Fraktaldimension
Fraktaldimensionen beskriver hur den uppmätta detaljrikedomen ökar när observationsskalan minskar. Den kan ligga mellan välbekanta dimensioner, men förstås bäst som en skalningsexponent snarare än som en mystisk bråkdimension.
Från kopior till en exponent
Om ett objekt delas upp i N självliknande delar, var och en skalad med faktorn r, är dess likhetsdimension D = log(N) / log(1/r). Kochkurvan har fyra delar vid en tredjedel av skalan, vilket ger log 4 / log 3 – större än en linje, mindre än ett fyllt plan.
Formeln kan läsas som en avvägning: hur många delar uppstår, och hur mycket krymper varje del? För en vanlig linje fördubblas det erforderliga antalet när skalan halveras, vilket ger exponenten ett. För ett plant område fyrdubblas det, vilket ger två. Kochkurvan ligger däremellan eftersom dess uppmätta längd växer snabbare vid förfining än hos en jämn linje utan att fylla ett område helt. Bråkdelen beskriver detta skalningsbeteende, inte en extra rumslig riktning.
Räkning av rutor i bilder och data
Täck en uppsättning med lådor med sidlängden ε och räkna hur många lådor som berör den. Om antalet växer ungefär som ε upphöjt till minus D, ger lutningen på ett log-log-diagram en uppskattning av lådoräkningsdimensionen. Resultaten beror på upplösning, tröskelvärden, skalintervall och val av regressionsmetod.
I mätdata är linjen på ett log-log-diagram aldrig perfekt och syns vanligtvis endast över ett begränsat antal skalor. En noggrann uppskattning testar flera rutnätsförskjutningar, utesluter mycket grova och pixelstora rutor och redovisar osäkerheten i lutningen. Förbearbetning är också en del av resultatet: att jämna ut en kant, ändra en kontrasttröskel eller korrigera en mask kan påverka uppskattningen. Rutoräkning är ett mätförfarande, inte en automatisk sanningsdetektor.
Det finns ingen universell enda dimension
Hausdorffs dimension, box-counting, korrelationsdimensionen och informationsdimensionen besvarar relaterade men olika frågor. De sammanfaller i många ideala exempel och skiljer sig åt i andra. Att ange en dimension utan att ange metod, osäkerhet och skalintervall kan ge intryck av större säkerhet än vad data stödjer.
Vilken dimension som är lämplig beror på om frågan gäller geometrisk täckning, sannolikhetsmassa eller korrelationer mellan punkter. En ojämnt viktad attraktor kan ha samma geometriska stöd samtidigt som den uppvisar en annan informationsdimension. Tillämpningar bör därför utgå från frågan och välja mått därefter. Två publicerade dimensionsvärden är endast direkt jämförbara när deras definitioner, förbehandling och skalintervall är tillräckligt väl anpassade till varandra.
Källor och vidare läsning
Denna artikel sammanfattar följande fackkällor i originalformuleringar. Hämtad och redaktionellt granskad 12 augusti 2026.
Fortsätt tanken
Kustlinjeparadoxen
Varför mindre linjaler mäter längre kuster, hur Richardson-diagram uppskattar skalning och var paradoxen upphör rent fysiskt.
Självlikhet och skalning
Förstå exakt, approximativ, statistisk och självaffin likhet – och varför naturliga mönster endast upprepas över begränsade skalor.
Sierpińskis triangel och matta
Hur upprepad borttagning skapar exakt självlikhet, försvinnande area och en bro från Cantor-mängden till högre dimensioner.