ldmppr: R における位置依存付き付帯点過程 の技術的概要

問題提起

点過程モデルは、空間と時間において発生する事象を分析するために広く用いられ、しばしば「付帯（マーク）」（サイズやタイプなどの属性）を付加して使用されます。既存の文献における一般的な簡略化仮定は、これらの付帯が点の空間的位置と独立であるというものです。しかし、多くの科学分野、特に林業においては、この仮定は成り立ちません。例えば、樹木のサイズ（樹冠体積）は、標高、土壌水分、日射量などの位置固有の共変量、ならびに隣接樹木の空間的分布の影響をしばしば受けます。

点過程分析用の R パッケージとして spatstat や ptProcess などが存在しますが、これらはしばしば付帯と位置の間の依存性をモデル化する柔軟性に欠けており、特に空間パターンが規則性（抑制）を示す場合、すなわち点が互いに反発し合う場合にその限界が顕著になります。ギブス過程のような規則性のモデル化に対する従来のアプローチは、扱いにくい正規化定数と MCMC アルゴリズムへの依存により、計算コストが高くなります。付帯が空間的位置と過程の履歴の両方に依存するモデルを推定、シミュレーション、評価できる、計算的にスケーラブルな枠組みが必要とされています。

手法

本論文は、規則性を特徴とする位置依存付き付帯点過程のための尤度ベースの枠組みを実装した R パッケージ**ldmpprを導入します。中核となる手法は、空間付き付帯点過程を付き付帯時空間点過程** onto 写像することであり、確立された尤度ベースの推定およびシミュレーション手法の利用を可能にします。

1. 時空間写像

著者らは、Møller ら (2016) のメカニズム的アプローチと、Isham および Westcott (1979) の自己修正過程を拡張しました。

• 時間写像: 主要な付帯（例：樹木サイズ）は、べき乗則変換を用いて区間 $[0, 1]$ 内の到達時刻 $t$ へ写像されます。
  $$\tilde{T}_i = 1 - \left[ \frac{M_{i1} - \min(M_{j1})}{\max(M_{j1}) - \min(M_{j1})} \right]^\delta$$
  ここで、$\delta$ は写像の形状を制御します。この順序付けは、付帯が最大から最小へと処理されるように点を順序付けし、「アンカー点」（最大の付帯を持つ点）を条件とした過程を定義します。
• 過程分解: 条件付き強度関数 $\lambda^*(t, y, x)$ は以下のように分解されます。
  • 到達時刻過程 ($\lambda^*_1$): 強度が事象数の増加とともに減少し、規則性を強制する自己修正過程。
  • 空間過程 ($h^*_2$): 既存の点の周りに抑制的な円形領域を定義する、ユークリッド距離に基づく相互作用関数。
  • 条件付き付帯過程 ($g^*_3$): 時間、位置、共変量を条件として二次付帯を予測する、柔軟な非線形モデル（例：ランダムフォレストまたは勾配ブースティング木）。
  • 時空間相互作用 ($f^*_4$): 空間と時間における点の同時発生を調節する項。

2. 推定とシミュレーション

• パラメータ推定: この枠組みは、時空間パラメータの推定（nloptr ライブラリを使用した最大尤度最適化による）と、付帯モデルパラメータの推定（機械学習による）を分離します。このモジュール性により、空間過程の計算効率を維持しつつ、付帯に対して複雑な非線形モデルを使用することが可能になります。
• 最適化戦略: パッケージは、「local」、「global_local」、「multires_global_local」などの各種最適化戦略をサポートし、NLOPT_GN_CRS2_LM や NLOPT_LN_BOBYQA などのアルゴリズムを利用します。
• シミュレーション: 実現値は、時間統合強度関数と棄却サンプリングを用いて生成され、推定されたパラメータを条件とした新しい点パターンの生成を可能にします。

3. 適合度評価

パッケージは、モデル適合度を評価するために、L、F、G、J、E、V の一連のノンパラメトリック要約関数を用いた**グローバルエンベロープテスト (GET)**を採用します。これには、距離および要約タイプ全体での多重性を制御するための結合テストが含まれます。

主な貢献

主な貢献は、以下のためのモジュールワークフローを提供する**ldmppr R パッケージ**です。

1. 位置依存付帯を持つ自己修正付き付帯点過程のパラメータを推定すること。
2. 空間共変量と競争指数を用いて、条件付き付帯分布のための柔軟な機械学習モデルを訓練すること。
3. グローバルエンベロープテストおよび視覚的診断を通じてモデル適合度を評価すること。
4. 適合済みモデルから現実的な点パターンをシミュレーションすること。

このパッケージは柔軟に設計されており、ユーザーは全体の構造を維持しつつ、特定のコンポーネント（異なる付帯モデルや最適化戦略など）を置換することができます。

結果

本論文は、南ロッキー山脈からの林業データセット（針葉樹の位置と樹冠体積、および地形共変量（方角、湿潤度指数、標高、傾斜）を含む）を用いて、パッケージの実用性を示しています。

• 初期適合: 粗いグリッドと中程度の最適化予算を用いた初期モデル推定は、不適切な適合（結合 p 値 = 0.002）をもたらしました。シミュレートされたエンベロープは、参照データの最近接距離分布 ($G(r)$) および付帯分散 ($V(r)$) を捉えられませんでした。
• 精緻化された適合: グリッド解像度を上げ、最適化予算を拡大し、マルチ解像度戦略（"multires_global_local"）を活用し、最適化開始回数を増やし、付帯モデルの訓練を精緻化（交差検証のフォールド数とチューニンググリッドサイズの増加）することで、モデル適合は大幅に改善されました。
• 結果: 精緻化されたモデルは、0.2819の結合グローバルエンベロープテスト p 値を達成し、参照データが適合済みモデルと互換性があることを示しました。視覚的比較とヒストグラムは、改善されたモデルが、参照データで観測された空間的抑制と樹冠体積の分布の両方を成功裏に再現したことを確認しました。

意義と主張

著者らは、ldmppr が、位置依存を持つ規則的な付き付帯点過程をモデル化するための、ギブス過程に対する計算的に実行可能な代替手段を提供すると主張しています。尤度ベースのアプローチを活用し、空間モデルと付帯モデルのタスクを分離することで、パッケージは以下を可能にします。

• スケーラビリティ: MCMC ベースのギブスアプローチでは計算的に不可能となる過程に対する効率的な推定とシミュレーション。
• 柔軟性: 最新の機械学習技術を用いて、付帯と空間共変量の間の複雑な非線形関係を組み込む能力。
• 実用性: 生態学、林業、およびその他の分野の研究者が、現実的な点パターンを生成し、厳密にモデル適合度を評価するための合理化されたワークフロー。

本論文は、現在の実装が規則性（抑制）を示す過程に焦点を当てていることを認め、将来の開発は、位置依存付帯への焦点を維持しつつ、クラスタリング行動を処理できるように枠組みを拡張することを目指していると述べています。