什么是空间建模的不确定性？为什么我们要关心空间数据分析的不确定性？今日，我院国产信创技术研究中心邀请了来自浙江大学数据科学研究中心的Andre Python研究员，开办了一场精彩的学术讲座，讲授了空间统计学（spatial statistics）在空间建模中的重要作用。

本次讲座Python博士着重介绍了贝叶斯统计模型（Bayesian geostatistical model）的方法与应用。贝叶斯模型可用于实现数据降维（Downscaling），即根据聚合到多边形的属性数据估计精细尺度的像元数据，数据降维的空间模式由协变量（covariate）的空间分布和高斯随机场决定，其突出优点是避免生态谬误的风险，减轻不同尺度面积单位的影响。

超越概率（Exceedance probability）是贝叶斯统计的另一方法。在贝叶斯统计中，所有变量都被视为具有特定概率分布的随机变量，超越概率即为给定观测数据条件下，变量超过某一阈值的概率，也就是变量的后验概率密度函数在阈值以上部分的积分值。以疟疾发病率为例，取阈值为0.4，如果某一地区发病率的超越概率高达0.8，那么真实的发病率很可能超过0.4；反之，如果超越概率只有0.2，一种可能是真实发病率不足0.4；也可能是由于数据不足，无法得出较为可靠的结论。此种方法在得出空间变量估计的同时，能够定量地给出结论的置信度，这可以视为结论不确定性的一种度量。

席间，Python博士以地震、疟疾、恐怖袭击等空间聚类场景为例，着重讲解了在空间问题中经典统计学相较于空间统计模型所欠缺的地方，如区分真实聚簇和虚假聚簇、变量独立性假设、数据的可变面状单元等问题，并介绍了自己利用贝叶斯统计模型开展的研究工作，如根据2010-2016年全球恐怖主义袭击事件大数据进行时空建模，在不影响结果可解释性的情况下，获得相对较高的模型预测性能，可以实现提前一周对下一次袭击事件发生地点的预测与根据。

Python博士指出，建立空间统计模型是为了理解产生空间数据的地理过程，可以帮助我们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。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，还应包括对其不确定性的度量，这对做出合理决策是至关重要的，也正是贝叶斯统计模型的重要价值所在。