貝葉斯最大熵（Bayesian Maximum Entropy,BME）是由George Christakos教授於1990年提出的時空建模與預測理論。
與傳統地統計學方法相比，其最大的特點是可以綜合不同來源和形式的數據信息，達到精確預測和製圖的效果。它不僅可以使用研究目標的相關數據，還可以整合物理定律、基本原理、專家經驗等數據，進行更加精確的分析。
貝葉斯最大熵方法已經廣泛套用於大氣科學、地理科學、水文科學、環境科學以及傳染病學等各個領域，並且還在逐漸滲透到如社會科學、經濟學等各個領域當中。
基本介紹
- 中文名：貝葉斯最大熵
- 外文名：Bayesian Maximum Entropy
- 別名：現代時空地統計學
- 簡稱：BME
- 提出時間：1990年
- 套用：空間插值
- 學科：統計學，地統計學
簡介
Christakos於 1990 年提出了 BME 方法，提出者稱之為現代地統計學，以示與經典地統計學克里格法的區別。該方法進行空間分布研究時能融合多方面不同精度與質量的數據，並將這些數據分為兩方面：①專用數據(KS)：表示與研究區域相關的數據，包括硬數據和軟數據；②普遍知識/數據(KG)：用來描述空間隨機域的整體特徵的數據或知識，如一般自然規律、經驗知識和基於硬數據任何階的統計動差(如數學期望、協方差、方差等)。基於這兩方面數據，BME 方法分為兩個步驟：①使用 KG，基於最大熵原理，計算研究區域內未測點變數分布的先驗機率密度函式(probability density function，以下簡稱 pdf)；②使用 KS，基於貝葉斯條件機率，更新上一步獲取的先驗 pdf，得到研究區域內未測點變數分布的後驗pdf。根據最終得到的後驗 pdf，可以方便地製作多種圖件，如預測圖、超越某個閾值的機率分布圖等。
BME方法步驟
