A Bayesian INLA-SPDE Approach to Spatio-Temporal Point-Grid Fusion with Change-of-Support and Misaligned Covariates
贝叶斯 INLA-SPDE 时空点-网格数据融合：支撑变化与协变量错位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：摘要主题为时空贝叶斯空间统计与数据融合方法，属于空间计量与统计计算方向，与所列微观、宏观、金融等细分领域均无直接文本对应，故留空。
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…
贝叶斯 INLA-SPDE 时空点-网格数据融合：支撑变化与协变量错位
- 研究问题
- 摘要称，研究如何在点数据与网格数据具有不同空间支撑、协变量存在错位的情形下，联合融合同一变量的多源时空数据并进行预测。
- 方法与思路
- 作者提出以 Matérn-SPDE 先验的潜高斯场表示连续空间，用来源特定的观测算子把观测映射到点测量与网格平均，并加入时间依赖；推断与预测采用 INLA 与 SPDE 方法。
- 材料陈述的贡献
- 摘要明确陈述两项贡献：一是联合融合不同时空分辨率与测量误差的同一变量多源数据的层次模型，二是通过同一融合框架纳入支撑不同的错位协变量的实现；并用模拟与苏格兰土壤湿度制图展示。
- 阅读关注点
- 应核对观测算子的具体形式与识别假设、错位协变量的处理细节、模拟设定与评价指标，以及 Elliot 流域应用中数据来源、分辨率与不确定性校准情况。
- 阅读边界
- 这是 arXiv 预印本摘要，未经同行评审验证；摘要未说明模型识别条件、先验敏感性、计算成本与实证精度数值，不能据此判断方法优越性或结论稳健性。
原文摘要
We propose a spatio-temporal data-fusion framework for point data and gridded data with variables observed on different spatial supports. A latent Gaussian field with a Matérn-SPDE prior provides a continuous space representation, while source-specific observation operators map observations to both point measurements and gridded averages, addressing change-of-support and covariate misalignment. Additionally incorporating temporal dependence enables prediction at unknown locations and time points. Inference and prediction are performed using the Integrated Nested Laplace Approximation and the Stochastic Partial Differential Equations approach, which delivers fast computation with uncertainty quantification. Our contributions are: a hierarchical model that jointly fuses multiple data sources of the same variable under different spatial and temporal resolutions and measurement errors, and a practical implementation that incorporates misaligned covariates via the same data fusion framework allowing differing covariate supports. We demonstrate the utility of this framework via simulations calibrated to realistic sensor densities and spatial coverage. Using the simulation framework, we explore the stability and performance of the approach with respect to the number of time points and data/covariate availability, demonstrating gains over single-source models through point and gridded data fusion. We apply our framework to soil moisture mapping in the Elliot Water catchment (Angus, Scotland). We fuse in-situ sensor data with aligned and misaligned covariates, satellite data and elevation data to produce daily high resolution maps with uncertainty.