地理统计数据建模：机器学习还是统计建模？

《Spatial Statistics》：Machine learning or statistical modelling for geostatistical data?

　　

遥感技术的进步推动了统计方法与机器学习（ML）方法的发展。统计模型显式考虑空间自相关，而机器学习方法捕捉复杂的非线性关系，混合方法则结合两种范式。研究人员通过在不同空间依赖、非平稳性、确定性复杂度与样本量下的模拟，以及利用野外清查与卫星衍生协变量进行地上生物量（AGB）估算的应用，比较了统计、机器学习和混合模型在地理统计预测中的表现。模型评估采用基于k-means聚类（K=10）生成折叠的块空间交叉验证。模拟结果表明，不存在单一最优模型。在空间效应弱且非线性结构复杂时，机器学习模型常获得最低均方根误差（RMSE）；而当空间变异性与样本量增大时，显式纳入空间依赖的模型竞争力增强。例如，在具线性确定性分量的径向空间梯度下，n=50时KED与NNOK的RMSE=1.11，而n=500时GBM达RMSE=1.02。在突变机制转换下，低中等空间变异性时基于RF的模型具竞争力，高空间变异性时GBM与GPBoost更强。在AGB应用中，GBM取得最低RMSE（68.34 t/ha），KED的RMSE（68.89 t/ha）与之接近，但不确定性校准更优（CP95%=96.24% 对比GBM的75.19%），在预测精度与不确定性校准间取得最佳权衡。阔叶林预测误差高于针叶林。总体而言，模型选择应兼顾空间结构、确定性复杂度、样本量与不确定性校准。

研究背景方面，空间估计与预测在土壤有机质、碳储、pH、地上生物量（AGB）、降水等环境应用中具有基础作用。传统上依赖统计模型（SM），如带协变量的克里金与贝叶斯地理统计模型，其优势在于参数可解释、显式量化不确定性并通过协方差函数自然纳入空间结构；但需强分布假设，在复杂非线性场景下受限。近年机器学习（ML）如随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）等凭借自动学习复杂模式在高维数据表现出色，却忽视空间自相关，违背独立采样假设，导致误差低估与过拟合风险，且预测不确定性难以量化。为弥补缺陷，研究提出将空间信息作为协变量、GPBoost、RF-GLS等改进方法，以及残差学习混合、堆叠集成混合、SPAR-Forest等混合策略。在此背景下，研究人员开展本研究，旨在系统比较SM、ML与混合模型在地理统计预测中的相对精度与不确定性量化能力，回答不同空间依赖、结构、复杂度与样本量下模型表现如何、混合模型是否具优势、不确定性量化差异三大问题。论文发表于《Spatial Statistics》。

关键技术方法上，研究人员采用模拟与真实数据双轨验证。模拟数据依不同空间依赖强度、径向/突变空间结构、线性或复杂确定性分量及n=50与500样本量生成地理统计过程；真实数据采用野外植被清查匹配卫星衍生协变量（如光谱指数、地形变量）估算AGB。模型涵盖三类：统计类含普通克里金（OK）、外部漂移克里金（KED）、回归克里金（RK）、贝叶斯地理统计模型（此处GBM指Geostatistical Bayesian Model）；机器类含RF、梯度提升机（此处GBM指Gradient Boosting Machine）、高斯过程提升（GPBoost）；混合类含残差学习混合（ML拟 drift + SM拟残差）、堆叠集成混合、SPAR-Forest（RF嵌入空间自回归CAR/SAR）。验证采用块空间交叉验证，折叠由k-means聚类（K=10）生成，以RMSE与95%覆盖概率（CP_95%）评估精度与不确定性校准。

研究结果部分，摘要与引言已阐明模拟中无全能模型：弱空间效应复杂非线性时ML占优，强空间变异大样本时KED/NNOK/GPBoost提升；AGB实证中GBM精度最高（RMSE=68.34 t/ha），KED近似（68.89 t/ha）且CP_95%=96.24%远优于GBM的75.19%，阔叶林误差偏高。第一节引言界定问题框架。第二节方法论中，2.1地理统计数据定义为点参照随机场U(s)，s∈D??^d，以经验半变异函数与块金/基台比判空间自相关强度；2.2统计建模详述OK（常数未知均值BLUP）、KED（均值随协变量x_j(s)线性漂移）、RK（回归与残差分建）、贝叶斯地理统计模型分层构造；2.3机器学习与混合模型补述GPBoost树提升结合高斯过程、RF-GLS、残差混合与SPAR-Forest。第三节数据描述模拟生成机制与AGB真实队列（野外样地+卫星协变量）。第四节结果显示模拟情景下各类模型胜负交替，真实AGB案例KED综合性价比最高。第五节讨论指出模型选择须综合空间结构、确定性复杂度、样本量与不确定性校准，AI驱动方法应增强而非替代空间统计模型。

讨论与结论翻译：研究人员强调，没有单一SM、ML或混合模型在所有情境下占优。当空间自相关弱且确定性关系高度非线性时，纯ML（如GBM）往往最小化RMSE；随着空间变异性增强与样本扩充，显式建模空间依赖的KED、NNOK、GPBoost竞争力上升。在AGB应用中，GBM获最低RMSE但不确定性校准不足，KED以近等精度提供CP_95%=96.24%的可靠区间，展现最优权衡。阔叶林较针叶林误差更大。最终结论：地理统计预测中的模型选择应同时评估空间依赖程度、确定性函数复杂度、样本规模与不确定性校准质量，混合范式在特定结构下有益但非普适胜利者；机器学习可补足统计模型对非线性协变量效应的捕捉，而统计框架保障空间一致性与推断有效性，二者互补构成未来空间统计与深度学习融合的基础。