Detección cuantitativa de fronteras ecológicas y ecotonos
Bibliographic record
Abstract
La detección cuantitativa de fronteras es una herramienta fundamental para estudiar la forma y dinámica de los ecotonos o transiciones entre comunidades distintas. El análisis geográfico de fronteras consiste en la detección y evaluación estadística de su significación mediante tests de aleatorización. Una frontera es una posición espacial donde la tasa de cambio de una serie de variables es la más elevada. El método de la ventana móvil dividida ha sido muy utilizado para detectar fronteras en transectos y calcula la diferencia entre dos mitades de una ventana móvil que va recorriendo el transecto. La metodología más utilizada para la detección de fronteras de variable cuantitativas en dos dimensiones se basa en el cálculo de la derivada primera parcial en dos direcciones de los valores medidos en cuatro posiciones adyacentes de muestreo situadas en una malla regular ("lattice-wombling"). En el caso de datos irregularmente espaciados o de variables cualitativas se utilizan el "triangulation-wombling" y el "categorical-wombling", respectivamente. Existen estadísticos de fronteras que describen el número y tamaño de las fronteras detectadas. Para estudiar la relación espacial entre dos tipos de fronteras se definen los estadísticos de solapamiento basados en el grado de coincidencia espacial y en la distancia entre ambos tipos de fronteras. La significación de los estadísticos de frontera y de solapamiento se evalúa mediante tests de aleatorización restringida de las fronteras que consideran su autocorrelación espacial. Otras técnicas de detección de fronteras incluyen las onditas. El análisis y la comparación de las posiciones de distintos tipos de fronteras son fundamentales para entender los cambios ecológicos complejos.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".