Modeling spatial data using local likelihood estimation and a Matérn to spatial autoregressive translation
Modeling spatial data using local likelihood estimation and a Matérn to spatial autoregressive translation
复制标题
使用局部似然估计和空间自回归转换对空间数据进行建模
DOI：
10.1002/env.2652
复制
发表时间：
2020
期刊：
影响因子：
1.7
通讯作者：
Kleiber, William
中科院分区：
文献类型：
--
作者：
Wiens, Ashton;Nychka, Douglas;Kleiber, William
使用非平稳协方差结构对数据进行建模对于表示地球物理和其他环境空间过程的异质性非常重要。在这项工作中，我们研究了一种对大数据集有效的非平稳协方差建模的两阶段方法。首先，在局部移动窗口中使用最大似然估计来推断空间变化的协方差参数。然后，这些协方差参数的表面被编码到全局协方差模型中，指定完整空间域的二阶结构。从第二步开始，生成的全局模型可以实现高效的模拟和预测。这项工作使用与高斯马尔可夫随机场方法相关的非平稳空间自回归（SAR）模型作为全局模型，该模型适合插入局部估计并且适用于大型数据集。模拟研究用于确定局部 Matérn 参数估计的准确性，作为小窗口尺寸和适度数量的复制字段的可靠技术。这种建模方法是在非平稳气候模型数据集上实现的，目的是使用高斯过程模拟数值模型集合的变化。
Modeling data with nonstationary covariance structure is important to represent heterogeneity in geophysical and other environmental spatial processes. In this work, we investigate a two‐stage approach to modeling nonstationary covariances that is efficient for large data sets. First, maximum likelihood estimation is used in local, moving windows to infer spatially varying covariance parameters. These surfaces of covariance parameters are then encoded into a global covariance model specifying the second‐order structure for the complete spatial domain. From this second step, the resulting global model allows for efficient simulation and prediction. This work uses a nonstationary spatial autoregressive (SAR) model, related to Gaussian Markov random field methods, as the global model which is amenable to plug in local estimates and practical for large datasets. A simulation study is used to establish the accuracy of local Matérn parameter estimation as a reliable technique for small window sizes and a modest number of replicated fields. This modeling approach is implemented on a nonstationary climate model dataset with the goal of emulating the variation in the numerical model ensemble using a Gaussian process.
登录
查看更多内容
影响因子：
2.7
作者：
Fuentes, M
通讯作者：
Fuentes, M
使用移动平均线和快速傅里叶变换 (FFT) 的灵活克里金法和协同克里金法空间模型
影响因子：
2.4
作者：
J. V. Ver Hoef;N. Cressie;Ronald P. Barry
通讯作者：
Ronald P. Barry
DOI：
10.1111/j.1467-9876.2011.01010.x
发表时间：
2012-01-01
影响因子：
1.6
作者：
Kang, Emily L.;Cressie, Noel;Sain, Stephan R.
通讯作者：
Sain, Stephan R.
影响因子：
2.3
作者：
D. Nychka;D. Hammerling;M. Krock;Ashton Wiens
通讯作者：
Ashton Wiens
具有空间变化参数的协方差函数的局部似然估计：R 的 convoSPAT 包
DOI：
--
发表时间：
2015
期刊：
影响因子：
--
作者：
M. Risser;Catherine A. Calder
通讯作者：
Catherine A. Calder