Apr, 2024

在 R 中训练和评估空间预测模型的 CAST 工具包

PDF
TL;DR环境科学中使用机器学习算法进行空间预测是一项关键任务，在这篇研究中，我们介绍了 CAST 包及其核心功能，展示了如何使用 CAST 来支持更可靠的空间预测，并以植物物种丰富度的案例研究为例，演示了建模工作流程的各个步骤。
environmental sciencemachine learningspatial mappingperformance assessmentpredictive mapping
发现论文，激发创造
  • 机器学习应用中空间预测变量选择的重要性 —— 从数据再现到空间预测

    本文证明了在生态数据的空间预测中，除了空间验证之外，空间变量选择也必须考虑，以产生可靠的预测结果。使用 “随机森林” 机器学习算法，作者通过两个案例研究了非空间和空间交叉验证策略，并发现高度自相关的预测变量可能导致过拟合，从而产生错误的空间预测模式。

    Aug, 2019

  • 数据驱动的环境研究与实践中的地理空间建模挑战

    电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

    Nov, 2023

  • 空间机器学习模型诊断：一种不依赖于模型的基于距离的方法

    该研究提出了空间预测误差剖面（SPEPs）和空间变量重要性剖面（SVIPs）作为空间预测模型的新型模型无关的评估和解释工具，以预测距离为重点。这些诊断工具为空间数据科学提供了新的工具，可能会改善机器学习模型的解释、选择和设计。

    Nov, 2021

  • 通过空间 k 折交叉验证估计空间模型的预测性能

    本文研究机器学习中的空间自相关问题，提出了基于空间 k 折交叉验证的方法，并通过三个真实开放数据集的实验验证了该方法的有效性和应用性。

    May, 2020

  • SpaCE: 空间混淆环境

    通过 SpaCE 项目，我们提供了一种解决空间混淆问题的工具包，其中包括具有实际性基准数据集和工具的真实合成结果，用于评估旨在减轻空间混淆的因果推断方法，旨在促进机器学习和因果推断模型的实验和评估。

    Dec, 2023

  • 地理空间机器学习评估挑战

    本文旨在讨论全球或遥感数据下地理空间机器学习模型的评估挑战，以及如何改进评估方法，以确保其准确性和适用性。

    Mar, 2023

  • 利用储水池计算通过空间相关性预测远距离地区的未观测气候时间序列数据

    通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。

    Jun, 2024

  • 空间过程近似：评估其必要性

    在空间统计和机器学习中，核矩阵在预测、分类和最大似然估计中起着关键作用。对于大样本量情况，经彻底检查发现，只要采样位置相对均匀分布，核矩阵就会出现病态，这给预测和估计计算中使用的数值算法带来了重大挑战，需要对预测和高斯似然进行近似处理。对当前管理大规模空间数据的方法进行综述表明，一些方法未能解决这个病态问题。这种病态经常导致随机过程的低秩近似。本文引入了各种最佳性准则，并提供了相应的解决方案。

    Nov, 2023

  • 空间环境下预测方法的一致验证

    空间预测是天气预报、空气污染研究等科学探索的关键。确定在统计或物理方法中信任预测的程度对科学结论的可信度至关重要。本文中我们基于现有的共变量转移方法，根据验证数据提出了一个新方法，并在模拟和真实数据上通过经验证明了其优势。

    Feb, 2024

  • 利用卫星图像预测房价：超越空间自回归模型

    本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。

    Oct, 2016