摘要
地球科学领域分析方法迅速发展，从传统的线性模型发展到地质统计学和现代机器学习技术。然而，目前还没有一个资源能够系统地比较这些方法，并提供可复现的代码。这篇基于可复现性的综述评估了七种分析技术在三种模拟地球科学数据集上的应用效果：空间点数据、时间序列数据和时空网格数据。选择这些方法的前提是它们在R语言中可用，以确保透明度和易用性。本文既是一篇历史回顾，也是一项比较性基准研究，同时还是一部包含完全可复现R代码的实用教学资源。所涵盖的方法包括线性回归、ARIMAX模型、普通克里金法、回归克里金法、随机森林模型、前馈神经网络和BART模型。所有分析都在R语言中完成，代码和数据作为补充材料提供。在空间预测方面，与真实数据相比，线性回归的平均均方根误差（RMSE）最低（1.94 ± 0.23），其次是随机森林（2.13 ± 0.23）和普通克里金法（2.20 ± 0.26），这突显了样本外验证的一致性的重要性。回归克里金法的性能与普通克里金法相当（2.22 ± 0.26）。在时间序列预测方面，前馈神经网络的性能明显优于季节性ARIMAX模型（0.37 ± 0.09 vs 1.90 ± 1.30）。在时空预测方面，随机森林和BART模型的性能没有显著差异（0.534 ± 0.004 vs 0.543 ± 0.004）。基于这些实证结果，本文提供了一份实用的决策指南，总结了根据样本大小、数据类型和研究目标（推断、预测或不确定性量化）选择方法的方法。所有代码都是开放和可复现的，为未来的方法比较提供了模板。
