什么是完全空间随机性？

它是由均匀泊松过程产生的模式，其中点独立且均匀地分布；它是评估真实数据中聚类或规律性的基准。

如何区分聚类和规律性？

将K函数或对关联函数等汇总统计量与其泊松值进行比较：较大的值表示聚类，较小的值表示抑制或规则间隔。

空间点过程是空间区域中点的随机模式，通过其强度以及点之间产生聚类或规律性的依赖关系进行研究。

用 PaperMind 寻找选题即将推出Find papers & topics

Tools & resources

Learn & explore

视频即将推出

空间点过程是空间域中点的随机局部有限集合，其特征在于其强度度量和高阶相关结构，这些决定了点是倾向于聚类、排斥还是独立分布。

本主题涵盖强度函数和二阶矩度量、Ripley K函数和对关联函数等汇总统计量、作为泊松基准的完全空间随机性、包括Cox和Neyman-Scott过程在内的聚类模型、包括Gibbs和行列式点过程在内的排斥模型，以及从观测模式进行模拟和推断的方法。

二阶汇总统计量: Ripley的K函数和对关联函数总结了点对之间相对于泊松过程的依赖性，通过与完全空间随机性基准进行比较，可以检测到聚类和抑制。
聚类和Gibbs模型: Cox和Neyman-Scott过程通过随机或父代驱动的强度产生聚类，而Gibbs和行列式过程通过相对于泊松过程的密度编码相互作用，为聚集和规则模式提供了灵活的模型。

空间点过程模拟森林中树木、天空中星系、组织中细胞、地震、犯罪事件和疾病病例的位置，支持聚类检测、交互范围估计以及生态学、天文学、流行病学和图像分析领域的预测。

二十世纪初，生态学家和统计学家发展了用于空间随机性的样方和最近邻方法；Neyman和Scott于1958年引入了用于星系分布的聚类过程；Ripley在1977年提出的K函数以及后来发展的Gibbs和行列式模型为该领域提供了现代推断工具包。