空间线性回归：在不同空间尺度应用回归模型参数

问题背景 #

有两个栅格图层：500m分辨率的ntl.tif和100m分辨率的tirs.tif。已将tirs重采样至ntl分辨率并拟合线性回归模型，现在希望用predict函数在精细尺度（100m）生成预测栅格，而非手动计算系数，但调用predict(tirs, model)时出现以下错误：

Error in model.frame.default(Terms, newdata, na.action = na.action, xlev = object$xlevels) : object is not a matrix. In addition: Warning message:'newdata' had 1377 rows but variables found have 1008 rows

错误原因 #

1. 变量名不匹配：拟合模型时使用的自变量名为tirs，但精细分辨率栅格的实际列名是B10_median，predict无法匹配模型所需变量。
2. 空间范围不一致：ntl和tirs的边界范围存在细微差异，导致数据维度不匹配，触发警告。

解决步骤 #

1. 统一变量名 #

将精细分辨率栅格的列名修改为模型中使用的自变量名tirs，确保predict能识别变量。

2. 对齐空间范围（可选但推荐） #

将精细栅格裁剪至与ntl完全一致的空间范围，彻底避免维度不匹配问题。若需保留原范围可跳过此步骤，但裁剪更稳妥。

3. 调用predict函数 #

使用修正后的栅格执行预测。

完整修正代码 #

library(terra)

# 加载栅格
ntl = rast("path/ntl.tif")  # 粗分辨率栅格
tirs = rast("path/tirs.tif")  # 精细分辨率栅格

# 重采样tirs到ntl分辨率用于建模
tirs_res <- resample(tirs, ntl, method="bilinear")

# 合并栅格并命名，确保变量名对应
s = c(ntl, tirs_res)
names(s) = c("ntl", "tirs")

# 拟合线性回归模型
model <- lm(formula = ntl ~ tirs, data = s)

# 处理精细栅格：统一变量名 + 对齐范围
tirs_fine <- tirs
names(tirs_fine) <- "tirs"  # 关键：将列名改为模型中的自变量名
tirs_fine <- crop(tirs_fine, ntl)  # 裁剪到ntl的范围，消除维度差异

# 使用predict函数生成精细尺度预测
lm_pred <- predict(tirs_fine, model)

# 查看结果
plot(lm_pred)

补充说明 #

• 若不需要限制预测范围，可去掉crop步骤，直接修改列名后调用predict，terra会自动处理范围差异，但可能保留原栅格的边界像素（需确认是否符合需求）。
• 手动计算系数的方式可行，但predict能更规范地处理缺失值等情况，且便于扩展到更复杂的模型。

内容的提问来源于stack exchange，提问作者Nikos