稀疏采样模式方法.PDF

第３章　稀疏采样模式方法 ３１　一般说明 在本章中，我们考虑如１２节中定义的，通过稀疏采样程序获得数据的分析方 法。我们回想起，这样的数据包括研究区域Ａ内小块区域内的样方计数，或者从 区域Ａ中样本点到邻近事件间的距离。区域Ａ中事件数量ｎ是未知的，但是必须被 假设为比样方数量或样本点数ｍ大得多，否则Ａ的完整映射图样将更合适一些， 并且也肯定包含更多的信息。Ａ一般都很大，并且很可能是异质的。例如，稀疏采 样方法最初被设计为森林和植物生态中的田野抽样方法。 稀疏抽样分析的目标通常是为了估计区域Ａ中的事件数量，或者可以说是 “强度”（被定义为每单位区域的事件的平均数量），以及通过一个或多个完全空间 随机性检验来获取内在模式的量化描述。如果要求更加细致的推论，那么就要通过 对Ａ中子区域中的映射数据的收集和分析来更好地得出结论。的确，一个基础的 稀疏采样分析得到的可用函数为随后更细致的研究计划提供了参考。 大多数稀疏采样假设的理论假定，如果只是隐含地讲，样本点根据一个均匀 分布随机地散落在Ａ上。然而，对于我们在本章所考虑的大多数相关统计方法， 对有效性的实际要求是，样本点应该能被很好地分开，以便来自不同点的观察能 够被假定为独立，这通过系统采样设计很容易获得。另外系统采样比较好的特点 是，它方便地考虑到Ａ可回溯性地被划分成几个子区域，在其中可以分别进行分 析并且结果具有可比性。一个可能的缺点是，连续样本点之间的间隔可能与内在 模式中的周期相一致。即便这个缺点很严重，它也能够通过对Ａ的子区域中事件 的随机采样得到弥补。其他可能的设计包括，例如，沿一条线记录样本点的位 置。注意，不同抽样方案的统计优缺点应该在该领域内付出相同的努力基础上进 行比较。在这方面，其他所有事项都是相同的情况下，能够允许一个更大的 ｍ， 系统采样是一个更加敏感的分析方法。理论上最大的ｍ值受到限制，要求不同 的样本点应该产生出独立的观测。在实际中，如果系统采样得以采用，这一约束 就不是很严苛。Ｂｙｔｈ和Ｒｉｐｌｅｙ（１９８０）使用仿真来建立模型，对于任何常用的距 离测量方法，ｍ可以至少跟０１ｎ一样大。如果使用随机采样，安全的上限大约 是００５ｎ。在本章剩余部分，没有进一步地讨论它，我们假定对来自不同样本点 的观测是独立的。无论采用什么的采样设计，样本点定位的客观性至关重要。 在这一章的剩余部分，我们首先分别讨论样方计数法和距离方法来进行 ＣＳＲ ２８ 第３章　稀疏采样模式方法 检验以及强度估计。然后我们描述与数据的解释相关的各对模式之间的独立性检 验，比如在兰辛森林数据中，同一研究区域不同物种的数据被记录了下来。 ３２　样方计数 我们回顾１３节，ＣＳＲ下，面积为Ｂ的某区域中的事件数量Ｎ（Ｂ）服从均值为 Ｂ的泊松分布，在这里 表示强度。Ｎ（Ｂ）的概率分布可以用显式表达出为 λ λ ｎ ｐ（Ｂ）＝ｅｘｐ（－Ｂ）｛（Ｂ）／ｎ！｝，ｎ＝０，１，２，… （３１） λ λ ｎ 在这一节，我们假定，可获得的数据包括每一个区域Ｂ中ｍ个样方的独立计 数ｎ，ｎ，…，ｎ。 １ ２ ｍ ３２１　ＣＳＲ的检验 我们期望检验假设，ｎ是来自未指定均值的泊松分布的一个独立随机样本。 ｉ 一个自然的检验统计量是样本方差－均值比率或者离差指数 ｍ Ｉ＝ ２ ∑（ｎ－ｎ）／［（ｍ－１）ｎ］ （３２） ｉ ｉ＝１ 方程 （３２）的直观吸引之处在于对于泊松分布式 （３１），均值和方差相等。 因此，Ｉ能够被理解为一个方差比率统计量。其分子是