.png){kind=icon}
返回
Soil texture prediction with Bayesian generalized additive models for spatial compositional data
.png){kind=icon}
PRE
AI
DOI：10.1007/s00477-026-03339-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
组成数据（CoDa）在生态学、地质学和生物学等多个领域中发挥着重要作用。最广泛使用的建模方法基于Aitchison几何下的Dirichlet和logistic-normal公式。单纯形几何的最新发展允许回归模型以坐标形式表达，并估计其系数。一旦模型投影到实空间，即可采用多元高斯回归。然而，现有方法大多关注线性模型，缺乏灵活的替代方法，如加性或空间模型，尤其是在贝叶斯框架下和具有实际实现细节方面。本文从贝叶斯视角提出一种用于CoDa的geoadditive回归模型，采用R语言中的brms包。该模型应用等距对数比率（ilr）变换和惩罚样条来纳入非线性效应。我们还提出了两种新的贝叶斯拟合优度度量用于CoDa回归：BR-CoDa- $$R^2$$ 和 BM-CoDa- $$R^2$$ ，将贝叶斯 $$R^2$$ 扩展到组成设置。这些度量与WAIC一起，支持对解释变异性的描述性评估，并补充模型评估。该方法通过模拟研究进行验证，并应用于预测巴斯克地区的土壤质地组成。结果表明其具有良好的性能、可解释的空间模式，以及对组成结果解释变异性的可靠量化。
Keyword:
Bayesian inference
CoDa
Bayesian CoDa-\(R^2\)
Spatial modelling
Generalized additive models
Penalized splines
期刊
IF:
3.6
论文数:
3.5K
被引数:
6.9K
机构
引用论文
Unveiling Land Use Dynamics: Insights from a Hierarchical Bayesian Spatio-Temporal Modelling of Compositional Data揭示土地利用动态：来自分层贝叶斯时空建模的组成数据见解
PREAI
分享收藏Spatial prediction of soil surface texture in a semiarid region using random forest and multiple linear regressions基于随机森林和多元线性回归的半干旱区土壤表层质地空间预测.png)
CATENA
CATENAIF5.7
PREAI
分享收藏分享收藏Digital soil mapping of available water content using proximal and remotely sensed data使用近端和遥感数据对可用含水量进行数字土壤制图
PREAI
分享收藏分享收藏
分享收藏
查看更多内容