Come tenere conto della CSR e del clustering in dati spaziali uniformi?

Question

Mi sembra di aver trovato una discrepanza nei risultati di un'analisi univariata del modello di punti K di Ripley (figura 1). Per iniziare, ho generato una griglia punto uniforme 1x1 per vedere se il mio script R stava producendo risultati logici (Figura 2). L'area di studio è 20x40 (Figura 2). Dati i dati completamente uniformi, non mi sarei mai aspettato di vedere modelli di punti casuali o raggruppati a qualsiasi distanza di ricerca (r). Lo script allegato è stato utilizzato per generare questi risultati. In queste condizioni controllate perché vedo clustering e CSR quando dovrebbe esserci solo un pattern punto uniforme?

require(spatstat) 
require(maptools) 
require(splancs) 

# Local Variables 
flower = 0 
year = 2013 

# Read the shapefile 
sdata = readShapePoints("C:/temp/sample_final.shp") #Read the shapefile 
data = sdata[sdata$flow_new == flower,] # subset only flowering plants 
data2 = data[data$year == year,] # subset flowering plants at year X 
data.frame(data2) # Check the data 

# Get the ripras estimate of area based on the study area measurements 
gapdata = readShapePoints("C:/temp/study_area_boundary.shp") #Read the shapefile 
whole = coordinates(gapdata) # get just the coords, excluding other data 
win = convexhull.xy(whole) # Ripras will determine a good bounding polygon for the points (usually a variant of Convex Hull) 
plot(win) 

# Converting to PPP 
points = coordinates(data2) # get just the coords, excluding other data 
ppp = as.ppp(points, win) # Convert the points into the spatstat format 
data.check = data.frame(ppp) # Check the format of the ppp data 
summary(ppp) # General info about the created ppp object 
plot(ppp) # Visually check the points and bounding area 

# Now run the ppa 
L.Env.ppp = envelope(ppp, Lest, nsim = 1000, correction = "best", rank =1) 
plot(L.Env.ppp, main = "Uniform Test") 
abline(v=(seq(1:12)), lty="dotted") 

Figura 1

risultati dell'analisi

Figura 2

I punti uniformi e la finestra

Answer 1

Questi punti sono regolarmente dispersa (a volte chiamato anche hyperdispersed). Sebbene in senso colloologico appaiano uniformi, il processo del punto sottostante a loro non è esso stesso uniforme: se lo fosse, ci sarebbero alcune possibilità di coppie di punti inferiori a un'unità.

Nel richiamare l'attenzione su quella deviazione a corto raggio dall'uniformità, Ripley's K si comporta esattamente come è stato progettato!