生态科学框架下的贝叶斯反馈
摘要：基于贝叶斯方法的序贯模型更新：在生态学中，有时候我们会看到同一现象（物种出现、物种丰度等）在两种不同类型的采样器中观察到。例如，物种数据可以通过科学调查完全随机的采样模式收集，也可以通过机会性采样（如观察鲸鱼或鸟类的渔船）收集，其中观察者倾向于在他们期望找到该物种的地区寻找特定物种。 物种分布模型（SDMs）是用于分析这种生态数据的广泛应用工具。具体而言，我们有两个可用于上述数据的模型：对于来自完全随机采样器的数据，有一个独立模型（IM）；对于机会性采样的数据，有一个相关模型（DM）。 在这项工作中，我们提出了一个基于贝叶斯方法的序贯程序，通过更新先验分布来连接这两个模型。贝叶斯范式的实现是通过使用集成嵌套拉普拉斯近似（INLA）方法完成的，这是一种在高性能和低计算成本下进行空间模型推断和预测的好选择。通过模拟多种情景并使用不同标准比较从一个模型到另一个模型共享信息的结果，评估了这种序贯方法。 我们的主要结果表明，一般来说，与其相反，从独立（完全随机）模型到相关模型共享信息更好。然而，这取决于不同的因素，如空间范围或采样位置的空间布局。
作者：Mario Figueira-Pereira, Xavier Barber, David Conesa, Antonio L''opez-Qu''ilez, Joaqu''in Mart''inez-Minaya, Iosu Paradinas and Maria Grazia Pennino
论文ID：2305.17922
分类：Applications
分类简称：stat.AP
提交时间：2023-05-30