R을 사용하여 포리스트 간격 내의 트리를 클러스터할지 여부를 결정합니까?

첨부 된 데이터 세트는 약 50 개의 가변 크기의 산림 간격에서 약 6000 개의 묘목을 보여줍니다. 나는이 묘목들이 각각의 갭 내에서 어떻게 성장하고 있는지에 관심이 있습니다 (즉, 군집, 무작위, 분산). 아시다시피, 전통적인 접근 방식은 Global Moran 's I을 실행하는 것입니다. 그러나 격차 집계 내의 트리 집계는 Moran 's I의 부적절한 사용으로 보입니다. 나는 50m의 임계 거리를 사용하여 Moran 's I로 일부 테스트 통계를 실행했습니다. 무의미한 결과를 산출했습니다 (예 : p- 값 = 0.0000000 ...). 갭 어 그리 게이션 간의 상호 작용이 이러한 결과를 생성 할 수 있습니다. 개별 캐노피 간격을 반복하고 각 간격 내에서 클러스터링을 결정하는 스크립트를 만드는 것을 고려했지만 이러한 결과를 공개하는 것은 문제가 될 수 있습니다.

클러스터 내에서 클러스터링을 정량화하는 가장 좋은 방법은 무엇입니까?

균일 한 랜덤 필드가 없으므로 모든 데이터를 한 번에 분석하려고하면 문제를 던지기로 선택한 통계의 가정을 위반하게됩니다. 데이터가 표시된 포인트 프로세스 (즉, 각 트리 위치와 관련된 직경 또는 높이) 인 경우 게시물에서 명확하지 않습니다. 이 데이터가 마크 포인트 프로세스를 나타내지 않는 경우 어떻게 Moran's-I를 적용했는지 알 수 없습니다. 데이터가 공간적 위치 만 나타내는 경우에는 Besag-L 변환과 함께 Ripley's-K를 사용하여 null 기대 값을 0으로 표준화하는 것이 좋습니다. 이를 통해 다중 규모 클러스터링 평가가 가능합니다. 데이터에 관련 값이있는 경우 가장 좋은 방법은 지역 Moran's-I (LISA)입니다. 나는 실제로 두 가지 통계로 그것을 볼 것입니다. 당신의 선택에 관계없이 유효한 결과를 얻으려면 각 개별 사이트를 계속 반복해야합니다. 다음은 내장 된 레드 우드 묘목 데이터 세트를 사용하여 Ripley's-K / Besag's-L의 Monte Carlo 시뮬레이션을위한 예제 R 코드입니다. 사이트를 반복하고 각 사이트에 대한 그래프를 생성하도록이를 수정하는 것은 매우 간단해야합니다.

# ADD REQUIRED PACKAGES
require(sp)
require(spatstat)
options(scipen=5)

# USE REDWOOD SAPLING DATASET
spp <- SpatialPoints(coords(redwood))

###################################################
###### START BESAG'S-L MONTE CARLO  ANALYSUS ######
###################################################
# CREATE CONVEX HULL FOR ANALYSIS WINDOW                       
W=ripras(coordinates(spp)) 

# COERCE TO spatstat ppp OBJECT
spp.ppp=as.ppp(coordinates(spp), W)                     
  plot(spp.ppp) 

# ESTIMATE BANDWIDTH
area <- area.owin(W)
lambda <- spp.ppp$n/area
 ripley <- min(diff(W$xrange), diff(W$yrange))/4
   rlarge <- sqrt(1000/(pi * lambda))
     rmax <- min(rlarge, ripley)
bw <- seq(0, rmax, by=rmax/10)  

# CALCULATE PERMUTED CROSS-K AND PLOT RESULTS       
Lenv <- envelope(spp.ppp, fun="Kest", r=bw, i="1", j="2", nsim=99, nrank=5, 
                 transform=expression(sqrt(./pi)-bw), global=TRUE)            
plot(Lenv, main="Besag's-L", xlab="Distance", ylab="L(r)", legend=F, col=c("white","black","grey","grey"), 
    lty=c(1,2,2,2), lwd=c(2,1,1,1) )
     polygon( c(Lenv$r, rev(Lenv$r)), c(Lenv$lo, rev(Lenv$hi)), col="lightgrey", border="grey")
       lines(supsmu(bw, Lenv$obs), lwd=2)
       lines(bw, Lenv$theo, lwd=1, lty=2)
         legend("topleft", c(expression(hat(L)(r)), "Simulation Envelope", "theo"), pch=c(-32,22),
                col=c("black","grey"), lty=c(1,0,2), lwd=c(2,0,2), pt.bg=c("white","grey"))

당신이 가진 것은 작은 작은 비 연결 다각형 영역 인 창을 가진 점 패턴입니다.

package:spatstatCSR에 올바른 창을 제공하는 한 CSR 에 대한 테스트를 사용할 수 있어야합니다 . 이는 각 지우기를 정의하는 여러 (x, y) 쌍 세트이거나 공백에 대한 (0,1) 값의 이진 행렬 일 수 있습니다.

먼저 데이터와 비슷한 것을 정의하십시오.

set.seed(310366)
nclust <- function(x0, y0, radius, n) {
               return(runifdisc(n, radius, centre=c(x0, y0)))
             }
c = rPoissonCluster(15, 0.04, nclust, radius=0.02, n=5)
plot(c)

그리고 우리의 클리어런스가 사각형 셀이라고 가정 해 봅시다 :

m = matrix(0,20,20)
m[1+20*cbind(c$x,c$y)]=1
imask = owin(c(0,1),c(0,1),mask = t(m)==1 )
pp1 = ppp(x=c$x,y=c$y,window=imask)
plot(pp1)

그래서 우리는 그 창에서 그 점들의 K 함수를 그릴 수 있습니다. 셀 내에서 포인트가 클러스터 된 것처럼 보이기 때문에 이것이 CSR이 아닌 것으로 예상합니다. 유의 거리 범위를 셀 크기의 순서대로 작게 변경해야합니다. 그렇지 않으면 전체 패턴의 크기에 따라 거리에 따라 K 함수가 평가됩니다.

plot(Kest(pp1,r=seq(0,.02,len=20)))

동일한 셀에서 일부 CSR 포인트를 생성하면 K 함수 플롯을 비교할 수 있습니다. 이것은 CSR과 비슷해야합니다.

ppSim = rpoispp(73/(24/400),win=imask)
plot(ppSim)
plot(Kest(ppSim,r=seq(0,.02,len=20)))

첫 번째 패턴에서 셀에 점이 모여있는 것을 실제로 볼 수는 없지만 그래픽 창에서 그 점을 명확하게 표시하면 명확합니다. 두 번째 패턴의 포인트는 셀 내에서 균일하며 (검은 색 영역에는 존재하지 않음) K- 함수는 Kpois(r)군집 데이터의 CSR K- 기능과 동일하고 균일 한 데이터와 유사합니다.

Andy의 게시물 외에도 :

계산하려는 것은 Ripley의 L 및 K 함수와 같은 공간적 동질성 (가설 : "포인트가 군집되어 있습니까?")의 척도입니다 .

이 블로그 게시물 은 R의 사용법을 잘 설명합니다. 설명 된 코드를 기반으로 먼저 데이터 세트의 각 클러스터에 레이블을 지정한 다음 Ripley 's K를 통해 각 클러스터에 대한 중요한 봉투를 루프로 계산합니다