Bayesian principal component regression model with spatial effects for forest inventory variables under small field sample size

مشاهدات سنجش از دور به طور گسترده ای برای تجزیه و تحلیل متغیرهای محیطی استفاده می شود. این متغیرها اغلب همبستگی فضایی را نشان می دهند که باید در مدل های کالیبراسیونی که در پیش بینی ها استفاده می شود، یا با مدل سازی مستقیم وابستگی ها و یا با اجازه دادن به اثرات تصادفی همبستگی مکانی. یکی دیگر از ویژگی های بسیاری از ابزار سنجش از راه دور این است که متغیرهای پیش بینی کننده مشتق شده بسیار همبسته هستند، که می تواند منجر به مدل غیر ضروری بیش از حد آموزش و در بدترین حالت، ویژگی های برآورد شود. هر دوی این ها دقت پیش بینی را تأثیر می گذارند، به ویژه هنگامی که آموزش برای کالیبراسیون مدل کوچک است. برای غلبه بر این چالش های مدل سازی، ما یک روش کالیبراسیون مدل عمومی برای داده های حساس داده شده را ارائه می دهیم و آن را به داده های اسکن لیزر هوایی موجود برای موجودی جنگل اعمال می کنیم. ما از یک مدل رگرسیون خطی استفاده می کنیم که برای مولفه های اصلی و تنظیم مقادیر بیزی برای چندین همبستگی در پیش بینی کننده ها استفاده می شود. این یک مولفه اثر تصادفی فضایی برای همبستگی فضایی است که توسط یک مدل خطی ساده توضیح داده نشده است. یک روش نمونه برداری مونت کارلو زنجیره مارکوف برای تعیین عدم اطمینان در تمام پارامترهای مدل استفاده می شود. ما مدل پیشنهادی را در مقایسه با چندین جایگزین مورد آزمایش قرار دادیم و از دیگر مدل های کالیبراسیون خطی استفاده کردیم، به ویژه هنگامی که اثرات فضایی، چند خطی و اندازه مجموعه آموزشی کوچک بود.