面向高维大空间数据的空间因子模型：在森林变量制图中的应用
应用统计
2018-11-09 v2
摘要
获取森林变量的信息是一项昂贵且艰巨的活动。因此，直接收集用于在大空间域上制作高分辨率地图所需的数据是不可行的。下一代遥感光探测与测距（LiDAR）数据收集计划专门旨在大空间域上生成全覆盖地图。鉴于LiDAR数据与森林特征通常高度相关，可利用前者对感兴趣区域内的森林变量进行建模、预测和制图。这涉及处理大量位置（约10^5-10^6）上高维（约10^2）空间依赖的LiDAR输出。为此，我们开发了空间因子最近邻高斯过程（SF-NNGP）模型，并将其嵌入到连接LiDAR信号中空间结构与森林变量的两阶段方法中。我们提供了仿真实验以展示SF-NNGP的推断与预测性能，并利用该两阶段建模策略在阿拉斯加内陆大面积北方森林区域生成了具有关联不确定性的森林变量全覆盖地图。
引用
@article{arxiv.1801.02078,
title = {Spatial Factor Models for High-Dimensional and Large Spatial Data: An Application in Forest Variable Mapping},
author = {Daniel Taylor-Rodriguez and Andrew O. Finley and Abhirup Datta and Chad Babcock and Hans-Erik Andersen and Bruce D. Cook and Douglas C. Morton and Sudipto Banerjee},
journal= {arXiv preprint arXiv:1801.02078},
year = {2018}
}