Prediction of Spatial Cumulative Distribution Functions Using Subsampling
利用子抽样预测空间累积分布函数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：摘要研究生态随机场的空间分布预测，虽涉及分位数，但未涉及微观分布效应或宏观预测这一指定分类范围。
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…
利用子抽样预测空间累积分布函数
- 研究问题
- 依据六边形网格上的有限观测，如何预测目标空间区域随机场的累积分布函数，并评估预测函数及其泛函的不确定性？
- 方法与思路
- 作者提出空间子抽样方法，近似空间累积分布函数预测量相关泛函的抽样分布，并据此构造大样本预测带。
- 材料陈述的贡献
- 摘要称在较一般条件下可获得准确的数据驱动分布近似，估计分位数及加权均方积分误差，并给出红枫生态指标应用。
- 阅读关注点
- 阅读时应核对空间依赖和子抽样尺度条件、目标随机函数的定义，以及泛函分布近似与预测带覆盖的推导。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；“较一般条件”与预测带覆盖细节未说明，不能据此保证任意空间网格均适用。
原文摘要
The spatial cumulative distribution function (SCDF) is a random function that provides a statistical summary of a random field over a spatial domain of interest. In this article we develop a spatial subsampling method for predicting an SCDF based on observations made on a hexagonal grid, similar to the one used in the Environmental Monitoring and Assessment Program of the U.S. Environmental Protection Agency. We show that under quite general conditions, the proposed subsampling method provides accurate data-based approximations to the sampling distributions of various functionals of the SCDF predictor. In particular, it produces estimators of different population characteristics, such as the quantiles and weighted mean integrated squared errors of the empirical predictor. As an illustration, we apply the subsampling method to construct large-sample prediction bands for the SCDF of an ecological index for foliage condition of red maple trees in the state of Maine.