Нормализация данных в r с использованием популяционного растра

Question

У меня есть два пиксельных изображения, которые я создал с помощью spatstat, один из изображений плотности, созданных набором точек (с использованием функции density.ppp), а другой - изображение пикселя, созданное из популяционного растра , Мне интересно, есть ли способ использовать популяционный растр для нормализации изображения плотности. В принципе, у меня есть набор данных из 10000+ мест размещения кибер-атак в США, используя функцию spatstat, которую я надеюсь исследовать для пространственных шаблонов. Однако очевидная проблема заключается в том, что районы более высокого населения имеют больше причин кибератаки, потому что людей больше. Я хотел бы использовать попутный растр, чтобы исправить это. Любые идеи были бы хорошы.

Answer 1

В комментарии от @RHA говорится: Первое решение состоит в том, чтобы просто делить на интенсивность.

У меня нет данных, поэтому я сделаю некоторые, которые могут показаться похожими. Набор данных Chorley имеет два типа случаев рака. Я буду оценивать интенсивность рака легких и использовать его в качестве вашей плотности населения. Тогда оценка плотности случаев гортани служит в качестве оценки интенсивности кибер-атаки:

library(spatstat) 
# Split into list of two patterns 
tmp <- split(chorley) 
# Generate fake population density 
pop <- density(tmp$lung) 
# Generate fake attack locations 
attack <- tmp$larynx 
# Plot the intensity of attacks relative to population 
plot(density(attack)/pop) 

В качестве альтернативы, вы можете использовать обратную плотность населения в качестве весов в density.ppp:

plot(density(attack, weights = 1/pop[attack])) 

Это может быть предпочтительный способ, когда вы в основном говорите, что атака происходит, например, место с плотностью населения 10 только «считается» вдвое меньше, чем атака, происходящая в месте с плотностью 5.

Я не уверен, что именно вы хотите сделать с анализом, но, возможно, вам стоит подумать об установке простая модель Пуассона с ppm и посмотреть, как ваши данные расходятся с предлагаемой моделью, чтобы понять поведение атак.