Могу ли я использовать spatstat для измерения пространственной агрегации среды?

Question

В настоящее время у меня есть индивидуальные растровые данные, которые представляют подходящую среду для 18 видов на основе MAXENT-прогнозов. Я хотел бы знать, агрегирована ли подходящая среда для каждого вида или нет. Я знаю, что обычно spatsat пакета R используется для проверки агрегации шаблона пространственных точек, но, похоже, я не могу не проверить это для самой среды. Это действительно так? Может ли кто-нибудь из вас направить меня к пакету, который я мог бы использовать для проверки агрегации среды? Заранее спасибо!!

СЛЕДОВАТЬ ЗА ВОПРОСОМ, ВЫШЕГО С БОЛЕЕ ДЕТАЛЯМИ И ЦИФРАМИ

Я приложил два изображения, которые, я надеюсь, прояснят мой вопрос. Поэтому я хотел бы иметь возможность количественно определить, являются ли зеленые ячейки (подходящая среда) на рисунке А более агрегированными, чем ячейки (подходящая среда) на рисунке В. Зеленые ячейки имеют значение 1, а пробелы вокруг имеют значение нуль. Я не хочу использовать точечные местоположения людей, так как я не пытаюсь проверить, агрегированы ли отдельные точки. Я использовал координаты X и Y каждой зеленой ячейки, но если я вычислю Кларка Эванса, который он показывает, он не агрегируется для обоих. Я думаю, потому что, если бы я использовал координаты X и Y зеленых клеток для теста Кларка, все они были бы частью схемы продолжения, как на рисунке 3. Я надеюсь, что эта дополнительная информация может предложить некоторую помощь, потому что я думаю, что ударил стену сейчас.

Потенциальная агрегированная среда

Потенциальная неагрегированная среда

Зеленые ячейки X и Y координаты, используемые для теста Кларка

Answer 1

Ты можешь использовать spatstat оценить ковариационную функцию каждой среды, рассматривая каждую среду как случайный набор. предполагать G это окно (класс "owin") представляющих зеленые клетки; R другое окно, представляющее красные клетки; а также W это окно, в котором наблюдается окружающая среда. Чтобы оценить ковариационную функцию зеленых клеток, вы можете сделать

cW <- setcov(W)
pG <- area(G)/area(W)
cG <- setcov(G)/(pG * cW)
cG[cW == 0] <- NA
fG <- rotmean(cG)

затем pG это доля покрытия и fG является (изотропной) ковариационной функцией. Теперь вы можете сделать то же самое для R вместо Gи сравните два графика. Более высокие значения ковариации предполагают более агрегированную среду.