Geographic information system‐based edge effect correction for Ripley's<i>K</i>‐function under irregular boundaries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Ripley's K ‐function is a test to detect geographically distributed patterns occurring across spatial scales. Initially, it assumed infinitely continuous planar space, but in reality, any geographic distribution occurs in a bounded region. Hence, the edge problem must be solved in the application of Ripley's K ‐function. Traditionally, three basic edge correction methods were designed for regular study plots because of simplified geometric computation: the Ripley circumference, buffer zone, and toroidal methods. For an irregular‐shaped study region, a geographic information system (GIS) is needed to support geometric calculation of complex shapes. The Ripley circumference method was originally implemented by Haase and has been modified into a Python program in a GIS environment via Monte Carlo simulation (hereafter, the Ripley–Haase and Ripley–GIS methods). The results show that in terms of the statistical powers of clustering detection for irregular boundaries, the Ripley–GIS method is the most stable, followed by the buffer zone, toroidal, and Ripley–Haase methods. After edge effects of irregular boundaries have been eliminated, Ripley's K ‐function is used to estimate the degree of spatial clustering of cities in a given territory, and in this paper, we demonstrate that by reference to the relationship between urban spatial structure and economic growth in 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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 découle