Aggregation-cokriging for highly multivariate spatial data
高维多变量空间数据的聚合协同克里金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：摘要研究空间统计预测和温度场重建，未涉及所列宏观预测或经济网络方向。
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…
关注这篇论文的作者
高维多变量空间数据的聚合协同克里金
- 研究问题
- 多变量空间预测需要求解庞大的协方差线性系统时，如何降低计算负担，并保留线性无偏预测所需的结构？
- 方法与思路
- 作者将多个辅助变量线性聚合成一个元辅助变量，再与主要变量共同进行协同克里金，并讨论不同协方差结构下的最优性。
- 材料陈述的贡献
- 摘要称，该方法提供计算高效的线性无偏预测器，分析若干协方差结构下的最优性，并用于构建高分辨率历史温度场。
- 阅读关注点
- 应核对聚合权重的构造、最优性成立的协方差条件，以及降维相对完整协同克里金的计算收益与预测信息损失。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；最优性条件、计算规模和预测误差未说明，温度场重建也不等同宏观预测。
原文摘要
Best linear unbiased prediction of spatially correlated multivariate random processes, often called cokriging in geostatistics, requires the solution of a large linear system based on the covariance and cross-covariance matrix of the observations. For many problems of practical interest, it is impossible to solve the linear system with direct methods. We propose an efficient linear unbiased predictor based on a linear aggregation of the covariables. The primary variable together with this single meta-covariable is used to perform cokriging. We discuss the optimality of the approach under different covariance structures, and use it to create reanalysis type high-resolution historical temperature fields.