空间建模

在许多科学领域，从城市规划到分子生物学，了解事件发生的地点与了解发生何事同样重要。然而，传统的分析方法常常忽略或错误处理这一空间维度，这些方法假设数据点是独立的。本文旨在填补这一关键空白，全面介绍空间建模——一门量化和预测在空间中展开的模式的科学。它超越了简单的地图绘制，探索创造空间结构的过程。读者将首先在“原理与机制”一章中学习基础概念，了解如何表示空间、定义有意义的距离，以及使用统计学来解释空间模式。随后，“应用与跨学科联系”一章将展示这些方法在公共卫生、生态学和工程学等不同领域中的强大威力与通用性。

科学的核心在于发现模式。在许多领域——从生态学到流行病学再到材料科学——这些模式不仅仅是抽象的关系，而是铭刻在空间结构本身之上。要理解世界，我们必须理解其几何形态。但是，“建模”空间意味着什么？它远不止是在地图上绘制数据点。它是理解、量化和预测在某一景观上展开的复杂关系之舞的艺术与科学。整个领域的指导原则可以总结为 Tobler 地理学第一定律这一简单而深刻的观察：“万物皆有联系，但相近的事物比相远的事物更相关。”这一​​空间自相关​​原理不仅仅是一个统计上的现象；它是大多数物理、生物和社会过程的基本标志。我们的任务就是学习如何解读和解释这个标志。

在分析空间模式之前，我们必须首先决定如何表示它。现实世界是一幅混乱、连续、细节无限的织锦。为了将其引入计算机，我们必须将其离散化，创造一个简化但有用的抽象。对此有两种宏观策略。

假设您是一名能源规划师，任务是模拟一个地区的电力需求。表示您研究区域的一种方法是使用​​矢量​​数据集。在这里，您可以定义具有精确边界的不同对象：代表发电厂的点、代表输电走廊的线、以及代表人口普查区或行政区的多边形。这就像在地图上绘画，为每个要素赋予一个明确的身份和一组定义其形状的坐标。这些对象之间的关系，例如哪些多边形相邻，是被显式存储的。这种方法非常适合建模具有清晰、明确边界的实体。

或者，您可以使用​​栅格​​表示法。这种方法在世界上铺设一个统一的网格，很像数码照片中的像素。网格中的每个单元格或像素都被赋予一个值，代表诸如高程、温度，或者在我们的例子中，人口密度等属性。在这里，空间关系是隐式的：一个单元格的邻居就是其上方、下方和两侧的单元格。栅格模型非常适合表示在空间上平滑变化的连续场，例如植被健康的卫星图像。

无论我们选择哪种表示法——矢量多边形或栅格网格——我们常常需要在不同的空间单元之间转换信息。例如，我们可能有按人口普cha区（多边形）统计的电力消耗数据，但需要估计一个跨越这些区域的新规划区内的平均消耗量。这可以通过​​面积加权​​来实现，这是一种基本机制，新区域的属性是其所重叠的旧区域属性的加权平均值，权重为相交部分的面积。如果某个量 $x_i$（如能量强度，单位 MWh/km²）在一个源多边形 $A_i$ 上是恒定的，它对目标多边形 $A$ 的贡献就是 $x_i$ 乘以它们相交的面积 $|A \cap A_i|$。$A$ 中的总能量是这些贡献的总和，即 $\sum_i x_i |A \cap A_i|$，而平均强度是这个总和除以 $A$ 的总面积。当我们重新绘制地图边界时，这种优雅的方法确保了量的守恒。

最终，栅格和矢量数据通常都可以被提炼成一个更基本的结构：​​图​​。图就是节点（代表我们的空间单元，无论是像素、点还是多边形）和边（代表它们之间的关系）的集合。这种抽象使我们能够使用强大的网络科学语言来研究空间问题。但这立即引出了一个关键问题：我们如何定义“边”？对于一组像网格上人口普查区这样的多边形，我们可以使用​​车邻接 (rook contiguity)​​，即只有当两个多边形共享一个正长度的边界时，才存在一条边。或者我们可以使用更宽松的​​后邻接 (queen contiguity)​​，如果多边形共享哪怕一个点，包括一个角点，就创建一条边。这个看似微小的选择会极大地改变所得图的拓扑结构——它的连通性、密度和聚类——这反过来又会影响信息在模型中通过系统传播的方式。对于一团离散的点，比如组织样本中的单个细胞，我们可以通过构建一个 ​​$k$-近邻 (k-NN) 图​​（将每个点连接到其 $k$ 个最近的朋友）或一个​​Delaunay 三角剖分​​来定义邻居，后者是一种优美的几何结构，它将点连接成一个三角形网格，并具有没有任何点位于任何三角形的外接圆内的特性[@problemid:5062803]。

我们在学校学到的直线这一简单概念，即欧几里得距离，在现实世界中往往是一种误导性的虚构。想象一只蚂蚁试图在一张揉皱的纸上从一点移动到另一点。对蚂蚁来说，最短的路径不是穿过纸张，而是沿着其弯曲的表面行走。这条沿着受限表面上的最小阻力路径被称为​​测地线距离​​。

这个概念在空间建模中至关重要。当研究薄而折叠的上皮组织中的分子信号时，两个细胞在显微镜视图的3D空间中可能非常接近，但在功能上却相距甚远，因为任何信号都必须沿着组织表面走一条漫长而曲折的路径。在这种情况下，测地线距离是唯一具有生物学意义的度量标准。

“距离”的概念甚至可以更丰富。如果介质本身不均匀怎么办？在某些组织中，胶原纤维充当分子运输的高速公路，使得沿着纤维的移动比横穿纤维更容易。这是一个​​各向异性​​的例子，其中有效距离取决于行进的方向。在这种情况下，直线不再是最近的路径；“成本”最小的路径可能是一条与快速传输方向一致的曲线。最后，如果存在不可逾越的障碍，比如肿瘤中的坏死核心怎么办？位于这个核心两侧的两个细胞可能是欧几里得距离上的邻居，但在功能上它们相隔万里，因为任何通信都必须绕远路。一个有意义的距离度量必须考虑到这些障碍，正确地识别出“最短”路径可能非常长。教训是明确的：在空间建模中，距离不是一个预定义的事实，而是模型本身的一部分，一个我们必须精心构建以反映我们旨在理解的过程的概念。

在表示了我们的数据并定义了距离概念之后，我们就可以开始提出科学问题。我们看到了一个模式——它是有意义的，还是仅仅是随机偶然？这是空间统计学的核心。

考虑一个点模式，例如散布在组织切片上的肿瘤细胞和免疫细胞。免疫细胞是否围绕着肿瘤细胞聚集，这是积极反应的迹象吗？还是它们被排斥，暗示着一个“免疫排斥”的微环境？为了回答这个问题，我们需要一个比较的基准：​​完全空间随机性 (CSR)​​，这是一个没有任何结构模式的形式化模型。​​Ripley's K 函数​​是完成这项任务的绝佳工具。对于两种细胞类型 $A$ 和 $B$，交叉类型函数 $K_{AB}(d)$ 测量在一个典型 $A$ 型细胞的距离 $d$ 范围内预期的 $B$ 型细胞数量，并根据 $B$ 型细胞的总体密度进行缩放。在 CSR 的零假设下，这个函数有一个简单而优美的形式：$K_{AB}(d) = \pi d^2$，即搜索圆盘本身的面积。通过从我们的数据中计算经验估计值 $\widehat{K}_{AB}(d)$，并将其与理论上的零假设进行比较，我们可以在不同的空间尺度上获得聚类 ($\widehat{K}_{AB}(d) > \pi d^2$) 或抑制 ($\widehat{K}_{AB}(d) < \pi d^2$) 的客观证据。

对于连续场，如温度或高程，我们使用一种称为​​变异函数​​的工具来量化 Tobler 定律。其思想很简单：我们计算成对位置值的平方差，并将这些平方差的平均值与分隔这些对的距离绘制成图。得到的图，即经验变异函数，是空间过程的指纹。对于具有空间自相关的过程，变异函数通常会随距离增加而增加：距离近的点具有相似的值（差异小），而距离远的点则更不相似（差异大）。

通常，变异函数在一定距离处会变平，达到一个称为​​基台值 (sill)​​ 的平台。这个基台值代表了场的背景方差，而达到该值的距离称为​​变程 (range)​​，可以解释为过程的“相关长度”或“空间记忆”。然而，在一些覆盖广大区域的环境应用中，变异函数可能看起来无限增加。这导致了建模中一个有趣的选择。我们可以拟合一个​​有界变异函数​​，它有一个基台值，这意味着过程是二阶平稳的，具有有限的方差，即使相关范围大于我们的研究区域。或者，我们可以拟合一个​​无界变异函数​​（如幂函数或线性模型）。这个选择意味着过程不是二阶平穩的，而是内蕴平穩的，可能类似于一个自相似的分形状表面（如分数布朗运动），在所有可观察的尺度上都表现出趋势和尺度缩放行为。因此，变异函数的形状揭示了我们正在研究的空间场的基本性质的深层真理。

现在我们到达了宏大的综合阶段：构建不仅能描述还能预测空间现象的模型。这正是空间自相关原理带来最大挑战和最大机遇的地方。

标准的统计模型，如普通线性回归，建立在所有数据点都是独立的假设之上。正如我们所见，对于空间数据来说，这根本不成立。如果我们忽略这一点会发生什么？我们会掉进自己挖的陷阱。想象一下，训练一个机器学习模型来根据卫星图像分类土地覆盖类型。如果我们使用一个简单的随机交叉验证方案——将所有像素打乱并随机分配到训练集和测试集——我们肯定会得到一个对模型性能的极其乐观且完全错误的估计。为什么？因为对于任何给定的测试像素，训练集中几乎肯定会包含它的邻居，这些邻居在特征和真实标签上都与它高度相关。模型不需要学习光谱特征和土地覆盖之间的一般关系；它只需通过记忆局部邻域来“作弊”。它的高准确性是一种幻觉，是这种​​信息泄露​​的产物。

要诚实地评估一个空间模型的泛化能力，唯一的方法是使用一种模拟真实世界预测任务的验证方案。这意味着使用​​空间交叉验证​​，我们将数据划分为大的、连续的空间块。我们在一些块上训练模型，并在它从未“见过”的其他地理上分离的块上进行测试。这迫使模型学习一般原则，而不是局部特性。

那么，我们如何构建能够恰当地* embracing *空间依赖性而不是忽略它的模型呢？我们包含的空间细节水平是一种建模选择，形成了一个复杂性的谱系。一个​​集总模型​​可能将整个流域视为一个单一的计算单元，对所有属性取平均值。一个​​半分布式模型​​可能根据土壤类型和土地覆盖将其分解为几个有意义的子单元。一个​​全分布式模型​​则会在一个精细的网格上求解物理方程，以精美的细节捕捉空间变异性。

现代统计方法为此提供了一个特别优雅的框架：​​广义线性空间模型 (GLSM)​​。其思想是在标准统计模型中增加一个明确捕捉空间结构的项。例如，如果我们正在建模不同空间位置的基因表达计数 ($y_i$)，我们可能会从一个泊松模型开始，其中平均计数 $\mu_i$ 通过一个对数连接与协变量（如组织类型，$z_i$）相关：$\log(\mu_i) = \beta_0 + \beta_1 z_i$。关键的创新是向这个方程中添加一个​​空间随机效应​​ $u_i$：

$\log(\mu_i) = \beta_0 + \beta_1 z_i + u_i$

这个 $u_i$ 项不仅仅是非结构化的噪声。它是我们对 Tobler 定律的模型。我们指定所有 $u_i$ 值的集合遵循一个​​高斯过程 (GP)​​——一个复杂的统计对象，可以被看作是平滑函数上的一个分布。我们定义一个协方差核，如著名的 ​​Matérn 核​​，它指定 $u_i$ 和 $u_j$ 之间的相关性是它们位置之间距离 $\|\mathbf{s}_i - \mathbf{s}_j\|$ 的一个衰减函数。通过这一优美的步骤，我们已经将空间自相关直接融入了我们统计模型的结构中。

这不仅仅是一个抽象的理论。用于分析空间转录组学数据的前沿方法，如 SPARK 和 SpatialDE，正是建立在这些原则之上的。它们可能在具体假设上有所不同——是直接用泊松分布或负二项分布对原始计数建模，还是先对数据进行转换以更好地拟合高斯似然——但它们都共享一个核心思想，即基于 GP 来检验和建模空间协方差分量。这个框架优雅地处理了过离散的计数数据（例如，通过泊松-伽马混合得到负二项模型），同时模拟了复杂的空间模式，代表了该领域的最新技术水平。

从将世界表示为图，到定义“距离”的真正含义，从用 Ripley's K 量化随机性，到用变异函数描绘自相关的指纹，空间建模的原理提供了一个强大而统一的视角来观察我们的世界。它们教导我们，要理解模式，我们必须首先理解在空间这块画布上编织它的过程。

在了解了空间建模的基础原理之后，我们现在来到了探索中最激动人心的部分：见证这些思想的实际应用。在抽象中理解一个工具是一回事，但亲眼目睹它雕刻出一件杰作则完全是另一回事。空间建模的真正魅力不仅在于其数学上的优雅，更在于其深刻而惊人的通用性。同样的基本问题——“事物在哪里？”、“它们如何排列？”以及“为什么它们的位置很重要？”——在众多学科和尺度上开启了新的认知。

城市布局与癌肿瘤内的细胞战场有何共同之处？森林生物寻找栖息地的斗争与您电脑中微芯片的无瑕性能之间有何联系？答案，正如我们即将看到的，是一种共通的“位置语法”。让我们开始一次跨越这些不同景观的旅程，发现空间思维如何正在革新科学与社会。

空间建模最直接、最 relatable 的应用也许体现在我们为自己建造的世界中。在这里，模型不仅仅是描述性的；它们成为规划、干预以及努力实现一个更公平、更健康社会的强大工具。

想象一下，你是一名公共卫生官员，试图确保每个人都能获得医疗保健。下一家诊所应该建在哪里？在过去，这可能通过简单的“在地图上插针”方法来决定。但我们可以做得更好。我们可以模拟供给（诊所的容量）和需求（人口的需求）之间复杂的相互作用。两步移动搜索法（2SFCA）正是这样做的。它首先从每个诊所的角度出发，计算它能服务的所有潜在需求，并对居住得更近的人给予更高的权重。这为每个诊所提供了一个“供需比”。然后，它将视角转换到居民身上。对于任何给定的社区，它会考察所有能够到达的诊所，并将其供给比率相加，同样地，对更近的诊所赋予更高的权重。结果是一幅精美、细致的可达性地图——一个不仅捕捉了邻近性，还反映了服务与需求平衡的指数。这使我们能够精确识别“远程医疗沙漠”或医疗服务缺口，确保新资源被放置在真正需求最迫切的地方，这是弥合健康公平差距的关键一步。

同样的逻辑也延伸到诊所之外。考虑健康食品的获取。我们可以使用类似的引力模型来绘制“食物沙漠”。但为什么要止步于一幅静态的画面？当空间模型成为“如果-那么”情景的沙盒时，它们便大放异彩。假设一个城市计划增加一条新的公交线路。这将如何改变现状？我们可以将城市建模为一个出行时间的景观，其中从一个社区到一家杂货店的“成本”是用分钟而不是英里来衡量。在公交线路出现之前，每个人都必须步行。之后，出现了一个新的、更快的出行选择。通过为每个社区重新计算可达性，我们可以预测新鲜农产品的获取将如何改善。我们甚至可以将这种可达性的变化与饮食的潜在变化联系起来，预测服务欠缺社区的人们可能会多摄入多少份水果和蔬菜。这将空间分析从一种诊断工具转变为城市规划和公共卫生政策的强大引擎。[@problem_gid:4526586]

现在，让我们从单个城市放大到整个国家，特别是那些地形复杂、基础设施有限的国家。“2小时内获得必要手术服务”是全球健康的一个关键基准，但这究竟意味着什么？地图上的直线距离是一个危险的虚构。现实世界是由快速的铺装道路、缓慢的土路以及无法逾越的山脉或河流组成的马赛克。要真正理解可达性，我们必须构建一个“摩擦表面”——一个数字景观，其中每个像素都被赋予一个代表穿越它所需时间的成本。在铺装道路上旅行成本低；攀登陡峭、森林覆盖的斜坡成本高。利用最小成本路径算法，计算机可以找到从该国任何一点到最近医院的最快路线，不是沿着直线，而是沿着阻力最小的路径蜿蜒前行。通过将这张出行时间地图与人口地图叠加，我们可以更真实地计算出生活在这个关键的两小时窗口内的确切人口百分比。这不仅仅是一项学术练习；它是一条生命线，指导着像非洲或亚洲农村这样的地区新外科中心的选址，以拯救最多的生命。

从静态的可达性到动态的增长，空间模型也可以模拟未来。城市不是静止的；它们是活的、不断成长的实体。元胞自动机是模拟这种增长的一种迷人方式。想象一个代表景观的网格。每个单元格可以是“城市”或“非城市”。在每个时间步，一个单元格可能会根据几条简单的局部规则变成城市：它是否紧邻一个已有的城市单元格（边缘增长）？它是否靠近一条新路（道路影响型增长）？或者它是否自发地出现在荒郊野外，可能成为一个新郊区的种子（新增扩散中心）？通过为一个城市运行这个“生命游戏”，我们可以生成惊人逼真的未来 sprawl 模式。更重要的是，通过分析过去的增长模式，我们可以像空间侦探一样，推断出哪些规则是变化的主导驱动力。这为城市规划者提供了关于塑造他们城市的各种力量的宝贵见解，使他们能够更好地管理增长和保护自然景观。

当我们将目光从人造世界转向自然世界时，空间建模的原理同样强大，但它们回答的问题发生了变化。在这里，我们试图理解由进化和生态学编织出的复杂模式。

对于迁徙的动物来说，世界不是一个均匀的平面。它是一个充满机遇与危险的景观。一片老龄林是“核心”栖息地，一个安全的避风港。连接两片这样森林的一条细长的树林带是“廊道”。一片开阔的田野可能是一个危险的广阔地带。我们可以将这个景观建模为一个图，其中栖息地斑块是节点，它们之间的连接是边。但一条边的权重不仅仅是欧几里得距离。它是一个“功能成本”，是距离和一个取决于所连接斑块类型的阻力因子的乘积。在两个高质量的“核心”斑块之间进行短途旅行成本很低。同样长度的旅程如果终点是一个小的、孤立的“孤岛”斑块，功能上就非常昂贵，因为它毫无出路。通过应用像 Dijkstra's 这样的算法，我们可以找到功能成本最小的路径，揭示物种实际用来在它们的世界中导航的隐藏高速公路和小径。这对于设计有效的野生动物廊道和保护区至关重要。

更深层次地，空间分析可以帮助我们回答生态学中最基本的问题之一：什么规则支配着生物群落的组建？当你走过一片森林时，你看到的物种集合并非随机。是因为每个物种都精细地适应了其特定的生态位——当地的土壤、水分和光照——一个称为“环境过滤”的过程吗？或者更像是一场彩票，先到并成功繁殖的物种占据主导地位，一个“中性”过程？空间建模提供了检验这些理论的熔炉。通过绘制地块中每一棵树的精确位置，我们可以分析它们的模式。我们发现物种并非随机分布；它们与土壤湿度等环境梯度密切相关。但我们可以更进一步。通过整合物种间的进化关系——它们的系统发育——我们发现，聚集在潮湿地区的物种通常是近亲，而干旱地区的物种也是近亲。这种“系统发育聚类”的模式是环境过滤的确凿证据。它表明，应对潮湿或干旱条件的性状在进化谱系中是保守的，环境筛选出了拥有正确遗传工具组合的演化支。我们甚至可以放大到关系最近的物种对，看到它们倾向于聚集在一起生长，而不是分开，这正是我们预期它们共享相同微生境偏好时会看到的情形。通过将空间模式、环境数据和进化历史交织在一起，我们可以解码构建生态系统的过程本身。

我们旅程的最后一站将我们带到最意想不到的地方，揭示了空间原理的普遍真理。我们将把尺度从公里缩小到微米，探索我们自己身体和我们建造的机器的地理学。

肿瘤与周围健康组织之间的边界是一个微观战场。免疫细胞，如CD8 T细胞，是派去对抗癌变入侵者的士兵。它们的空间排列不仅仅是一种生物学上的好奇；它是战斗状态的直接反映，也是患者预后的有力预测指标。利用点模式分析，我们可以量化这种排列。免疫细胞是缺失的，一种称为“免疫沙漠”的表型吗？它们是聚集在边界但无法进入，即所谓的“免疫排斥”吗？还是它们已经成功浸润了肿瘤，一种“浸润型”表型，预示着强大的抗肿瘤反应？像 Ripley's $K$-function 这样的工具让我们能够测量细胞是否比随机预期的更聚类，从而给我们一个定量的“聚类指数”。通过将此与几何信息——比如肿瘤边界内外细胞的比例——相结合，我们可以构建一个分类系统，自动从数字病理图像中识别这些预后模式。这就是服务于个性化医疗的空间建模。

生物学的前沿是不同数据类型的融合。我们可以进行 scATAC-seq 分析，它能告诉我们数千个单细胞中基因组的哪些部分是“开放”和可及的，从而深入了解它们的身份和潜在功能。但问题在于，这个过程需要解离组织，所以我们丢失了所有关于细胞来源位置的信息。另外，我们可以进行空间[转录组学](@entry_id:139549)分析，它在组织切片的网格点上测量基因表达，保留了空间位置，但细胞细节较少。最大的挑战是如何将它们重新组合起来。解决方案是典型的空间方法：我们使用空间数据作为“先验”。我们首先建立一个模型，说明某种类型的解离细胞（比如一个神经元）在空间网格的每个点上被发现的可能性有多大。然后，我们添加一个空间平滑先验——一个简单而优雅的规则，即网格上的相邻点可能包含相似的细胞类型。这个贝叶斯框架使我们能够概率性地将高分辨率的单细胞数据“映射”回组织上，创造出一个细节丰富的组织细胞和分子结构的空間图谱。

最后，考虑一个现代计算机芯片。它本质上是一个极其复杂的二维景观。其性能取决于电信号在难以想象的短时间内完成其路径。但制造过程并非完美。晶体管厚度或金属互连线宽度的微小、随机变化会发生在硅片的整个表面。这些变化并非完全独立；一个位置的变化与附近位置的变化相关。这可以建模为一个高斯随机场，与用于模拟高程或降雨的数学对象相同。不同的制造步骤，如用于晶体管的步骤（前端制程，Front-End-Of-Line）和用于不同金属布线层的步骤（后端制程，Back-End-Of-Line），会产生不同的、独立的随机场，每个场都有其特有的相关长度和幅度。通过将时序路径的延迟建模为对这些底层空间过程的敏感度总和，工程师可以使用统计静态时序分析（SSTA）来预测芯片性能的分布。用于分解这些变化并管理其复杂性的数学方法，例如 Karhunen-Loève 展开，与气候学和其他地球科学中使用的高级方法完全相同。事实证明，森林的地理学和微芯片的地理学说着同一种数学语言。

从规划公平的城市到解码生命法则，从抗击癌症到设计驱动我们世界的处理器，空间建模的原理提供了一个统一的视角。它们教导我们，“位置”不是一个无关紧要的细节，而是现实的一个基本维度，充满了信息、模式和过程。通过学习阅读这种空间语法，我们开启了一种全新且更深刻的看待世界的方式。