假设我们在 3 个彼此非常接近的不规则形状的样本图中记录了不同植物物种的所有个体的位置。例如，我在下面放了 2 张不同物种的 2 张图片。每个格子对应100m，每个圆圈代表一株植物（圆圈的大小对这道题不重要）。

我们想分析个体的发生在多大程度上取决于各种生态变量。

在许多类似的研究中，作者提供了对每个物种的种内全局空间自相关程度的定量测量，通常是 Moran's I。

但是，我不确定在我们的案例中如何做到这一点，因为：

• 空间自相关的全局分析，例如 Moran's I，假设研究区域内的同质性，这显然不是这种情况。
• 样地的形状非常不规则。
• 许多物种在 3 个地块之一中完全不存在。

我们可以尝试使用局部空间自相关（例如 LISA）在局部级别找到集群。如果我正确理解 LISA，我们将不得不将我们的研究区域划分为不同的同质子单元，这似乎有些武断。

基于我们的数据，我们可以提供哪些关于种内空间自相关的信息？

从统计的角度来看，这是否有意义，还是我们应该更好地定性地描述模式？

顺便说一句，我们正在使用 R 进行分析。

编辑：也许关于我们研究的一些额外信息将有助于回答这个问题。到目前为止，我们使用了目前唯一的物种分布建模技术（如 MaxEnt）。结果通常令人满意，具有良好的模型性能和从生态角度来看有意义的预测。

然而，一些作者警告说，事件之间的空间自相关可能会影响模型。因此，我们想提出一个简单的空间自相关度量（如果可能）来描述数据。

Edit2：关于使用 Ripley 的 K 或 L 函数的建议：

据我所知，这些函数假设基础点过程在空间上是均匀的（静止的），这在我们的例子中是不正确的。近年来已经开发了用于非均匀点模式的 K 和 L 函数，它考虑了研究区域中每个站点的非恒定强度（例如，参见此处的 R 中的仿真）。

然而，对于我们的分析，在考虑了不同的强度之后，我们对空间相关性并不真正感兴趣，而是不同的强度是否在空间上是自相关的（我不知道这是否完全有意义）。