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!

ПОСЛЕДУЮЩИЕ ВОПРОСЫ, ВЫШЕГО С БОЛЕЕ ДЕТАЛЯМИ И ЦИФРАМИ

Я приложил два изображения, которые, как я надеюсь, проясняют 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 значениенуль.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 стенусейчас.

Потенциальная агрегированная среда

Потенциал нет агрегированной среды

Зеленые ячейки X и Y координаты, используемые дляКларк тест

Answer 1

Вы можете использовать spatstat для оценки ковариационной функции каждой среды, рассматривая каждую среду как случайный набор.Предположим, G - это окно (класс "owin"), представляющее зеленые ячейки;R - другое окно, представляющее красные клетки;и W - это окно, в котором наблюдается окружающая среда.Чтобы оценить ковариационную функцию зеленых клеток, вы могли бы сделать

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

Тогда pG - это доля покрытия, а fG - (изотропная) ковариационная функция.Теперь вы можете сделать то же самое для R вместо G и сравнить два графика.Более высокие значения ковариации предполагают более агрегированную среду.