如何解釋統一空間數據中的CSR和聚類？

我似乎發現單變量Ripley的K點模式分析的結果存在差異（圖1）。首先，我生成一個1x1的統一點網格，以查看我的R腳本是否產生邏輯結果（圖2）。研究區域爲20x40（圖2）。給定完全一致的數據，我不希望在任何搜索距離（r）處看到任何隨機或聚類點模式。附加的腳本用於生成這些結果。在這些受控條件下，爲什麼只有一個統一的點模式才能看到聚類和CSR？如何解釋統一空間數據中的CSR和聚類？

require(spatstat) 
require(maptools) 
require(splancs) 

# Local Variables 
flower = 0 
year = 2013 

# Read the shapefile 
sdata = readShapePoints("C:/temp/sample_final.shp") #Read the shapefile 
data = sdata[sdata$flow_new == flower,] # subset only flowering plants 
data2 = data[data$year == year,] # subset flowering plants at year X 
data.frame(data2) # Check the data 

# Get the ripras estimate of area based on the study area measurements 
gapdata = readShapePoints("C:/temp/study_area_boundary.shp") #Read the shapefile 
whole = coordinates(gapdata) # get just the coords, excluding other data 
win = convexhull.xy(whole) # Ripras will determine a good bounding polygon for the points (usually a variant of Convex Hull) 
plot(win) 

# Converting to PPP 
points = coordinates(data2) # get just the coords, excluding other data 
ppp = as.ppp(points, win) # Convert the points into the spatstat format 
data.check = data.frame(ppp) # Check the format of the ppp data 
summary(ppp) # General info about the created ppp object 
plot(ppp) # Visually check the points and bounding area 

# Now run the ppa 
L.Env.ppp = envelope(ppp, Lest, nsim = 1000, correction = "best", rank =1) 
plot(L.Env.ppp, main = "Uniform Test") 
abline(v=(seq(1:12)), lty="dotted")

圖1

enter image description here

分析結果

圖2

enter image description here

均勻點和窗

來源

2013-07-14 Borealis

這些點是*定期*分散（有時也稱爲*超分散*）。儘管在口語意義上它們是統一的，但它們的基本點過程並不統一：如果是這樣的話，點對的間隔可能會少於一個單位！ Ripley's K的表現完全按照它旨在吸引人們注意距離均勻性的短距離偏差。（順便說一句，你的構建和說明問題的答案爲+1）。 –

太好了，謝謝你的有見地的信息@Josh！ – Borealis

噢好。很高興這有幫助。 –

這些點定期分散（有時也被稱爲hyperdispersed）。雖然從口語意義上講它們看起來是統一的，但是它們的基本點過程本身並不是統一的：如果是的話，點對的間隔小於一個單位是可能的。

爲了吸引您注意距離均勻性的短距離偏差，Ripley's K的表現完全符合其設計！

來源

2013-11-20 15:01:11

如何解釋統一空間數據中的CSR和聚類？

回答

相關問題