Directional Rates of Change Under Spatial Process Models
空间过程模型下的方向变化率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：摘要研究空间梯度及其分布，住宅价格仅为应用示例，未涉及网络干扰、资产定价或其他所列细分，故暂不分类。
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…
空间过程模型下的方向变化率
- 研究问题
- 当空间表面被视为随机过程的一次实现时，如何定义并推断特定地点、特定方向上的变化率及其不确定性？
- 方法与思路
- 作者基于均方可微性定义方向有限差分与方向导数过程，在平稳高斯过程模型下推导分布，并采用贝叶斯框架推断。
- 材料陈述的贡献
- 摘要称给出相应过程的完整分布理论及贝叶斯推断方法，并通过模拟和包含住宅销售价格的房地产数据展示应用。
- 阅读关注点
- 阅读全文时应核对均方可微性与协方差设定、有限差分和导数的关系，以及先验选择和空间预测不确定性的处理。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；理论明确基于平稳高斯过程，摘要未说明偏离该模型时的有效性或应用数值结果。
原文摘要
Spatial process models are now widely used for inference in many areas of application. In such contexts interest is often in the rate of change of a spatial surface at a given location in a given direction. Examples include temperature or rainfall gradients in meteorology, pollution gradients for environmental data, and surface roughness assessment for digital elevation models. Because the spatial surface is viewed as a random realization, all such rates of change are random as well. We formalize the notions of directional finite difference processes and directional derivative processes building upon the concept of mean square differentiability as developed by Stein and Banerjee and Gelfand. We obtain complete distribution theory results under the assumptions of a stationary Gaussian process model either for the data or for spatial random effects. We present inference under a Bayesian framework which, in this setting, presents several advantages. Finally, we illustrate our methodology with a simulated dataset and also with a real estate dataset consisting of selling prices of individual homes.