Modelos de procesos espaciales no estacionarios con núcleos de covariancia que varían espacialmente

Área de la Ciencia:

• Ciencias del medio ambiente
• Modelado estadístico
• Análisis geoespacial

Sus antecedentes:

• Los modelos de procesos espaciales son cruciales para el análisis de datos con dependencias geográficas.
• El comportamiento no estacionario en los procesos espaciales presenta desafíos computacionales significativos para los modelos tradicionales.
• Los espacios de parámetros de alta dimensión y los grandes conjuntos de datos exacerban estos cuellos de botella computacionales.

Objetivo del estudio:

• Desarrollar una clase de modelos de procesos espaciales no estacionarios escalables.
• Para abordar los desafíos computacionales en el modelado de fenómenos espaciales no estacionarios.
• Mejorar la eficiencia y la precisión de la inferencia de datos espaciales.

Principales métodos:

• Desarrollo de modelos de procesos espaciales no estacionarios que utilicen núcleos de covarianza que varían espacialmente.
• Implementación de un marco de modelado bayesiano.
• Aplicación de Monte Carlo híbrido con entrelazamiento anidado para un cálculo eficiente.

Principales resultados:

• Escalabilidad demostrada de los modelos de procesos espaciales no estacionarios propuestos.
• Se ha explorado la selección de modelos y la identificación de parámetros utilizando datos sintéticos.
• Evaluar las mejoras inferenciales ofrecidas por el modelado no estacionario en comparación con los enfoques estacionarios.

Conclusiones:

• Los modelos desarrollados ofrecen un enfoque computacionalmente eficiente para el modelado de procesos espaciales no estacionarios.
• Los métodos proporcionan un marco para el análisis de datos espaciales complejos, como los índices de vegetación de teledetección.
• La sinergia entre la construcción de modelos y el desarrollo algorítmico es clave para superar las limitaciones computacionales.