.png){kind=icon}
返回
Spatial information explained by prediction models under block cross-validation
.png){kind=icon}
OA
AI
DOI：10.1016/j.isprsjprs.2026.09.034.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地理数据中的空间信息源于变量值与其位置之间的依赖关系，从根本上塑造了空间预测模型的性能与评估。模型评估主要依赖全局精度指标（如均方根误差RMSE），这些指标量化预测误差，但不评估模型在观测数据中解释的空间结构。然而，在预测建模中将空间信息作为可测量量以及评估空间块交叉验证下的空间学习性能仍存在挑战。本研究开发了空间信息解释（SIE）指标，通过量化响应变量到其预测残差的空间信息相对减少量，评估空间预测模型在建模过程中解释空间信息的程度。SIE整合了强制训练集与评估集之间空间分离的块交叉验证残差计算、基于互信息的空间信息内容量化以及softmax加权多尺度聚合。空间模拟研究验证了SIE在测量空间学习性能方面的有效性。开发的SIE指标被应用于预测澳大利亚C4天然草地面积百分比，使用了光合优势、温度和降水变量的多源环境数据，并在块交叉验证和随机交叉验证下评估了十种机器学习模型。结果表明，SIE有效地区分了机器学习模型的空间学习性能，并揭示模型在SIE下的排名与RMSE下不同，预测精度和SIE代表不同的评估维度。具体而言，KNN、神经网络和XGBoost共同实现了约0.50的最高多尺度SIE，并伴随高预测精度；SIE排名与十种模型的精度排名相关性较弱；对于所有十种模型，随机交叉验证相对于块交叉验证高估了SIE，范围为2.1%至17.0%，平均为9.9%。SIE的验证能力源于信息论特性：互信息捕获残差与空间位置之间所有形式的统计空间依赖关系，包括领域平均精度指标无法检测的非线性空间关联。SIE衡量了补充传统精度指标的空间学习性能，适用于地球科学和社会科学中的空间预测任务，以及高级地理空间人工智能和基础模型，其中捕捉地理结构是分析上必需的。
Keyword:
Spatial information explained
Model validation
Mutual information
Machine learning
Block cross-validation
Interpretability in GeoAI
