Correcting spatial Gaussian process parameter and prediction variance estimation under informative sampling
信息性抽样设计可以通过两种重要方式影响空间预测或克里金法。首先，抽样设计可能会使空间协方差参数估计产生偏差，而空间协方差参数估计反过来又会使空间克里金估计产生偏差。其次，即使使用空间协方差参数的无偏估计，由于克里金方差是观测位置的函数，因此这些估计值将根据样本而变化，并高估了基于总体的估计值。在这项工作中，我们开发了一个加权的复合似然方法，以提高空间协方差参数估计下的信息抽样设计。然后，给出这些参数估计，我们提出了三种方法来量化空间预测中的方差估计的抽样设计的影响。这些结果可用于为基于群体的推理做出明智的决策。我们用一个全面的模拟研究来说明我们的方法。然后，我们应用我们的方法进行空间预测位于整个加州中部的井中的硝酸盐浓度。
2021-08-27 stat.ME
Sequential Spatially Balanced Sampling
序贯抽样是指事先不知道整个总体，每次只能获得一个数据或以单位组为单位获得数据。本文提出了一种新的算法，顺序选择一个平衡的样本。该算法尊重相等和不相等的包含概率。如果感兴趣的群体包含空间坐标，则该方法还可以用于选择空间平衡的样品。仿真结果表明，该方法优于其他方法。
2022-06-01 stat.ME
R package SamplingStrata: new developments and extension to Spatial Sampling
R软件包SamplingStrata于2011年开发，作为优化分层样本设计的工具。通过考虑抽样框中可用的分层变量以及对调查目标估计值的精度约束来进行优化（Ballin和Barcaroli，2014年）。遗传算法在优化步骤的基础上探索可能的替代分层的宇宙，为它们中的每一个确定最佳分配，即允许满足精度约束的最小总大小的分配：最终的最优解是确保全局最小样本量的解。使这一方法可行的一个基本要求是，有可能估计所产生的地层中目标变量的可变性;一般而言，由于框架中没有目标变量值，只有代理变量值，因此通过对目标变量和代理变量之间的关系进行建模来计算预期方差。在空间采样的情况下，重要的是不仅要考虑总模型方差，而且还要考虑由空间自相关导出的协方差。SamplingStrata的最新版本允许考虑方差的两个分量，从而允许利用空间自相关来获得更有效的样本。
2020-04-20 stat.ME
Taking advantage of sampling deisgns in Bayesian spatial small ares survey studies
空间小区域估计模型在某些情况下已经变得非常流行，例如疾病绘图。疾病绘图研究的数据是详尽无遗的，也就是说，现有数据应该是所有可观察事件的完整记录。相比之下，其他一些小区域研究并不使用详尽的数据，例如基于调查的研究，通常遵循特定的抽样设计，然后将推论外推到整个人口。在本文中，我们提出了一个小面积调查研究的空间模型，利用单位之间的空间依赖性，这是用于产生可靠的估计在详尽的数据为基础的研究的关键假设。此外，与大多数空间调查研究相反，我们采取的方法也考虑了抽样设计和其他补充变量的信息，以产生小面积的估计。这使得有可能将基于空间和采样的方法合并到一个共同的建议中
2021-12-10 stat.ME
Sampling spatial structures in geostatistical framework
极值地质统计学使依赖于空间或时间参数的随机现象的渐近行为建模成为可能。在本文中，我们提出了一个新的模型的极值系数在一个空间平稳领域的基础上的多元copula。在空间框架下构造了极值图和交叉极值图的扩展模型。此外，这两种地质统计学工具都是使用极值变差函数来建模的，该变差函数表征了现象的渐近随机行为。
2022-07-01 stat.ME
Spatial data fusion adjusting for preferential sampling using INLA and SPDE
提出一种考虑优先采样的贝叶斯空间融合模型，结合贝叶斯融合规范与依赖采样过程，利用INLA和SPDE方法实现快速推断，有效融合点数据与面数据以预测空气污染。
2024-06-05 stat.ME
Intelligent n-Means Spatial Sampling
Kharazmi University（卡拉兹米大学）；University of Tehran（德黑兰大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
该研究提出整合式空间采样框架，含新平移不变均匀性指数、辅助变量平衡聚类法、适配空间结构的智能高效图采样方案，在多场景下离散度表现优于同类设计，提升采样代表性与空间均匀性。
2025-10-28 stat.ME
Preferential Sampling for Bivariate Spatial Data
优先抽样提供了一个正式的建模规范，以捕捉在一组采样位置的偏差的影响，推断时，地质统计模型被用来解释在采样位置观察到的响应。特别地，其使得能够修改针对偏差调整的空间预测。它在文献中的原始介绍解决了评估这种抽样偏差的存在，而后续工作的重点是回归规范，以改善这种偏差下的空间插值。迄今为止，文献中的所有工作都考虑了每个位置的单变量响应变量的情况，无论是连续的还是通过潜在连续变量建模的。这里的贡献是将优先抽样的概念扩展到每个位置的双变量响应的情况。这暴露了在给定位置观察到两种响应的采样场景，以及对于某些位置仅记录其中一种响应的场景。也就是说，一个响应的采样偏倚可能与另一个不同。它导致评估这种偏差对协同克里金的影响。它还暴露了优先抽样可能会导致对某个位置的响应之间的依赖性的推断产生偏差的可能性。我们开发的双变量优先抽样的想法，通过各种模型规格，并说明这些规格的预测和依赖行为的影响。我们通过模拟示例以及林业数据集来实现这一点，该数据集提供了平均胸径（MDBH）和每公顷树木（TPH）作为点参考双变量响应。
2022-02-18 stat.ME
Spatial causal inference in the presence of preferential sampling to study the impacts of marine protected areas
North Carolina State University（北卡罗来纳州立大学）
本文提出一种空间因果推断方法，用于评估海洋保护区对生物多样性的影响，考虑了采样过程和治疗分配中的未测量空间混杂因素。
2026-05-08 stat.ME
Adaptive Spatial Sampling Design for Environmental Field Prediction using Low-Cost Sensing Technologies
在过去十年中，可用于监测和预测环境现象的数据源激增。虽然已经开发了几种推理方法，通过结合这些数据对基本过程进行预测，但当需要额外数据来补充来自其他异质来源的数据时，尚未开发出最佳抽样设计。在这里，我们提供了一个自适应的空间设计策略的基础上的效用函数，结合预测的不确定性和风险因素的标准。预测的不确定性是通过一个空间数据融合方法的基础上固定秩克里格，可以处理不同的空间支持和信噪比的数据。我们专注于低成本的便携式传感器的应用，这往往是相对嘈杂的，空气污染监测，从监管站以及数字建模系统的数据也是可用的。虽然我们发现，空间自适应采样设计可以帮助提高预测和减少预测的不确定性，低成本的便携式传感器是唯一可能是有益的，如果他们是足够的数量和质量。我们的结论是基于一个多因素的模拟实验，并在纽约西部的伊利和尼亚加拉县的污染物的现实模拟。
2023-03-03 stat.ME
Spatial Spread Sampling Using Weakly Associated Vectors
地理数据通常是自相关的。在这种情况下，最好选择展开单位。在本文中，我们提出了一个新的方法，选择良好的传播样本从有限的空间总体具有相等或不等的包含概率。所提出的方法是基于通过使用分层矩阵的空间结构的定义。我们的方法完全满足给定的包含概率，并提供了非常广泛的样本。一组仿真结果表明，我们的方法优于其他现有的方法，如广义随机镶嵌分层（GRTS）或局部网格方法（LPM）。对真实数据集的方差分析表明，我们的方法比这两种方法更准确。此外，提出了一种方差估计。
2020-07-28 stat.ME
Direct Sampling of Bayesian Thin-Plate Splines for Spatial Smoothing
径向基函数是一种常用的数学工具，用于从一组数据点构造光滑的插值函数。基于薄板样条径向基函数的空间先验可以很容易地实现，从而产生可以直接使用蒙特卡罗积分进行采样的后验，避免了蒙特卡罗马尔可夫链（MCMC）采样方案的计算负担和潜在的低效率。证明了先验和抽样方案的推导。
2019-06-13 stat.CO stat.ME
A spatial variance-smoothing area level model for small area estimation of demographic rates
准确估计国家以下各级的卫生和人口指标对于为卫生政策决定提供信息至关重要。许多国家利用复杂的住户调查收集相关数据，但在数据有限的情况下，小地区比例的直接调查加权估计数可能不可靠。将这些直接估计值作为响应数据处理的区域水平模型可以提高精度，但通常需要所有区域的直接估计值的已知抽样方差。在实践中，抽样方差通常是估计的，因此标准方法不考虑不确定性的关键来源。为了解释估计的抽样方差的变异性，我们提出了一个分层贝叶斯空间区域水平模型，平滑估计的均值和抽样方差，以产生小面积比例的点和区间估计。我们的模型明确的目标是估计小面积的比例，而不是连续变量的平均值，我们考虑了中度和低度流行事件的例子。我们证明了我们的方法的性能，通过模拟和应用到疫苗接种覆盖率和艾滋病毒流行率数据的人口与健康调查。
2022-09-06 stat.ME
Assessing Preferential Sampling in Retail Survival Data: A Bayesian Joint LGCP and Spatial Probit Model for Mini-Supermarket Closure in Tokyo
Bank of America, Tokyo, Japan（美国银行）；Graduate School of Social Data Science, Hitotsubashi University, Tokyo, Japan（一桥大学社会数据科学研究生院）
研究零售生存数据中因位置因素致偏好抽样问题，提出贝叶斯联合LGCP和空间Probit模型，用特定算法和协变量等进行分析，结果显示能区分偏好抽样，且靠近大型超市是关闭风险的稳健预测因素。
2026-08-12 stat.AP stat.ME
Bayesian Design with Sampling Windows for Complex Spatial Processes
优化设计有助于智能数据收集。在本文中，我们介绍了一个完整的贝叶斯设计方法的空间过程具有复杂的协方差结构，像那些典型的自然生态系统。坐标交换算法通常用于查找最佳设计点。然而，在具体点收集数据在实践中往往是不可行的。目前，没有规定在选择设计方面给予灵活性。我们还提出了一种方法来找到贝叶斯采样窗口，而不是点，通过高斯过程仿真，以确定在多维空间的高设计效率的区域。这些发展的动机是两个生态案例研究：在美国西北部的河流网络系统的水温监测和澳大利亚西北海岸的水下珊瑚礁监测。
2022-06-10 stat.AP stat.ME
Spatial Random Sampling: A Structure-Preserving Data Sketching Tool
University of Central Florida（中佛罗里达大学）
随机列抽样不能保证产生保留数据底层结构的数据草图，并且可能无法从填充较少的数据集群中充分抽样。此外，自适应采样通常可以提供准确的低秩近似，但可能无法产生描述性的数据草图，特别是当聚类中心是线性相关的。出于这一动机，本文介绍了一种新的随机列采样工具，称为空间随机采样（SRS），其中数据点是根据其接近随机采样点的单位球。SRS最引人注目的特征是，从给定数据聚类中采样的相应概率与聚类在单位球上占据的表面积成比例，而与聚类总体的大小无关。虽然它是完全随机化的，SRS显示提供描述性和平衡的数据表示。这个想法解决了数据科学的迫切需求，并有可能激发许多新的大数据分析方法。
2017-07-12 cs.LG stat.ME stat.ML
A spatial modeling framework for monitoring surveys with different sampling protocols with a case study for bird abundance in mid-Scandinavia
我们提出了一种新的方法来模拟总丰度合并计数数据信息的调查与不同的采样协议。所提出的方法用于挪威和瑞典的国家繁殖鸟类监测计划的数据。每次普查都在每个国家按照两种不同的采样协议收集丰度数据，即这些协议提供来自四种不同采样过程的数据。建模框架假设一个共同的高斯随机场共享的观测和真实的丰度与它们之间的线性或松弛的线性关联。这些模型考虑到了每项取样协议的特殊性，包括影响每项观测过程的条款，即考虑到观测单位和可探测性的差异。贝叶斯推断使用集成嵌套拉普拉斯近似（INLA）和随机偏微分方程（SPDE）方法进行空间建模。我们还提出了一个模拟研究的基础上，从斯堪的纳维亚半岛中部的实证普查数据，以评估模型下的模型误指定的性能。最后，在我们的研究区域在斯堪的纳维亚半岛中部的鸟类的总预期丰度的地图与不确定性估计。
2022-04-07 stat.AP stat.ME
Accounting for Preferential Sampling Using a Constructed Covariate
Centre of Mathematics of the University of Minho (CMAT)（米尼奥大学数学中心）；Department of Mathematics of the Nova School of Science and Technology（新大学科学技术学院数学系）；Center for Mathematics and Applications (NOVA Math)（数学与应用研究中心）；NOVA University of Lisbon, Caparica, Portugal（里斯本新大学）；Portuguese Institute for Sea and Atmosphere (IPMA)（葡萄牙海洋与大气研究所）；Center of Statistics and its Applications (CEAUL)（统计学及其应用中心）；Military Academy Research Center - Military University Institute (CINAMIL)（军事学院研究中心）；Engineering Superior Institute of Lisbon (ISEL), Polytechnic Institute of Lisbon（里斯本高等工程学院）；NOVA University of Lisbon, Portugal（里斯本新大学）
研究地质统计学中优先抽样问题，提出基于最近邻观测平均距离构建协变量的方法，经模拟研究和真实数据集验证，该方法能减少优先抽样影响，实现可靠推断并探讨了相关挑战与发展路径。
2026-07-15 stat.ME
Inverse sampling intensity weighting for preferential sampling adjustment
Department of Biostatistics and Bioinformatics, Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院生物统计与生物信息学系）
提出逆采样强度加权（ISIW）方法，通过两阶段加权似然调整和Vecchia近似实现高效预测，在模型误设下优于传统方法，并应用于铅浓度和PM2.5空间预测。
2025-12-20 stat.ME
Sparse sampling: Spatial design for monitoring stream networks
监测河流网络，特别是短暂系统的空间设计通常是非标准的，“稀疏”的，可能非常复杂，反映了被监测的生态系统的复杂性，人口的规模，以及相互竞争的多个监测目标。本文的主要目的是提出一个审查的方法，空间设计，使明智的决定，制定切实可行的和最佳的空间设计，为未来的监测流。
2008-08-29 math.ST stat.AP stat.ME
Optimal Sampling Regimes for Estimating Population Dynamics
生态学家对模拟各种生态系统中物种的种群增长很感兴趣。研究种群动态可以帮助环境管理者为环境做出更好的决策。传统上，物种采样和种群跟踪是按固定的时间频率记录的。然而，由于可用的资源、金钱和时间，采样可能是一个昂贵的过程。有限的抽样使得适当跟踪人口增长变得具有挑战性。因此，我们提出了一个新的和新颖的方法来设计抽样制度的基础上与人口增长模型的动态。这项设计研究最大限度地减少了生态学家在现场花费的时间，同时最大限度地提高了数据提供的信息。
2021-02-02 stat.ME
Accounting for spatial varying sampling effort due to accessibility in Citizen Science data: A case study of moose in Norway
公民科学家以及越来越多的技术提供了可用于研究生态学和生物多样性的大型数据集。未知和变化的采样努力是一个主要问题时，作出推断的基础上公民科学数据。在本文中，我们提出了一个建模方法，占抽样工作的变化，由于可访问性。本文是基于一个说明性的案例研究，使用公民科学的驼鹿发生在Hedmark，挪威的数据。其目的是作出推断的重要性，已知的两个地理属性影响驼鹿的发生;地形崎岖指数和太阳辐射。解释性分析表明，驼鹿的出现是过度接近道路，我们使用的距离道路作为可访问性的代理。我们提出了一个基于贝叶斯对数高斯Cox过程规范发生的模型。该模型通过距离抽样方法说明了可访问性。这种方法可以被看作是一个细化过程，其中细化的概率，即不观察，随着距离的增加而增加。对于驼鹿案例研究，使用到道路的距离。使用集成嵌套拉普拉斯近似和空间建模的随机偏微分方程方法进行计算高效的全贝叶斯推断。所提出的模型以及不考虑不同的采样工作，由于可访问性的后果进行了研究，通过模拟研究的基础上的案例研究。相当大的偏见被发现在估计辐射对驼鹿发生的影响时，访问模型中没有考虑。
2019-11-26 stat.AP stat.ME
Sampling for Region-Aggregated Spatial Scan Statistics
University of Utah（犹他大学）；Taptap Send；Meta
针对区域聚合数据与点扫描算法不匹配的问题，提出用20-50个均匀采样点代替区域质心，提升统计功效且保持计算可行性。
2026-08-24 cs.CG stat.AP stat.ME
Enhancing Scalability in Bayesian Nonparametric Factor Analysis of Spatiotemporal Data
针对中大型时空数据的贝叶斯非参数因子分析计算瓶颈，提出切片采样、最近邻高斯过程先验和顺序更新算法，提升可扩展性、存储效率及预测聚类性能。
2025-02-16 stat.CO stat.ME
Spatial sampling design to improve the efficiency of the estimation of the critical parameters of the SARS-CoV-2 epidemic
与COVID-19感染相关的大流行对许多试图防止其全球传播的医学研究人员来说是一个前所未有的临床和医疗挑战。这一大流行病也是参与量化这一现象和及时提供监测和监视大流行病关键参数的工具的统计人员面临的重大挑战。Alleva et al.（2020）在最近的一篇论文中提出了两阶段样本设计，以构建一个连续时间监测系统，旨在通过间接采样机制正确量化感染者数量，该机制可以随着时间的推移分几波重复，以捕获疫情发展不同阶段的不同目标变量。所提出的方法利用了间接采样（Lavalle，2007; Kiesl，2016）方法，用于估计稀有和难以捉摸的种群（Borchers，2009; Lavallée和Rivest，2012）和捕获/再捕获机制（Sudman，1988; Thompson和Seber，1996）。在本文中，我们扩展了Alleva等人的提议。（2020）包括空间采样机制（Müller，1998; Grafström等人，2012年，Jauslin和Tillè，2020年），以便在数据收集过程中以较少的抽样单位达到同样的精确度，从而在及时性和成本是关键因素的情况下促进数据收集过程。我们提出了新的样本设计的基本思想，分析证明了相关估计的理论性质，并通过系统的模拟研究，其中所有的典型元素的流行病占的相对优势。
2021-03-01 stat.AP stat.CO stat.ME
Threshold Exceedance Estimation in Spatially Correlated Areal Data Using Maxima-Nominated Sampling
Department of Statistics, University of Manitoba（曼尼托巴大学统计学系）
本文提出DUST-MNS设计，结合极大值提名抽样与概率比例大小依赖单位顺序技术，用于估计空间相关领域中超过预设阈值的面积比例，展示了其在稀有到中等突破情形下的优越性。
2026-05-02 stat.AP stat.ME stat.OT
Spatial epidemiology and adaptive targeted sampling to manage the Chagas disease vector Triatoma dimidiata
在中美洲，广泛使用杀虫剂仍然是控制南美锥虫病的主要形式，尽管只是暂时降低了当地病媒Triatoma dimidiata的国内水平，而且没有什么长期影响。最近，一种强调社区反馈和住房改善的办法已显示出产生持久的效果。然而，这种干预措施所需的额外资源和人员可能会阻碍其广泛采用。解决这个问题的一个办法是只针对社区中的一部分房屋，同时仍然消除足够的虫害来中断疾病传播。在这里，我们开发了一个序贯抽样框架，适应特定于一个社区的信息，因为更多的房子被访问，从而使我们能够有效地找到家庭的辅助向量，同时尽量减少抽样偏差。该方法适合贝叶斯地质统计模型进行空间信息预测，同时逐渐从基于预测不确定性的房屋优先级过渡到针对具有高侵扰风险的房屋。该方法的一个关键特征是使用单个探测参数$α$来控制这两个设计目标之间的转换速率。在一项模拟研究中，从危地马拉东南部的五个村庄的经验数据，我们测试我们的方法使用一系列的值为$α$，并发现它可以始终选择更少的家庭比随机抽样，同时仍然使村庄的侵扰率低于给定的阈值。我们进一步发现，当额外的社会经济信息是可用的，更大的节省是可能的，但满足目标虫害率是不太一致的，特别是在探索性较低的策略。我们的研究结果提出了实施长期T。二裂叶螨防治
2022-02-10 q-bio.PE q-bio.QM stat.AP
Optimal Sampling Design Under Logistical Constraints with Mixed Integer Programming
调查设计的目标通常是尽量减少与推断相关的错误：偏差和方差的总和。随机调查很常见，因为它们允许使用理论上无偏的无偏估计量。然而，在实践中，这种基于设计的方法往往无法解决后勤或预算方面的限制。因此，它们可能导致样品在逻辑上效率低下，或不可行的实施。已经提出了各种平衡和最佳抽样技术，以提高这种设计的统计效率，但很少有模型试图明确纳入后勤和财政限制。我们介绍了一个混合整数线性规划（MILP）的最佳抽样设计，能够捕捉各种约束条件和广泛的一类贝叶斯回归模型。我们展示了使用我们的模型在三个空间抽样问题的日益复杂，包括真正的物流美国林务局森林资源清查和分析调查的塔纳纳，阿拉斯加。我们的调查设计方法的贡献是显着的，因为建议的建模框架，使其能够生成高质量的抽样设计和推理，同时满足用户定义的实际约束。该方法的技术新颖之处是明确整合贝叶斯统计模型在组合优化。这种整合可能会允许在有限的预算或后勤空间采样的范式转变。
2023-02-11 math.OC stat.ME
Series ridge regression for spatial data on $\mathbb{R}^d$
本文为不规则空间数据上的级数岭回归建立了渐近理论，涵盖趋势与非参数回归模型，证明了收敛速度与中心极限定理，并展示了样条和小波估计的最优性及置信区间构建方法。
2025-02-28 math.ST stat.ME stat.TH
Fast Selection of Spatially Balanced Samples
从非常大的空间群体中取样是一项挑战。在最近的文献中提出的解决方案，这个问题往往需要随机选择的单位分布良好的研究区域，通过使用复杂的算法，具有的功能，必不可少的设计为基础的框架，尊重固定的一阶包含概率为每个单位的人口。框架$N$的大小经常给这些算法带来一些问题，因为基于总体单元之间的距离矩阵，至少具有$N^2$阶的计算成本。在本文中，我们提出了一个绘制的绘制算法，随机选择一个样本的大小$n$在确切的$n$步骤，更新在每一步的选择概率未被选中的单位，根据他们的距离已经选择的单位在前面的步骤。该解决方案的性能进行了比较，从{ \it空间平衡采样}文献中导出的其他方法在其均方误差（RMSE）使用的简单随机抽样（SRS）作为基准。的根本利益是不仅要评估这种不同的程序的效率，但也要了解，如果类似的结果可以获得，即使在获得更有效的抽样设计所需的计算负担显着减少。对真实和模拟人群的重复样本选择支持这一观点。土地利用和土地覆被调查（LUCAS）2012年数据集在意大利地区的应用程序作为一个具体的和实际的说明所提出的样本选择方法的能力。
2017-10-25 math.ST stat.ME stat.TH
Dynamic nested sampling: an improved algorithm for parameter estimation and evidence calculation
我们介绍动态嵌套采样：概括的嵌套采样算法，其中的“活点”的数量不同，更有效地分配样本。在实证测试中，新方法显着提高了计算精度相比，标准的巢式抽样相同数量的样本，这种增加的准确性相当于加快计算的因素高达~72的参数估计和~7的证据计算。我们还表明，参数估计和证据计算的准确性可以同时提高。此外，与标准嵌套抽样不同，通过持续更长时间的计算可以获得更准确的结果。流行的标准嵌套采样实现可以很容易地适应于执行动态嵌套采样，并且几个动态嵌套采样软件包现在公开可用。
2018-10-07 astro-ph.IM physics.data-an stat.CO
