基于INLA-SPDE贝叶斯空间模型预测土壤有机碳含量

发布时间：2024-05-12 05:25

　　采用嵌套拉普拉斯逼近积分——随机偏微分方程(INLA-SPDE)构建贝叶斯空间模型,用该模型对塔里木盆地北缘土壤有机碳含量的空间分布进行预测;采用Python语言PyMC库和R语言spBayes包构建基于马尔科夫链蒙特卡洛(MCMC)模拟的贝叶斯空间模型。比较了基于MCMC和INLA-SPDE两类贝叶斯空间模型的推断结果、预测准确性和计算时间,结果表明基于INLA-SPDE与MCMC的有机碳含量的贝叶斯空间模型具有相似的参数后验分布、后验预测分布以及预测准确度;INLA-SPDE模型比MCMC模型具有更快的运算速度。

【文章页数】：7 页

【部分图文】：

图1四个约束细分Delaunay三角网

图1所示的是构建的4个三角网，它们均比土壤采样点的范围要大，目的是避免边界效应的发生[3,15]。Mesh2的三角形边长值较大，三角形数量少，三角顶点总数有204个；Mesh4是4个三角网中最密的，三角顶点总数最多，有772个（表1）。图2所示的是基于4个三角网的INLA-S....

图2基于4个三角网的INLA-SPDE贝叶斯空间模型参数的后验边缘密度函数

图3是土壤有机碳含量的后验均值与后验标准偏差的空间分布图。INLA-SPDE和MCMC(spBayes和PyMC）对盐土土壤有机碳含量的预测结果极为相近，后验均值的范围分别为2.1～6.4g·kg-1、2.0～6.7g·kg-1、2.3～6.7g·kg-1；后验均值的平....

图3基于INLA-SPDE和MCMC(spBayes和PyMC）贝叶斯空间模型预测的土壤有机碳含量（g·kg-1）后验均值和预测标准偏差

贝叶斯空间预测的不确定性可以用变量的后验预测标准偏差来度量。INLA-SPDE的预测标准偏差值的范围为4.6～5.5g·kg-1，低于spBayes方法的标准差范围（5.5～6.1g·kg-1），大于PyMC方法的标准偏差范围（0.4～1.4g·kg-1）。INLA-S....

本文编号：3970924