Poisson/gamma random field models for spatial statistics
空间统计中的泊松／伽马随机场模型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。
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：摘要研究空间点过程和生态应用，空间相关本身不足以归入网络与干扰等所列细分方向。
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…
关注这篇论文的作者
空间统计中的泊松／伽马随机场模型
- 研究问题
- 如何在空间点过程模型中同时描述潜在强度的不确定性与空间变化，并据此推断事件的数量和位置？
- 方法与思路
- 作者构建双重随机的贝叶斯层级模型，以伽马过程或具有无限可分分布的马尔可夫随机场描述强度，并用数据增广和 MCMC 抽样。
- 材料陈述的贡献
- 摘要称，模型可构造正空间自相关的泊松强度测度，方法覆盖连续与离散情形，并通过森林生态问题展示应用。
- 阅读关注点
- 应核对随机场如何决定强度的空间相关性、连续与离散模型之间的关系，以及数据增广方案和后验计算的具体实现。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；先验细节、计算收敛与应用结果未说明，也无法确认与刊本的对应关系。
原文摘要
Doubly stochastic Bayesian hierarchical models are introduced to account for uncertainty and spatial variation in the underlying intensity measure for point process models. Inhomogeneous gamma process random fields and, more generally, Markov random fields with infinitely divisible distributions are used to construct positively autocorrelated intensity measures for spatial Poisson point processes; these in turn are used to model the number and location of individual events. A data augmentation scheme and Markov chain Monte Carlo numerical methods are employed to generate samples from Bayesian posterior and predictive distributions. The methods are developed in both continuous and discrete settings, and are applied to a problem in forest ecology.