Skip to main content

Local indicators for categorical data: impacts of scaling decisions

Buy Article:

$43.00 plus tax (Refund Policy)

When the geographic distribution of landscape pattern varies, global indices fail to capture the spatial nonstationarity within the dataset. Methods that measure landscape pattern at a spatially local scale are advantageous, as an index is computed at each point in the dataset. The geographic distribution of local indices is used to discover spatial trends. Local indicators for categorical data (LICD) can be used to statistically quantify local spatial patterns in binary geographic datasets. LICD, like other spatially local methods, are impacted by decisions relating to the spatial scale of the data, such as the data grain (p), and analysis parameters such as the size of the local neighbourhood (m). The goal of this article is to demonstrate how the choice of the m and p parameters impacts LICD analysis. We also briefly discuss the impacts spatial extent can have on analysis; specifically the local composition measure. An example using 2006 forest cover data for a region in British Columbia, Canada where mountain pine beetle mitigation and salvage harvesting has occurred is used to show the impacts of changing m and p. Selection of local window size (m = 3,5,7) impacts the prevalence and interpretation of significant results. Increasing data grain (p) had varying effects on significant LICD results. When implementing LICD the choice of m and p impacts results. Exploring multiple combinations of m and p will provide insight into selection of ideal parameters for analysis. Lorsqu’il existe une variation dans la distribution géographique de la structure paysagère, les indices globaux n’arrivent pas à détecter la nonstationnarité spatiale dans les données. Les méthodes qui visent àévaluer la structure paysagère à une échelle locale offrent des avantages en produisant un indice pour chacun des points de la base de données. L’intérêt d’utiliser une distribution géographique des indices locaux consiste à dégager les tendances spatiales. Les indicateurs locaux pour données catégorielles (ILDC) se prêtent à la quantification statistique des schémas spatiaux d’échelle locale présents dans les bases de données géographiques de type binaire. Les ILDC, comme les autres méthodes spatiales de niveau local, sont affectés par les choix relatifs à l’échelle spatiale des données, tels que la granularité des données (p), et les paramètres d’analyse comme la taille du voisinage (m). Cet article vise à examiner les effets du choix des paramètres m et p sur la méthode des ILDC, en plus d’étudier les effets de l’étendue spatiale sur l’analyse, notamment la mesure de la composition locale. Utilisant les données de 1996 sur le couvert forestier d’une région de la Colombie‐Britannique, Canada, où ont étéélaborées des stratégies d’atténuation des populations de dendroctone du pin ponderosa ainsi que des opérations de récupération, nous mettons en lumière les effets des modifications apportées à m et p. Le choix de la taille du périmètre d’observation (m = 3,5,7) a des incidences sur l’identification et l’interprétation de ce qui constitue un résultat statistiquement significatif. À cela s’ajoutent les multiples effets sur le niveau de signification des résultats en ajustant à la hausse le grain des données (p). Il est clair que le choix de m et de p a des incidences sur les résultats obtenus avec les ILDC. Des études ultérieures portant sur les combinaisons possibles de m et p permettront de préciser la définition des paramètres d’analyse.

French
Les indicateurs locaux pour l’analyse de données catégorielles : les incidences des choix d’échelle
No References
No Citations
No Supplementary Data
No Article Media
No Metrics

Keywords: Analyse spatiale; Dendroctonus ponderosae; composition; configuration; dendroctone du pin ponderosa; forme spatiale; fragmentation; mountain pine beetle; spatial analysis; spatial pattern

Document Type: Research Article

Publication date: 01 March 2010

  • Access Key
  • Free content
  • Partial Free content
  • New content
  • Open access content
  • Partial Open access content
  • Subscribed content
  • Partial Subscribed content
  • Free trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more