Spatial distribution characteristics and accessibility of national wetland parks in China
Notice bibliographique
Résumé
By using GIS and the methods of nearest neighbor index,Ripley's K function,and kernel density estimation,the spatial distribution of 298 China's national wetland parks was analyzed. Based on the matrix raster data,the spatial accessibility of China's national wetland parks at county-level was calculated by using the cost weighted distance method and ArcGIS as platforms. The spatial differences of county-level accessibility of the national wetland parks were analyzed by the exploratory spatial data analysis( ESDA). Results show that the national wetland parks generally exhibit an aggregated distribution. There is quite difference of spatial distribution of national wetland parks among both inter-provinces and inter-economic regions. The average accessibility is about 144. 07 min,and the area with the accessibility of national wetland parks within 120 min reaches 60%,while the area with the accessibility within 30 min accounts for13. 29%,and the longest time needs 1283 min for one park located at central Tibetan Plateau.Moreover,the distribution of the accessibility coincides with that of traffic lines. At county level,the estimated value of Moran's I is positive. National wetland parks and adjacent areas show a strong positive correlation. The distribution of hot spots regarding the accessibility shows an obvious hot spots- sub- hot spots- sub- cold spots- cold spots distribution pattern from east to west. Service range of each national wetland park is more advanced in western regions than that in eastern and central China.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».