基于INLA-SPDE方法的时空数据融合用于原位与遥感数据分析

我们提出一个贝叶斯层次模型，以解决来自原位和卫星源的时空数据中的空间错位问题。该模型采用INLA-SPDE方法进行拟合，计算效率高。我们的方法通过在空间域和时间域构建投影矩阵，将不同数据源融合于一个“融合”模型中。通过模拟研究，我们证明融合模型在跨时空预测精度上优于仅基于原位数据或仅基于卫星数据的独立“原位”模型和“卫星”模型。在参数推断方面，融合模型通常也优于独立模型。这种建模方法源于环境问题，我们特别关注有害藻华（HAB）事件的分析与预测，目前常规做法是基于原位样本或卫星图像分别进行分析。真实数据分析表明，所提出的模型是实现水华动态统一表征和识别HAB事件关键驱动因素的必要步骤。