高斯过程模型应对坐标未知难题：采矿业数据预测新突破！

转载于 2026-05-25 08:43:18 发布 · 13 阅读

不知道数据从何而来？针对未知坐标的贝叶斯建模

文章创建于2026年5月24日，涉及2026、统计学、Python、PyMC、教程等相关内容。空间概率模型在采矿业有极具说服力的应用案例。在矿产资源勘探时，勘探人员通过钻孔采集地质样本，检测样本中是否存在有价值的矿石及其浓度。这些数据有很强的空间相关性，但构建详尽的地球物理模型有时不可行，因为对地下情况观测有限。不过，探地雷达和重力测量等遥感技术提高了对地球地下结构的表征能力。为应对挑战，希望构建概率模型，利用附近数据预测新位置上感兴趣的变量。

使用沃克湖数据集说明问题

为更好说明问题，使用沃克湖（Walker Lake）的铀和钒点参考浓度测量数据集。这些数据源自Isaaks和Srivastava的《应用地质统计学导论》，并随R包 `gstat` 一起分发。

探讨特殊的高斯过程模型例子

目前有很多高斯过程模型在机器人技术、空间统计学、神经科学等领域应用的例子。现在探讨一个特殊例子，即修改高斯过程模型，以适应数据点实际位置无法精确知晓，且只能在存在大量测量噪声的情况下进行观测的情况。空间位置误差会改变协方差和预测问题本身，这在Cressie和Kornak以及Cervone和Pillai的相关工作中都有强调。引入这个例子是为展示，在对如何将假设表示为模型过程的一部分有想法时，使用适当先验的贝叶斯建模方法几乎可修改和改变模型的任何部分，然后用蒙特卡罗方法进行推理以获得可靠参数估计。

引入符号并构建模型

引入更多符号，令 \(\tilde{\mathbf{s}}_i\) 表示记录的坐标，\(\mathbf{s}_i\) 表示测量实际发生的潜在坐标。使用 \(\mathbf{s}_i = \tilde{\mathbf{s}}_i + \Delta_i\)，其中 \(\Delta_i \sim \operatorname{Normal}(\mathbf{0}, \sigma_s^2 I_2)\)，并在 \(\mathbf{s}_i\) 而非 \(\tilde{\mathbf{s}}_i\) 处评估高斯过程。这里对坐标系选择较随意，也可选择使用极坐标，并对位置误差的大小和角度设置先验。在这个例子中，尺度 \(\sigma_s\) 被视为已知量，以便模型表示不同的坐标误差假设水平。给出了一系列模型公式，这个模型在计算上比固定位置的高斯过程模型更复杂，因为协方差矩阵会随潜在坐标变化而改变，使用 `pm.gp.Marginal` 来对观测处的潜在高斯过程值进行积分。

构建噪声不断增加的数据集

将构建噪声不断增加的数据集，研究模型的参数估计如何变化。首先用不断增加的噪声扰动原始坐标，给出了相关的Python代码。扰动后的坐标如图X所示，在本次分析中，保持目标变量不变。接下来构建模型，使用 `pm.Data` 对象作为容器，以便轻松替换坐标，也给出了相应的Python代码。

模型采样及结果分析

给出了模型采样的相关信息，包括初始化方式、采样时间、出现的问题等。还给出了位置误差标准差、发散次数、最大 \(\hat{R}\)、最小批量有效样本量、平均位移等数据。之后构建了位置表面网格和简单平滑核密度估计网格，给出了相关的Python代码和绘图代码。

位置误差模型结果分析

展示了位置误差模型结果的图片，图6显示点坐标仅能近似观测的高斯过程模型的数据和后验推断。第一行中，空心圆表示真实的原始坐标，有噪声观测的数据点根据该点的铀浓度进行着色，较大的圆圈表示坐标误差的空间尺度。第二行显示了四个选定空间点真实位置的后验高密度区域轮廓，随着 \(\sigma_s\) 的增加，这些区域逐渐变大。从图6中可看出，即使坐标的不确定性增加，底层表面的一些主要特征仍然得以保留，左下角有较亮特征，左上角和右下角有较暗区域。尽管存在变化，但考虑到扰动的严重程度，仍能对这些数据进行分析，这十分令人惊讶！还使用了Nadaraya - Watson高斯核平滑器进行比较，其带宽设置为与每种情况下长度尺度的后验均值估计相匹配，结果发现该方法只能提供一个粗略的平均值，几乎无法表示空间变化。