Spectral estimation for point processes and random fields
点过程与随机场的谱估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究空间点过程与随机场的谱分析，所列细分未提供直接对应的空间统计方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
点过程与随机场的谱估计
- 研究问题
- 规则格点随机场、点过程及随机采样空间过程具有不同观测形式，如何建立可实施的联合谱分析框架，并处理不规则空间区域？
- 方法与思路
- 作者将耦合的离散与连续数据窗函数同离散傅里叶变换结合，构造多窗谱分析方法，并研究不规则区域下的实现与统计性质。
- 材料陈述的贡献
- 摘要称，该框架提供快速实现及渐近和大有限区域性质，能够估计空间过程间的偏关联、检验其显著性，并展示生态数据应用。
- 阅读关注点
- 应核对不同观测形式如何统一进入谱估计、窗函数在不规则区域上的构造，以及偏关联的定义、显著性判断和区域渐近设定。
- 阅读边界
- 仅据所给 Crossref 摘要；空间依赖条件、采样机制及具体检验分布未说明，不能据此推断对任意空间数据均有效。
原文摘要
Summary Spatial variables can be observed in many different forms, such as regularly sampled random fields (lattice data), point processes and randomly sampled spatial processes. Joint analysis of such collections of observations is clearly desirable, but complicated by the lack of an easily implementable analysis framework. We fill this gap by providing a multitaper analysis framework using coupled discrete and continuous data tapers, combined with the discrete Fourier transform for inference. Using this set of tools is important, as it forms the backbone for practical spectral analysis. In higher dimensions it is especially important not to be constrained to Cartesian product domains, and so we develop the methodology for spectral analysis using irregular domain data tapers and the tapered discrete Fourier transform. We discuss its fast implementation, as well as the asymptotic and large finite-domain properties. Estimators of partial association between different spatial processes are provided, as are principled methods to determine their significance, and we demonstrate their practical utility using a large-scale ecological dataset.