Highly Scalable Bayesian Geostatistical Modeling via Meshed Gaussian Processes on Partitioned Domains.
Highly Scalable Bayesian Geostatistical Modeling via Meshed Gaussian Processes on Partitioned Domains.
复制标题
DOI：
10.1080/01621459.2020.1833889
复制
发表时间：
2022
影响因子：
3.7
通讯作者：
Finley, Andrew O.
中科院分区：
文献类型：
--
作者：
Peruzzi, Michele;Banerjee, Sudipto;Finley, Andrew O.
本文介绍了一类可扩展的贝叶斯层次模型，用于分析海量地统计数据集。其基本思想结合了高维地质统计学的思想，通过划分空间域和使用稀疏诱导有向无环图（DAG）对分区中的区域进行建模。我们扩展的模型在DAG的一个定义良好的空间过程，我们称之为网格高斯过程（MGP）。一个主要的贡献是一个MGP的发展镶嵌域，伴随着一个吉布斯采样器的空间随机效应的有效恢复。特别是，立方MGP（Q-MGP）可以通过在吉布斯采样器内并行执行所有大规模操作来利用高性能计算资源，与顺序更新方案相比，改善了混合和计算时间。与一些现有的大型空间数据模型不同，Q-MGP有利于大量缓存昂贵的矩阵运算，使其特别适合处理时空遥感数据。我们将Q-MGP与大型合成和真实的世界数据与最先进的方法进行比较。我们还说明了使用归一化差异植被指数（NDVI）数据从塞伦盖蒂公园地区恢复潜在的多变量时空随机效应在数百万个位置。源代码可在github.com/mkln/meshgp上获得。
We introduce a class of scalable Bayesian hierarchical models for the analysis of massive geostatistical datasets. The underlying idea combines ideas on high-dimensional geostatistics by partitioning the spatial domain and modeling the regions in the partition using a sparsity-inducing directed acyclic graph (DAG). We extend the model over the DAG to a well-defined spatial process, which we call the Meshed Gaussian Process (MGP). A major contribution is the development of a MGPs on tessellated domains, accompanied by a Gibbs sampler for the efficient recovery of spatial random effects. In particular, the cubic MGP (Q-MGP) can harness high-performance computing resources by executing all large-scale operations in parallel within the Gibbs sampler, improving mixing and computing time compared to sequential updating schemes. Unlike some existing models for large spatial data, a Q-MGP facilitates massive caching of expensive matrix operations, making it particularly apt in dealing with spatiotemporal remote-sensing data. We compare Q-MGPs with large synthetic and real world data against state-of-the-art methods. We also illustrate using Normalized Difference Vegetation Index (NDVI) data from the Serengeti park region to recover latent multivariate spatiotemporal random effects at millions of locations. The source code is available at github.com/mkln/meshgp.
登录
查看更多内容
影响因子：
5.7
作者：
Genton, Marc G.;Kleiber, William
通讯作者：
Kleiber, William
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：
2.5
作者：
Guinness, Joseph
通讯作者：
Guinness, Joseph
影响因子：
2.7
作者：
Apanasovich, Tatiyana V.;Genton, Marc G.
通讯作者：
Genton, Marc G.
DOI：
10.1016/s0378-3758(02)00173-8
发表时间：
2003-08-01
影响因子：
0.9
作者：
Christensen, WF;Amemiya, Y
通讯作者：
Amemiya, Y