Bayesian Prediction of Transformed Gaussian Random Fields
变换高斯随机场的贝叶斯预测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：摘要研究空间随机场与降雨预测，没有宏观预测、金融预测或目录中其他方向的直接证据。
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…
变换高斯随机场的贝叶斯预测
- 研究问题
- 在非高斯空间随机场预测中，如何同时处理模型参数与正态化变换的不确定性，并降低变换设定错误对预测推断的影响？
- 方法与思路
- 作者在参数化单调变换族内建立贝叶斯变换高斯模型，通过预测密度纳入变换等不确定性，并在部分预测均值不存在时采用中位数预测。
- 材料陈述的贡献
- 摘要称方法可缓解变换误设的后果，并以每周降雨量空间预测示例及交叉验证报告与若干kriging方法相比有利的预测表现。
- 阅读关注点
- 应核对变换族与先验、预测密度的计算、中位数最优对应的损失函数，以及空间交叉验证如何设计、比较方法如何设定。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出稳健性的范围和预测误差数值，降雨空间预测不能直接外推到宏观或收益预测。
原文摘要
A model for prediction in some types of non-Gaussian random fields is presented. It extends the work of Handcock and Stein to prediction in transformed Gaussian random fields, where the transformation is known to belong to a parametric family of monotone transformations. The Bayesian transformed Gaussian model (BTG) provides an alternative to trans-Gaussian kriging taking into account the major sources of uncertainty, including uncertainty about the “normalizing transformation” itself, in the computation of the predictive density function. Unlike trans-Gaussian kriging, this approach mitigates the consequences of a misspecified transformation, giving in this sense a more robust predictive inference. Because the mean of the predictive distribution does not exist for some commonly used families of transformations, the median is used as the optimal predictor. The BTG model is applied in the spatial prediction of weekly rainfall amounts. Cross-validation shows the predicting performance of the BTG model compares favorably with several kriging variants.