Constructing empirical resolution diagnostics for kriging and minimum curvature gridding
Notice bibliographique
Résumé
Abstract Resolution analysis is a crucial appraisal procedure in solving general estimation problems, especially for correctly interpreting the results of spatial analysis schemes. Resolution analyses based on the resolving kernels are typically applied to small inverse problems only when the inverse operators are explicitly accessible. Stochastic simulation schemes have been proposed to extract empirical resolution information for solving large inverse problem. In this study, we generalize the formulation of the empirical resolution length and derive the characteristic length of the point spread function for general estimation methods such as minimum curvature gridding and kriging interpolation schemes that are not equipped with explicitly accessible resolving kernels. The implementation of these resolution diagnostics has not been possible in the past and is demonstrated in this study to facilitate clarifying the advantages and limitations of these widely used methods. In addition, we compare these schemes, based on the resolution appraisal, with a multiscale gridding algorithm in the spatial analysis of the Pacific seafloor heat flow observations. By depicting the pattern of the resolution length variations of both the empirical averaging function and the point spread function for each of the estimated models, we demonstrate that schemes equipped with multiscale capability are more favorable for accommodating sparse, nonuniform data distribution than stationary schemes, such as the kriging method. Furthermore, the empirical resolution pattern constructed in this study facilitates the selection of an appropriate reference function and radii of influence for fitting the variogram, which is difficult but critical when using the kriging method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».