📊 statistics

ldmppr: Location Dependent Marked Point Processes in R

本文介绍了**ldmppr**，这是一个旨在估计、模拟、评估和可视化位置依赖的标记空间点过程的 R 包，从而解决了在林业等应用中假设标记与位置独立所存在的局限性。

原作者： Lane Drew, Andee Kaplan

发布于 2026-05-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Lane Drew, Andee Kaplan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一位在林间穿行的护林员。你看到树木散布在土地上。在旧有的思维方式中，统计学家曾假设两点：

树木：它们随机散布，就像雨滴落在屋顶上（或者可能彼此略有排斥，以免生长得过于靠近）。
大小：每棵树的大小（其高度或体积）完全是随机的，与其所在位置毫无关系。

问题：本文作者认为，第二个假设是错误的。在现实世界中，树木的大小深受其位置的影响。一棵生长在阳光充足、湿润山坡上的树木会非常巨大，而一棵生长在干燥、多岩石山谷中的树木则会很小。“大小”（标记）取决于“位置”。

解决方案：作者创造了一种名为 ldmppr（读作"L-D-M-P-R"）的新工具。可以将此工具想象为一个复杂的数字森林模拟器，它能够理解位置与大小之间的这种联系。

以下是论文如何运用简单的类比来解释该工具：

1. “时间旅行”技巧

该工具背后的数学原理虽然复杂，但其核心思想十分巧妙。作者意识到，直接模拟“彼此排斥的树木”非常困难。因此，他们发明了一种时间旅行技巧。

他们假设森林中最大的树木是时间线上最先“到达”的，而最小的树木最后到达。通过将大小转化为时间，他们可以使用一种已知且更简便的方法，即“自校正过程”。

类比：想象一个拥挤的房间，人们希望保持个人空间。如果直接对此进行建模，会非常混乱。但如果你想象人们一个接一个地进入房间，每个人在选定位置之前都会检查与房间内已有所有人的距离，那么计算就会变得容易得多。ldmppr 包正是这样做的：它将最大的树木视为“最先到达者”，将最小的树木视为“最后到达者”，从而使数学计算得以实现。

2. 双引擎结构

该包的工作方式就像一个从真实数据中学习的两部分的引擎：

A 部分：“空间”引擎（自校正模型）
这部分学习林地的规则。它计算出树木之间需要多少空间。它们是讨厌靠得太近，还是会聚集在一起？它计算“排斥”规则，以确保模拟的树木不会不切实际地重叠或成团。
B 部分：“大小”引擎（机器学习模型）
这部分学习环境的规则。它查看显示海拔、阳光和土壤湿度的地图（栅格图像）。它使用一个“智能猜测器”（如随机森林或 XGBoost 算法）来预测：“如果一棵树位于这个特定位置，且拥有这么多阳光，它会长多大？”

3. 工作流程：学习、检查与创建

论文概述了使用该工具的简单三步法：

学习（估计）：你将一张真实森林的照片（数据）和一张地形图（协变量）输入该包。该包运行一个复杂的优化游戏，为“空间”和“大小”引擎寻找最佳设置。它会尝试数百万种组合，以找到与你的真实森林最匹配的那一种。
检查（拟合优度）：在信任该工具之前，你要求它根据所学内容生成 500 个虚拟森林。然后，你将这些虚拟森林与真实森林进行比较。
- “包络检验”：论文使用一种称为“全局包络”的统计检验。想象在虚拟森林的平均值周围画出一个安全区。如果你的真实森林落在这个区域之外，工具就会说：“哎呀，我的模型错了。”如果真实森林安全地留在该区域内，则说明模型拟合良好。
创建（模拟）：一旦模型通过测试，你就可以用它来生成全新的、逼真的森林。你可以说：“如果土壤更湿润，森林会是什么样子？”或者“为这座特定的山生成 100 种可能的森林。”

4. 为何这很重要

论文强调，虽然已有其他工具用于研究点模式（例如 spatstat 包），但它们通常假设树木大小是随机的，或者计算过于繁重而难以使用。

ldmppr 之所以特殊，是因为：

它快速：它使用一种聪明的数学捷径（时间映射技巧），而不是缓慢的暴力计算方法。
它灵活：你可以将“大小”引擎替换为你喜欢的任何机器学习模型。
它逼真：它终于允许科学家说“树木的大小取决于其位置”，并实际对这种关系进行建模。

核心结论

本文将 ldmppr 呈现为一个用户友好的 R 包，帮助科学家模拟复杂的、逼真的模式，其中位置决定大小。它将一个困难的数学问题转化为一个逐步的工作流程：绘制地形图，学习间距规则，学习大小规则，检查模拟结果是否逼真，然后生成新场景。

作者在落基山脉的一组针叶树真实数据集上测试了该工具。起初，他们的简单模型失败了（虚拟树木看起来不像真实的树木）。但通过细化“空间”引擎并更仔细地训练“大小”引擎，他们实现了完美匹配，证明了该工具适用于现实世界的林业数据。

ldmppr: R 语言中位置依赖的标记点过程技术摘要

问题陈述

点过程模型被广泛用于分析在空间和时间中发生的事件，通常辅以“标记”（如大小或类型等属性）。现有文献中的一个常见简化假设是，这些标记与点的空间位置相互独立。然而，在许多科学领域，特别是林业中，这一假设是站不住脚的。例如，树木大小（树冠体积）往往受到位置特定的协变量（如海拔、土壤湿度和阳光）以及邻近树木空间分布的影响。

虽然已有如 spatstat 和 ptProcess 等 R 语言包用于点过程分析，但它们往往缺乏对标记与位置之间依赖关系进行建模的灵活性，尤其是当空间模式表现出规则性（抑制性）时，即点倾向于相互排斥。传统的规则性建模方法（如吉布斯过程）由于涉及难以处理的归一化常数且依赖马尔可夫链蒙特卡洛（MCMC）算法，计算成本高昂。因此，亟需一个具有计算可扩展性的框架，用于估计、模拟和评估标记同时依赖于空间位置及过程历史的模型。

方法论

本文介绍了 ldmppr，这是一个 R 语言包，实现了针对具有规则性的位置依赖标记点过程的基于似然的框架。核心方法论是将空间标记点过程映射到标记时空点过程，从而利用既有的基于似然的估计和模拟技术。

1. 时空映射

作者扩展了 Møller 等人 (2016) 的机制方法和 Isham 与 Westcott (1979) 的自校正过程。

时间映射：主要标记（例如树木大小）通过幂律变换映射到区间 $[0, 1]$ 内的到达时间 $t$ ：
$\tilde{T}_i = 1 - \left[ \frac{M_{i1} - \min(M_{j1})}{\max(M_{j1}) - \min(M_{j1})} \right]^\delta$
其中 $\delta$ 控制映射的形状。这种排序方式从最大标记到最小标记处理点，将过程条件化于一个“锚点”（即具有最大标记的点）。
过程分解：条件强度函数 $\lambda^*(t, y, x)$ $λ^{*} (t, y, x)$ 被分解为：
- 到达时间过程 ( $\lambda^*_1$ )：一种自校正过程，其强度随着事件数量的增加而降低，从而强制实现规则性。
- 空间过程 ( $h^*_2$ )：一种基于欧几里得距离的交互函数，定义了围绕现有点的抑制性圆形区域。
- 条件标记过程 ( $g^*_3$ )：一种灵活的非线性模型（例如随机森林或梯度提升树），用于根据时间、位置和协变量预测次要标记。
- 时空交互 ( $f^*_4$ )：调节点在空间和时间中联合发生的项。

2. 估计与模拟

参数估计：该框架将时空参数的估计（通过 nloptr 库进行最大似然优化）与标记模型参数的估计（通过机器学习）分离开来。这种模块化设计允许使用复杂的非线性模型来处理标记，同时保持空间过程的计算效率。
优化策略：该包支持多种优化策略，包括“局部”、“全局_局部”和“多分辨率_全局_局部”，利用 NLOPT_GN_CRS2_LM 和 NLOPT_LN_BOBYQA 等算法。
模拟：利用时间积分强度函数和拒绝采样生成实现，从而能够根据估计的参数生成新的点模式。

3. 拟合优度

该包采用全局包络检验 (GET)，使用一系列非参数摘要函数（L、F、G、J、E 和 V）来评估模型拟合度。这包括联合检验，以控制跨距离和摘要类型的多重性。

主要贡献

主要贡献是 ldmppr R 语言包，它提供了一个模块化的工作流，用于：

估计具有位置依赖标记的自校正标记点过程的参数。
训练灵活的机器学习模型，以利用空间协变量和竞争指数来拟合条件标记分布。
评估模型拟合度，通过全局包络检验和可视化诊断。
模拟从拟合模型生成的真实点模式。

该包设计为可适应性强，允许用户替换特定组件（例如不同的标记模型或优化策略），同时保持整体结构不变。

结果

本文利用来自南落基山脉的林业数据集展示了该包的实用性，该数据集包含针叶树的位置和树冠体积，以及地形协变量（坡向、湿度指数、海拔、坡度）。

初始拟合：使用粗略网格和中等优化预算进行的初始模型估计导致拟合效果不佳（联合 p 值 = 0.002）。模拟包络未能捕捉参考数据的最近邻距离分布 ( $G(r)$ ) 和标记方差 ( $V(r)$ )。
优化拟合：通过提高网格分辨率、扩大优化预算、利用多分辨率策略（"multires_global_local"）、增加优化起始次数以及细化标记模型训练（增加交叉验证折数和调整网格大小），模型拟合度显著改善。
结果：优化后的模型实现了 0.2819 的联合全局包络检验 p 值，表明参考数据与拟合模型兼容。视觉比较和直方图证实，改进后的模型成功复现了参考数据中观察到的空间抑制性和树冠体积分布。

意义与主张

作者声称，ldmppr 为建模具有位置依赖性的规则标记点过程提供了一种计算上可行的替代方案，以取代吉布斯过程。通过利用基于似然的方法并将空间建模与标记建模任务分离，该包实现了：

可扩展性：对于使用基于 MCMC 的吉布斯方法在计算上不可行的过程，提供高效的估计和模拟。
灵活性：能够利用现代机器学习技术，将标记与空间协变量之间复杂的非线性关系纳入模型。
实用价值：为生态学、林业及其他领域的研究人员提供简化的工作流，以生成真实的点模式并严格评估模型拟合优度。

本文承认，当前的实现专注于表现出规则性（抑制性）的过程，并指出未来的开发旨在扩展该框架以处理聚类行为，同时保持对位置依赖标记的关注。