To derive probabilities of class me

To derive probabilities of class membership, associations between the parameters
and class membership in the inland cities were established. Lattices of points
were created for inland cities as well as SIENA, and the relevant parameters
extracted for each point. In addition, the class membership for each urban component
was recorded for the inland cities. Probability distributions of class membership
were then calculated in SPSS as the joint distribution of the parameters.
Discriminant functions were used to predict probabilities of class membership of
each point based on the linear combination of the parameters. These functions were
then applied to the points in SIENA to assign probabilities of class membership, the
allocation probability.
The discriminant functions take the general form:
dik ¼ b0k þ b1kxi1 þ.þ bpkxip (1)
where, dik is the value of the kth discriminant function for gridded point i, p is the
number of parameters, bjk is the value of the coefficient of the kth function, xij is the
value of the gridded point i of parameter j.
To allocate the gridded points in SIENA with a class, the cumulative probability
of the allocation probability across all classes for each urban component was
determined (scored from 0 to 1). A random number between 0 and 1 was
generated and matched to the cumulative probability in order to derive the class
membership.
This overall probabilistic model was adapted to each urban component to reflect
their unique data and model requirements. Land cover wasmodelled for a 25  25m
grid, corresponding to the resolution of the Land Cover Map 2000 (Fuller et al.,
2002). In addition to the allocation probability described above, a stress measure
was computed in the land cover model to account for the area covered by each land
cover class (number of grid cells) as observed in the sample cities. The stress measure
for each land cover class was computed by constructing an inverse cumulative
distribution of land cover class size (N(m,s2); m ¼ mean of sample cities; s2 ¼ m/2).
This stress measure causes the probability to allocate more gridded points within a
land cover class to drop rapidly after the target size (percentage of already allocated
area) for the land cover class is reached and therefore avoids the over-representation
of the land cover class in the model.

ผลลัพธ์ (ไทย) 1:

การได้รับกิจกรรมของสมาชิกระดับ ความสัมพันธ์ระหว่างพารามิเตอร์และสมาชิกชั้นในเมืองตั้งได้ก่อตั้ง Lattices คะแนนสร้างขึ้นในบริเวณเมืองเป็นเซียนา และพารามิเตอร์ที่เกี่ยวข้องแยกแต่ละจุด นอกจากนี้ สมาชิกคลาสคอมโพเนนต์แต่ละเมืองมีการบันทึกที่เมืองล่าน้ำจืด การกระจายความน่าเป็นของระดับสมาชิกแล้วคำนวณได้ในโปรแกรมเป็นการกระจายร่วมกันของพารามิเตอร์ใช้ฟังก์ชัน discriminant เพื่อทำนายกิจกรรมของสมาชิกในชั้นของแต่ละจุดตามการรวมเชิงเส้นของพารามิเตอร์ ฟังก์ชันเหล่านี้ได้แล้ว ใช้จุดในเซียนาเพื่อกำหนดกิจกรรมของสมาชิกคลาส การความน่าเป็นการปันส่วนฟังก์ชัน discriminant ใช้แบบทั่วไป:dik ¼ b0k þ b1kxi1 þ.þ bpkxip (1), dik ค่าของฟังก์ชัน discriminant kth จุด gridded, p คือการหมายเลขของพารามิเตอร์ bjk คือ ค่าของสัมประสิทธิ์ของฟังก์ชัน kth, xij คือการค่าของการ gridded ชี้พระเจพารามิเตอร์การจัดสรรคะแนน gridded ในเซียนากับคลาส น่าสะสมการปันส่วนมีความน่าเป็นระหว่างเรียนทั้งหมดสำหรับคอมโพเนนต์แต่ละเมืองกำหนด (คะแนนจาก 0 ถึง 1) มีตัวเลขสุ่มระหว่าง 0 และ 1สร้าง และตรงกับความเป็นไปได้สะสมเพื่อมาเรียนสมาชิกรุ่นนี้โดยรวม probabilistic ถูกดัดแปลงแต่ละองค์ประกอบเมืองถึงข้อมูลเฉพาะของพวกเขาและความต้องการแบบจำลอง ที่ดินปะ wasmodelled 25 25mตาราง ที่สอดคล้องกับการแก้ปัญหาที่ดินครอบคลุมแผนที่ 2000 (Fuller et al.,2002) นอกจากความน่าเป็นการปันส่วนที่อธิบายไว้ข้างต้น การวัดความเครียดถูกคำนวณในแบบจำลองครอบที่ดินให้ครอบคลุมที่ดินแต่ละพื้นที่ครอบคลุมชั้น (จำนวนของเซลล์ตาราง) ที่พบในเมืองตัวอย่าง การวัดความเครียดสำหรับที่ดินแต่ละ ระดับครอบคลุมถูกคำนวณ โดยสร้างผกผันการสะสมการกระจายของขนาดที่ดินครอบคลุมชั้น (N(m,s2); m ¼หมายความว่าตัวอย่างเมือง s2 ¼ m 2)วัดความเครียดนี้ทำให้ความน่าเป็นการปันส่วนจุด gridded ขึ้นภายในตัวที่ดินครอบคลุมระดับจะลดลงอย่างรวดเร็วหลังจากขนาดเป้าหมาย (เปอร์เซ็นต์ของปันส่วนแล้วพื้นที่) สำหรับที่ดินครอบคลุม ถึง และหลีกเลี่ยงการแสดงมากกว่าดังนั้นชั้นครอบคลุมที่ดินในรูปแบบ

ผลลัพธ์ (ไทย) 2:

ให้ได้มาซึ่งความน่าจะเป็นของการเป็นสมาชิกระดับความสัมพันธ์ระหว่างพารามิเตอร์
และการเป็นสมาชิกชั้นในเมืองภายในประเทศได้ถูกก่อตั้งขึ้น โปรยของจุด
ที่ถูกสร้างขึ้นสำหรับเมืองในประเทศเช่นเดียวกับเซียน่าและพารามิเตอร์ที่เกี่ยวข้อง
สกัดแต่ละจุด นอกจากนี้สมาชิกคลาสสำหรับองค์ประกอบแต่ละเมือง
ที่ถูกบันทึกไว้สำหรับเมืองในประเทศ การแจกแจงความน่าจะเป็นของการเป็นสมาชิกระดับ
นี้จะถูกคำนวณแล้วในโปรแกรม SPSS? ขณะที่การจัดจำหน่ายร่วมกันของพารามิเตอร์.
ฟังก์ชั่นการจำแนกถูกนำมาใช้ในการคาดการณ์ความน่าจะเป็นของการเป็นสมาชิกชั้นเรียนของ
แต่ละจุดอยู่บนพื้นฐานของการรวมกันเชิงเส้นของพารามิเตอร์ ฟังก์ชั่นเหล่านี้ถูก
นำมาใช้จากนั้นไปที่จุดในเซียนาที่จะกำหนดความน่าจะเป็นของการเป็นสมาชิกระดับ
ความน่าจะเป็นการจัดสรร.
ฟังก์ชั่นใช้จำแนกรูปแบบทั่วไป:
dik ¼ B0K þ b1kxi1 þ.þ bpkxip (1)
ที่ dik คือค่าของ KTH ฟังก์ชั่นการจำแนกสำหรับจุด gridded ฉัน p เป็น
จำนวนพารามิเตอร์, bjk คือค่าของค่าสัมประสิทธิ์ของฟังก์ชั่น KTH, xij เป็น
ค่าของจุด gridded ผมของพารามิเตอร์ j. การ
จัดสรรจุด gridded ในเซียนากับชั้นเรียน ความน่าจะเป็นที่สะสม
ของความน่าจะจัดสรรทั่วทุกชั้นสำหรับองค์ประกอบในเมืองแต่ละคนถูก
กำหนด (คะแนน 0-1) สุ่มตัวเลขระหว่าง 0 และ 1 ถูก
สร้างขึ้นและตรงกับความน่าจะเป็นสะสมเพื่อให้ได้มาเรียน
สมาชิก.
รุ่นนี้น่าจะเป็นโดยรวมได้รับการปรับให้เข้ากับองค์ประกอบในเมืองแต่ละที่จะสะท้อนให้เห็นถึง
ข้อมูลที่ไม่ซ้ำของพวกเขาและความต้องการรูปแบบ ฝาครอบที่ดิน wasmodelled สำหรับ 25? 25m
ตารางสอดคล้องกับมติของที่ปกคลุมดินแผนที่ 2000 (ฟุลเลอร์ et al.,
2002) นอกเหนือจากความน่าจะเป็นการจัดสรรตามที่อธิบายไว้ข้างต้นวัดความเครียด
คำนวณในสิ่งปกคลุมดินแบบบัญชีสำหรับพื้นที่ปกคลุมด้วยแต่ละที่ดิน
ปกชั้น (จำนวนของเซลล์ตาราง) ขณะที่พบในเมืองตัวอย่าง วัดความเครียด
สำหรับแต่ละชั้นปกคลุมดินได้รับการคำนวณโดยการสร้างสะสมผกผัน
การกระจายตัวของที่ดินฝาครอบขนาดของชั้นเรียน (N (เมตร s2); M ¼เฉลี่ยของเมืองตัวอย่าง; s2 ¼เมตร / 2).
วัดความเครียดนี้ทำให้เกิดความน่าจะเป็น จัดสรรจุด gridded ภายใน
ชั้นปกคลุมดินจะลดลงอย่างรวดเร็วหลังจากขนาดเป้าหมาย (ร้อยละของการจัดสรรแล้ว
พื้นที่) สำหรับชั้นปกคลุมดินจะมาถึงและดังนั้นจึงหลีกเลี่ยงมากกว่าการเป็นตัวแทน
ของชนชั้นปกคลุมดินในรูปแบบ

ผลลัพธ์ (ไทย) 3:

จากความน่าจะเป็นของสมาชิกระดับความสัมพันธ์ระหว่างพารามิเตอร์
และคลาสเป็นสมาชิกในเมืองภายในประเทศได้ก่อตั้ง แลตทิซของจุด
ถูกสร้างขึ้นสำหรับเมืองภายในประเทศรวมทั้งเซียนาและพารามิเตอร์ที่เกี่ยวข้อง
แยกสำหรับแต่ละจุด นอกจากนี้ สมาชิกระดับสำหรับแต่ละองค์ประกอบเมือง
ถูกบันทึกไว้สำหรับเมืองภายในประเทศการแจกแจงความน่าจะเป็นของการเป็นสมาชิกห้อง
แล้วคำนวณในโปรแกรม SPSS  เป็นร่วมเผยแพร่ค่า ฟังก์ชันจำแนก
ใช้ทำนายค่าความน่าจะเป็นของระดับสมาชิก
แต่ละจุดขึ้นอยู่กับการรวมกันเชิงเส้นของตัวแปร . ฟังก์ชันเหล่านี้ถูก
แล้วใช้จุดในเซียนากำหนดความน่าจะเป็นของสมาชิกเรียน

การจัดสรรค่าความน่าจะเป็นฟังก์ชันจำแนกใช้รูปแบบทั่วไป :
ดิ๊ก¼ b0k þ b1kxi1 þ . þ bpkxip ( 1 )
ที่ ดิ๊ก เป็นค่าของ kth จำแนกฟังก์ชันสำหรับจุด gridded I , P คือ
จำนวนพารามิเตอร์ , bjk คือค่าของสัมประสิทธิ์ของฟังก์ชัน kth xij , เป็น
ค่า จุด gridded ผมของพารามิเตอร์ของ J .
จัดสรรจุด gridded ในเซียนากับชั้น
ความน่าจะเป็นสะสมการจัดสรรโอกาสในการเรียนทั้งหมดสำหรับแต่ละเมืององค์ประกอบ
กำหนด ( คะแนนตั้งแต่ 0 ถึง 1 ) จำนวนสุ่มระหว่าง 0 และ 1
ขึ้นตรงกับความน่าจะเป็นสะสมเพื่อการสืบทอดคลาส

รุ่นนี้โดยรวมของสมาชิก การปรับส่วนประกอบแต่ละเมืองเพื่อสะท้อนให้เห็นถึงข้อมูลเฉพาะของพวกเขาและความต้องการ
นางแบบที่ดินครอบคลุม wasmodelled สำหรับ 25  25m
ตารางที่ตรงกับความละเอียดของแผนที่ครอบคลุมที่ดิน 2000 ( ฟูลเลอร์
et al . , 2002 ) นอกจากการจัดสรรโอกาสอธิบายไว้ข้างต้น , วัดความเครียด
ถูกคำนวณในดินแดนแบบบัญชีสำหรับพื้นที่ครอบคลุมแต่ละที่ดิน
ปกคลาส ( จํานวนเซลล์ตาราง ) ที่พบในตัวอย่างเมือง ความเครียดวัด
สำหรับแต่ละที่ดินครอบคลุมเรียนคำนวณโดยการผกผันสะสม
การแพร่กระจายของขนาดชั้นเรียนครอบคลุมที่ดิน ( N ( M , S2 ) ; M ¼หมายถึงเมืองตัวอย่าง ; S2 ¼ M / 2 )
เครียดวัดสาเหตุความน่าจะเป็นที่จะจัดสรรจุด gridded เพิ่มเติมภายในพื้นที่ครอบคลุมเรียน
ปล่อยอย่างรวดเร็ว หลังจาก ขนาดของเป้าหมาย ( ร้อยละจัดสรรแล้ว
พื้นที่สำหรับครอบคลุมที่ดินชั้นถึงและดังนั้นจึงหลีกเลี่ยงมากกว่าการเป็นตัวแทน
ของฝาครอบที่ดินเรียนในรูปแบบ