Filling survey gaps in food security monitoring with spatio-temporal additive Gaussian process models
用时空加性高斯过程填补粮食安全监测的调查空缺AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确估计各地区的粮食安全时间序列，支持时间序列分类；未说明向未来预测或宏观面板参数估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用时空加性高斯过程填补粮食安全监测的调查空缺
- 研究问题
- 当家庭调查在地区和时间上存在缺口时，如何估计次国家层面的粮食安全时间序列，同时提供可信的不确定性度量？
- 方法与思路
- 作者提出时空加性高斯过程模型，利用时空协方差矩阵的 Kronecker 结构降低推断成本，并结合协变量估计缺失地区。
- 材料陈述的贡献
- 摘要称在尼日利亚和乍得调查数据中，相比其他统计及机器学习模型取得更好准确性，并保留可靠的不确定性度量。
- 阅读关注点
- 应核对时空协方差结构、调查缺失机制、地区外推所需信息，以及验证切分和不确定性校准如何模拟真实调查空缺。
- 阅读边界
- 来源为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明调查代表性、协方差限制及未覆盖地区估计的可验证程度。
原文摘要
Ensuring food security across all regions of a country requires continuous monitoring, yet household surveys often leave significant spatio-temporal gaps due to resource constraints and operational priorities. In this paper, we propose a spatio-temporal additive Gaussian process model to estimate sub-national food security time series by regions. To address the computational cost of Gaussian process models, we exploit Kronecker structure of the spatio-temporal covariance matrix for scalable inference. We evaluate the proposed approach on food security survey data from Nigeria and Chad comparing it against other statistical and machine learning models and show how our proposal achieves better accuracy while retaining reliable uncertainty, especially when covariates are informative. We further apply the model to generate estimates for Nigerian states not covered by the survey, demonstrating its operational value for filling geographic gaps in food security monitoring.