Formulation of Huge Lattice Spatial Adjacency Matrices With Non-rectangular Shape of Socio-economic Grid-Cell Data for the Analysis of Sustainable Economy With High Computational Efficiency
Notice bibliographique
Résumé
The advantage of using grid-cell data for socio-economic analysis should be the feasibility to incorporate satellite data that will enrich the regional analysis and has an important role to observe the relationship between socio-economics and nature. This advancement corresponds to the sustainable development goals that balance the socio-economic quality in harmony. In order to perform the analysis, formulation of a spatial adjacency matrix has an important role to project the spatial relationship within regions. However, no precedent research provided a practical formulation for the spatial adjacency matrix in grid-cell data structure (Fitrianto & Tanaka, 2017).The general process that used shapefiles solely, which store geometry and attribute information for the spatial features (ESRI, 1998) to construct the adjacency matrix is not suitable. The problem arises due to the existence of NA cells that represent non-inhabitant areas such as water bodies, yet the shapefile does not contain this information inside the municipal body. The NA cells create a non-rectangular lattice and it is important to exclude them in the analysis to correctly project the real information.This article provides a method to precisely project the real information by using Kronecker product to construct the adjacency matrix and applying a projection matrix to eliminate the NA cells (Tanaka & Nishii, 2009). It showed eminent efficiency compared with commonly used R package called spdep. Experimental results verified that this method, even for huge dimension with a trillion elements, produces more than 2000 times faster elapsed time than the package.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».