Bayesian methodsBayesian / computational

Spatial Kalman Filter for Spatio-Temporal State-Space Models

Imagineu monitorar les concentracions de contaminació de l'aire a una ciutat utilitzant una xarxa de sensors. El camp de contaminació real no s'observa enlloc però s'infereix de lectures de sensors sorolloses. El filtre de Kalman espacial tracta el camp com un estat latent que evoluciona segons dinàmiques físiques, propaga la incertesa cap endavant en el temps, i després corregeix la seva estimació quan arriben noves observacions. El resultat és una reconstrucció del camp llisa espacialment i que evoluciona en el temps, amb incertesa quantificada a cada ubicació, incloent-hi llocs sense sensors.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

Fonts

  1. Cressie, N. & Wikle, C. K. (2011). Statistics for Spatio-Temporal Data. Wiley. ISBN: 978-0-471-69274-4
  2. Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45. DOI: 10.1115/1.3662552

Com citar aquesta pàgina

ScholarGate. (2026, June 3). Spatial Kalman Filter for Spatio-Temporal State-Space Models. ScholarGate. https://scholargate.app/ca/bayesian/spatial-kalman-filter

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateSpatial Kalman Filter (Spatial Kalman Filter for Spatio-Temporal State-Space Models). Recuperat el 2026-06-15 de https://scholargate.app/ca/bayesian/spatial-kalman-filter · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026