論文の概要: Mapping Drivers of Greenness: Spatial Variable Selection for MODIS Vegetation Indices

• arxiv url: http://arxiv.org/abs/2602.07681v2
• Date: Tue, 10 Feb 2026 04:20:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 15:31:43.021357
• Title: Mapping Drivers of Greenness: Spatial Variable Selection for MODIS Vegetation Indices
• Title（参考訳）: 緑化ドライバのマッピング:MODIS植生指標の空間変数選択
• Authors: Qishi Zhan, Cheng-Han Yu, Yuchi Chen, Zhikang Dong, Rajarshi Guhaniyogi,
• Abstract要約: 本研究はMODIS植生指標を用いて, スペクトル帯, 生産性, エネルギーフラックス, 観測幾何学, 陸地表面特性の予測因子について検討した。 本研究では,各係数面が基底係数に先行してテンソル積B-スプライン基底とベイズ群ラッソを用いる空間変化係数モデルを提案する。 95パーセントの信頼区間が0を除いた位置をマークする空間的重要度マップを用いて,保持効果を要約し,信頼区間が0を除いた位置の比率として空間的カバレッジ確率を定義する。
• 参考スコア（独自算出の注目度）: 5.326755764978551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how environmental drivers relate to vegetation condition motivates spatially varying regression models, but estimating a separate coefficient surface for every predictor can yield noisy patterns and poor interpretability when many predictors are irrelevant. Motivated by MODIS vegetation index studies, we examine predictors from spectral bands, productivity and energy fluxes, observation geometry, and land surface characteristics. Because these relationships vary with canopy structure, climate, land use, and measurement conditions, methods should both model spatially varying effects and identify where predictors matter. We propose a spatially varying coefficient model where each coefficient surface uses a tensor product B-spline basis and a Bayesian group lasso prior on the basis coefficients. This prior induces predictor level shrinkage, pushing negligible effects toward zero while preserving spatial structure. Posterior inference uses Markov chain Monte Carlo and provides uncertainty quantification for each effect surface. We summarize retained effects with spatial significance maps that mark locations where the 95 percent posterior credible interval excludes zero, and we define a spatial coverage probability as the proportion of locations where the credible interval excludes zero. Simulations recover sparsity and achieve prediction. A MODIS application yields a parsimonious subset of predictors whose effect maps clarify dominant controls across landscapes.
• Abstract（参考訳）: 環境要因が植生条件とどのように関連しているかを理解することは、空間的に異なる回帰モデルを動機付けるが、多くの予測者が無関係である場合、各予測者に対して別々の係数曲面を推定することは、ノイズの多いパターンと弱い解釈可能性をもたらす。 本研究はMODIS植生指標を用いて, スペクトル帯, 生産性, エネルギーフラックス, 観測幾何学, 陸地表面特性の予測因子について検討した。 これらの関係は、天蓋構造、気候、土地利用、および測定条件によって異なるため、空間的に異なる効果をモデル化し、予測者が重要な場所を特定する必要がある。 本研究では,各係数面が基底係数に先行してテンソル積B-スプライン基底とベイズ群ラッソを用いる空間変化係数モデルを提案する。 この先行は、空間構造を保ちながら無視可能な効果をゼロへ押し上げる予測器レベルの縮小を誘導する。 後述の推論はマルコフ連鎖モンテカルロを用いており、各効果曲面に対して不確実な定量化を提供する。 95パーセントの信頼区間が0を除いた位置をマークする空間的重要度マップを用いて,保持効果を要約し,信頼区間が0を除いた位置の比率として空間的カバレッジ確率を定義する。 シミュレーションはスパーシティを回復し、予測を達成する。 MODISアプリケーションは、ランドスケープを横断する支配的なコントロールを明確にする効果マップを持つ予測器の擬似サブセットを生成する。

関連論文リスト

• Calibrated Probabilistic Interpolation for GEDI Biomass [0.0]
  本稿では,局所観測セット上での予測条件を明示する確率的メタラーニングフレームワークであるAttentive Neural Processs (ANPs)を紹介する。 本研究では,熱帯アマゾン林からボレアル,アルプスの5つの生態系にまたがるアプローチを検証した。 この研究は、大陸規模の地球観測のためのアンサンブル分散の、スケーラブルで理論的に厳密な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-01-23T15:35:33Z)
• High-Resolution Probabilistic Data-Driven Weather Modeling with a Stretched-Grid [1.2136581144377903]
  本研究では、任意の予測長とアンサンブルサイズで87変数の高空間分解能を実現するためのデータ駆動型気象モデルを提案する。 このモデルは、実空間とスペクトル空間におけるポイントワイドの評価されたCRPS(Continuous Ranked Probability Score)に基づく損失関数を用いて訓練される。
  論文  参考訳（メタデータ） (2025-11-28T10:08:03Z)
• VegeDiff: Latent Diffusion Model for Geospatial Vegetation Forecasting [58.12667617617306]
  地理空間植生予測タスクのためのVegeDiffを提案する。 VegeDiffは、植物の変化過程の不確かさを確率的に捉えるために拡散モデルを使用した最初の企業である。 植生の変化の不確かさを捉え、関連する変数の複雑な影響をモデル化することで、VegeDiffは既存の決定論的手法より優れている。
  論文  参考訳（メタデータ） (2024-07-17T14:15:52Z)
• Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction [5.38274042816001]
  観測データでは、分布シフトは観測されていない共起因子によって駆動されることが多い。 このことは、観測データを用いた領域適応問題の研究を動機付けます。 学習した低次元部分空間を用いて、ターゲットとソースのリスクの間にほぼ理想的なギャップを生じさせるモデルを示す。
  論文  参考訳（メタデータ） (2024-06-22T17:43:08Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Prediction under Latent Subgroup Shifts with High-Dimensional Observations [30.433078066683848]
  遅延シフト適応を用いたグラフィカルモデルにおける新しい予測手法を提案する。 RPMの新規な形態は、ソース環境における因果潜伏構造を特定し、ターゲットの予測に適切に適応する。
  論文  参考訳（メタデータ） (2023-06-23T12:26:24Z)
• RbX: Region-based explanations of prediction models [69.3939291118954]
  領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。 RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
  論文  参考訳（メタデータ） (2022-10-17T03:38:06Z)
• Chilled Sampling for Uncertainty Quantification: A Motivation From A Meteorological Inverse Problem [1.688134675717698]
  勾配に基づくマルコフ連鎖モンテカルロアルゴリズムを用いて(予測)推定誤差の評価を行った。 主な貢献は、点推定の近傍における後部分布の局所的な近似をサンプリングする「ここでの冷却」と呼ばれる一般的な戦略を提案することである。
  論文  参考訳（メタデータ） (2022-07-07T09:23:03Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。