グリーンネスのドライバーをマッピング: MODISの植被指数の空間変数選択

環境因子が vegetation condition とどのように関連しているかを理解することが、空間的な変動回帰モデルに基づく研究において重要であり、しかし、それらの各予測子に対して別の偏置表面をそれぞれプロットすることは、無関係な多くの予測子が存在する場合に汚染されたパターンを生み出し、解釬性が悪いことがあります。MODIS の vegetation index 研究により、スペクトラバンド、生産性とエネルギー fluxes 、観察の幾何学、および土地表面特性からの予測変数が調べられます。これらの関連が冠組構造、気候、国土利用、そして測定条件によって変動することから、方法は空間的な影響をモデル化するだけでなく、予測変数が重要である地点も識別するべきです。我々はスパースな多層ピクセル基底とバイナリストーラー勾配の Bayesian 有効先群の先に従った各係数表面を使い、その基礎係数を推移縮小します。これは予測変数に関する非効果を零まで押し込んで地域特性構造を保護します。我々は推定する結果に基づいて状況マッピングを作成し、境界の含込まれていない 0 の位置を特定することで各影響表面について信頼性を提供します。 我々はパーシャニュイな予測子のセットを使用した地点での予測の簡素化を定義します。「後処理への推論」を使い、効果のある空間分布を推導します。MIDI の事例では重要な制御要因の場所が解明される軽量な予測変数のセットが得られます。

arXiv:2602.07681v1 Announce Type: cross 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.