Pratique de l’analyse de l’autocorrélation spatiale en géomorphologie : définitions opératoires et tests
Bibliographic record
Abstract
L’autocorrélation spatiale peut être définie comme la ressemblance des valeurs prises par une variable, exprimée en fonction de leur localisation géographique. L’analyse de l’autocorrélation permet de quantifier la régularité spatiale d’un phénomène (une forme de complexité spatiale) et de déterminer la portée de la dépendance spatiale afin, notamment, de définir un dispositif d’échantillonnage garantissant l’indépendance des données, autorisant ainsi l’utilisation des tests statistiques usuels. L’article aborde trois points : i) définition opératoire de l’autocorrélation pour des variables quantitatives ou qualitatives ; ii) utilisation des tests de randomisation pour tester l’hypothèse nulle d’absence d’autocorrélation ; iii) illustration des deux points précédents par des exemples. Trois jeux de données simulés sont présentés pour illustrer les différences entre les statistiques : le premier ne présente aucune structure spatiale, le deuxième est caractérisé par une structure spatiale périodique, le troisième est un gradient linéaire. Deux jeux de données géomorphologiques sont également analysés : i) une série de segments fluviaux élémentaires, distribués longitudinalement, et sur lesquels ont été mesurées la largeur et l’incision d’un lit fluvial ; ii) la cartographie des formes d’érosion d’un bassin versant, traitée comme une image matricielle. Dans le premier cas, la structure emboîtée des tronçons géomorphologiquement homogènes est mise en lumière, et ce à différentes échelles spatiales. Le second exemple montre qu’une analyse omnidirectionnelle peut conduire à sous-estimer la portée de l’autocorrélation lorsque le phénomène étudié présente une orientation géographique privilégiée. Dans ce cas, il peut s’avérer impossible de définir un échantillon de données spatialement indépendantes, répondant aux exigences des tests statistiques classiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.117 | 0.328 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.004 |
| Bibliometrics | 0.006 | 0.010 |
| Science and technology studies | 0.002 | 0.023 |
| Scholarly communication | 0.013 | 0.013 |
| Open science | 0.004 | 0.007 |
| Research integrity | 0.004 | 0.013 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".