Large spatial data modeling and analysis: A Krylov subspace approach
Large spatial data modeling and analysis: A Krylov subspace approach
复制标题
大空间数据建模和分析：Krylov 子空间方法
DOI：
10.1111/sjos.12555
复制
发表时间：
2022
影响因子：
1
通讯作者：
Wang, Haonan
中科院分区：
文献类型：
--
作者：
Liu, Jialuo;Chu, Tingjin;Zhu, Jun;Wang, Haonan
估计大型空间数据集的空间模型参数可能在计算上具有挑战性，因为它涉及对相当大的空间协方差矩阵的重复评估。在本文中，我们的目标是开发基于Krylov子空间的方法，该方法对大型空间数据具有计算效率。具体来说，我们通过在Krylov子空间上的共轭梯度和随机Lanczos来近似对数似然函数中空间协方差矩阵的逆和对数行列式。这些方法分别降低了密集矩阵和稀疏矩阵的计算复杂度。此外，我们量化了近似对数似然函数与原始对数似然函数之间的差异，并建立了参数估计的一致性。进行了模拟研究，以检验计算效率以及有限样本特性。举例来说，我们的方法被应用于分析一个大型数据集，其中包括阿拉斯加西部森林冠层高度的激光雷达估计。
Estimating the parameters of spatial models for large spatial datasets can be computationally challenging, as it involves repeated evaluation of sizable spatial covariance matrices. In this paper, we aim to develop Krylov subspace‐based methods that are computationally efficient for large spatial data. Specifically, we approximate the inverse and the log‐determinant of the spatial covariance matrix in the log‐likelihood function via conjugate gradient and stochastic Lanczos on a Krylov subspace. These methods reduce the computational complexity fromtoandfor dense and sparse matrices, respectively. Moreover, we quantify the difference between the approximated log‐likelihood function and the original log‐likelihood function and establish the consistency of parameter estimates. Simulation studies are conducted to examine the computational efficiency as well as the finite‐sample properties. For illustration, our methodology is applied to analyze a large dataset comprising LiDAR estimates of forest canopy height in western Alaska.
登录
查看更多内容
DOI：
10.1007/978-3-642-17086-7
发表时间：
2012
期刊：
--
影响因子：
--
作者：
E. Porcu;J. Montero;Martin Schlather
通讯作者：
E. Porcu;J. Montero;Martin Schlather
DOI：
--
发表时间：
2019
期刊：
影响因子：
--
作者：
L. Herrmann;Kristin Kirchner;C. Schwab
通讯作者：
C. Schwab
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
Tingjin Chu
通讯作者：
Tingjin Chu
分块共轭梯度算法的精简版及其在高斯过程最大似然估计中的应用
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
Jie Chen
通讯作者：
Jie Chen
DOI：
10.1007/978-3-642-17086-7_3
发表时间：
2012
期刊：
--
影响因子：
--
作者：
Ying Sun;Bo Li;M. Genton
通讯作者：
Ying Sun;Bo Li;M. Genton