Räumliche Punktprozesse

Ein räumlicher Punktprozess ist ein zufälliges Muster von Punkten in einem Raumbereich, das anhand seiner Intensität und der Abhängigkeit zwischen Punkten, die zu Clusterbildung oder Regelmäßigkeit führt, untersucht wird.

Definition

Ein räumlicher Punktprozess ist eine zufällige, lokal endliche Sammlung von Punkten in einem räumlichen Bereich, gekennzeichnet durch sein Intensitätsmaß und seine Korrelationsstruktur höherer Ordnung, die bestimmen, ob Punkte dazu neigen, sich zu gruppieren, abzustoßen oder unabhängig zu fallen.

Scope

Dieses Thema behandelt die Intensitätsfunktion und Momentmaße zweiter Ordnung, zusammenfassende Statistiken wie Ripleys K-Funktion und die Paarkorrelationsfunktion, vollständige räumliche Zufälligkeit als Poisson-Benchmark, geclusterte Modelle einschließlich Cox- und Neyman-Scott-Prozesse, repulsive Modelle einschließlich Gibbs- und deterministischer Punktprozesse sowie Methoden zur Simulation und Inferenz aus beobachteten Mustern.

Core questions

• Wie wird die Intensität eines räumlichen Musters definiert und geschätzt?
• Wie werden Clusterbildung und Regelmäßigkeit erkannt und quantifiziert?
• Welche Modelle erzeugen geclusterte versus repulsive Punktmuster?
• Wie wird vollständige räumliche Zufälligkeit als Referenz verwendet?

Key theories

Zusammenfassende Statistiken zweiter Ordnung

Ripleys K-Funktion und die Paarkorrelationsfunktion fassen die Abhängigkeit zwischen Punktpaaren relativ zu einem Poisson-Prozess zusammen, wodurch Clusterbildung und Inhibition durch Vergleich mit der Benchmark der vollständigen räumlichen Zufälligkeit erkannt werden können.

Cluster- und Gibbs-Modelle

Cox- und Neyman-Scott-Prozesse erzeugen Clusterbildung durch eine zufällige oder elterngetriebene Intensität, während Gibbs- und deterministische Prozesse die Interaktion durch eine Dichte relativ zum Poisson-Prozess kodieren und flexible Modelle für aggregierte und regelmäßige Muster bereitstellen.

Clinical relevance

Räumliche Punktprozesse modellieren die Standorte von Bäumen in einem Wald, Galaxien am Himmel, Zellen im Gewebe, Erdbeben, Kriminalitätsereignisse und Krankheitsfälle. Sie unterstützen Tests auf Clusterbildung, die Schätzung von Interaktionsbereichen und Vorhersagen in Ökologie, Astronomie, Epidemiologie und Bildanalyse.

History

Quadrat- und Nächste-Nachbar-Methoden für räumliche Zufälligkeit wurden von Ökologen und Statistikern im frühen 20. Jahrhundert entwickelt. Neyman und Scott führten 1958 Clusterprozesse für Galaxienverteilungen ein, und Ripleys K-Funktion von 1977 sowie die spätere Entwicklung von Gibbs- und deterministischen Modellen lieferten dem Feld sein modernes inferentielles Instrumentarium.

Key figures

• Brian Ripley
• Jerzy Neyman
• Dietrich Stoyan

Seminal works

• daleyVereJones2003

Frequently asked questions

Was ist vollständige räumliche Zufälligkeit?

Es ist das Muster, das durch einen homogenen Poisson-Prozess erzeugt wird, bei dem Punkte unabhängig und gleichmäßig fallen; es ist die Benchmark, anhand derer Clusterbildung oder Regelmäßigkeit in realen Daten bewertet wird.

Wie unterscheidet man Clusterbildung von Regelmäßigkeit?

Zusammenfassende Statistiken wie die K-Funktion oder die Paarkorrelationsfunktion werden mit ihren Poisson-Werten verglichen: größere Werte deuten auf Clusterbildung hin, kleinere Werte auf Inhibition oder regelmäßige Abstände.