Suite

Google Maps a un niveau de zoom/rapport d'échelle incohérent

Google Maps a un niveau de zoom/rapport d'échelle incohérent


Au même niveau de zoom, la barre d'échelle d'une carte de l'API Google Maps (v3) peut avoir des tailles différentes. Voici deux captures d'écran que j'ai prises au même niveau de zoom sur la même carte à deux endroits différents.

Indianapolis

Cambridge (Royaume-Uni)

Vous pouvez l'essayer vous-même sur cette page (rendez-vous sur la deuxième carte, celle avec la barre d'échelle). http://tech.reumer.net/Google-Maps/Demo-Google-Maps-V3/show-all.html

Dans mon application, j'ai deux cartes et je souhaite que ces cartes aient toujours la même échelle. J'ai commencé par les forcer à être au même niveau de zoom (avec certains auditeurs js), mais il semble que cela ne suffira pas.

Existe-t-il un moyen de forcer les cartes à la même échelle ou à une échelle spécifique (par opposition à un niveau de zoom spécifique) sur l'API Google Maps ? Quels concurrents proposent cette fonctionnalité ?


Les emplacements que vous spécifiez sont à des latitudes différentes. Étant donné que l'implémentation Spherical Mercator utilisée par Google Maps compresse la latitude, l'échelle changera en fonction de la distance par rapport à l'équateur.

Dans votre exemple, essayez de faire un zoom arrière sur une longue distance, puis naviguez vers le nord. Vous verrez que la barre d'échelle s'allonge progressivement au fur et à mesure que vous effectuez un panoramique.


Théoriquement, vous pouvez créer un cache de carte (série de tuiles de carte rectangulaires stockées sous forme de fichiers graphiques (png, jpg, etc.) à l'aide d'une projection cartographique équidistante, et n'avoir besoin que d'une barre d'échelle par niveau de zoom partout dans le monde. comme à quoi il ressemble, et il peut ne pas conserver la direction (c'est-à-dire que le nord étant toujours "en haut", etc.) pour prendre des mesures et garder la même taille de la barre d'échelle à n'importe quel niveau de zoom, puisque vous n'utilisez pas une projection plate là-bas.


Il n'y a aucune raison que l'échelle ne puisse pas être alignée, latitude ou non. Si je prends une capture d'écran d'une carte, je peux utiliser MS Paint pour la redimensionner jusqu'à ce qu'elle soit à la même échelle qu'une deuxième carte, donc Google pourrait faire de même.


Bien que seul un échantillon de recherches Google soit utilisé dans Google Trends, cela est suffisant car nous traitons des milliards de recherches par jour. Donner accès à l'ensemble des données serait trop volumineux pour être traité rapidement. En échantillonnant les données, nous pouvons examiner un ensemble de données représentatif de toutes les recherches Google, tout en trouvant des informations pouvant être traitées quelques minutes après un événement se produisant dans le monde réel.

Google Trends normalise les données de recherche pour faciliter les comparaisons entre les termes. Les résultats de la recherche sont normalisés en fonction de l'heure et de l'emplacement d'une requête par le processus suivant :

Chaque point de données est divisé par le nombre total de recherches de la géographie et de l'intervalle de temps qu'il représente pour comparer la popularité relative. Sinon, les lieux avec le plus grand volume de recherche seraient toujours classés en premier.

Les nombres résultants sont ensuite mis à l'échelle sur une plage de 0 à 100 en fonction de la proportion d'un sujet par rapport à toutes les recherches sur tous les sujets.

Différentes régions qui montrent le même intérêt de recherche pour un terme n'ont pas toujours les mêmes volumes de recherche totaux.


Que sont les échelles nominales, ordinales, d'intervalle et de rapport ?

Nominal, Ordinal, Interval et Ratio sont définis comme les quatre niveaux fondamentaux d'échelles de mesure qui sont utilisés pour capturer des données sous forme d'enquêtes et de questionnaires, chacun étant une question à choix multiples.

Chaque échelle est un niveau de mesure incrémentiel, ce qui signifie que chaque échelle remplit la fonction de l'échelle précédente, et toutes les échelles de questions d'enquête telles que Likert, Sémantique Différentielle, Dichotomique, etc., sont la dérivation de ces 4 niveaux fondamentaux de mesure variable. Avant de discuter en détail des quatre niveaux d'échelles de mesure, avec des exemples, jetons un bref aperçu de ce que ces échelles représentent.

L'échelle nominale est une échelle de nommage, où les variables sont simplement "nommées" ou étiquetées, sans ordre spécifique. L'échelle ordinale a toutes ses variables dans un ordre spécifique, au-delà de simplement les nommer. L'échelle d'intervalle propose des étiquettes, un ordre, ainsi qu'un intervalle spécifique entre chacune de ses options variables. L'échelle de rapport porte toutes les caractéristiques d'une échelle d'intervalle, en plus de cela, elle peut également accueillir la valeur de « zéro » sur n'importe laquelle de ses variables.

Voici plus des quatre niveaux de mesure dans la recherche et les statistiques : Nominal, Ordinal, Intervalle, Ratio.

Échelle nominale : 1 er niveau de mesure

L'échelle nominale, également appelée échelle de variable catégorique, est définie comme une échelle utilisée pour étiqueter les variables dans des classifications distinctes et n'implique pas de valeur ou d'ordre quantitatif. Cette échelle est la plus simple des quatre échelles de mesure variables. Les calculs effectués sur ces variables seront futiles car il n'y a pas de valeur numérique des options.

Il existe des cas où cette échelle est utilisée à des fins de classification – les nombres associés aux variables de cette échelle ne sont que des balises pour la catégorisation ou la division. Les calculs effectués sur ces nombres seront futiles car ils n'ont aucune signification quantitative.

L'échelle nominale est souvent utilisée dans les enquêtes de recherche et les questionnaires où seules les étiquettes des variables sont significatives.

Par exemple, une enquête client demandant “Quelle marque de smartphones préférez-vous ?” Options : “Apple”-1 , “Samsung”-2, “OnePlus”-3.

  • Dans cette question d'enquête, seuls les noms des marques sont significatifs pour le chercheur effectuant une étude de consommation. Aucune commande spécifique n'est nécessaire pour ces marques. Cependant, tout en capturant des données nominales, les chercheurs effectuent une analyse basée sur les étiquettes associées.
  • Dans l'exemple ci-dessus, lorsqu'un répondant à l'enquête sélectionne Apple comme marque préférée, les données saisies et associées seront 𔄙”. Cela a permis de quantifier et de répondre à la question finale « Combien de répondants ont choisi Apple, combien ont choisi Samsung et combien ont opté pour OnePlus » et lequel est le plus élevé.
  • C'est le fondement de la recherche quantitative, et l'échelle nominale est l'échelle de recherche la plus fondamentale.

Données et analyse de l'échelle nominale

Il existe deux manières principales de collecter les données d'échelle nominale :

  1. En posant une question ouverte, dont les réponses peuvent être codées à un nombre respectif d'étiquette décidé par le chercheur.
  2. L'autre alternative pour collecter des données nominales est d'inclure une question à choix multiples dans laquelle les réponses seront étiquetées.

Dans les deux cas, l'analyse des données recueillies se fera en utilisant des pourcentages ou un mode, c'est-à-dire la réponse la plus courante reçue pour la question. Il est possible pour une même question d'avoir plus d'un mode car il est possible que deux favoris communs puissent exister dans une population cible.

Exemples d'échelle nominale

  • Le genre
  • Préférences politiques
  • Lieu de résidence
  • M-Homme
  • F-Femme
  • 1- Indépendant
  • 2- Démocrate
  • 3- Républicain
  • 1- Banlieue
  • 2- Ville
  • 3- Ville

Échelle nominale SPSS

Dans SPSS, vous pouvez spécifier le niveau de mesure sous forme d'échelle (données numériques sur une échelle d'intervalle ou de rapport), ordinale ou nominale. Les données nominales et ordinales peuvent être des chaînes alphanumériques ou numériques.

Lors de l'importation des données de n'importe quelle variable dans le fichier d'entrée SPSS, il les considère comme une variable d'échelle par défaut car les données contiennent essentiellement des valeurs numériques. Il est important de le changer en nominal ou en ordinal ou de le conserver comme échelle en fonction de la variable représentée par les données.

Échelle ordinale : 2e niveau de mesure

L'échelle ordinale est définie comme une échelle de mesure variable utilisée pour décrire simplement l'ordre des variables et non la différence entre chacune des variables. Ces échelles sont généralement utilisées pour décrire des idées non mathématiques telles que la fréquence, la satisfaction, le bonheur, un degré de douleur, etc. exactement le but de cette échelle.

L'échelle ordinale conserve des qualités descriptives ainsi qu'un ordre intrinsèque mais est dépourvue d'origine d'échelle et, par conséquent, la distance entre les variables ne peut pas être calculée. Les qualités descriptives indiquent des propriétés de marquage similaires à l'échelle nominale, en plus desquelles, l'échelle ordinale a également une position relative des variables. L'origine de cette échelle est absente en raison de l'absence de départ fixe ou de « vrai zéro ».

Données ordinales et analyse

Les données à l'échelle ordinale peuvent être présentées sous forme de tableaux ou de graphiques pour qu'un chercheur puisse effectuer une analyse pratique des données collectées. En outre, des méthodes telles que le test Mann-Whitney U et le test Kruskal-Wallis H peuvent également être utilisées pour analyser des données ordinales. Ces méthodes sont généralement mises en œuvre pour comparer deux ou plusieurs groupes ordinaux.

Dans le test Mann-Whitney U, les chercheurs peuvent conclure quelle variable d'un groupe est plus grande ou plus petite qu'une autre variable d'un groupe sélectionné au hasard. Dans le test de Kruskal-Wallis H, les chercheurs peuvent analyser si deux groupes ordinaux ou plus ont la même médiane ou non.

Exemples d'échelle ordinale

Le statut sur le lieu de travail, le classement des équipes du tournoi, l'ordre de qualité des produits et l'ordre d'accord ou de satisfaction sont quelques-uns des exemples les plus courants de l'échelle ordinale. Ces échelles sont généralement utilisées dans les études de marché pour recueillir et évaluer les commentaires relatifs sur la satisfaction du produit, les perceptions changeantes avec les mises à niveau du produit, etc.

Par exemple, une question d'échelle différentielle sémantique telle que :

Êtes-vous satisfait de nos services ?

  • Très insatisfait – 1
  • Insatisfait – 2
  • Neutre – 3
  • Satisfait – 4
  • Très satisfait – 5
  1. Ici, l'ordre des variables est primordial, de même que l'étiquetage. Très insatisfait sera toujours pire qu'insatisfait et satisfait sera pire que très satisfait.
  2. C'est là que l'échelle ordinale est un échelon au-dessus de l'échelle nominale - l'ordre est pertinent pour les résultats, tout comme leur nom.
  3. L'analyse des résultats en fonction de la commande et du nom devient un processus pratique pour le chercheur.
  4. S'ils ont l'intention d'obtenir plus d'informations que ce qu'ils recueilleraient en utilisant une échelle nominale, ils peuvent utiliser l'échelle ordinale.

Cette échelle attribue non seulement des valeurs aux variables, mais mesure également le rang ou l'ordre des variables, telles que :

Êtes-vous satisfait de nos services?

  • 1- Très insatisfait
  • 2- Insatisfait
  • 3- Neural
  • 4- Satisfait
  • 5- Très satisfait

Échelle d'intervalle : 3e niveau de mesure

L'échelle d'intervalle est définie comme une échelle numérique où l'ordre des variables est connu ainsi que la différence entre ces variables. Les variables qui ont des différences familières, constantes et calculables sont classées à l'aide de l'échelle d'intervalle. Il est également facile de se rappeler le rôle principal de cette échelle, « Intervalle » indique la « distance entre deux entités », ce que l'échelle d'intervalle aide à atteindre.

Ces échelles sont efficaces car elles ouvrent des portes pour l'analyse statistique des données fournies. La moyenne, la médiane ou le mode peuvent être utilisés pour calculer la tendance centrale dans cette échelle. Le seul inconvénient de cette échelle est qu'il n'y a pas de point de départ prédéterminé ou de véritable valeur zéro.

L'échelle d'intervalle contient toutes les propriétés de l'échelle ordinale, en plus de laquelle, elle offre un calcul de la différence entre les variables. La principale caractéristique de cette échelle est la différence équidistante entre les objets.

Par exemple, considérons une échelle de température Celsius/Fahrenheit –

  • 80 degrés est toujours supérieur à 50 degrés et la différence entre ces deux températures est la même que la différence entre 70 degrés et 40 degrés.
  • De plus, la valeur de 0 est arbitraire car des valeurs négatives de température existent –, ce qui fait de l'échelle de température Celsius/Fahrenheit un exemple classique d'échelle d'intervalle.
  • L'échelle d'intervalle est souvent choisie dans les cas de recherche où la différence entre les variables est un mandat – qui ne peut pas être atteint à l'aide d'une échelle nominale ou ordinale. L'échelle Interval quantifie la différence entre deux variables alors que les deux autres échelles sont uniquement capables d'associer des valeurs qualitatives à des variables.
  • Les valeurs moyennes et médianes d'une échelle ordinale peuvent être évaluées, contrairement aux deux échelles précédentes.
  • En statistique, l'échelle d'intervalle est fréquemment utilisée car une valeur numérique peut non seulement être attribuée à des variables, mais un calcul sur la base de ces valeurs peut également être effectué.

Même si les échelles d'intervalle sont étonnantes, elles ne calculent pas la valeur du «vrai zéro», c'est pourquoi l'échelle suivante entre en jeu.

Données d'intervalle et analyse

Toutes les techniques applicables à l'analyse des données nominales et ordinales sont également applicables aux données d'intervalle. En dehors de ces techniques, il existe quelques méthodes d'analyse telles que les statistiques descriptives, l'analyse de régression de corrélation qui est largement utilisée pour analyser les données d'intervalle.

La statistique descriptive est le terme donné à l'analyse de données numériques qui aide à décrire, décrire ou résumer les données de manière significative et aide au calcul de la moyenne, de la médiane et du mode.

Exemples d'échelle d'intervalle

  • Il existe des situations où les échelles d'attitude sont considérées comme des échelles d'intervalle.
  • Outre l'échelle de température, le temps est également un exemple très courant d'échelle d'intervalle car les valeurs sont déjà établies, constantes et mesurables.
  • Les années civiles et le temps entrent également dans cette catégorie d'échelles de mesure. , Net Promoter Score , Semantic Differential Scale , Bipolar Matrix Table, etc. sont les exemples d'échelles d'intervalles les plus utilisés.

Les questions suivantes relèvent de la catégorie Échelle d'intervalle :

Échelle de rapport : 4 e niveau de mesure

L'échelle de rapport est définie comme une échelle de mesure variable qui non seulement produit l'ordre des variables, mais fait également la différence entre les variables connues ainsi que des informations sur la valeur du vrai zéro. Il est calculé en supposant que les variables ont une option pour zéro, la différence entre les deux variables est la même et il existe un ordre spécifique entre les options.

Avec l'option du vrai zéro, diverses techniques d'analyse inférentielle et descriptive peuvent être appliquées aux variables. En plus du fait que l'échelle de rapport fait tout ce qu'une échelle nominale, ordinale et d'intervalle peut faire, elle peut également établir la valeur du zéro absolu. Les meilleurs exemples d'échelles de rapport sont le poids et la taille. Dans les études de marché, une échelle de ratio est utilisée pour calculer la part de marché, les ventes annuelles, le prix d'un produit à venir, le nombre de consommateurs, etc.

  • L'échelle de rapport fournit les informations les plus détaillées car les chercheurs et les statisticiens peuvent calculer la tendance centrale à l'aide de techniques statistiques telles que la moyenne, la médiane, le mode, et des méthodes telles que la moyenne géométrique, le coefficient de variation ou la moyenne harmonique peuvent également être utilisées sur cette échelle.
  • L'échelle de ratio s'adapte aux caractéristiques de trois autres échelles de mesure des variables, c'est-à-dire l'étiquetage des variables, la signification de l'ordre des variables et une différence calculable entre les variables (qui sont généralement équidistantes).
  • En raison de l'existence d'une vraie valeur zéro, l'échelle de rapport n'a pas de valeurs négatives.
  • Pour décider quand utiliser une échelle de ratio, le chercheur doit observer si les variables ont toutes les caractéristiques d'une échelle d'intervalle avec la présence de la valeur zéro absolu.
  • La moyenne, le mode et la médiane peuvent être calculés à l'aide de l'échelle de rapport.

Données de ratio et analyse

À un niveau fondamental, les données de l'échelle de ratio sont de nature quantitative grâce à quoi toutes les techniques d'analyse quantitative telles que SWOT, TURF, Cross-tabulation, Conjoint, etc. peuvent être utilisées pour calculer les données de ratio. Alors que certaines techniques telles que SWOT et TURF analyseront les données de ratio de manière à ce que les chercheurs puissent créer des feuilles de route sur la façon d'améliorer les produits ou les services et la tabulation croisée sera utile pour comprendre si de nouvelles fonctionnalités seront utiles ou non au marché cible.

Exemples d'échelle de rapport

Les questions suivantes relèvent de la catégorie Échelle de ratio :

  • Quelle est la taille actuelle de votre fille ?
    • Moins de 5 pieds.
    • 5 pieds 1 pouce – 5 pieds 5 pouces
    • 5 pieds 6 pouces - 6 pieds
    • Plus de 6 pieds
    • Moins de 50 kilogrammes
    • 51- 70 kilogrammes
    • 71- 90 kilogrammes
    • 91-110 kilogrammes
    • Plus de 110 kilogrammes

    Résumé – Niveaux de mesure

    Les quatre échelles de mesure des données – nominale, ordinale, intervalle et rapport – sont assez souvent discutées dans l'enseignement universitaire. Le graphique ci-dessous facile à mémoriser pourrait vous aider dans votre test de statistiques.


    Une alternative : utiliser Bing Maps, Google Maps, OpenStreetMaps et Sina Maps

    En conséquence, cet article présente un autre moyen de proxy du niveau d'infrastructure. En examinant la taille des fichiers d'images sur les serveurs de cartes Internet, tels que Bing Maps, Google Maps, OpenStreetMaps et Sina Maps, nous pouvons faire une inférence raisonnable sur les niveaux de développement de l'infrastructure. Pour expliquer comment et pourquoi les images cartographiques sont utiles à l'infrastructure proxy, une brève discussion sur les formats dans lesquels les images cartographiques sont stockées est nécessaire.

    Format et tailles des fichiers de carte

    Bing, Google, OpenStreetMap et Sina ont tous choisi d'utiliser le format graphique réseau portable (PNG) pour afficher les images cartographiques dans les navigateurs Web et autres logiciels clients. Les raisons de leur décision collective sont assez claires : le format PNG prend en charge la compression de données sans perte, ce qui signifie que même si la taille du fichier peut être considérablement réduite, les images cartographiques ne souffriront pas des artefacts de compression typiques d'autres formats, tels que ceux utilisés dans les De plus, les fichiers PNG du groupe d'experts en photographie (JPEG) ne sont pas soumis aux limitations de profondeur de bits et aux problèmes de brevets potentiels de la norme précédente de format d'échange graphique (GIF).

    Le document de spécification fonctionnelle du format PNG est enregistré sous le nom ISO/IEC 15948 (ISO/IEC JTC 1/SC 24 Committee, 2004), dont le résumé indique que « [l]e flux de données et le format de fichier associé ont une valeur en dehors du objectif de conception principal ». En utilisant des images cartographiques pour l'infrastructure proxy, nous sommes en mesure d'utiliser l'une de ces valeurs. Par nature, plus une image PNG est complexe, plus sa taille de fichier est grande. Nous pouvons utiliser ces tailles de fichiers comme proxy pour le niveau de développement de l'infrastructure.

    Une illustration de ceci est faite dans la Figure 1 . En plus de s'être mis d'accord sur un format de fichier image commun, Bing, Google, OpenStreetMap et Sina sont également arrivés à une taille d'image de carte commune : 256 par 256 pixels. Lorsque vous visitez le site Web de l'un des quatre serveurs de cartes, l'image que vous voyez à l'écran est un composite de plusieurs tuiles, chacune de ces dimensions. La figure 1 présente des images de tuiles individuelles 2 des quatre serveurs de cartes pour quatre villes : spécifiquement (par ordre décroissant de population) Tokyo, Pékin, Littlerock (capitale de l'État américain de l'Arkansas) et Tombouctou (capitale de la région de Tombouctou au Mali) . Un rapide coup d'œil aux seize tuiles montre que pour trois des serveurs, les tuiles de Tokyo sont clairement les plus complexes, tandis que celles de Tombouctou sont les moins. Cela se reflète dans la taille des fichiers : pour trois des serveurs de cartes, les tailles de fichier pour Tokyo sont les plus importantes et les plus petites pour Tombouctou. 3

    Figure 1. Comparaison de quatre villes et quatre serveurs de cartes au niveau de zoom 9.

    Cela vaut également la peine de comparer la même ville pour les quatre serveurs. Pour Tokyo, l'image OpenStreetMap a la plus grande taille de fichier. La raison en est claire : à ce niveau de zoom, les créateurs d'OpenStreetMap ont décidé d'inclure de nombreuses routes, alors que Bing a choisi de n'inclure que les routes principales. Une note doit également être faite sur les noms de lieux. Comme le texte des noms de lieux fait partie de l'image PNG, il va donc contribuer à la taille du fichier. Bing a utilisé des caractères entièrement latins OpenStreetMap a choisi le japonais Google utilise à la fois les caractères latins et japonais Sina, assez naturellement, utilise le chinois simplifié. Cela signifie que pour les pays qui utilisent des caractères non latins, la taille des fichiers pour les images de carte Google sera supérieure à celle de ceux qui utilisent exclusivement des caractères latins.

    Il est à noter que les cartes contiennent également d'autres informations, comme les rivières. Ceux-ci augmenteront également la taille du fichier. Néanmoins, plus d'infrastructures dans la région devraient conduire à une carte plus complexe, ce qui conduit à une plus grande taille de fichier. De plus, nous n'avons aucune assurance que les cartes sont complètes ou cohérentes dans tous les États. Cependant, en donnant la capacité d'utiliser quatre serveurs de cartes, nous pouvons faire quelques comparaisons.


    Résultats

    Nous avons trouvé des différences substantielles dans l'erreur de position entre les points géocodés automatisés et les emplacements réels correspondants. Dans les zones rurales, 95 pour cent des adresses géocodées à moins de 2 872 m de leur emplacement réel, tandis que dans les zones suburbaines, le même pourcentage d'adresses géocodées à moins de 421 m. Les zones urbaines ont montré le moins d'erreurs, où 95 pour cent des adresses ont été géocodées à moins de 152 m de leur véritable emplacement. L'erreur moyenne pour les zones rurales était de 614 m, 143 m pour les zones suburbaines et 58 m pour la zone urbaine. Le tableau 2 résume l'erreur dans le géocodage automatisé à l'aide de fichiers basés sur TIGER par percentile et classe de densité. Nous fournissons également l'erreur quadratique moyenne (RMSE). Le RMSE fournit une mesure de la variation de cette erreur selon la Norme nationale de déclaration de l'exactitude des données spatiales [30]. Le graphique de distribution de densité cumulée de la figure 4 peut être utilisé pour estimer le pourcentage d'erreur à n'importe quelle distance. Les adresses présentant des erreurs supérieures à 5 km ont été examinées de plus près. Il est apparu que bon nombre de ces grosses erreurs sont dues à des informations inexactes sur les limites du code postal dans les fichiers de référence du logiciel. Cela a abouti à ce que les adresses soient placées dans un code postal adjacent à plusieurs kilomètres de leur véritable emplacement.

    Distribution de densité cumulative d'erreur de position basée sur TIGER. Ce graphique peut être utilisé pour estimer le pourcentage d'erreur à n'importe quelle distance pour les trois classifications de densité. Les lignes pointillées verticales indiquent la distance d'erreur au 95 e centile.

    Nous avons trouvé que la combinaison optimale du déport de rue et de l'encart d'angle pour l'ensemble de l'échantillon était respectivement de 15 m et 50 m. Cette combinaison de valeurs, cependant, n'a fait que réduire l'erreur de position moyenne globale de 272 à 265 m. Les valeurs optimales ont en fait été déterminées séparément pour les zones rurales, suburbaines et urbaines, mais n'ont apporté que peu d'avantages supplémentaires à l'utilisation d'un paramètre moyen pour toutes les zones de densité. L'utilisation de valeurs uniques pour chaque zone a permis une réduction supplémentaire de l'erreur moyenne de 2,1 m dans les zones rurales, de 0,1 m dans les zones suburbaines et de 0,7 m dans les zones urbaines.

    L'utilisation de coordonnées de parcelles de propriété a considérablement réduit l'erreur de position. Dans les zones rurales, 95 pour cent des points parcellaires se trouvaient à moins de 195 m de l'emplacement réel. En zone suburbaine, cette distance était de 39 m et en zone urbaine de 21 m. L'erreur de position moyenne des points parcellaires pour les zones rurales a été réduite à 55 m contre 614 m trouvée en géocodage automatisé. L'erreur de parcelle moyenne pour les zones suburbaines a diminué à 15 m au lieu de 143 m, tandis que dans les zones urbaines, l'erreur de parcelle moyenne a été réduite à 10 m au lieu de 58 m. Le tableau 3 résume l'erreur de position basée sur les parcelles par centile et classe de densité. Le diagramme de dispersion de la figure 5 illustre les différences considérables entre l'erreur de position utilisant des points de parcelle et les méthodes traditionnelles reposant sur des fichiers TIGER améliorés. Comme prévu, les plus grandes améliorations ont été observées dans les zones rurales.

    Diagramme de dispersion de l'erreur de position par méthode de géocodage et densité de population. Chaque point représente une adresse résidentielle et il y a 1000 adresses pour chaque parcelle. L'emplacement réel de chaque maison est défini au centre des cercles. Les erreurs de position par classe de densité des adresses géocodées basées sur TIGER telles que mesurées à partir de l'emplacement réel sont indiquées en a,b,c.

    Une inspection visuelle du diagramme en rose a montré que les directions de l'erreur étaient bien dispersées. Le test de Rayleigh a confirmé que les angles des erreurs étaient uniformes à la fois pour les points géocodés automatisés et les points parcellaires.


    3. Résultats

    3.1 Modèles mondiaux des tendances de croissance de la végétation

    La distribution spatiale des tendances de croissance de la végétation a montré un mélange d'amélioration et de dégradation de la végétation (figures 1a, 1d, 1g, 1j et 1m). Les VIs ont généralement augmenté en Asie orientale et méridionale, en Europe méridionale, en Amérique du Nord centrale, en Afrique centrale et dans le sud-est de l'Amérique du Sud. A l'inverse, les indices ont généralement diminué à la jonction de l'Asie et de l'Europe, dans le nord et le sud de l'Amérique du Sud et en Afrique australe. La zone sur laquelle la croissance de la végétation a été renforcée était généralement plus grande que la zone de végétation dégradée. Dans l'ensemble, la distribution des tendances de croissance de la végétation s'est avérée similaire entre NDVI et EVI et entre NPP et GPP, avec une différence distincte entre les indices de verdeur de la végétation et les indices de productivité. Par rapport à NPP et GPP, la tendance du LAI était plus similaire à celle du NDVI et de l'EVI (Figure S1).

    Des différences substantielles ont été observées dans les tendances moyennes annuelles de croissance de la végétation identifiées par les cinq indices (figures 1b, 1e, 1h, 1k et 1n). Les moyennes annuelles mondiales du NDVI, de l'EVI et du LAI ont montré des tendances à la hausse significatives (p < 0,05), mais NPP et GPP n'ont montré aucune tendance significative (p > 0,05). La relation correspondante entre l'état initial (à l'année 2000) et la tendance annuelle était similaire pour différents VIs (figures 1c, 1f, 1i, 1l et 1o). Dans les détails, le NDVI avait la tendance à la baisse la plus élevée dans les régions avec le NDVI moyen (0,4-0,6), tandis que les régions avec les tendances de dégradation les plus élevées pour EVI et LAI correspondaient aux valeurs les plus basses en 2000. La valeur de la tendance à la baisse la plus élevée de NPP et GPP se référaient à la valeur la plus élevée en 2000, et leur valeur absolue était plus élevée que celles ayant la tendance à la hausse la plus élevée. Différente de la tendance à la baisse la plus élevée, la zone avec un LAI de base faible (2 à 4) correspondait à la tendance à la hausse la plus forte, tandis que le NDVI et l'EVI ont projeté les tendances à la hausse les plus élevées avec des valeurs de base faibles allant de 0 à 0,4. NPP et GPP correspondaient également à des tendances d'amélioration élevées dans les valeurs de base inférieures. La différence entre les cinq indices reflétait l'incohérence des zones sensiblement modifiées en termes de verdure, de couvert et de productivité pendant la croissance de la végétation, indiquant une divergence entre les propriétés de la végétation décrites par ces indices.

    3.2 Possibilité de changement de croissance de la végétation mondiale

    L'évaluation de la possibilité de croissance de la végétation indiquée par les cinq VIs a montré que 21,7% de la superficie végétalisée mondiale a connu une croissance de la végétation accrue. Les zones identifiées par les indices comme étant améliorées ne représentaient très probablement que 2,1% de la superficie végétalisée mondiale, qui étaient principalement réparties en Asie de l'Est et du Sud, en Amérique du Nord centrale et en Afrique centrale. La croissance de la végétation dans 6,4 % de la surface végétalisée mondiale avait le potentiel, c'est-à-dire très probablement, probablement ou probablement, d'être dégradée, et la zone avec tous les indices a diminué n'était que de 0,2 % de la surface végétalisée mondiale, qui était concentrée dans le nord de la mer Caspienne. La plupart (71,9%) des zones de végétation mondiales présentaient une dynamique de croissance de la végétation incertaine, dont 49,0% qui ne présentaient aucun changement significatif dans aucun des cinq indices et 21,0% qui présentaient un changement significatif dans un seul VI. Des tendances contradictoires dans les changements indiqués par les cinq indices n'apparaissent que dans 1,9% de la superficie végétalisée mondiale.

    Spatialement, la zone tempérée de l'hémisphère nord présentait la plus grande gamme de changements de végétation (figure 2b). Indépendamment de la superficie réelle ou de la proportion de superficie à chaque latitude, l'amélioration de la croissance de la végétation dans l'hémisphère nord était beaucoup plus élevée que dans l'hémisphère sud, tandis que la végétation tropicale de l'hémisphère sud présentait la plus forte dégradation, ainsi que les latitudes moyennes des Hémisphère Nord (Figure S2). Ainsi, on a pu conclure qu'il n'y avait pas d'effet global significatif sur les tendances de croissance de la végétation exercé par les influences caloriques induites par la latitude.

    L'évaluation de la possibilité que les zones de croissance de la végétation induites ou dégradées induites étaient toutes deux plus élevées que celles reposant sur un seul indice (figure 2c). Parmi les VIs, la centrale nucléaire a identifié la zone de dégradation de la végétation la plus élevée, représentant 7,2 % de la superficie végétalisée mondiale. Représentant 18,9 % de la superficie végétalisée mondiale, EVI a indiqué la plus grande zone d'amélioration significative, qui était la plus proche du potentiel de zone induit par l'évaluation de la possibilité d'être amélioré. La comparaison des zones identifiées par les cinq indices a montré les écarts entre les différents aspects de la croissance de la végétation, reflétant les changements asynchrones de la verdure, de la couverture et de la productivité de la végétation. Ainsi, l'asynchronisme de la verdure, du couvert et de la productivité de la végétation devrait être très ciblé.

    La combinaison des changements dans la verdure, le couvert et la productivité de la végétation mondiale a montré une diversité de dynamique de croissance de la végétation (Figure 3). Au total, 45,6 % de la superficie végétalisée mondiale ont connu des tendances incohérentes en matière de verdure, de couverture et de productivité de la végétation. Seulement 4,8% de la superficie végétalisée mondiale a augmenté sous tous ses aspects. Il convient de noter que la zone avec une verdure accrue et à la fois une couverture et une productivité inchangées représentaient 9,7 % de la superficie végétalisée mondiale, ce qui était la principale caractéristique de l'amélioration de la croissance de la végétation. Ces zones étaient largement réparties dans le monde, mais surtout dans les latitudes moyennes et élevées de l'hémisphère nord, ainsi qu'à proximité de zones à verdure et à couvert accrus, telles que le sud-est de la Chine, le nord de l'Inde et le sud du Brésil. Une autre catégorie d'amélioration de la croissance de la végétation remarquable était constituée des zones dans lesquelles seule la productivité a augmenté. Ces zones représentaient 6,9% de la superficie végétalisée mondiale et étaient concentrées dans la région sahélienne et les forêts tropicales humides d'Afrique centrale, du nord-ouest de l'Amérique du Nord et de la lisière de la forêt amazonienne au centre du Brésil.

    Seulement 0,6% de la superficie végétalisée mondiale a diminué en termes de verdure, de couverture et de productivité. La principale manifestation de la dégradation de la croissance de la végétation était uniquement la dégradation de la productivité, représentant 5,9% de la superficie végétalisée mondiale et principalement répartie à la frontière du Kazakhstan et de la Russie dans le nord-ouest de l'Asie, de l'Angola et de la Zambie en Afrique australe, et du Brésil et du Pérou en Amérique du Sud. En revanche, 2,9% des zones de végétation mondiales ne présentaient qu'une diminution de la verdure, qui étaient principalement situées dans le nord de l'Amérique du Nord et le nord-est de l'Amérique du Sud, et pour la catégorie de couverture uniquement réduite, son pourcentage de surface n'était que de 1,2%.

    Il est intéressant de noter que des tendances opposées ont également été observées dans la verdure, le couvert et la productivité de la végétation dans certaines zones. Bien que ces zones ne représentaient au total que 2,0 % de la superficie de végétation mondiale, elles étaient concentrées dans des zones spécifiques. Dans l'ensemble, la zone dans laquelle la verdure et la productivité de la végétation différaient était la plus grande (figure 4a). Les zones où la verdure de la végétation a augmenté et pourtant la productivité a diminué étaient les plus courantes et étaient réparties dans la zone bordant l'Uruguay et le Brésil (Figure 4b), le sud-est de la Chine (Figure 4d) et plusieurs régions de Russie (Figure 4e). Productivity generally increased in many areas of the Sahel in Africa, but vegetation greenness or cover declined (Figure 4c).

    The study period was divided into two sections to observe whether the area of inconsistent vegetation growth was expanding (Figure 5). Compared with the former 8 years, the area of global vegetation enhancement in the latter 8 years had increased by 4%. The vegetation enhancement increasing was mainly in the form of only increasing greenness, and increasing both greenness and cover, with the productivity enhancement unchanged. The area with only increased greenness accounted for 7.7% of the total terrestrial vegetated area in the world from 2008 to 2015, which was nearly twice that of the period from 2000 to 2007, and became the most important way of vegetation enhancement. The degraded vegetation area decreased in the latter 8 years. The area where vegetation greenness, cover, and productivity all remained unchanged also decreased by 2%. Comparing the two sections, it could be concluded that the vegetation growth inconsistency was intensified significantly, which was manifested in the greenness-dominated vegetation enhancement, with non-enhancement of the productivity. Similar results could also be obtained for other segmentation schemes of 16 years, such as 9, 10, 11, and 12 years, highlighting the robustness of the conclusion that the areas with inconsistent vegetation growth were expanding (Figure 5).

    3.3 Inconsistency of Global Vegetation Growth Trends

    To more precisely identify spatial patterns of vegetation growth trends, the trends were examined for vegetation types defined by the IGBP (Figure 6). Enhancement or degradation in different vegetation types showed that there were large areas of specific types of vegetation in which the growth enhancement was highly possible, such as grasslands (GRA), croplands (CRO), and open shrublands (OS). In contrast, evergreen broadleaf forests (EBF) showed more degradation areas. In particular, NDVI and EVI indicated similar significant change areas in different vegetation types. The degraded areas of EBF, GRA, and CRO that were indicated by NPP and GPP were much larger than that indicated by the other three indices, reflecting the substantial differences in the vegetation growth forms (Figure S3).

    As shown in Table 1, the global vegetated area experienced inconsistent trends in vegetation greenness, cover, and productivity, especially in EBF (6.9%), GRA (6.2%), OS (5.8%), WS (5.4%), and CRO (5.2%), which were also the five largest vegetation types (Table 1). In view of area proportion to the total area of the vegetation type, vegetation growth was immensely disparate in different vegetation types (Table S1). Overall, 64.0% of the OS vegetation growth remained unchanged, and growth enhancement was mainly manifested by the increase only in greenness (9.5%) or only in productivity (6.2%), while the degradation mainly behaved as the decrease only in productivity (2.3%). The main vegetation growth manifestations of GRA were similar to those of OS. Only 46.1% of the EBF vegetation growth exhibited no changes in all aspects, and the area of EBF that showed inconsistent trends of vegetation growth was larger than that for other vegetation types. As with OS and GRA, vegetation enhancement in EBF was also mainly manifested by the increase only in greenness (7.4%) or only in productivity (7.3%), while the degradation was mainly dominated by the decline only in productivity (14.5%). CRO, a vegetation type deeply affected by human activities, contributed significantly to global greening (Chen et al., 2019 ). The manifestations of CRO were more concentrated than for the other three vegetation types. The enhancement of vegetation growth was represented by increased vegetation greenness or cover, which accounted for 24.2% of the CRO. Vegetation degradation of CRO was mainly manifested by only reduced productivity, which accounted for 6.8% of the CRO.

    ENF (%) EBF (%) DNF (%) DBF (%) MF (%) CS (%) OS (%) WS (%) SAV (%) GRA (%) PW (%) CRO (%) NVM (%)
    ↑ ↑ ↑ 0.10 0.08 0.02 0.01 0.22 0.01 0.73 0.42 0.39 1.03 0.01 1.37 0.33
    ↑ ↑ - 0.16 0.27 0.06 0.02 0.99 0.02 0.46 0.63 0.46 0.64 0.01 1.11 0.47
    ↑ - - 0.27 0.96 0.15 0.06 1.44 0.02 1.74 1.14 0.58 1.54 0.03 0.92 0.65
    ↑ - ↑ 0.08 0.22 0.02 0.01 0.22 0.01 0.66 0.44 0.36 0.64 0.01 0.41 0.24
    - ↑ ↑ 0.07 0.12 0.00 0.01 0.09 0.00 0.24 0.19 0.17 0.23 0.00 0.20 0.10
    - - ↑ 0.26 0.95 0.02 0.09 0.38 0.01 1.13 0.90 1.15 0.90 0.02 0.39 0.62
    - ↑ - 0.17 0.53 0.07 0.04 0.53 0.01 0.55 0.56 0.35 0.56 0.03 0.63 0.43
    - - - 1.09 6.00 0.57 0.71 2.76 0.11 11.69 4.99 4.59 7.82 0.33 4.32 3.27
    ↓ ↓ ↓ 0.03 0.07 0.00 0.01 0.03 0.00 0.07 0.08 0.10 0.07 0.00 0.07 0.05
    ↓ ↓ - 0.06 0.19 0.00 0.02 0.05 0.00 0.05 0.08 0.14 0.04 0.00 0.04 0.08
    ↓ - - 0.26 0.65 0.01 0.07 0.23 0.00 0.16 0.38 0.37 0.21 0.02 0.24 0.29
    ↓ - ↓ 0.03 0.20 0.01 0.04 0.06 0.00 0.09 0.16 0.16 0.25 0.01 0.28 0.09
    - ↓ ↓ 0.00 0.04 0.00 0.00 0.02 0.00 0.04 0.03 0.03 0.04 0.00 0.05 0.03
    - - ↓ 0.03 1.89 0.04 0.09 0.29 0.00 0.41 0.51 0.46 0.88 0.04 0.74 0.39
    - ↓ - 0.03 0.19 0.01 0.03 0.08 0.00 0.18 0.13 0.14 0.14 0.01 0.08 0.13
    ↑ ↑ ↓ 0.00 0.05 0.00 0.00 0.04 0.00 0.00 0.03 0.02 0.01 0.00 0.02 0.02
    ↑ ↓ ↓ 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
    ↑ ↓ ↑ 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
    ↓ ↑ ↓ 0.00 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
    ↓ ↑ ↑ 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
    ↓ ↓ ↑ 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.01 0.04 0.01 0.00 0.00 0.02
    ↑ - ↓ 0.00 0.29 0.01 0.00 0.10 0.00 0.01 0.08 0.03 0.02 0.00 0.03 0.04
    ↓ - ↑ 0.04 0.05 0.00 0.00 0.03 0.00 0.01 0.03 0.06 0.01 0.00 0.01 0.02
    ↑ ↓ - 0.00 0.02 0.00 0.00 0.02 0.00 0.01 0.02 0.00 0.01 0.00 0.01 0.01
    ↓ ↑ - 0.01 0.02 0.00 0.00 0.01 0.00 0.00 0.01 0.01 0.00 0.00 0.01 0.01
    - ↑ ↓ 0.00 0.16 0.00 0.00 0.05 0.00 0.01 0.04 0.03 0.02 0.00 0.04 0.04
    - ↓ ↑ 0.00 0.02 0.00 0.00 0.01 0.00 0.01 0.02 0.05 0.02 0.00 0.01 0.04
    • Noter. The total global land area is 144.68 million km 2 , of which 103.90 million km 2 (71.8%) is vegetated area. The area value in this table indicates the proportion of the area in each case to the global vegetated area. The colors and signs have the same meaning as the legends in Figures 3 and 4.
    • Abbreviations: CRO, croplands CS, closed shrublands DBF, deciduous broadleaf forests DNF, deciduous needleleaf forests EBF, evergreen broadleaf forests ENF, evergreen needleleaf forests GRA, grasslands MF, mixed forests NVM, natural vegetation mosaics OS, open shrublands PW, permanent wetlands SAV, savannas and WS, woody savannas.

    For each combination of vegetation growth, the type of vegetation that mainly reflected the various growth aspects was also different (Table S2). CRO dominated the combination of vegetation growth which had all three aspects enhanced (more than 28.9% of the total area). EBF mainly occupied the areas in which vegetation degradation was accompanied by the decrease in vegetation greenness and cover while productivity remained unchanged. However, EBF areas also exhibited the decline of vegetation productivity and other unchanged conditions, which reflected the diversity of EBF growth. EBF and savannas (SAV) mainly accounted for areas in which vegetation growth was manifested by opposing trends between vegetation productivity and greenness as well as cover.


    Nominal Scale

    From the Statistical point of view it is the lowest measurement level. Nominal Scale is assigned to items that is divided into categories without having any order or structure, for instance Colors do not have any assigned order, We can have 5 colors like Red, Blue, Orange, Green and Yellow and could number them 1 to 5 or 5 - 1 or number them in a mix, here the numbers are assigned to color just for the purpose of identification, and ordering them Ascending or Descending doesnt mean that Colors have an Order. The number gives us the identity of the category assigned. The only mathematical operation we can perform with nominal data is to count. Another example from research activities is a YES/NO scale, which is nominal. It has no order and there is no distance between YES and NO.


    Conclusion

    As urban settlements continue to grow in size and in population, understanding their differences, both within and between cities, becomes key for planning, delivering, and monitoring projects in support of sustainable development. While future cities are often envisioned as a web of interconnected systems and both generating and supported by a wealth of new data streams, in many parts of the world, information on basic city structure and function is still lacking or non-existent. This data gap is particularly acute in low- and middle-income countries, many of which are experiencing the fastest urban transitions. Advances in VHR imagery and remote sensing data, along with improved computational power, are helping to provide information on urban areas through building feature extractions. This work provides an example of how computational methods can be used to extract new information from such big geospatial datasets to support research on population and development.


    Notes de bas de page

    Electronic supplementary material is available online at https://dx.doi.org/10.6084/m9.figshare.c.4413521.

    Published by the Royal Society under the terms of the Creative Commons Attribution License http://creativecommons.org/licenses/by/4.0/, which permits unrestricted use, provided the original author and source are credited.

    Les références

    . 2013 A statistical approach to territorial cohesion: the Indian city system . L'Espace Géographique 42, 75-90. Google Scholar

    . 2009 City size distributions for India and China . Physica A 388, 2682-2688. (doi:10.1016/j.physa.2009.03.019) Crossref, ISI, Google Scholar

    Taubenböck H, Wegmann M, Roth A, Mehl H, Dech S

    . 2009 Urbanization in India—spatiotemporal analysis using remote sensing data . Calcul. Environ. Urban Syst. 33, 179-188. (doi:10.1016/j.compenvurbsys.2008.09.003) Crossref, ISI, Google Scholar

    . 2012 Texture-based identification of urban slums in Hyderabad, India using remote sensing data . Appl. Géogr. 32, 660-667. (doi:10.1016/j.apgeog.2011.07.016) Crossref, ISI, Google Scholar

    . 2015 Who's the cleanest of them all? Sanitation scores in Indian cities . Environ. Urban. 27, 117-136. (doi:10.1177/0956247814560978) Crossref, ISI, Google Scholar

    . 1990 Crimes in India: problems and policy . New Delhi, India : Ashish Pub. House . Google Scholar

    Bettencourt LMA, Lobo J, Helbing D, Kühnert C, West GB

    . 2007 Growth, innovation, scaling, and the pace of life in cities . Proc. Natl Acad. Sci. Etats-Unis 104, 7301-7306. (doi:10.1073/pnas.0610172104) Crossref, PubMed, ISI, Google Scholar

    Bettencourt LMA, Lobo J, Strumsky D

    . 2007 Invention in the city: increasing returns to patenting as a scaling function of metropolitan size . Rés. Politique 36, 107-120. (doi:10.1016/j.respol.2006.09.026) Crossref, ISI, Google Scholar

    . 2008 The size, scale, and shape of cities . Science 319, 769-771. (doi:10.1126/science.1151419) Crossref, PubMed, ISI, Google Scholar

    . 2013 The origins of scaling in cities . Science 340, 1438-1441. (doi:10.1126/science.1235823) Crossref, PubMed, ISI, Google Scholar

    Brelsford C, Lobo J, Hand J, Bettencourt LMA

    . 2017 Heterogeneity and scale of sustainable development in cities . Proc. Natl Acad. Sci. Etats-Unis 114, 89638968. (doi:10.1073/pnas.1606033114) Crossref, PubMed, ISI, Google Scholar

    Gomez-Lievano A, Youn H, Bettencourt LMA

    . 2012 The statistics of urban scaling and their connection to Zipf's law . PLoS UN 7, e40393. (doi:10.1371/journal.pone.0040393) Crossref, PubMed, ISI, Google Scholar

    Alves LGA, Ribeiro HV, Lenzi EK, Mendes RS

    . 2013 Distance to the scaling law: a useful approach for unveiling relationships between crime and urban metrics . PLoS UN 8, e69580. (doi:10.1371/journal.pone.0069580) Crossref, PubMed, ISI, Google Scholar

    . 2016 Urban scaling in Europe . J. R. Soc. Interface 13, 20160005. (doi:10.1098/rsif.2016.0005) Link, ISI, Google Scholar

    . 1977 Location and land use: toward a general theory of land rent . Cambridge, MA : Harvard Univ. Presse . Google Scholar

    . 1998 Urban spatial structure . J. Econ. Lit. 36, 1426-1464. ISI, Google Scholar

    . 2008 Cities, agglomeration, and spatial equilibrium . Oxford, UK : Oxford University Press . Google Scholar

    Arcaute E, Hatna E, Ferguson P, Youn H, Johansson A, Batty M

    . 2014 Constructing cities, deconstructing scaling laws . J. R. Soc. Interface 12, 20140745–20140745. (doi:10.1098/rsif.2014.0745) Link, ISI, Google Scholar

    Cottineau C, Hatna E, Arcaute E, Batty M

    . 2015 Paradoxical interpretations of urban scaling laws. ArXiv150707878 Phys. See http://arxiv.org/abs/1507.07878 Google Scholar

    Ortman SG, Cabaniss AHF, Sturm JO, Bettencourt LMA

    . 2014 The pre-history of urban scaling . PLoS UN 9, e87902. (doi:10.1371/journal.pone.0087902) Crossref, PubMed, ISI, Google Scholar

    . 2005 Status of water supply, sanitation, and solid waste management in urban areas . New Delhi, India : National Institute of Urban Affairs . See https://search.library.wisc.edu/catalog/9910068075302121 Google Scholar

    . 2010 Power law distributions in information science: making the case for logarithmic binning . J. Am. Soc. Inf. Sci. Technol. 61, 2417-2425. (doi:10.1002/asi.21426) Crossref, Google Scholar

    Arbesman S, Kleinberg JM, Strogatz SH

    . 2009 Superlinear scaling for innovation in cities . Phys. Rev. E 79, 016115. (doi:10.1103/PhysRevE.79.016115) Crossref, ISI, Google Scholar

    . 2000 Crime, gender, and society in India: insights from homicide data . Popul. Dev. Tour. 26, 335-352. (doi:10.1111/j.1728-4457.2000.00335.x) Crossref, PubMed, ISI, Google Scholar

    Bettencourt LMA, Lobo J, Strumsky D, West GB

    . 2010 Urban scaling and its deviations: revealing the structure of wealth, innovation and crime across cities . PLoS UN 5, e13541. (doi:10.1371/journal.pone.0013541) Crossref, PubMed, ISI, Google Scholar

    Alves LGA, Mendes RS, Lenzi EK, Ribeiro HV

    . 2015 Scale-adjusted metrics for predicting the evolution of urban indicators and quantifying the performance of cities. PLoS UN10, e0134862. (doi:10.1371/journal.pone.0134862) Google Scholar

    . 1992 Sex ratio, son preference and violence in India: a research note . Écon. Polit. Wkly 27, 2657-2662. Google Scholar

    . 2015 Caste-based crimes and economic status: evidence from India . J. Comp. Écon. 43, 204-226. (doi:10.1016/j.jce.2014.10.005) Crossref, ISI, Google Scholar

    Besley T, Pande R, Rahman L, Rao V

    . 2004 The politics of public good provision: evidence from Indian local governments . J. Eur. Écon. Assoc. 2, 416-426. (doi:10.1162/154247604323068104) Crossref, ISI, Google Scholar

    . 2003 Can mandated political representation increase policy influence for disadvantaged minorities? Theory and evidence from India . Un m. Écon. Tour. 93, 1132-1151. (doi:10.1257/000282803769206232) Crossref, ISI, Google Scholar

    . 1997 Crime and conflict: homicide in evolutionary psychological perspective . Crime Justice 22, 51-100. (doi:10.1086/449260) Crossref, ISI, Google Scholar


    DATE AVAILABILITY AND DATA LIMITATIONS

    The data are freely available https://doi.pangea.de/10.1594/PANGEA.909230 (Wickham 2019 ). The data are provided as ArcMap shapefiles and associated dbase files. ArcMap shapefiles for streams (line) and catchments (polygon) are also included. The data will also be made available by the U.S. Environmental Protection Agency at their EnviroAtlas geospatial portal (Pickard et al. 2015 https://www.epa.gov/enviroatlas). The Methods and Supporting Information serve as metadata for the dataset posted at PANGEA, and its subsequent posting on EPA’s EnviroAtlas website will include information from the Methods and Supporting Information sections, and additional documentation.

    Like so many other geographic research efforts, the work described herein embodies the concept that maps are models (sensu Board 1967 see also King 1982 ). As such, the work was subject to the constraints of generality, realism, and precision (Levins 1966 see also Weisberg 2006 ) that all modeling efforts must address. As is the case with many broad-scale (i.e., large geographic extent) studies, our effort emphasized generality at the expense of precision. Depending on the objectives, our emphasis on generality may or may not impact the use of these data at local scales (e.g., Figure 3a). The hierarchical stream habitat classification system developed by Frissel et al. ( 1986 ) is perhaps a useful guide on the limitation of the use of the stream confluence dataset. The authors identify five levels of classification broadly defined by length scales ranging from 10 −1 m to 10 3 m in units of 10 1 . The stream confluence dataset would seem to be most useful at the Frissel et al. ( 1986 ) 10 3 and 10 2 classification levels and begin to breakdown at the 10 1 classification level.

    The potential impact on our results of the broad-scale geographic perspective and emphasis on generality extend to the primary input data (NHD, StreamCat, and NLCD) we used. The source materials and data capture methods used to develop NHD have resulted in inconsistent drainage densities, omission of many headwater streams, and omission of all ephemeral streams (Lang et al. 2012 Fritz et al. 2013 Benda et al. 2016). Others have noted that streams removed (i.e., buried), most often as a result of urbanization, also are missing from NHD (Elmore and Kaushal 2008 Roy et al. 2009 ). The reported shortcomings of NHD were based on studies that were local in scale and emphasized precision (Elmore and Kaushal 2008 Roy et al. 2009 Lang et al. 2012 Fritz et al. 2013 Benda et al. 2016 ). Missing streams in NHD indicate missing stream confluences in our dataset. The tendency for missing streams to be small, headwater streams also suggests that the associated missing stream confluences likely would be hydrologically significant since the merging streams would likely have similar discharge volumes. Our results for hydrologic significance for stream orders greater than one (i.e., Figure 4) could also be affected if the inclusion of headwaters changed the spatial pattern of stream orders. NHD Plus High Resolution (NHD Plus HR) data (1:24,000-scale) (https://www.usgs.gov/core-science-systems/ngp/national-hydrography/nhdplus-high-resolution#WhatIsIt ) include more streams than the NHDPlus V2 data (1:100,000-scale) we used and likely would have resulted in identification of more stream confluences. However, Fritz et al. ( 2013 ) found closer, but far from perfect, agreement in stream class type (ephemeral, intermittent, or perennial) between field-determined streams (Fritz et al. 2008 ) and NHD Plus HR than between field-determined streams and NHDPlus V2. NHD Plus HR is still in beta version and not complete for the entire conterminous U.S. Similarly, the models developed by Thornbrugh et al. (2019) to estimate ICI and IWI emphasize generality rather than precision because they were based on input data that were available across the conterminous U.S. A similar effort on a local scale emphasizing precision (i.e., higher quality data) might derive different estimates for ICI and IWI. Like NHD, NLCD is a broad-scale, widely used database. NLCD 2011 (Homer et al. 2015 ) user’s accuracies (complement of commission error) and producers accuracies (complement of omission error) range from 80% to 95% for its urban, forest, shrubland, grassland, and agriculture classes for both the 2001 and 2011 components of the database, and accuracy of change results (e.g., forest loss), while lower, compare favorably with other land cover change products (Wickham, Stehman, et al. 2017 ). Translating recent quantitative estimates of the spatial pattern of land cover change accuracy (Wickham, Stehman, et al. 2018 ) to the expression of land cover change in our stream confluence dataset indicates that accuracy should increase as the difference between 2001 and 2011 proportions increases. Availability of higher resolution land cover is becoming more widespread (Popkin 2018 www.chesapeakeconservancy.org www.epa.gov/enviroatlas), and comparison of NLCD with such data indicates higher resolution data would yield different area estimates and different spatial patterns but these high-resolution datasets are not without error (Wickham, Herold, et al. 2018 Wickham et al. 2020 Wickham and Riitters 2019 ).

    Nom de fichier La description
    jawr12899-sup-0001-Supinfo.docxWord document, 97.7 KB Supporting information on database indicators and classification methods.

    Remarque : L'éditeur n'est pas responsable du contenu ou de la fonctionnalité des informations fournies par les auteurs. Toute question (autre que le contenu manquant) doit être adressée à l'auteur correspondant pour l'article.


    Voir la vidéo: Efecto Zoom en After Effects