基于R语言spatstat分析带标记点模式：绿点相对白点的聚集性检验

我有一份数据集，计划使用R语言的spatstat包进行分析。观测区域为一个多边形，数据的标记为数值型的0和1：标记为0的点（圆形）显示为白色，标记为1的点显示为绿色。我希望分析绿色标记点的分布情况，通过Moran检验或其他量化方法判断其是否存在聚集性。但我的需求是：并非分析绿点相对于整个多边形区域的聚集性，而是判断绿点是否相对白点聚集，请问如何应用Moran检验或其他量化方法完成该分析？

我认为标记为1的点的位置类似事故点呈随机分布，而所有点的位置是固定的（构成多边形），我将其视为观测窗口。

现有代码 #

x = c(3,0.5,1,0,0,0,2,2.5,5.5, 16,21,26,28,40, 47, 52, 58, 60, 65, 63, 63, 75, 77, 78, 75)
y = c(116,106,82.5,64,40,35,25,17.5,5,5,5,8,10,8, 14, 14, 10, 0, 0, 17, 20, 24, 30, 50, 116)
p <- owin(poly = cbind(x, y))
point_pattern = as.ppp(deviation_binary_locations_marks, p)
marks(point_pattern) <- as.factor(deviation_binary_locations_marks[, "APOD"])
table(marks(point_pattern))
plot(point_pattern,which.marks="APOD", main="Point pattern for gene APOD", chars = c("o","o"), bg = c("white", "green"),pch = 21, size = 0.75, cols = c("black", "green"), leg.side=c("left"))

点模式可视化 #

1. 交叉K函数（Cross K-function） #

spatstat自带的crossK函数是分析两类点空间关联的标准工具，直接匹配你的需求：

• 计算K₁₀(r)：距离任意白点r范围内的绿点数量期望，用于判断绿点是否倾向于聚集在白点周围
• 代码示例：

# 分离两类点
green <- subset(point_pattern, marks == 1)
white <- subset(point_pattern, marks == 0)

# 计算交叉K函数，i=1对应绿点，j=0对应白点
cross_k <- crossK(point_pattern, i = 1, j = 0)

# 绘图对比实际值与完全空间随机（CSR）的期望值
plot(cross_k, main = "绿点相对于白点的交叉K函数", xlab = "距离r", ylab = "K₁₀(r)")

• 解读：若某一距离r处的实际K值显著高于CSR虚线，说明该尺度下绿点相对白点聚集；低于则说明两者相互排斥。

2. 空间自相关分析（Moran's I） #

Moran's I可量化二元标记的空间关联，针对你的需求可按以下方式操作：

• 将所有点的标记（1=绿，0=白）作为变量，计算全局或局部Moran's I，聚焦绿点与周边点的关联
• 代码示例（需加载spdep包）：

library(spdep)

# 提取点坐标和标记变量
coords <- coordinates(point_pattern)
marks_var <- as.integer(marks(point_pattern))

# 构建空间权重矩阵（这里取距离5以内的邻居，可根据实际调整）
neighbors <- dnearneigh(coords, d1 = 0, d2 = 5)
weight <- nb2listw(neighbors, style = "W")

# 全局Moran's I检验，判断整体是否存在聚集
moran.test(marks_var, weight)

# 局部Moran's I，查看每个绿点的局部关联情况
local_moran <- localmoran(marks_var, weight)
green_local_moran <- local_moran[marks_var == 1, ]

• 解读：局部Moran's I值显著为正的绿点，说明其周边区域绿点占比更高，即相对白点聚集；显著为负则说明周边白点更多。

3. 最近邻距离检验 #

通过对比绿点到最近白点的实际距离与随机分布下的期望距离，判断绿点是否偏向白点：

• 代码示例：

# 计算每个绿点到最近白点的距离
actual_dist <- nndist(green, white)

# 生成与绿点数量相同的随机点，计算其到最近白点的距离
random_green <- rpoint(npoints(green), win = p)
random_dist <- nndist(random_green, white)

# Wilcoxon秩和检验，判断实际距离是否显著小于随机期望
wilcox.test(actual_dist, random_dist, alternative = "less")

• 解读：若检验结果显著（p值<0.05），说明绿点到白点的距离比随机情况更近，即相对白点聚集；反之则是排斥。

关键注意事项 #

• 确认观测窗口的准确性：多边形窗口需完全覆盖所有点，后续分析结果才可靠
• 若白点本身在窗口内分布不均匀，建议使用crossKinhom（非齐次交叉K函数）替代crossK，消除白点分布异质性的影响

内容的提问来源于stack exchange，提问作者MK Huda