探索统计和深度学习方法在大规模空间数据集中的有效性：案例研究
摘要：大规模和复杂的空间数据集由于高计算和存储成本，提出了巨大的推理挑战。我们的研究受到了KAUST大型空间数据集2023竞赛的启发，该竞赛要求参与者估计空间协方差相关参数，并在测试站点预测值，同时估计不确定性。我们通过交叉验证比较了各种统计和深度学习方法，并最终选择了Vecchia近似技术进行模型拟合。为了克服R软件包GpGp中的限制，该软件包不支持拟合零均值高斯过程和直接估计不确定性—这是竞赛所必需的，我们开发了附加的R函数。此外，我们还实现了基于子采样的近似和参数平滑，用于偏斜采样分布的估计器。我们的DesiBoys团队在四个子竞赛中赢得了两个，验证了我们提出的策略的有效性。此外，我们还将评估扩展到了一个大型真实空间卫星导出数据集上，该数据集涉及总可降水量，在多个诊断下比较了不同模型的预测性能。
作者：Arnab Hazra, Pratik Nag, Rishikesh Yadav, Ying Sun
论文ID：2308.05812
分类：Computation
分类简称：stat.CO
提交时间：2023-08-14