当前位置:
X-MOL 学术
›
Int. J. Appl. Earth Obs. Geoinf.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Bayesian modeling of incompatible spatial data: A case study involving Post-Adrian storm forest damage assessment
International Journal of Applied Earth Observation and Geoinformation ( IF 7.6 ) Pub Date : 2024-11-06 , DOI: 10.1016/j.jag.2024.104224 Lu Zhang, Andrew O. Finley, Arne Nothdurft, Sudipto Banerjee
International Journal of Applied Earth Observation and Geoinformation ( IF 7.6 ) Pub Date : 2024-11-06 , DOI: 10.1016/j.jag.2024.104224 Lu Zhang, Andrew O. Finley, Arne Nothdurft, Sudipto Banerjee
Modeling incompatible spatial data, i.e., data with different spatial resolutions, is a pervasive challenge in remote sensing data analysis. Typical approaches to addressing this challenge aggregate information to a common coarse resolution, i.e., compatible resolutions, prior to modeling. Such pre-processing aggregation simplifies analysis, but potentially causes information loss and hence compromised inference and predictive performance. To avoid losing potential information provided by finer spatial resolution data and improve predictive performance, we propose a new Bayesian method that constructs a latent spatial process model at the finest spatial resolution. This model is tailored to settings where the outcome variable is measured on a coarser spatial resolution than predictor variables—a configuration seen increasingly when high spatial resolution remotely sensed predictors are used in analysis. A key contribution of this work is an efficient algorithm that enables full Bayesian inference using finer resolution data while optimizing computational and storage costs. The proposed method is applied to a forest damage assessment for the 2018 Adrian storm in Carinthia, Austria, that uses high-resolution laser imaging detection and ranging (LiDAR) measurements and relatively coarse resolution forest inventory measurements. Extensive simulation studies demonstrate the proposed approach substantially improves inference for small prediction units.
中文翻译:
不兼容空间数据的贝叶斯建模:涉及后阿德里安风暴森林损失评估的案例研究
对不兼容的空间数据(即具有不同空间分辨率的数据)进行建模是遥感数据分析中普遍存在的挑战。解决这一挑战的典型方法是在建模之前将信息聚合到一个通用的粗略分辨率,即兼容的分辨率。这种预处理聚合简化了分析,但可能会导致信息丢失,从而影响推理和预测性能。为了避免丢失更精细的空间分辨率数据提供的潜在信息并提高预测性能,我们提出了一种新的贝叶斯方法,该方法以最精细的空间分辨率构建潜在空间过程模型。此模型适用于在比预测变量更粗糙的空间分辨率上测量结果变量的设置,当在分析中使用高空间分辨率遥感预测变量时,这种配置越来越常见。这项工作的一个关键贡献是一种高效的算法,该算法可以使用更精细的分辨率数据实现完整的贝叶斯推理,同时优化计算和存储成本。所提出的方法应用于 2018 年奥地利克恩顿州阿德里安风暴的森林损害评估,该评估使用高分辨率激光成像探测和测距 (LiDAR) 测量和相对粗糙分辨率的森林清查测量。广泛的仿真研究表明,所提出的方法大大改善了小型预测单元的推理。
更新日期:2024-11-06
中文翻译:
不兼容空间数据的贝叶斯建模:涉及后阿德里安风暴森林损失评估的案例研究
对不兼容的空间数据(即具有不同空间分辨率的数据)进行建模是遥感数据分析中普遍存在的挑战。解决这一挑战的典型方法是在建模之前将信息聚合到一个通用的粗略分辨率,即兼容的分辨率。这种预处理聚合简化了分析,但可能会导致信息丢失,从而影响推理和预测性能。为了避免丢失更精细的空间分辨率数据提供的潜在信息并提高预测性能,我们提出了一种新的贝叶斯方法,该方法以最精细的空间分辨率构建潜在空间过程模型。此模型适用于在比预测变量更粗糙的空间分辨率上测量结果变量的设置,当在分析中使用高空间分辨率遥感预测变量时,这种配置越来越常见。这项工作的一个关键贡献是一种高效的算法,该算法可以使用更精细的分辨率数据实现完整的贝叶斯推理,同时优化计算和存储成本。所提出的方法应用于 2018 年奥地利克恩顿州阿德里安风暴的森林损害评估,该评估使用高分辨率激光成像探测和测距 (LiDAR) 测量和相对粗糙分辨率的森林清查测量。广泛的仿真研究表明,所提出的方法大大改善了小型预测单元的推理。