Hierarchical Nearest-Neighbor Gaussian Process Models for Large Geostatistical Datasets.
Hierarchical Nearest-Neighbor Gaussian Process Models for Large Geostatistical Datasets.
复制标题
DOI：
10.1080/01621459.2015.1044091
复制
发表时间：
2016
影响因子：
3.7
通讯作者：
Gelfand AE
中科院分区：
文献类型：
--
作者：
Datta A;Banerjee S;Finley AO;Gelfand AE
用于分析地质统计数据的空间过程模型所涉及的计算量会随着空间位置数量的增加而变得极大。本文开发了一类高度可扩展的最近邻高斯过程（NNGP）模型，以便为大型地质统计数据集提供完全基于模型的推断。我们证明NNGP是一种定义明确的空间过程，它能提供具有稀疏精度矩阵的合理有限维高斯密度。我们将NNGP作为一种诱导稀疏性的先验嵌入到一个丰富的分层建模框架中，并概述了如何在不存储或分解大型矩阵的情况下执行计算高效的马尔可夫链蒙特卡罗（MCMC）算法。该算法每次迭代的浮点运算次数与空间位置数量呈线性关系，从而具有很强的可扩展性。我们通过模拟研究说明了NNGP相对于竞争方法在计算和推断方面的优势，还分析了来自美国大规模森林资源清查数据集的森林生物量，其规模使得其他降维方法无法适用。本文的补充材料可在线获取。
Spatial process models for analyzing geostatistical data entail computations that become prohibitive as the number of spatial locations become large. This article develops a class of highly scalable nearest-neighbor Gaussian process (NNGP) models to provide fully model-based inference for large geostatistical datasets. We establish that the NNGP is a well-defined spatial process providing legitimate finite-dimensional Gaussian densities with sparse precision matrices. We embed the NNGP as a sparsity-inducing prior within a rich hierarchical modeling framework and outline how computationally efficient Markov chain Monte Carlo (MCMC) algorithms can be executed without storing or decomposing large matrices. The floating point operations (flops) per iteration of this algorithm is linear in the number of spatial locations, thereby rendering substantial scalability. We illustrate the computational and inferential benefits of the NNGP over competing methods using simulation studies and also analyze forest biomass from a massive U.S. Forest Inventory dataset at a scale that precludes alternative dimension-reducing methods. Supplementary materials for this article are available online.
登录
查看更多内容
DOI：
10.1080/10618600.2012.760460
发表时间：
2014-06-01
影响因子：
2.4
作者：
Eidsvik, Jo;Shaby, Benjamin A.;Niemi, Jarad
通讯作者：
Niemi, Jarad
影响因子：
4.5
作者：
Du, Juan;Zhang, Hao;Mandrekar, V. S.
通讯作者：
Mandrekar, V. S.
影响因子：
3.7
作者：
Gelfand, AE;Kim, HJ;Banerjee, S
通讯作者：
Banerjee, S
DOI：
10.1111/j.1467-9868.2008.00663.x
发表时间：
2008-09-01
期刊：
Journal of the Royal Statistical Society. Series B, Statistical methodology
影响因子：
--
作者：
Banerjee S;Gelfand AE;Finley AO;Sang H
通讯作者：
Sang H
DOI：
10.1111/1467-9876.00385
发表时间：
2003-01-01
影响因子：
1.6
作者：
Kammann, EE;Wand, MP
通讯作者：
Wand, MP