稀疏采样高维LiDAR与森林变量的联合层次模型
应用统计
2016-12-07 v2
摘要
遥感技术特别是光探测与测距（LiDAR）传感器的最新进展，提供了在广大地理区域上以精细空间分辨率量化森林特征所需的数据。从推断角度看，人们对常常稀疏采样且空间错位的LiDAR信号与森林变量的预测和插值感兴趣。我们提出了一种用于地上生物量（AGB）和LiDAR信号的完全基于过程的贝叶斯层次模型。该基于过程的框架在推断能力上具有丰富性，例如，可对整体底层过程进行推断，而非仅对预先指定点的估计。我们规避的关键挑战包括AGB观测与LiDAR信号之间的错位，以及由LiDAR信号与大量空间位置相结合产生的模型高维问题。我们提供模拟实验来评估所提出的模型，并将其应用于一个具有挑战性的数据集，该数据集包含在缅因州Penobscot Experimental Forest (PEF)收集的LiDAR与空间重合的森林清查变量。我们的关键实质性贡献包括带有相关不确定性度量的PEF的AGB数据产品，更广泛地说，是一种应能在当前和未来的使用稀疏采样遥感高维数据的森林变量制图工作中发挥作用的方法论。
引用
@article{arxiv.1603.07409,
title = {Joint hierarchical models for sparsely sampled high-dimensional LiDAR and forest variables},
author = {Andrew O. Finley and Sudipto Banerjee and Yuzhen Zhou and Bruce D. Cook and Chad Babcock},
journal= {arXiv preprint arXiv:1603.07409},
year = {2016}
}