512.23474,
title = {Deep classifier kriging for probabilistic spatial prediction of air quality index},
author = {Junyu Chen and Pratik Nag and Huixia Judy-Wang and Ying Sun},
journal= {arXiv preprint arXiv:2512.23474},
year = {2025}
}