Monitoring Deforestation Using Multivariate Bayesian Online Changepoint Detection with Outliers
含异常值的多元贝叶斯在线变点检测：森林砍伐监测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。
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：摘要直接处理季节性时间序列与在线变点检测，支持时间序列及结构变化方向的分类。
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…
含异常值的多元贝叶斯在线变点检测：森林砍伐监测
- 研究问题
- 在遥感序列稀疏、变化细微且含季节趋势和异常值时，如何近实时识别真实景观变化，并避免异常观测触发误报？
- 方法与思路
- 作者在贝叶斯在线变点检测中引入支持季节趋势的多元线性回归，并加入应对偶发异常值的机制用于森林砍伐监测。
- 材料陈述的贡献
- 摘要称该机制保持精确后验计算的效率与检测时延，模拟支持其异常值鲁棒性，缅甸应用中表现优于所比较方法。
- 阅读关注点
- 应核对异常值机制与先验设定、季节趋势的处理，以及检测准确率、计算成本和时延是否在相同条件下比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未提供异常值假设、评价指标、数值结果或比较方法的完整设置。
原文摘要
Near real time change detection is important for a variety of Earth monitoring applications and remains a high priority for remote sensing science. Data sparsity, subtle changes, seasonal trends, and the presence of outliers make detecting actual landscape changes challenging. Adams and MacKay (2007) introduced Bayesian Online Changepoint Detection (BOCPD), a computationally efficient, exact Bayesian method for change detection. Incorporation of prior information allows for relaxed dependence on dense data and an extensive stable period, making this method applicable to relatively short time series and multiple changepoint detection. In this paper we conduct BOCPD with a multivariate linear regression framework that supports seasonal trends. We introduce a mechanism to make BOCPD robust against occasional outliers without compromising the computational efficiency of an exact posterior change distribution nor the detection latency. We show via simulations that the method effectively detects change in the presence of outliers. The method is then applied to monitor deforestation in Myanmar where we show superior performance compared to current online changepoint detection methods.