Modeling spatial patterns of rare species using eigenfunction-based spatial filters: An example of modified delta model for zero-inflated data

به دلیل فراوانی کم آنها، داده های مربوط به گونه های نادر معمولا دارای درصد بالایی از مشاهدات صفر هستند. چنین داده هایی به طور کلی به عنوان داده های با مقدار صفر شناخته می شوند. الگوهای فضایی مدل سازی در چنین داده هایی چالش برانگیز بوده است، به خصوص هنگامی که مجموعه داده های بزرگ درگیر هستند و محاسبات فشرده مورد نیاز است. فیلتراسیون فضایی مبتنی بر خصوصیات یک ابزار انعطافپذیر را فراهم میکند که به رویکردهای مدلسازی موجود کمک میکند که بتوانند از دادههای با داده صفر مانند مدل دلتا در حضور وابستگی فضایی استفاده کنند. با استفاده از داده های واقعی، داده های جانبی دریایی دریایی طولی، این مطالعه تغییر مدل دلتا با فیلتر های فضایی برای بررسی الگوهای فضایی در داده های صفر باد برای گونه های نادر است. ما 108 ماتریس وزن دهی فضایی را بررسی کردیم و مدل دلتا را با استفاده از فیلترهای فضایی تولید شده از بهترین ماتریس وزن گذاری مکانی اصلاح کردیم. ما برای بررسی عملکرد مدل دلتا اصلاح شده با سه مدل کاندید بر اساس میانگین خطای مطلق و میانگین تعصب، پنج ضریب متقابل اعتبار مورد استفاده قرار دادیم. سه مدل کاندید شامل مدل پایه ای بدون وابستگی فضایی در نظر گرفته شده، مدل افزایشی تعمیم پذیری روند و مدل اثر تصادفی منطقه ای بود. مدل دلتا اصلاح شده با فیلترهای فضایی عملکرد فوق العاده ای را نسبت به سه مدل دیگر کاندیدای دیگر در نمونه سوسک دریایی نشان داد. با استفاده از نمونه سوسک دریایی، ما تغییر مدل دلتا با فیلترهای فضایی مبتنی بر خصوصیات خاص را برای بررسی الگوهای فضایی نشان دادیم. این مطالعه یک جایگزین برای ادغام وابستگی فضایی در رویکردهای موجود برای مدل سازی الگوهای فضایی در داده های با مقدار صفر برای گونه های نادر فراهم می کند.