Filtro de Kalman Espacial
Imagine monitorar as concentrações de poluição do ar em uma cidade usando uma rede de sensores. O campo de poluição verdadeiro é não observado em todos os lugares, mas inferido de leituras de sensores ruidosas. O filtro de Kalman espacial trata o campo como um estado latente que evolui de acordo com a dinâmica física, propaga a incerteza para frente no tempo e, em seguida, corrige sua estimativa sempre que novas observações chegam. O resultado é uma reconstrução do campo suave espacialmente e em evolução temporal, com incerteza quantificada em cada local — incluindo locais sem sensores.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Cressie, N. & Wikle, C. K. (2011). Statistics for Spatio-Temporal Data. Wiley. ISBN: 978-0-471-69274-4
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Spatial Kalman Filter for Spatio-Temporal State-Space Models. ScholarGate. https://scholargate.app/pt/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.
- Inferência Bayesiana DinâmicaBayesiano↔ compare
- Filtro de KalmanBayesiano↔ compare
- Filtro de Partículas (Monte Carlo Sequencial)Bayesiano↔ compare
- Monte Carlo SequencialBayesiano↔ compare
- Inferência Bayesiana EspacialBayesiano↔ compare
- MCMC EspacialBayesiano↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →