第七届青年地学论坛

很多自然和社会现象的空间分布呈现集聚特征，如地震、疟疾病例、恐怖事件等。如果简单地采用平滑、插值等方法识别聚簇(cluster)，分析的结果常常取决于平滑程度等参数；甚至对于完全随机产生的点集，也能得到若干虚假的“聚簇”。此外地理数据的可变面状单元问题（Modifiable Areal Unit Problem, MAUP）也会造成相同数据集分析结果的差异。相比之下，空间统计方法可以实现真实聚簇与虚假聚簇的区分，帮助建立观测数据与解释变量的关联关系，量化空间不确定性，实现支持决策的空间预测等。特别是贝叶斯地统计模型（Bayesian geostatistical model）是研究具有时空特征大数据的有力工具。本研究以美国马里兰大学全球恐怖主义活动大数据库为例，对全球恐怖主义大数据进行了时空建模分析。通过应用贝叶斯空间统计方法，不仅用数学语言对恐怖主义的概念、致命性程度、地理特征、时空分布特征等关键问题给予更全面量化对解释，并进一步探讨应用统计学工具可以对未来恐怖主义活动时空预测的广度和深度，以及不确定性度量。对于辅助决策的空间分析而言，传递给决策者的不应只是分析结果本身，还应包括其不确定性的度量，这对做出合理决策是十分重要的。

空间统计学,计算模拟,不确定性,贝叶斯地统计模型