روشی نوین در برآورد ناپارامتری تابع شدت فرایندهای نقطه ای پواسون فضایی و کاربرد آن در برآورد شدت رویش درختان اینگاساپیندوئیدس

مدل ‌سازی و براورد تابع شدت یک الگوی نقطه ای، یکی از مسائل مقدماتی و در عین حال اساسی در استنباط فرایندهای نقطه ای است و به عنوان پیش نیاز بسیاری از مسائل دیگر به شمار می رود و از دیدگاه‌های مختلفی به آن پرداخته شده است. با پیشرفت سریع فناوری‌های جمع‌آوری داده، طیف گسترده‌ای از داده ها تولید شده است و در نظر گرفتن متغیرهای کمکی، گام بزرگی در جهت پیشرفت نظریه ی فرایند نقطه‌ای بوده است . در این مقاله یک روش جدید برای براورد ناپارامتری تابع شدت یک فرایند نقطه‌ای پواسون ناهمگن که تابعی نامعلوم از چندین متغیر کمکی فضایی مستقل است، معرفی می کنیم. از آن جایی که دقت تقریب تابع چندمتغیره بر دقت براورد تابع شدت تاثیر دارد، با بهینه سازی پارامتر شکل تابع پایه شعاعی از طریق کمینه کردن ملاک اطلاع بیزی، کیفیت براورد ناپارامتری شدت فرایندهای نقطه ای پواسون فضایی را ارتقا می دهیم.

a novel approach to nonparametric estimation of the intensity function of spatial poisson point processes and its application in estimating the intensity of inga sapindoides trees

modelling and estimating the intensity function of a point pattern is one of the preliminary and fundamental issues in inference of point processes, and it considered as a prerequisite for many other problems. it has been addressed from different perspectives. with the rapid development of data-collection technologies, a wide range of data has been produced, and considering covariates has been a big step forward in the theory of point processes, which has mainly been addressed from a parametric perspective.in this paper, we introduce a novel approach for nonparametrically estimating the intensity of an inhomogeneous poisson point process, which is an unknown function of several independent spatial covariates. in the proposed method, using the approximation technique of radial basis function for unknown multivariate functions, the nonparametric model of the intensity function is transformed into a log-linear model. since the accuracy of the multivariate function approximation directly affects the accuracy of the intensity function estimate, we enhance the nonparametric estimation quality of the intensity function in spatial poisson point processes by optimizing the shape parameter of the radial basis function through minimizing the bayesian information criterion.