克里金法与高斯过程插值用于地理参考数据增强
人工智能
2025-01-14 v1
摘要
数据增强是开发稳健监督学习模型的关键步骤，尤其是在处理有限数据集时。本研究探讨了用于地理参考数据增强的插值技术，旨在预测位于法国留尼旺岛甘蔗地块中Commelina benghalensis L.的存在情况。鉴于数据的空间性质以及数据收集的高成本，我们评估了两种插值方法：采用不同核函数的高斯过程（GP）和使用各种变异图的克里金法。本工作的三个目标是：(i) 识别哪些插值方法为各种回归算法提供最佳预测性能；(ii) 分析随观察次数增加而性能演变；(iii) 评估增强数据集的空间一致性。结果表明，基于高斯过程的方法（尤其是采用组合核函数的GP-COMB）显著提高了回归算法的性能，且所需的额外数据更少。虽然克里金法表现略低，但其空间覆盖更均匀，这在某些情境下可能是优势。
引用
@article{arxiv.2501.07183,
title = {Kriging and Gaussian Process Interpolation for Georeferenced Data Augmentation},
author = {Frédérick Fabre Ferber and Dominique Gay and Jean-Christophe Soulié and Jean Diatta and Odalric-Ambrym Maillard},
journal= {arXiv preprint arXiv:2501.07183},
year = {2025}
}