Spatstat，使用Maté；rn集群生成同质景观的过程中，我如何解释Ripley K函数？

我希望开发一个点过程，其范围从同质（即点之间无相关性）到点之间有相关性的点群集过程。从实验中我可以看出，使用Matérn cluster过程，我可以生成聚集的景观

library(spatstat)
plot(rMatClust(kappa=3,r=0.1,mu=50))

我想使用最简单的代码来提高同质性水平，即减少点之间的依赖性。我不想使用模式是同质还是非同质的二进制模型。i、 e.仅产生泊松过程，如：

plot(rpoispp(150))

从实验中我注意到，如果我使用Matérn cluster过程增加簇的半径，我确实会创建一个伪同质模式

plot(rMatClust(kappa=3,r=0.3,mu=50))

这是产生同质性程度的好方法吗？我知道，与完整的泊松过程（如里普利K检验）相比，我可以使用统计测试来衡量聚类程度。例如，如果我将Matérn cluster过程数据分配给变量，例如：

a<-rMatClust(kappa=3,r=0.1,mu=50)
b<-rMatClust(kappa=3,r=0.3,mu=50)
c<-rMatClust(kappa=3,r=0.7,mu=50)

我可以看到齐次泊松过程和聚集点过程之间的差异减小了。我仍然不完全理解根据边缘效应等不同K值的意义，以及如何解释Ripley K函数，但我认为这是正确的方向？如何解释Ripley K函数？另一个问题是每个图中的点数，每个图中的点数不一致，如下所示：

summary(a)
summary(b)
summary(c)

---

非常感谢对此提供的任何有见识的反馈。

标准术语是，您希望生成一个聚集的点模式

函数

rMatClust

在两个阶段的过程中随机生成聚集点模式。第一阶段是完全随机生成“父”点。第二阶段是为每个“父代”生成随机数目的“子代”点，并将“子代”点放置在围绕其“父代”的半径

R

的圆内。最终结果是收集所有“后代”点。通过此说明（以及

帮助（rMatClust）

），您可以了解不同参数值的情况

K

功能（不是“K测试”）是点模式中点之间间距的汇总。在距离

r

处，

K（r）

的值是在模式中典型点的距离

r

内观察到的点的归一化平均数。它是标准化的，因此它不依赖于点数，从而可以比较不同点数的模式

绘制

K

函数时，如果点是完全随机的，则其中一条曲线是预期的理论曲线，而其他曲线是根据数据点模式计算的。这允许您评估点阵列是否显示为群集

library(spatstat)
plot(rMatClust(kappa=3,r=0.1,mu=50))

---

我强烈建议你阅读本书第七章。您可以免费下载本章。

标准术语是您希望生成一个聚集的点模式

函数

rMatClust

在两个阶段的过程中随机生成聚集点模式。第一阶段是完全随机生成“父”点。第二阶段是为每个“父代”生成随机数目的“子代”点，并将“子代”点放置在围绕其“父代”的半径

R

的圆内。最终结果是收集所有“后代”点。通过此说明（以及

帮助（rMatClust）

），您可以了解不同参数值的情况

K

功能（不是“K测试”）是点模式中点之间间距的汇总。在距离

r

处，

K（r）

的值是在模式中典型点的距离

r

内观察到的点的归一化平均数。它是标准化的，因此它不依赖于点数，从而可以比较不同点数的模式

绘制

K

函数时，如果点是完全随机的，则其中一条曲线是预期的理论曲线，而其他曲线是根据数据点模式计算的。这允许您评估点阵列是否显示为群集

library(spatstat)
plot(rMatClust(kappa=3,r=0.1,mu=50))

---

我强烈建议你阅读本书第七章。您可以免费下载本章。

非常感谢，这是一个非常清楚的解释，我没有意识到K函数已正常化。我对空间统计非常陌生，所以我一定会阅读推荐的章节。非常感谢，这是一个非常清楚的解释，我没有意识到K函数是标准化的。我对空间统计非常陌生，所以我一定会阅读推荐的章节。

plot(Kest(c))

summary(a)
summary(b)
summary(c)