Local indicators for categorical data: impacts of scaling decisions
Notice bibliographique
Résumé
When the geographic distribution of landscape pattern varies, global indices fail to capture the spatial nonstationarity within the dataset. Methods that measure landscape pattern at a spatially local scale are advantageous, as an index is computed at each point in the dataset. The geographic distribution of local indices is used to discover spatial trends. Local indicators for categorical data (LICD) can be used to statistically quantify local spatial patterns in binary geographic datasets. LICD, like other spatially local methods, are impacted by decisions relating to the spatial scale of the data, such as the data grain (p), and analysis parameters such as the size of the local neighbourhood (m). The goal of this article is to demonstrate how the choice of the m and p parameters impacts LICD analysis. We also briefly discuss the impacts spatial extent can have on analysis; specifically the local composition measure. An example using 2006 forest cover data for a region in British Columbia, Canada where mountain pine beetle mitigation and salvage harvesting has occurred is used to show the impacts of changing m and p. Selection of local window size (m = 3,5,7) impacts the prevalence and interpretation of significant results. Increasing data grain (p) had varying effects on significant LICD results. When implementing LICD the choice of m and p impacts results. Exploring multiple combinations of m and p will provide insight into selection of ideal parameters for analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,257 | 0,640 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,017 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».