[论文解读] Multivariate multilevel latent Gaussian process model to evaluate wetland condition

Erin M. Schliep, Jennifer A. Hoeting|arXiv (Cornell University)|May 18, 2012

Economic and Environmental Valuation被引用 2

一句话总结

本文提出了一种贝叶斯多变量多层潜变量高斯过程模型，利用混合有序和连续响应来评估湿地状况。通过建模一个未观测到的潜空间高斯过程，该方法实现了跨地点的湿地状况相对排序，并识别出与潜变量状况最相关的现场测量指标，为生态评估中常用的基于专家判断的指数提供了一种数据驱动的替代方案。

ABSTRACT

We propose a Bayesian model for mixed ordinal and continuous multivariate data to evaluate a latent spatial Gaussian process. Our proposed model can be used in many contexts where mixed continuous and discrete multivariate responses are observed in an effort to quantify an unobservable continuous measurement. In our example, the latent, or unobservable measurement is wetland condition. While predicted values of the latent wetland condition variable produced by the model at each location do not hold any intrinsic value, the relative magnitudes of the wetland condition values are of interest. In addition, by including point-referenced covariates in the model, we are able to make predictions at new locations for both the latent random variable and the multivariate response. Lastly, the model produces ranks of the multivariate responses in relation to the unobserved latent random field. This is an important result as it allows us to determine which response variables are most closely correlated with the latent variable. Our approach offers an alternative to traditional indices based on best professional judgment that are frequently used in ecology. We apply our model to assess wetland condition in the North Platte and Rio Grande River Basins in Colorado. The model facilitates a comparison of wetland condition at multiple locations and ranks the importance of in-field measurements.

研究动机与目标

• 开发一种统计模型，从混合连续和有序生态测量数据中量化未观测到的湿地状况。
• 利用点参考协变量，在未观测位置实现潜变量湿地状况的空间预测。
• 对各个响应变量相对于潜变量湿地状况的重要性进行相对排序。
• 为生态评估中常用的基于专家判断的指数提供一种数据驱动的替代方案。
• 促进对河流流域内多个站点湿地状况的比较评估。

提出的方法

• 该模型采用多层贝叶斯框架，通过潜变量高斯过程联合建模混合连续和有序响应。
• 假设在共享潜变量空间高斯过程（代表未观测到的湿地状况）的条件下，观测到的响应是条件独立的。
• 在点参考层次引入协变量，以支持在新位置的预测。
• 利用马尔可夫链蒙特卡洛（MCMC）方法估计潜变量过程和响应变量的后验分布。
• 通过量化每个响应变量与潜变量过程之间的相对相关性，对它们的重要性进行排序。
• 该方法支持不确定性量化和潜变量估计的空间平滑。

实验结果

研究问题

• RQ1 如何联合建模混合连续和有序生态数据，以推断未观测到的湿地状况潜变量？
• RQ2 哪些现场生态测量指标与潜变量湿地状况最密切相关？
• RQ3 该模型能否利用空间协变量在新的未观测位置预测潜变量湿地状况？
• RQ4 该模型对响应变量的排序与基于专家判断的指数相比如何？
• RQ5 潜变量湿地状况在北普拉特河和里奥格兰德河流域的空间分布模式是什么？

主要发现

• 该模型成功实现了对多个站点湿地状况的相对排序，支持生态完整性直接比较。
• 潜变量空间过程捕捉到了北普拉特河和里奥格兰德河流域湿地状况的有意义空间模式。
• 该模型识别出特定现场测量指标与潜变量状况最密切相关，为关键生态指标提供了洞见。
• 利用点参考协变量，在新位置生成了潜变量状况的预测，支持空间决策制定。
• 该方法为生态评估中基于专家判断的指数提供了一种统计严谨且可重复的替代方案。
• 该模型通过量化响应变量与潜变量过程的相关性来排序，提供了一种透明的方法以优先选择监测变量。