$K$-functions for point processes on complex surfaces

Résumé Technique : Fonctions K pour les processus ponctuels sur des surfaces complexes

Énoncé du problème
L'analyse statistique des processus ponctuels est principalement confinée aux espaces euclidiens ($\mathbb{R}^d$). Cependant, de nombreuses applications pratiques impliquent des motifs ponctuels générés sur des surfaces complexes dans l'espace tridimensionnel (par exemple, des paysages topographiques ou des membranes biologiques) qui sont souvent projetés sur un plan bidimensionnel pour analyse. Cette projection ignore la troisième dimension (élévation ou courbure de la surface), ce qui peut conduire à des conclusions erronées concernant le regroupement (clustering) ou la régularité du processus ponctuel sous-jacent. Plus précisément, l'application de la fonction K classique à des données planaires projetées sans tenir compte de la géométrie de la surface peut introduire des inférences de second ordre spécieuses et biaiser l'estimation de l'intensité. Bien que des travaux récents aient traité les processus ponctuels sur des sphères et des réseaux linéaires, il manque une méthodologie unifiée pour les surfaces lisses générales, particulièrement celles représentant une topographie géographique.

Méthodologie
Les auteurs proposent et évaluent trois extensions distinctes de la fonction K classique aux processus ponctuels définis sur une surface paramétrique $S \subset \mathbb{R}^3$. La surface est définie comme l'image d'une application $\phi: D \to \mathbb{R}^3$, où $D \subseteq \mathbb{R}^2$. La méthodologie repose sur les distances géodésiques ($d_S$) et les mesures de surface ($\nu$) plutôt que sur les distances euclidiennes.

1. Fonction K corrigée pour la surface : Cette approche applique la fonction K planaire standard au motif ponctuel projeté $X_D = \phi^{-1}(X)$ mais incorpore une correction pour l'élément de surface $\|n(u)\|$ (où $n(u)$ est le vecteur normal) au sein de la fonction d'intensité. Bien qu'efficace sur le plan computationnel, les auteurs notent que les pré-images des disques euclidiens sur la surface peuvent devenir fortement déformées (par exemple, des ellipsoïdes allongés sur des pentes raides), ce qui pourrait conduire à des voisinages manquant de l'interprétabilité physique pour le processus original.

2. Fonction K du plan tangent : Cette méthode projette les points de la surface vers le plan tangent en chaque point d'observation en utilisant une projection (orthogonale ou application logarithmique/exponentielle). Elle définit la fonction K sur la base de disques euclidiens dans le plan tangent. Bien que conceptuellement ce soit un raffinement naturel, les auteurs identifient des obstacles computationnels importants : le calcul de l'image de la fenêtre d'observation sur le plan tangent ($A_{T_s}$) et les Jacobiens associés sont coûteux, particulièrement pour des surfaces générales. Par conséquent, cette méthode est exclue des simulations et des applications de données.

3. Fonction K de la surface (Surface Area K-function) : Il s'agit de la contribution principale de l'article. Au lieu de définir des voisinages par un rayon géodésique fixe $r$ (où l'aire de la boule géodésique varie selon l'emplacement sur une surface courbe), cette approche définit des voisinages par une surface fixe $a$.

   • Définition : Pour un point $s \in S$, le voisinage est la boule géodésique $b_S(s, r^*)$ telle que son aire $\nu(b_S(s, r^*)) = a$.
   • Estimateur : L'estimateur $\hat{K}_{area}(a)$ somme les interactions au sein de ces voisinages définis par l'aire, normalisés par l'aire de la surface de la fenêtre d'observation et les corrections de bord.
   • Implémentation : L'implémentation numérique nécessite de résoudre l'équation d'Eikonal (en utilisant la méthode de marche rapide ou Fast Marching Method) pour calculer les distances géodésiques sur une grille. Cela permet l'approximation des boules géodésiques et la détermination du rayon $r^*$ correspondant à une aire $a$ spécifique.

Contributions clés

• Formulation théorique : L'article établit que pour des surfaces générales, l'argument de la fonction K est plus naturellement l'aire du voisinage plutôt que le rayon. La fonction K classique est montrée comme étant une statistique basée sur l'aire, où le rayon n'est qu'un paramétrage équivalent valable uniquement pour les géométries planes ou les surfaces à courbure constante (comme les sphères).
• Cadre computationnel : Les auteurs fournissent une implémentation pratique de la fonction K de la surface en utilisant la méthode de marche rapide pour résoudre l'équation d'Eikonal, permettant le calcul des distances géodésiques et des aires sur des surfaces lisses arbitraires.
• Analyse comparative : À travers des études de simulation et des applications de données réelles, l'article compare les performances des méthodes proposées par rapport à l'approche planaire et à l'approche planaire corrigée pour la surface.

Résultats

• Expériences de simulation : L'étude a utilisé trois types de surfaces (selle de singe, bosse gaussienne, collines polynomiales) et trois modèles de processus ponctuels (Poisson homogène, Cluster de Matérn, Inhibition de type Matérn II).
  • La fonction K planaire a échoué de manière significative, présentant des taux élevés d'erreur de Type I (rejet de l'aléatoire complet spatial ou CSR), même pour les processus de Poisson (taux de rejet > 87 %).
  • La fonction K corrigée pour la surface a montré un meilleur contrôle de l'erreur de Type I, mais a souffert d'une puissance statistique plus faible pour détecter le regroupement ou l'inhibition par rapport à la fonction K de la surface.
  • La fonction K de la surface a démontré la meilleure performance, maintenant des taux d'erreur de Type I proches du niveau nominal de 5 % et atteignant la puissance la plus élevée pour détecter les écarts par rapport au CSR sur tous les types de surfaces.
• Applications de données réelles :
  • Données sur les arbres de Sinharaja : Analyse de la localisation des arbres dans une parcelle de 500 m $\times$ 500 m au Sri Lanka présentant une variation d'élévation significative (150 m de différence). Tant la fonction K de la surface que la fonction K corrigée pour la surface ont confirmé le regroupement pour deux espèces, mais la fonction K planaire indiquait un écart beaucoup plus important par rapport à l'hypothèse nulle, attribué à un regroupement spécieux induit par la projection.
  • Données de Lipopolysaccharide (LPS) d'E. coli : Analyse de la localisation des molécules de LPS sur une surface bactérienne en forme de pilule. La fonction K de la surface a rejeté l'hypothèse CSR, indiquant un regroupement. Les auteurs notent que la métrique basée sur l'aire fournit une interprétation biologique plus directe (en unités de surface) par rapport aux méthodes de projection sphérique qui reposent sur les distances de grand cercle.

Signification et affirmations
L'article affirme que la fonction K de la surface offre une « formulation naturelle » pour analyser les processus ponctuels sur des surfaces complexes. Sa principale importance réside dans la correction du biais introduit par la projection de données de surface 3D sur des plans 2D, ce qui peut conduire à des inférences trompeuses sur la dépendance spatiale.

Les auteurs présentent leur travail avec modestie, affirmant qu'il clarifie quels aspects de la fonction K euclidienne reflètent des principes généraux (dépendance de l'aire du voisinage) versus ceux qui sont spécifiques à la géométrie planaire (dépendance du rayon). Ils soutiennent que pour les surfaces non plates, la fonction K de la surface est l'analogue supérieur car elle garantit que le nombre attendu de points dans un voisinage est directement proportionnel à l'aire de ce voisinage, une propriété qui est vérifiée pour les processus de Poisson quelle que soit la courbure de la surface. L'article conclut que la prise en compte du domaine de surface est cruciale pour obtenir des évaluations quantitativement correctes des niveaux de regroupement en statistiques spatiales.