Mapping Drivers of Greenness: Spatial Variable Selection for MODIS Vegetation Indices
植被绿度驱动因素的空间变量选择：面向 MODIS 植被指数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。
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：摘要属于空间变系数贝叶斯变量选择与遥感植被应用，未涉及所给微观、宏观或金融领域细分的主题，故不选择任何细分。
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…
植被绿度驱动因素的空间变量选择：面向 MODIS 植被指数
- 研究问题
- 摘要称，研究关注环境驱动因素与植被状况的关系，问题在于当预测变量众多且多数无关时，如何既刻画空间变化的效应，又识别哪些预测变量真正重要。
- 方法与思路
- 作者提出空间变系数模型，每个系数曲面用张量积 B 样条基表示，并对基系数施加贝叶斯组 lasso 先验以实现预测变量层面的收缩；后验推断使用马尔可夫链蒙特卡洛，并给出不确定性量化。
- 材料陈述的贡献
- 摘要称该先验在保留空间结构的同时把可忽略效应压向零；用空间显著性图标记 95% 后验可信区间不含零的位置，并定义空间覆盖概率；模拟显示能恢复稀疏性并实现预测，MODIS 应用得到简约的预测变量子集。
- 阅读关注点
- 应核对组 lasso 先验的具体形式与收缩机制、样条基与平滑参数设定、MCMC 收敛与计算成本、模拟设计及稀疏恢复与预测的评价指标，以及 MODIS 应用中预测变量集合与显著性图的构造细节。
- 阅读边界
- 仅有 arXiv 预印本摘要，未说明数据年份、空间范围、样本量与具体数值结果，也未说明识别假设与模型检验；预印本未经同行评审，不能据此声称已被期刊接收或结论已获验证。
原文摘要
Understanding how environmental drivers relate to vegetation condition motivates spatially varying regression models, but estimating a separate coefficient surface for every predictor can yield noisy patterns and poor interpretability when many predictors are irrelevant. Motivated by MODIS vegetation index studies, we examine predictors from spectral bands, productivity and energy fluxes, observation geometry, and land surface characteristics. Because these relationships vary with canopy structure, climate, land use, and measurement conditions, methods should both model spatially varying effects and identify where predictors matter. We propose a spatially varying coefficient model where each coefficient surface uses a tensor product B-spline basis and a Bayesian group lasso prior on the basis coefficients. This prior induces predictor level shrinkage, pushing negligible effects toward zero while preserving spatial structure. Posterior inference uses Markov chain Monte Carlo and provides uncertainty quantification for each effect surface. We summarize retained effects with spatial significance maps that mark locations where the 95 percent posterior credible interval excludes zero, and we define a spatial coverage probability as the proportion of locations where the credible interval excludes zero. Simulations recover sparsity and achieve prediction. A MODIS application yields a parsimonious subset of predictors whose effect maps clarify dominant controls across landscapes.