خودهمبستگی فضایی رابطه متقابل بین تحقق یا مشاهدات یک متغیر را توصیف می کند که در یک چشم انداز جغرافیایی توزیع شده است، که ممکن است بر اساس مرزهای طبیعی یا سیاسی به واحدها/مناطق مختلف تقسیم شود. پژوهشگران علم اطلاعات جغرافیایی (GIS) همواره خودهمبستگی مکانی را مد نظر قرار می دهند. با این حال، تحقیقات خودهمبستگی فضایی طیف گسترده ای از رشته ها، نه تنها GIS، بلکه اقتصاد سنجی فضایی، بوم شناسی، زیست شناسی و غیره را در بر می گیرد. از آنجایی که خودهمبستگی فضایی به چندین رشته مربوط می شود، دستیابی به گستره وسیعی از دانش در مورد همه کاربردهای آن دشوار است. برای مبتدیان برای شروع تحقیقات خود و همچنین برای محققان با تجربه که دیدگاه های جدیدی را در آثار خود در نظر بگیرند بسیار مهم است. برای دستیابی به این هدف، تحلیل های علم سنجی در این مقاله انجام شده است. به طور خاص، ما از شاخص‌های علم‌سنجی و تکنیک‌های نقشه‌برداری شبکه علم‌سنجی برای کشف مجلات، کشورها، مؤسسات و جوامع تحقیقاتی تأثیرگذار استفاده می‌کنیم. موضوعات و مقالات کلیدی؛ و توسعه تحقیق و روند. نتیجه گیری ها عبارتند از: (1) مجلات طبقه بندی شده در حوزه های زیست محیطی و بیولوژیکی اکثر مجلات برتر را تشکیل می دهند؛ (2) کشورهای آمریکای شمالی، کشورهای اروپایی، استرالیا، برزیل و چین بیشترین مشارکت را در تحقیقات مربوط به خودهمبستگی فضایی دارند. (3) یازده جامعه تحقیقاتی متشکل از سه جامعه جغرافیایی و هشت جامعه از سایر حوزه ها شناسایی شدند. (4) موضوعات داغ شامل تجزیه و تحلیل خودهمبستگی فضایی برای داده های مولکولی، تنوع زیستی، ناهمگنی فضایی، و تنوع، و مشکلاتی که در توسعه سریع چین پدید آمده است. و (5) رویکردهای مبتنی بر آمار فضایی و برنامه‌های کاربردی مشکل‌محور فشرده‌تر، روند تحقیقات مرتبط با خودهمبستگی فضایی هستند و همچنان خواهند بود. ما همچنین نتایج را از دیدگاه یک جغرافیدان در پایان این مقاله اصلاح می کنیم.

کلید واژه ها:

خودهمبستگی فضایی ; شاخص های علم سنجی ; نقشه برداری شبکه علم سنجی ; مبتنی بر داده های کتابشناختی

1. مقدمه

خودهمبستگی فضایی (SA) مفهومی است که توسط محققان در طیف وسیعی از رشته‌ها استفاده می‌شود و مجموعه داده‌های آن دارای اطلاعات مکانی هستند. علت اصلی SA ممکن است نزدیکی جغرافیایی یا مکانی باشد. همانطور که قانون اول جغرافیا [ 1 ] می گوید: «همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند». از این رو، SA یک ویژگی جغرافیایی به طور گسترده ای موجود است. به لطف تلاش‌های جغرافی‌دانان کمی پیشگام (مثلاً «مکتب واشنگتن» [ 2 ])، در دهه‌های 1950-1960، SA توجه زیادی را به خود جلب کرد و به بخش مرکزی جغرافیای کمی تبدیل شد. با این حال، اولین ذکر SA در سال 1968 ظاهر شد (یعنی [ 3 ، 4])، که قبل از آن، تداعی فضایی، وابستگی فضایی، تعامل فضایی، و غیره نامیده می شد. آثار اساسی جغرافیدان کلیف و آماردان ارد [ 5 ، 6 ] پایه و اساس نظری SA را که الهام بخش توسعه شکوفایی آن بود، ایجاد کرد (یعنی [ 7 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20 ، 21 ، 22 ، 23]) در سراسر علوم طبیعی و اجتماعی. بنابراین، SA نیز مجموعه ای از نظریه ها و روش های آماری است که برای مقابله با وابستگی بین متغیرهای فضایی استفاده می شود.
متفاوت از یک مفهوم صرفا آماری، SA دارای یک ویژگی جغرافیایی است، به این معنی که در رشته های مختلف کاربرد دارد. تحقیقات مربوط به اطلاعات مکانی با مشکل SA مواجه است، زیرا وابستگی بین مقادیر مشاهده شده یک متغیر ناشی از SA منجر به بی اعتباری فرض مستقل کلاسیک می شود، بنابراین نتایج قابل اعتماد نخواهند بود. برای مثال، محققان ممکن است در هنگام استفاده از روش‌های آماری سنتی، نرخ‌های خطای نوع اول و تخمین‌های مغرضانه [ 24 ] را به دست آورند. بنابراین، SA نه تنها یک مشکل جغرافیا، منطقه ای است که در آن منشأ گرفته است، بلکه مشکل بسیاری از رشته های دیگر، مانند اقتصاد سنجی فضایی [ 25 ]، اکولوژی [ 26 ]، زیست شناسی [ 27 ] است.]، و غیره. یک سری چالش هایی که با SA همراه است، به عنوان مثال، چگونگی آزمایش آن در یک فرآیند فضایی (مثلاً [ 28 ]) است تا بتوان یک مدل مناسب را مشخص کرد، چگونه با آن در یک مدل مقابله کرد. به عنوان مثال، [ 29 ، 30 ]) تا بتوان نتایج معقولی را به دست آورد، و نحوه استفاده از آن به گونه ای که بتوان نمونه های معرف را ترسیم کرد (به عنوان مثال، [ 31 ، 32 ]).
اینها مشکلات ناشی از SA از منظر آماری یا فنی هستند، در حالی که SA همچنین پیامدهای بسیار غنی برای مطالعات تجربی دارد. به عنوان مثال، لیو و همکاران. [ 33 ] از تجزیه و تحلیل SA برای بررسی اینکه آیا سرمایه گذاری مستقیم خارجی بر آلودگی محیط زیست در چین تأثیر می گذارد یا خیر، استفاده کرد و ژانگ و همکاران. [ 34 ] به تعامل فضایی بین خدمات اکوسیستم و شهرنشینی پرداختند، در حالی که وانگ و همکاران. [ 35 ] تجزیه و تحلیل مکانی-زمانی را برای بحث در مورد عوامل انتقال و تأثیرگذار COVID-19 انجام داد.
مشکلات و همچنین مزایایی که SA به ارمغان می آورد، نه تنها از دیدگاه جغرافیدان، بلکه از دیدگاه محققان سایر حوزه ها نیز مورد توجه قرار گرفته است. با این حال، ارائه یک نمای کلی برای چندین رشته SA به طور همزمان دشوار است، زیرا محققان ممکن است فراتر از زمینه های خود فاقد تجربه باشند. علاوه بر این، با عصر اکتشاف اطلاعات، هزاران مقاله به طور مداوم نوشته می شود، که چالش های بیشتری را برای محققین به دنبال تحقیقات در زمینه های دیگر به همراه دارد. بدین منظور، این مقاله در صدد است تا با استفاده از تکنیک‌های علم‌سنجی، دیدگاهی جهانی برای تحقیقات SA در زمینه‌های مختلف ارائه دهد و از این رو تلاش می‌کند تا کشورهای پیشرو و مؤسسات، جوامع پژوهشی تأثیرگذار، موضوعات کلیدی و مراجع مهم را مشخص کند. و توسعه و همچنین روند تحقیقات آینده SA. اینها دانش پایه را تشکیل می دهند و ممکن است به محققان کمک کنند تا درک جامعی از تحقیقات SA را به دست آورند تا بتوانند به طور مؤثر در مورد جهت های تحقیقاتی مورد علاقه خود تصمیم بگیرند یا دیدگاه های جدیدی از حوزه های ناآشنا به دست آورند.
به عنوان یک روش کلیدی که نتایج آماری و تجسمی را برای این مقاله ارائه می دهد، تحلیل علم سنجی شایسته است در اینجا بررسی شود. این یک نظریه تحلیلی مبتنی بر داده‌های کتابشناختی است و می‌تواند سوگیری شخصی را که توسط ترجیحات و محدودیت‌های دانش نویسندگان معرفی می‌شود، حذف کند. متفاوت از مرور ادبیات سنتی، تجزیه و تحلیل علم‌سنجی مقالات را به‌عنوان مجموعه داده‌ها در نظر می‌گیرد و از درک صرفاً بافت مقالات (توسط پژوهشگران انسانی) به استفاده از آنها به‌عنوان شاخص‌هایی که از نظر کمی پژوهش را واجد شرایط می‌کنند، و به گرافیک‌هایی که ویژگی‌های جهانی گرایش‌های رشته‌ای را نشان می‌دهند تغییر می‌کند. . همانطور که در مقالات منتشر شده در مجلات Science [ 36 ] و Physical Reports [ 37 ] بحث شده است.]، تجزیه و تحلیل علم سنجی با ادبیات علمی بسیار موجود در حال حاضر اهمیت بیشتری پیدا کرده است، زیرا روشی را ارائه می دهد که به وسیله آن محقق می تواند به طور عینی تری درکی از یک زمینه به دست آورد. در این مقاله، شاخص‌های علم‌سنجی عددی و سه روش علم‌سنجی شبکه‌کاوی، یعنی تحلیل هم‌نویسی، تحلیل هم‌کلمه و روش‌های روابط استنادی [ 38 ]]، برای مقالات جمع آوری شده که SA به عنوان موضوع تحقیق دارند، اعمال می شوند. شاخص عددی رتبه ای را برای نشریات، کشورها/مناطق و موسسات ارائه می دهد. روش‌های مبتنی بر شبکه اطلاعات ساختاری را ارائه می‌دهند که اتفاقات مشترک (مثلاً کلمات مشترک و استنادات مشترک) و فعالیت‌های مشترک (یعنی نوشتن مقاله با نویسندگان مشترک) را نشان می‌دهد که موضوعات مهم پژوهشی، مراجع، و برخی مدارس دانشگاهی هستند. یا جوامع
این مقاله از تکنیک علم سنجی برای ارائه دیدگاه گسترده ای از تحقیقات SA که رشته های مختلف را پوشش می دهد، استفاده می کند. ما معتقدیم که نتایج دارای مقادیر ارجاعی مثبت برای محققان GIS (و همچنین محققان از سایر زمینه‌های مرتبط با تحقیقات SA) هستند. بخش‌های بعدی به صورت زیر سازماندهی می‌شوند: بخش 2 مجموعه داده‌ها و روش‌های علم‌سنجی را که در این مقاله به کار گرفته شده‌اند، ارائه می‌کند. بخش 3 نتایج و تجزیه و تحلیل ها را ارائه می دهد، جایی که بخش 3.1 و بخش 3.2 به ترتیب مجلات، کشورها و مؤسسات تأثیرگذار را ارائه می دهند و بخش 3.3 جوامع تحقیقاتی SA را بررسی می کند. بخش 3.4بر موضوعات و مقالات مهم تحقیقات SA تمرکز دارد و بخش 3.5 مسیر توسعه و روندهای احتمالی تحقیقات آینده را تجزیه و تحلیل می کند. بخش 4 نتایج را مورد بحث قرار می دهد و آنها را از دیدگاه یک محقق GIS اصلاح می کند. بخش 5 برخی از نتایج را بیان می کند.

2. مجموعه داده ها و روش ها

2.1. مجموعه تاریخ

مجموعه داده های کتابشناختی تجزیه و تحلیل شده در این مقاله از پایگاه داده Web of Science Core Collection (WOSCC) بازیابی شده است. شرایط جستجوی تفصیلی در جدول 1 فهرست شده است. به طور خاص، پایگاه‌های اطلاعاتی «شاخص استنادی علوم گسترده» (SCI-E) و «شاخص استنادی علوم اجتماعی» (SSCI) مورد استفاده قرار گرفت، زیرا آنها شناخته‌شده‌ترین منابع داده‌ای هستند. پس از تنظیم این شرایط، 8461 رکورد به دست آمد.
ما هنگام تحقیق در مورد این موضوع اصطلاح “خودهمبستگی فضایی” را به عنوان کلیدواژه انتخاب کردیم زیرا “خودهمبستگی فضایی” ممکن است نسبت به سایر عبارات عمومی تر باشد، مانند “همبستگی فضایی”، “کوواریوگرام فضایی”، “تداعی فضایی”، “وابستگی فضایی”، “تعامل فضایی”، و غیره، که همچنین می تواند نشان دهنده خودهمبستگی فضایی باشد. برای مثال، کوواریوگرام‌های فضایی یا همبستگی فضایی اغلب در زمین‌آمار استفاده می‌شوند، و تداعی فضایی و وابستگی مکانی توسط برخی از محققان اقتصادسنجی فضایی انتخاب می‌شوند، اما خودهمبستگی مکانی می‌تواند همه آنها را پوشش دهد. در واقع، هنگامی که از خودهمبستگی مکانی صحبت می کنیم، نه تنها به آمار خود همبستگی فضایی اولیه (جهانی یا محلی) فکر می کنیم، بلکه به نیمه متغیرها در زمین آمار نیز فکر می کنیم.
توزیع کلی انضباطی ده موضوع برتر در شکل 1 نشان داده شده است ، که نشان می دهد اکولوژی بیش از 2000 مقاله را به خود اختصاص داده است و فعال ترین و سازنده ترین رشته مرتبط با تحقیقات SA است. سایر رشته های بسیار پربار شامل علوم/مطالعات محیطی، حفاظت از تنوع زیستی، جغرافیا، علوم زمین چند رشته ای و غیره است. شکل 1 همچنین نشان می دهد که درصد مقالات در حوزه جغرافیایی حدود 19 درصد است که نشان می دهد سایر رشته ها حدود 80 درصد از SA را تشکیل می دهند. -تحقیقات مرتبط
به جز اطلاعات انضباطی، مجموعه داده های کتابشناختی همچنین حاوی اطلاعات کامل فراداده، از جمله نویسندگان، مؤسسات، نام انتشارات، تعداد استنادها و منابع است. از این رو، نه تنها می توان کتابشناسی پایه را استخراج کرد، بلکه ساختارهای شبکه را نیز می توان با انتخاب اطلاعات مربوطه از مجموعه داده تشکیل داد. این اقلام مواد اولیه برای تجزیه و تحلیل علم سنجی را تشکیل می دهند. در این مقاله، ما از چندین تکنیک، از جمله نمایه‌های علم‌سنجی، هم‌نویسندگی/کلمات/تحلیل استنادها برای انجام پژوهش خود استفاده کردیم.

2.2. روش شناسی ها

2.2.1. شاخص های علم سنجی

برای مجموعه داده‌ها، از سه شاخص علم‌سنجی، رکوردها (Recs) ، امتیاز کل استناد محلی (TLCS) و امتیاز کل استناد جهانی (TGCS) برای تعیین کمیت مؤسسات و همچنین کشورها/منطقه‌ها استفاده شد. Recs فراوانی یک شی (به عنوان مثال، یک موسسه) را که در مجموعه داده ظاهر می شود، شمارش می کند و بنابراین محبوبیت این شی را توصیف می کند. TLCS تعداد استنادها در 8461 مقاله است. تأثیر دامنه های مرتبط با SA را کمیت می کند. علاوه بر این، TGCSتعداد استنادها در مقالات در WOSCC است. تاثیر جهانی را می سنجد. پدیده ای که مشاهده شده این است که برخی از مجلات به قدری حرفه ای هستند که مخاطبان کمی دارند و بنابراین ضریب تأثیر آنها (IF) نسبتاً پایین است، اما در برخی از حوزه ها از شهرت خوبی در بین محققان برخوردار هستند. TLCS معیاری است که نشان دهنده تخصص است. در مقابل، TGCS معیاری است که جهانی بودن را نشان می دهد. ما از HistCite [ 39 ] برای گزارش سه شمارش استفاده کردیم.
2.2.2. نقشه برداری شبکه علم سنجی
(1)
تحلیل هم نویسندگی
تجزیه و تحلیل هم نویسندگی اغلب برای کشف جوامع پژوهشی/آکادمیک یا مدارس با ارائه شبکه‌های ارتباط مشارکتی انجام می‌شود. سه نوع تحلیل هم نویسندگی وجود دارد، به عنوان مثال، تحلیل نویسندگان، تحلیل مؤسسات، و تجزیه و تحلیل کشورها/منطقه ها [ 40 ]. ما در این مقاله تنها بر تحلیل نویسنده تمرکز می کنیم و هدف آن یافتن محققانی است که علایق پژوهشی مشابهی دارند. VOSviewer [ 41] برای انجام این کار به کار گرفته شد، با نویسندگانی در همان جامعه که با همان رنگ ارائه شده و با پیوندهایی به هم متصل شدند. به طور دقیق تر، هر نویسنده با یک گره نشان داده می شود و هم نویسندگی با پیوندهایی در بین گره ها بیان می شود. برای تجسم شبکه هم‌نویسنده و انعکاس هم‌زمان محقق(های) پیشرو، وزن را به‌عنوان «نقل‌های عادی شده» تنظیم می‌کنیم که اندازه یک گره را تعیین می‌کند. به عبارت دیگر، یک گره با اندازه بزرگتر نشان می دهد که نویسنده متناظر آن بیشتر مورد استناد قرار گرفته است. انواع دیگر وزن‌ها عبارتند از «پیوندها» و «قدرت پیوند کلی»، که بر سختی تألیف مشترک تمرکز می‌کنند، و «اسناد» که نشان‌دهنده تعداد مقالاتی است که نویسنده در آن با سایر محققان همکاری کرده است.
(2)
تجزیه و تحلیل کلمات مشترک
تجزیه و تحلیل کلمات مشترک (همچنین به آن کلمه کلیدی یا همزمانی کلمات کلیدی نیز گفته می شود) محققان را قادر می سازد تا دانشی در مورد موضوعات داغ حوزه مورد علاقه خود به دست آورند. برای مبتدیان، داشتن تصور کلی از یک زمینه تحقیقاتی و در نتیجه شروع تحقیقات خود با انتخاب یک موضوع امیدوارکننده مفید است. برای محققان (نسبتا) بالغ، دستیابی به ایده‌های تازه‌ای که ممکن است با نقشه شبکه‌های هم‌واژه ارائه شود نیز مفید است. ما هنوز از VOSviewer برای انجام تجسم استفاده می کنیم. شبکه‌های هم‌واژگان از آنجایی که شبیه شبکه‌های هم‌نویسنده هستند، از گره‌ها و پیوندهای میان آنها تشکیل شده‌اند. برای ارائه محبوبیت کلمات، وزن‌ها را به‌عنوان «وقوع» تنظیم می‌کنیم، یک گره بزرگ‌تر نشان‌دهنده تکرار بیشتر یک کلمه همزمان با کلمات دیگر در ادبیات است. ضخامت بین دو کلمه با تعداد تکرار آنها تعیین می شود و پیوندهای ضخیم تر بین دو کلمه نشان دهنده ارتباط قوی تر است. وزن‌های دیگر شامل «پیوندها» و «قدرت پیوند کل» است که بر ارتباط دو کلمه کلیدی تأکید می‌کند.
(3)
تحلیل هم استنادی
منظور از استناد مشترک این است که در یک مقاله به دو مقاله استناد شود. تحلیل هم‌استنادی، روابط هم‌استنادی بین مقالات ایجاد می‌کند، و سپس به محققان کمک می‌کند تا مقالات مهم و همچنین محققان مرتبط خود را به طور کارآمد بیابند. این یک روش کلاسیک در علم سنجی است [ 42 ]. ما از CiteSpace [ 43 ، 44 ] برای به دست آوردن شبکه های استنادی مشترک استفاده کردیم. دو شاخص مهمی که CiteSpace می‌تواند پیاده‌سازی کند، «مرکزیت بین» و «burst» هستند. اولی اولین بار توسط فریمن معرفی شد [ 45] برای اندازه‌گیری مرکزیت بر اساس کوتاه‌ترین مسیر در نمودار، و برای نشان دادن گره‌های محوری برای جریان اطلاعات در یک شبکه استفاده می‌شود (CiteSpace گره‌های محوری را با دایره‌های قرمز ارغوانی برجسته می‌کند). علاوه بر این، دومی توسط کلینبرگ [ 46 ] توسعه داده شد، و برای تشخیص انفجار یک رویداد (نقل، کلمه کلیدی، یا انتشار) در CiteSpace با گره های انفجاری رنگ شده با دایره های قرمز استفاده می شود. یکی دیگر از امتیازات CiteSpace این است که می‌تواند شبکه‌های هم‌استنادی را برای دوره‌های مختلف به طور همزمان ایجاد کند، که نه تنها برای مشاهده توسعه یک حوزه تحقیقاتی برای محققان مفید است، بلکه به استنباط روندهای احتمالی تحقیقات کمک می‌کند.
هم‌نویسی، هم‌واژه‌ها و تحلیل‌های استنادی می‌توانند توسط دیگر ابزارهای نقشه‌برداری علم‌سنجی، نه تنها مواردی که در بالا ذکر شد، پیاده‌سازی شوند. برای بررسی کامل ابزارهای نقشه برداری علم سنجی، خواننده را به کار لی و همکاران ارجاع می دهیم. [ 38 ]. هدف این مقاله کسب دانش از تحقیقات SA در سطح کلان است، بنابراین ما به جای مقایسه نتایج خروجی توسط ابزارهای مختلف نقشه برداری، بر تفسیر نتایج (تجسم شده) تمرکز می کنیم.

3. نتایج و تجزیه و تحلیل

تحقیقات SA طیف گسترده‌ای از رشته‌ها را پوشش می‌دهد، زیرا داده‌های دارای اطلاعات جغرافیایی یا مکانی دارای ویژگی خودهمبستگی مکانی هستند. علاوه بر این، تحقیقات SA سالانه طی سال‌های 1991-2021 افزایش یافته است که در شکل 2 نشان داده شده است (یعنی Recs، نوارهای آبی). شکل 2همچنین تغییرات سالانه TLCS و TGCS را برای مقالات مرتبط با SA نشان می دهد. سه اوج قابل توجه برای سال های 1993، 2007 و 2013 ظاهر می شود که نشان می دهد مشارکت های مهمی در این سال ها منتشر شده است. همچنین چندین پیک متوسط ​​بین سال‌های 1993 و 2007 وجود دارد که نشان می‌دهد روش‌ها و نظریه‌های SA به طور مداوم در این 15 سال توسعه یافته‌اند. روند کاهشی TLCS و TGCS پس از سال 2013 منطقی است زیرا زمان کافی برای استناد به مقالات تازه منتشر شده وجود نداشته است.
همانطور که در بخش 2.1 ذکر شد ، مجموعه داده جمع آوری شده حاوی اطلاعات فراداده کاملی است که می تواند داستان کاملی را برای هر مقاله بیان کند. بنابراین در مقایسه با آمارهای کمی، شناخت های کیفی از جذابیت بیشتری برخوردارند. در این مقاله، ما بر مجلات تأثیرگذار، کشورها و مؤسسات اصلی، جوامع تحقیقاتی نماینده، موضوعات داغ و مراجع مهم، و تکامل و همچنین روندهای تحقیقاتی احتمالی تحقیقات SA تمرکز می‌کنیم که در بخش‌های فرعی زیر مورد بحث قرار می‌گیرند.

3.1. مجلات تاثیرگذار

یک عنصر مهم برای مطالعات علمی، بستری است که یافته‌های تحقیق بر روی آن منتشر می‌شود و بنابراین می‌توان آن‌ها را منتشر کرد. یک پلتفرم رسمی می تواند مجلات دانشگاهی باشد که اغلب توسط همتایان بررسی می شوند. لازم است محققین مجلات تاثیرگذار در حوزه تحقیقاتی خود را بشناسند تا بتوانند در جریان تحقیقات پیشرفته باشند. جدول 2 رتبه بندی مجلات را از نظر Recs، TLCS و TGCS نشان می دهد. این نشان می دهد که بیشتر مجلات سازنده با محیط زیست مرتبط هستند. به طور خاص، Ecology ، Global Ecology and Biogeography ، و Ecography معرف ترین مجلات با ارزش TLCS بالا هستند. این مجلات همچنین دارای مقادیر TGCS بالایی هستند. علاوه بر این، به عنوان یک مجله جغرافیایی،Geographical Analysis یک مجله جغرافیایی برجسته با TLCS 1002 و TGCS 4937 است. به جز مجلات کلاسیک، مجلات دسترسی آزاد مانند PLoS ONE ، Sustainability و ISPRS International Journal of Geo-Information در رتبه Recs قرار دارند. برای یک حوزه تحقیقاتی، مقالات مهم احتمالاً در مجلاتی با TLCS بالا منتشر می شوند، بنابراین محققان معمولاً توجه بیشتری به این مجلات دارند.

3.2. کشورها و موسسات اصلی

برای یک محقق، انجام تحقیق نه تنها شامل مطالعه و چاپ مقاله در مجلات دانشگاهی می شود، بلکه شامل بازدیدهای دانشگاهی و برقراری ارتباط با تحقیقات آنها می شود. از این رو شناخت کشورها و نهادهای تأثیرگذار ضروری است.
جدول 3 رتبه های مختلف Recs، TLCS و TGCS را نشان می دهد. ده کشور برتر برای هر رتبه استخراج شد. ایالات متحده آمریکا در هر سه جنبه رتبه اول را دارد که نشان می دهد نفوذ بسیار زیادی در تحقیقات SA دارد. استرالیا، کانادا و بریتانیا نیز تأثیرات قابل توجهی دارند. چین به عنوان تنها کشور آسیایی، دومین انتشارات SA، و رتبه های TLCS و TGCS متوسط ​​را دارد.
جدول 4 ده موسسه برتر را نشان می دهد. دانشگاه ملی استرالیا دارای بزرگترین مقادیر TLCS و TGCS است. دانشگاه مونترال (کانادا) و دانشگاه فدرال دی گویا (برزیل) نیز دارای مقادیر TLCS و TGCS بالایی هستند. آکادمی علوم چین و دانشگاه آکادمی علوم چین بیشترین مقالات تحقیقاتی SA را منتشر کردند، اما تنها دارای رتبه TGCS هستند، که نشان می‌دهد ممکن است کارهای پیشگامانه تا حدودی کم باشد. به جز این مؤسسات، دانشگاه های ایالات متحده آمریکا نسبت زیادی را در این جدول تشکیل می دهند که با نتیجه جدول 3 مطابقت دارد.

3.3. انجمن های پژوهشی نماینده

تعداد کل نویسندگان برای 8461 مقاله 27752 است. به منظور کشف جوامع پژوهشی نماینده، ما یک تحلیل هم نویسندگی برای نویسندگان انجام دادیم. شکل 3شبکه‌های هم‌نویسندگان آن دسته از نویسندگانی را نشان می‌دهد که بیش از پنج مقاله از تحقیقات SA منتشر کرده‌اند. هر گره یک نویسنده را ارائه می دهد. پیوندهای بین گره ها نشان دهنده هم نویسندگی بین نویسندگان است. گره بزرگتر به این معنی است که مقالات نویسنده مربوطه ارجاعات بیشتری دارند. پیوند ضخیم تر بین دو گره به معنای همکاری بیشتر نویسندگان است. دو نوع گره را می توان در شکل تشخیص داد، گره های خاکستری که دارای نویسندگان نادری هستند که به سختی می توانند یک جامعه را تشکیل دهند، و گره های رنگی که حداقل یک نویسنده مشترک دارند و خوشه ها را نشان می دهند. ما بر روی خوشه‌های رنگی که با نام نویسندگان برچسب‌گذاری شده‌اند تمرکز می‌کنیم و جوامع تحقیقاتی را با توجه به موقعیت جغرافیایی وابستگی‌های نویسندگان مورد بحث قرار می‌دهیم. قابل ذکر است که ارقام نشان داده شده در بخش 3.3.1 ، بخش 3.3.2 ،بخش 3.3.3 و بخش 3.3.4 ( شکل 4 ، شکل 5 ، شکل 6 و شکل 7 ) در همتایان شکل 3 با نمرات استنادهای نرمال شده نویسندگان برجسته فهرست شده در هر عنوان شکل بزرگنمایی شده اند.

3.3.1. جوامع تحقیقاتی در نیمکره جنوبی

همانطور که در شکل 4 نشان داده شده است، دو جامعه در نیمکره جنوبی قابل تشخیص هستند . اولی جامعه Peakall و دومی جامعه Diniz–Bini–Rangel است. GenAIEx Peakall که یک “بسته بین پلتفرمی” است [ 47 ] که برای انجام آنالیزهای ژنتیکی جمعیت استفاده می‌شود، به رتبه‌های TLCS و TGCS استرالیا و دانشگاه ملی استرالیا کمک زیادی می‌کند ( جدول 1 و جدول 2 را ببینید).). این بسته هم روش‌های مبتنی بر فرکانس و هم روش‌های مبتنی بر فاصله را برای کشف الگوی فضایی ساختارهای ژنتیکی ارائه می‌کند. نه تنها تحلیل‌های آماری کلاسیک در دسترس هستند، بلکه آنالیزهای خودهمبستگی فضایی، از جمله آزمون‌های ناهمگنی فضایی برای ساختارهای ژنتیکی نیز در دسترس هستند. در سال‌های اخیر، جامعه پیکال توجه زیادی به ساختار ژنتیکی در مقیاس ریز نشان می‌دهد، که ممکن است بینش‌های تکاملی جدیدی ارائه دهد که توسط تحلیل‌های مقیاس بزرگ نادیده گرفته می‌شوند [ 48 ، 49 ، 50 ].
جامعه Diniz–Bini–Rangel نماینده دانشگاه فدرال گویاس (یعنی دانشگاه فدرال رزرو در جدول 4 ) در برزیل است. نتایج تحقیقات SA این جامعه به موضوعات متعددی مانند الگوهای جغرافیایی تنوع زیستی و شبیه‌سازی [ 51 ]، ژنتیک جغرافیایی [ 52 ] و آمار فضایی [ 53 ، 54 ، 55 مربوط می‌شود.]. در مقایسه با جامعه Peakall، جامعه Diniz–Bini–Rangel مرتبط‌تر و متعادل‌تر است. جامعه Diniz–Bini–Rangel از گره‌هایی با اندازه‌های مشابه تشکیل شده است، که نشان می‌دهد نویسندگان در این جوامع در فرکانس‌های مشابهی ذکر شده‌اند، در حالی که Peakall بسیار بیشتر از سایر نویسندگان در جامعه Peakall ذکر شده است. نویسندگان در جامعه Diniz-Bini-Rangel بر تحلیل و مدل‌سازی فضایی برای توزیع گونه‌ها و الگوهای درون ماکرواکولوژی تمرکز می‌کنند [ 56 ، 57 ].
این دو جامعه نیروهای اصلی تحقیقات SA در نیمکره جنوبی را تشکیل می دهند. با این حال، جوامع تحقیقاتی در نیمکره شمالی تنوع بیشتری دارند، بنابراین در بحث زیر، آنها در سطح قاره گروه بندی می شوند.
3.3.2. جوامع تحقیقاتی در آمریکای شمالی
شکل 5 پنج جامعه تحقیقات SA را از شمال آمریکا نشان می دهد. جامعه Epperson به تحقیق درباره ژنتیک جغرافیایی، توسعه نظریه‌های احتمال و توزیع آمار فضایی [ 58 ] و فرآیندهای شبیه‌سازی برای تجزیه و تحلیل داده‌های ژنتیکی جمعیت [ 59 ] اختصاص دارد. اپرسون همچنین مسئله مقیاس جغرافیایی را در نظر گرفت، که مشابه مسئله واحد منطقه ای قابل اصلاح (MAUP) [ 60 ، 61 ] در جغرافیا مربوط به همبستگی بین خود آمار فضایی است [ 62 ]. جامعه جتز (دانشگاه ییل) به عوامل جغرافیایی و محیطی در پس توزیع تنوع زیستی می پردازد [ 63]، و به ویژه نحوه عملکرد وابستگی مقیاس به تنوع زیستی [ 64 ]؛ در مطالعات خود، خودهمبستگی فضایی همیشه با متغیرهای محیطی درآمیخته است که بر توزیع گونه‌ها یا وقوع همزمان تأثیر می‌گذارد [ 65 ].
محققان دانشگاه مونترال و دانشگاه تورنتو جامعه لژاندر-فورتین را تشکیل می دهند که SA را در زمینه اکولوژی مطالعه می کنند. آغاز کار لژاندر SA مقاله ای است که در سال 1993 منتشر شد [ 28 ]، که چارچوبی را ایجاد می کند که در آن SA را می توان توصیف و اندازه گیری کرد، آزمایش فرضیه ها را می توان به درستی انجام داد، و ساختارهای فضایی را می توان به طور صریح به مدل های اکولوژیکی معرفی کرد. این مقاله منجر به اوج استناد در سال 1993 شد ( شکل 2 را ببینید ). از آن زمان به بعد، کارهای SA لژاندر و تیم او عمدتاً بر کاوش روش های آماری مناسب برای مطالعات اکولوژیکی تأکید داشتند [ 66 ]. تیم فورتین همچنین بر مدلسازی فرآیندهای اکولوژیکی تمرکز کردند [ 67 ، 68]، با این حال، از دیدگاه زیست شناسی حفاظت [ 69 ]. Sokal (1926-2012) پیشگامی است که SA را به زیست شناسی معرفی کرد [ 70 ، 71 ] و مطالعات ژنتیک جمعیت را رهبری کرد [ 27 ]. او به طور گسترده با نویسندگان جامعه لژاندر-فورتین همکاری کرد. یکی دیگر از جامعه تحقیقاتی مدل محور SA، جامعه Peres Neto-Dray است (درای از دانشگاه کلود برنارد لیون 1، فرانسه است؛ نویسندگی مشترک او با نویسندگان آمریکای شمالی او را در این جامعه قرار می دهد)، که به ویژه به کاوش در مقیاس های چندگانه علاقه مند هستند. و مشکلات چند متغیره در مطالعات اکولوژیکی [ 72 ]، و مشکلات مربوط به ماتریس های وزن فضایی که ساختارهای فضایی را نشان می دهند [ 73 ], 74 , 75 ].
جامعه گریفیث به مطالعات آمار فضایی و علم اطلاعات جغرافیایی (GIS) مربوط به حوزه جغرافیا اختصاص دارد. گریفیث تکنیک Moran Eigenvector Spatial Filtering (MESF) را برای مقابله با SA نهفته در مدل رگرسیون برای داده‌های مکانی توسعه داد [ 76 ، 77 ]، و این جامعه یک سری روش‌ها را برای حل مسائل ریاضی یا محاسباتی مربوط به SA توسعه می‌دهد (به عنوان مثال، [ 78 ، 79 ]).
3.3.3. جوامع تحقیقاتی در اروپا
دو جامعه تحقیقاتی تحقیقات SA، ارائه شده در شکل 6 ، توسط VOSviwer کشف شدند. جامعه Thuiller-Kuehn بر مدل‌سازی توزیع گونه‌ها [ 80 ] تمرکز می‌کند، و روابط بین توزیع گونه‌ها (در سری‌های زمانی) و عوامل محیطی را آشکار می‌کند [ 81 ]. تیم Kuehn یک بسته R، “اسپیند” را برای بهبود دقت پیش‌بینی با انتخاب معیارهای دقت مناسب [ 82 ]، و تجزیه و تحلیل داده‌های شبکه در مقیاس‌های فضایی مختلف [ 83 ] توسعه داد. جامعه Svenning بر روی برخورد با SA نهفته در داده های مکانی از نظر مدل های رگرسیون برای انجام مطالعات تنوع زیستی متمرکز است [ 24 ]].
3.3.4. جوامع تحقیقاتی در آسیا
نیروهای تحقیقاتی SA در آسیا عمدتاً در چین هستند. شکل 7 دو جامعه را نشان می دهد: جامعه وانگ-یانگ-لیو، با رنگ قرمز، و جامعه وانگ، به رنگ آبی کم رنگ. هدف پژوهشی مشترک جامعه وانگ-یانگ-لیو شهرها هستند. با این حال، آنها به مشکلات مختلف شهری مربوط می شوند. وانگ شائوجیان و همکارانش آلودگی محیط زیست شهری را با مدلسازی فضایی، به ویژه مدلسازی رگرسیون با SA [ 33 ، 84 ] مطالعه می کنند. تیم یانگ جون از تکنیک‌های SA برای کشف عوامل فضایی که بر دمای شهری تأثیر می‌گذارند استفاده می‌کنند [ 85 ، 86 ]. گروه تحقیقاتی لیو یانفانگ به شهرنشینی [ 34 ] و خدمات عمومی شهری، مانند گرینلند [ 34] علاقه مند است.87 ] و امکانات پزشکی [ 88 ]. جامعه وانگ عمدتاً از دانشمندان آکادمی علوم چین تشکیل شده است. وانگ جین‌فنگ و تیمش «نمونه‌برداری فضایی ساندویچ» [ 31 ] را توسعه دادند و «GD» (ردیاب جغرافیایی یا ژئودتکتور) [ 32 ، 89 ] را برای مدیریت ناهمگنی فضایی (طبقه‌ای) نهفته در مجموعه داده‌های مکانی/جغرافیایی منتشر کردند.
دو دسته دیگر از دانشمندان چینی در شکل 3 وجود دارد : خوشه آبی در نزدیکی جامعه قرمز، و خوشه سبز-زرد در نزدیکی جامعه Peakall. ما آنها را فهرست نکرده‌ایم زیرا گره‌های اصلی (یعنی وانگ چائو و وانگ یان) از دانشمندان مختلفی تشکیل شده‌اند که نام‌هایشان یکسان تلفظ می‌شود. به‌طور خلاصه، خوشه آبی متشکل از محققانی است که تجزیه و تحلیل SA را برای همه‌گیری فضایی اعمال می‌کنند، شامل مطالعات COVID-19 [ 35 ]. و نویسندگان در خوشه سبز-زرد مقالاتی در مورد توزیع فضایی عناصر شیمیایی در خاک منتشر کردند [ 90 ، 91 ].
ما در مجموع 11 جامعه تحقیقاتی SA را مورد بحث قرار می دهیم، به جز جامعه گریفیث و دو جامعه چینی ( شکل 7 ) که به رشته جغرافیا تعلق دارند، 8 جامعه دیگر را می توان در رشته های اکولوژی و زیست شناسی گروه بندی کرد. اکثر این 11 جامعه روش هایی هستند که به گونه ای ابداع شده اند که تأثیرات زیادی دارند.

3.4. موضوعات داغ و مقالات مهم

ما موضوع تحقیق SA را در بخش 3.2 و بخش 3.3 تجزیه و تحلیل می کنیم و موضوعات تحقیق (موضوعات داغ) و منابع مهم در این بخش را بررسی می کنیم.

3.4.1. موضوعات داغ

یک نقشه همزمانی کلمات کلیدی تولید شده توسط VOSviewer در شکل 8 نشان داده شده است (هم‌روی کلمات کلیدی انتخاب شده نیز فهرست شده است). شواهدی برای انتخاب موضوعات داغ از بیش از 8000 مرجع ارائه می دهد. از آنجا که “خودهمبستگی فضایی” یک موضوع رایج در ادبیات است، بزرگترین اندازه را دارد و در مرکز نقشه همزمانی قرار دارد. علاوه بر این، سایر کلمات کلیدی هنوز دارای اندازه های قابل توجهی هستند که ما روی آنها تمرکز می کنیم تا دانش موضوعات داغ را به دست آوریم.
خوشه آبی نشان دهنده تجزیه و تحلیل خودهمبستگی فضایی برای داده های مولکولی است ، زیرا کلمه “ژنتیک” اغلب در این گروه ظاهر می شود (به عنوان مثال، ژنتیک منظر، ساختار ژنتیکی، تنوع ژنتیکی، و غیره). موضوعات داغ احتمالی تحقیق شامل کاوش در منابع تنوع، به عنوان مثال، پراکندگی بذر [ 92 ، 93 ]، (جداسازی با) فاصله [ 94 ، 95 ]، (ژنتیکی) تمایز [ 96 ]، و توسعه برنامه های کامپیوتری [ 97 ] برای فضایی است. تجزیه و تحلیل داده های ژنتیکی خوشه سبز-زرد نشان دهنده مطالعات مربوط به تنوع زیستی است که موضوعات مرتبط شامل غنای (گونه ای) [ 98 ] و تنوع بتا [98] است.99 ]. مطالعات این نوع عواملی مانند مقیاس [ 100 ] و آب و هوا [ 101 ] را در نظر می گیرند که بر تنوع زیستی تأثیر می گذارند.
خوشه سبز ناهمگونی و تنوع فضایی را برجسته می کند ، که برای آن روش های زمین آماری مانند استفاده از واریوگرام ها اغلب استفاده می شود [ 87 ، 102 ]. علاوه بر این، فناوری‌هایی از جمله سنجش از دور و لیدار برای بررسی موضوعات مرتبط با کاربری زمین [ 103 ]، خاک [ 104 ] و پوشش گیاهی [ 105 ] استفاده می‌شوند. در این خوشه، تکنیک های یادگیری ماشین [ 106 ]، به عنوان مثال، جنگل تصادفی، برای مطالعات مرتبط با SA استفاده می شود. خوشه قرمز به موضوعاتی مانند شهرنشینی، انتشار کربن، رشد اقتصادی، سلامت و اپیدمیولوژی مربوط به چین می پردازد [ 107 ،108 ، 109 ، 110 ]. انتخاب مدل فضایی، کاربرد، و بهبود برای مسائل تحقیقاتی خاص اغلب توسط نویسندگان در این خوشه مورد بحث قرار گرفته است [ 111 ، 112 ، 113 ]. به طور خاص، مدل وزنی جغرافیایی به شدت توسعه یافته و اعمال می شود [ 114 ، 115 ، 116 ، 117 ].
3.4.2. مقالات مهم
شکل 9 959 مقاله را نشان می دهد که گره های آنها اندازه های بزرگتری دارند و بنابراین تأثیر بیشتری دارند. بزرگترین گره مربوط به Peakall (2006) [ 20 ] است که GenAIEx 6 را به جامعه تجزیه و تحلیل ژنتیکی معرفی کرد، محبوبیت این بسته ممکن است به راحتی آن کمک کند، یعنی اینکه می توان آن را مستقیماً در مایکروسافت اکسل استفاده کرد. بسته کامپیوتری دیگری که توسط این انجمن استفاده می شود PopGenReport (Adamack (2014)) [ 118 ] است. از این رو، خوشه بنفش مقالات اصلی را در مورد بسته هایی ارائه می دهد که می توانند تجزیه و تحلیل داده های ژنتیکی را انجام دهند . گروه سبز آثار مهمی را در مورد عوامل جغرافیایی یا محیطی که بر ساختار ژنتیکی تأثیر می‌گذارند پیشنهاد می‌کنند (به عنوان مثال، وکمنز (2004) [ 119 ]] و استریف (1998) [ 120 ]).
بلوک های قرمز و قهوه ای بر مقالات مهم در اقتصاد سنجی فضایی تأکید دارند . این مقالات بر شاخص های خودهمبستگی فضایی محلی که ناهمگنی فضایی را توصیف می کنند، به عنوان مثال Ord (1995) [ 121 ]، و همچنین بر ساخت مدل برای تحلیل اقتصادسنجی فضایی تمرکز می کنند. مقالات نماینده انتخاب شده Anselin (1996، 2002) [ 122 ، 123 ]، Griffith (2004) [ 124 ]، و Leenders (2002) [ 125 ] و غیره هستند . ، گروه های نارنجی و صورتی . درای (2006) [ 75 ]، گریفیث (2006b) [ 30]، Segurado (2004) [ 126 ]، Naimi (2014) [ 127 ]، Brenning (2005) [ 128 ]، Telford (2005) [ 129 ] و Lichstein (2007) [ 130 ] برجسته هستند. خوشه های آبی (روشن) مراجع مربوط به نمایش اثرات خودهمبستگی فضایی در مدل سازی بوم شناختی هستند ، به عنوان مثال، لژاندر (1993) [ 28 ]، دینیز (2003) [ 51 ]، و کیسلینگ (2008) [ 131 ]. مشکلاتی مانند مقیاس و پیکربندی فضایی (یا ماتریس وزن) نیز مورد توجه قرار گرفته است (Legendre (2002) [ 18 ]، Jelinski (1996) [ 132 ] و Dungan (2002) [ 60 ]]).
مقالات مهم نمایش داده شده در شکل 9 با استدلال ما مطابقت دارد: محققان ترجیح می دهند به منابعی استناد کنند که روش اصلی یا در مورد ابزارهای کاربر پسند برای اجرای تجزیه و تحلیل داده ها در حوزه های خاص خود هستند. دو بسته کامپیوتری پرکاربرد دیگر GeoDa [ 133 ] و spdep [ 134 ، 135 ] هستند که برای مدیریت وابستگی فضایی پنهان در داده های جغرافیایی طراحی شده اند. با این حال، این مراجع در شکل 9 ارائه نشده است .

3.5. توسعه تحقیقات و روندها

بخش 3.4 موضوعات داغ و مقالات مهم را مورد بحث قرار می دهد. با این حال، تجسم ها برای کل دوره زمانی هستند تا مقالاتی که قبلا منتشر شده اند شانس بیشتری برای نمایش داشته باشند، بنابراین باید دانش در هم تنیده را حذف کنیم تا رگه توسعه تحقیقات SA از سال 1991 تا 2021 روشن شود. . برای به دست آوردن اطلاعاتی از تکامل تحقیقات SA، ما باید جدول زمانی را در نظر بگیریم، و CiteSpace [ 43 ، 44 ] می تواند این نیاز را برآورده کند. شکل 10 نقشه کلیدواژه مشترک (یا هم‌روی کلمات کلیدی) و نقشه هم‌استنادی را با جدول زمانی تقسیم بر شش دوره نشان می‌دهد: 1991-1996، 1997-2002، 2003-2008، 2009-2014، 2015-2020، و .
جدول 5 برچسب‌های خوشه‌ای نقشه خوشه‌های کلیدواژه مشترک و نقشه خوشه‌های استنادی مشترک را نشان می‌دهد. اگرچه CiteSpace برچسب هایی را برای خوشه های استنادی 1991-1996 و 1997-2002 استخراج کرد، ما همچنین می توانیم عبارات دقیق تری را از طریق مقالات نماینده نمایش داده شده در خوشه های مربوطه خلاصه کنیم. در دوره اول (1991-1996، بنفش)، مقالات Sokal (به عنوان مثال، [ 136 ، 137 ]) به شدت مورد استناد قرار گرفتند. تحقیقات در این دوره عمدتاً در مورد تجزیه و تحلیل SA برای داده‌های بیولوژیکی است که پیشگامان معرفی SA در زیست‌شناسی هستند. در دوره دوم (1997-2002، آبی)، مطالعات در مورد ساختار ژنتیکی فضایی [ 138 ] و تنوع [ 139 ] بود.] در نظر گرفتن SA در مدلسازی اکولوژیکی [ 140 ]. در دوره سوم (2003-2008، فیروزه ای)، مطالعات SA نیز بر ساختار و تنوع ژنتیکی فضایی متمرکز شد، اما انتشارات مربوط به ساختار جمعیت ژنتیکی در حال ظهور بودند (به عنوان مثال، [ 141 ، 142 ]). در دوره چهارم، نویسندگان غنای گونه ای ، توزیع گونه ای و غیره را مورد مطالعه قرار دادند. « کاربری زمین » در این دوره ظاهر شد، که نشان می‌دهد روش‌های SA برای پژوهش‌هایی که تمایل بیشتری به افراد دارند، به کار می‌رود. در دوره پنجم، به جز «مدل طاقچه اکولوژیکی» و «بردار ویژه موران»، تعداد زیادی از محققان از روش‌های SA برای بررسی مشکلات شهر استفاده کردند (آلودگی هوا [ 143 ]]، شهرنشینی چین [ 144 ])، و مشکلات بهداشت عمومی [ 145 ].
به نظر می رسد تغییری در سال های 2009-2014 ظاهر شد که پس از آن تحقیقات SA در مورد مطالعات در حوزه جغرافیایی را می توان در پس زمینه جهانی تشخیص داد و مطالعات SA شروع به پوشش مشکلات مربوط به مردم و زندگی مردم کرد. از این مسیر می توان استنباط کرد که مطالعات انسانی بیشتر و بیشتری که از روش های SA استفاده می کنند در آینده پدیدار خواهند شد، به طوری که SA ممکن است پلی باشد که پدیده مشاهده شده و علل مشاهده نشده آن را به هم متصل می کند.

4. بحث

4.1. محاسن و کاستی های این مقاله

در تحقیق خود، ما از روش‌های مبتنی بر داده‌های کتاب‌شناختی برای کشف ویژگی‌های تحقیق SA که دارای چندین مزیت است، استفاده کردیم. در مرحله اول، نتایج به خوانندگان اطلاعات کلی مطالعات SA، مانند آن مجلات مهم، کشورها/مناطق پیشرو، موسسات، نویسندگان نماینده و مقالات را می گوید. ثانیاً، تجسم‌های توسعه‌یافته توسط ابزارهای علم‌سنجی، موضوعات اصلی تحقیق و تکامل تحقیقات SA را نشان می‌دهند. در یک کلام، تجزیه و تحلیل کتابشناختی و تجسم نتایج عینی را ارائه می‌کند و به پژوهشگران دیدی کلی از تحقیقات SA ارائه می‌دهد.
اگرچه نتایج عینی هستند، اما تفسیر نتایج به افراد بستگی دارد. به عنوان مثال، ما جوامع تحقیقاتی را بر اساس کشورها/مناطق سازماندهی کردیم. با این حال، شاید بهتر باشد که این جوامع را از نظر رشته ها یا حوزه های تحقیقاتی مورد بحث قرار دهیم. نکته دیگری که باید توضیح داده شود، تقسیم بازه های زمانی است. دوره 1991-2021 ممکن است به شیوه‌ای «نماینده‌تر» به جای تقسیم مساوی تقسیم شود (2021 تنها سال باقی مانده است). اصطلاح “نماینده” به این معنی است که موضوعات در یک دوره بهتر است با موضوعات دوره های همسایه خود متفاوت باشد تا روند توسعه با وضوح بیشتری ارائه شود. در نهایت، همانطور که در ابتدای این مقاله ذکر کردیم، تحقیقات SA طیف وسیعی از رشته‌ها را پوشش می‌دهد که در آن حوزه‌های مرتبط با جغرافیا نسبت‌های کوچکی را به خود اختصاص می‌دهند. بنابراین آثار در حوزه های جغرافیایی ممکن است تحت چنین پایگاه عظیمی نادیده گرفته شوند. برای جلوگیری از این امر، ما تجزیه و تحلیل کلمات کلیدی و استنادی مشترک را بر روی مقالات در حوزه‌های جغرافیایی انجام دادیم.

4.2. نتایج را از دیدگاه جغرافیدان اصلاح کنید

در مجموع 1699 رکورد در حوزه های جغرافیایی از مجموعه داده اصلی استخراج شد که دارای 8461 رکورد است. ما تجزیه و تحلیل همزمانی کلمات کلیدی و تحلیل هم‌استنادی را برای زیر مجموعه داده‌ها انجام دادیم. شکل 11 موضوعات برجسته شده در دوره های زمانی مختلف را نشان می دهد.
برای تفسیر موثرتر و واضح تر کلمه کلیدی و نقشه اشتراکی، اطلاعات را در شکل 12 فشرده می کنیم . به جای اعمال روش‌های SA برای اهداف تحقیقاتی خاص در شکل 10 ، موضوعات در شکل 11 بیشتر فنی یا روش‌گرا هستند. از شکل 11 می توان دید که تحقیقات اغلب از روش مونت کارلو برای شبیه سازی SA در اوایل دهه 1990 استفاده می کردند. در اواسط تا اواخر دهه 1990 و اوایل دهه 2000، نویسندگان توجه خود را بر SA محلی متمرکز کردند، که این تنوع (همچنین ناهمگنی فضایی نامیده می شود) در مقیاس فضایی دقیق تر در مقایسه با مقیاس جهانی است که SA جهانی ممکن است در آن قابل توجه نباشد. روش های کلاسیک SA توسعه یافته در این دوره، LISA آنسلین [ 146 ] بود]، آمار SA محلی Ord و Getis [ 121 ، 147 ]، و رگرسیون وزنی جغرافیایی Fotheringham (GWR) [ 29 ]. در طی سال‌های 2003-2008، محققان خودهمبستگی زمانی و خودهمبستگی مکانی را در نظر گرفتند. روش های مرتبط به طور کامل در کار کرسی [ 148 ] مورد بحث قرار گرفته است. ساخت مدل های مناسب برای داده ها با ویژگی های مختلف یکی از موضوعات داغ در سال های 2009-2014 است. بسیاری از دانشمندان علوم اجتماعی از مدل‌های رگرسیون برای کشف مسائل اقتصادسنجی استفاده می‌کنند و آزمایش‌های مشخصات مدل کار مهمی در طول فرآیندهای مدل‌سازی هستند. آزمون ضریب لاگرانژ برای SA و ناهمگنی فضایی که توسط Anselin [ 149 ] توسعه یافته است.] اغلب برای انجام تست های مشخصات استفاده می شد. در سال‌های 2015-2020، GWR، آشکارساز جغرافیایی وانگ [ 89 ]، و فیلتر فضایی بردار ویژه موران (MESF) [ 15 ، 76 ] گریفیث به طور گسترده استفاده شد. علاوه بر این، توسعه‌ها و اجرای فشرده [ 150 ] این روش‌ها نیز به محبوبیت آنها کمک می‌کند. در سال 2021، روش‌های SA برای کشف توزیع‌های مکانی یا مکانی-زمانی یا الگوهای COVID-19 استفاده شد (به عنوان مثال، [ 151 ، 152 ]). علاوه بر این، الگوریتم هایی مانند پیگیری طرح ریزی [ 153 ] و c-means فازی [ 154 ] برای خوشه بندی فضایی در سال 2021 بهبود یافتند.
شکل 12 همچنین یک تحول فنی تحقیقات SA را نشان می دهد. از شبیه‌سازی مونت کارلو برای ترکیب الگوریتم خوشه‌بندی معمولی تا خوشه‌بندی فضایی، روش‌ها یا تکنیک‌های SA با نیازهای پژوهشی و ویژگی‌های مجموعه داده‌ها تکامل می‌یابند. سه روند تحقیقاتی اصلی تکنیک‌های SA ممکن است عبارتند از: (1) توسعه روش‌های محاسباتی سریع‌تر برای مدیریت مجموعه داده‌های فضایی عظیم. (2) کاوش فشرده تر ساختن مدل یا طرح های تنظیم پارامتر برای مقابله با مجموعه داده های با مقیاس دقیق تر و همچنین اشیاء تحقیقاتی متنوع. و (3) بهبود روش‌های تشخیص مدل برای اطمینان از قابلیت اطمینان مدل‌های فضایی برای مجموعه‌های داده با اندازه‌های بزرگ و منابع چندگانه.

5. نتیجه گیری ها

این مقاله از روش‌های علم‌سنجی، به عنوان مثال، شاخص‌های علم‌سنجی و تکنیک‌های شبکه علم‌سنجی (تحلیل هم‌نویسنده/کلمه/استناد)، برای به دست آوردن دیدگاهی فراگیر از تحقیقات SA که طیف وسیعی از رشته‌ها را پوشش می‌دهد، استفاده می‌کند. در مرحله اول، ما از سه شاخص Recs، TLCS و TGCS، مجهز به HistCite برای ارزیابی تأثیر مجلات، کشورها/مناطق و مؤسسات مرتبط با تحقیقات SA استفاده کردیم. نتایج نشان می‌دهد که بیشتر مجلات برتر در حوزه‌های زیست‌محیطی و زیست‌شناختی هستند که در این میان تحلیل‌های جغرافیایی از نظر TLCS و TGCS رتبه بالایی دارند. کشورهای آمریکای شمالی، کشورهای اروپایی، استرالیا، برزیل و چین و همچنین مؤسسات در این زمینه ها تأثیرگذار هستند. این اطلاعات کلی در مورد تحقیقات SA می دهد.
ثانیا، ما از VOSviewer برای انجام یک تحلیل هم‌نویسنده استفاده کردیم و 11 انجمن تحقیقاتی SA را شناسایی کردیم. جامعه MESF گریفیث، جامعه GeoDetecor وانگ، و جامعه Wang–Yang–Liu سه گروهی هستند که در تحقیقات SA در حوزه جغرافیایی مشارکت دارند. گروه GeoDa Anselin شناسایی نشد. دلیل این امر ممکن است این باشد که ما «تداعی فضایی» را که کلیدواژه کار سمینار [ 146 ] آن بود به عنوان موضوع جستجو درج نکردیم.
ثالثاً، ما از CiteSpace برای انجام تجزیه و تحلیل کلمات کلیدی و استنادی مشترک استفاده کردیم و 1991-2021 را به شش دوره زمانی تقسیم کردیم (2021 سالی است که فهرست شده است) تا بتوان مسیر تکاملی را به وضوح ارائه کرد. تجزیه و تحلیل های جهانی (کل مجموعه داده با 8461 رکورد) و محلی (1699 رکورد مربوط به حوزه های جغرافیایی) هر دو انجام شد که از آن می توان روندهای تحقیقاتی را از دو دیدگاه متفاوت استنباط کرد. اولی از دیدگاه همه رشته های مرتبط است. تحقیقات SA ممکن است بیشتر انسان گرایانه باشد، به عنوان مثال، محققان ممکن است بیشتر بر روی افراد و محیط طبیعی و اجتماعی که در آن زندگی می کنند تمرکز کنند. مدل‌های SA یا تحلیل SA ممکن است الگوی فضایی یا عوامل کلیدی پدیده‌های مشاهده‌شده را بهتر آشکار کنند. دومی از دید رشته های مرتبط با جغرافیا است و ما یک جمع بندی فنی می کنیم. از آنجایی که مجموعه داده های فضایی بزرگتر می شوند، و مقیاس های آنها دقیق تر می شود، الگوریتم های کارآمدتری برای محاسبات مورد نیاز است، و همچنین به طرح های ساختار مدل فضایی یا تنظیم پارامترهای فشرده تر نیاز است. علاوه بر این، بهبود روش‌شناسی تشخیص مدل برای مدل‌سازی قابل اعتماد داده‌های مکانی با اندازه‌های بزرگ و منابع متعدد بسیار ضروری است.
اگرچه ما در پاراگراف قبلی تحقیقات مرتبط با SA در حوزه های جغرافیایی را مورد بحث قرار دادیم، هنوز لازم است که در انتهای این مقاله یک خلاصه کلی ارائه شود. همانطور که توسط نتایج تجزیه و تحلیل ما نشان داده شده است، تحقیقات مرتبط با SA در حوزه های جغرافیایی تنها حدود 19٪ از کل ادبیات را تشکیل می دهد که در آن تحقیقات حوزه های زیست محیطی و بیولوژیکی بیشترین اهمیت را دارد. قبل از سال 2009، تحقیقات SA در حوزه های جغرافیایی را به سختی می توان در پس زمینه جهانی تشخیص داد، اگرچه آثار بنیادی [ 4 ، 5 ، 6 ، 15 ، 29 ، 146 ، 147] توسط جغرافی دانان پیشگام و متأخر انجام شد. از این رو، ممکن است پس از سال 2009 باشد که این آثار نظری حوزه های جغرافیایی به طور گسترده مورد استناد قرار گرفته و عمیقاً توسعه یافته اند. به جز روندهای فنی تحقیقات SA که در پاراگراف بالا به آنها اشاره شده است، روندهای تحقیقاتی مطالعات تجربی نیز باید مورد بحث قرار گیرد. در واقع، بخش بسیار بزرگی از تحقیقات شناسایی شده، تحقیقات کاربردی است (به عنوان مثال، جامعه وانگ-یانگ-لیو در شکل 7 الف و خوشه های کلیدواژه مشترک در شکل 11 الف) که به این معنی است که روش های مرتبط با SA در سطح وسیعی قوی هستند. طیفی از موضوعات تحقیق بنابراین، قابل مشاهده تر کردن و شناخته شدن جغرافیدانان برای اعمال SA در دامنه های بیشتری که از داده ها با اطلاعات مکانی به عنوان اهداف تحقیق خود استفاده می کنند، مهم است.
آخرین نکته ای که لازم به ذکر است این است که همه تحقیقات مربوط به SA در 8461 رکورد گنجانده نشده است، زیرا هیچ استراتژی جستجویی وجود ندارد که مجموعه ای را بدون یک مقاله باقی مانده تضمین کند. با این حال، این سوابق باید اکثر انتشارات را پوشش دهد. در ضمن، این بدان معنا نیست که کارهایی که در مجموعه داده ها گنجانده نشده اند یا در این مقاله ذکر نشده اند، مهم نیستند. اگرچه ما نمی توانیم تضمین کنیم که همه مقالات SA در مجموعه داده گنجانده شوند، نتایج این کار هنوز برای محققان SA دارای ارزش ارجاعی است: نه تنها برای مبتدیان که یک موضوع تحقیقاتی را کارآمدتر شروع کنند، بلکه برای محققان (نسبتا) بالغ نیز برای دستیابی به موارد جدید.

منابع

  1. Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geograhy 1970 , 46 , 234-240. [ Google Scholar ] [ CrossRef ]
  2. گتیس، الف. تاریخچه مفهوم خودهمبستگی فضایی: دیدگاه جغرافیدان. Geogr. مقعدی 2008 ، 40 ، 297-309. [ Google Scholar ] [ CrossRef ]
  3. بری، BJL؛ مرمر، تحلیل فضایی DF: خواننده ای در جغرافیای آماری . Prentice-Hall: Englewood Cliffs, NJ, USA, 1968. [ Google Scholar ]
  4. کلیف، AD; Ord, JK مسئله خودهمبستگی فضایی. در مطالعات علوم منطقه ای ; اسکات، ای جی، اد. پیون: لندن، بریتانیا، 1969; صص 25-55. [ Google Scholar ]
  5. کلیف، AD; Ord، JK خودهمبستگی فضایی ; Pion Limited: لندن، بریتانیا، 1973. [ Google Scholar ]
  6. کلیف، AD; Ord, JK Spatial Processes: Models & Applications ; Pion: لندن، بریتانیا، 1981. [ Google Scholar ]
  7. آپتون، GJG؛ فینگلتون، ب. تجزیه و تحلیل داده های مکانی با مثال: الگوی نقطه ای و داده های کمی . Wiley: Hoboken، NJ، ایالات متحده، 1985. [ Google Scholar ]
  8. Haining, R. تجزیه و تحلیل داده های فضایی در علوم اجتماعی و محیطی ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1993. [ Google Scholar ]
  9. Haining، RP; Haining، R. تجزیه و تحلیل داده های فضایی: نظریه و عمل . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2003. [ Google Scholar ]
  10. Anselin, L. اقتصاد سنجی فضایی: روش ها و مدل ها . Springer: Dordrecht، هلند، 1988. [ Google Scholar ]
  11. آنسلین، ال. فلوراکس، آر. ری، اس جی پیشرفت در اقتصاد سنجی فضایی: روش شناسی، ابزارها و کاربردها . Springer: برلین/هایدلبرگ، آلمان، 2004. [ Google Scholar ]
  12. ریپلی، استنتاج آماری BD برای فرآیندهای فضایی ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1991. [ Google Scholar ]
  13. گریفیث، DA خودهمبستگی فضایی: یک نخست ؛ نقطه: لندن، بریتانیا، 1987. [ Google Scholar ]
  14. Griffith, DA Advanced Spatial Statistics ; Springer: Dordrecht، هلند، 1988. [ Google Scholar ]
  15. گریفیث، DA خودهمبستگی فضایی و فیلتر فضایی: به دست آوردن درک از طریق تئوری و تجسم علمی . Springer: برلین/هایدلبرگ، آلمان، 2003. [ Google Scholar ]
  16. چون، ی. گریفیث، DA آمار فضایی و زمین آمار: نظریه و کاربردها برای علم و فناوری اطلاعات جغرافیایی ; انتشارات SAGE: Newbury Park, CA, USA, 2013. [ Google Scholar ]
  17. فیشر، MM; Getis, A. Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications ; Springer: برلین/هایدلبرگ، آلمان، 2009. [ Google Scholar ]
  18. لژاندر، پ. دیل، MRT؛ فورتین، م. گورویچ، جی. هان، م. مایرز، DE پیامدهای ساختار فضایی برای طراحی و تحلیل بررسی‌های میدانی اکولوژیکی. اکوگرافی 2002 ، 25 ، 601-615. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. لژاندر، پ. دیل، MRT؛ فورتین، م. کاسگرین، پی. گورویچ، جی. اثرات ساختارهای فضایی بر نتایج آزمایش‌های صحرایی. اکولوژی 2004 ، 85 ، 3202-3214. [ Google Scholar ] [ CrossRef ]
  20. پیکال، آر. Smouse، PE GENALEX 6: تجزیه و تحلیل ژنتیکی در اکسل. نرم افزار ژنتیک جمعیت برای آموزش و پژوهش. مول. Ecol. یادداشت های 2006 ، 6 ، 288-295. [ Google Scholar ] [ CrossRef ]
  21. پیکال، آر. رویبال، م. Lindenmayer، DB تجزیه و تحلیل خودهمبستگی فضایی بینش جدیدی در مورد جریان ژن در موش بوش استرالیایی Rattus FuscipES ارائه می دهد. Comp. مطالعه 2003 ، 57 ، 1182-1195. [ Google Scholar ]
  22. اسموس، PE; پیکال، آر. گونزالس، E. آزمون ناهمگنی برای ساختار ژنتیکی در مقیاس خوب. مول. Ecol. 2008 ، 17 ، 3389-3400. [ Google Scholar ] [ CrossRef ]
  23. فورتین، ام جی. دیل، تحلیل فضایی MRT: راهنمای بوم شناسان . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2005. [ Google Scholar ]
  24. تنگ، SQN؛ خو، سی. سندل، بی. Svenning، JC اثرات منابع ذاتی خودهمبستگی فضایی بر مدل‌سازی رگرسیون فضایی. روش ها Ecol. تکامل. 2018 ، 9 ، 363-372. [ Google Scholar ] [ CrossRef ]
  25. گتیس، الف. تأملاتی در مورد خودهمبستگی فضایی. Reg. علمی اقتصاد شهری 2007 ، 37 ، 491-496. [ Google Scholar ] [ CrossRef ]
  26. والکو، ام. Kempenaers، B. خود همبستگی فضایی: مفهومی نادیده گرفته شده در اکولوژی رفتاری. رفتار Ecol. 2010 ، 21 ، 902-905. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. دینیز فیلهو، JAF; بینی، LM سی و پنج سال تجزیه و تحلیل خودهمبستگی فضایی در ژنتیک جمعیت: مقاله ای به افتخار رابرت سوکال (1926-2012). Biol. جی. لین. Soc. 2012 ، 107 ، 721-736. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. لژاندر، P. خودهمبستگی فضایی – مشکل یا پارادایم جدید. اکولوژی 1993 ، 74 ، 1659-1673. [ Google Scholar ] [ CrossRef ]
  29. Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . Wiley: Hoboken، NJ، ایالات متحده، 2002. [ Google Scholar ]
  30. گریفیث، دی. Peresneto، PR مدل‌سازی فضایی در اکولوژی: انعطاف‌پذیری تحلیل‌های فضایی عملکرد ویژه. اکولوژی 2006 ، 87 ، 2603-2613. [ Google Scholar ] [ CrossRef ]
  31. وانگ، جی. لیو، جی. ژوان، دی. لی، ال. Ge, Y. طرح نمونه برداری فضایی برای پایش سطح زمین زیر کشت. بین المللی J. Remote Sens. 2002 ، 23 ، 263-284. [ Google Scholar ] [ CrossRef ]
  32. وانگ، جی اف. ژانگ، TL; Fu، BJ اندازه گیری ناهمگنی طبقه بندی شده فضایی. Ecol. اندیک. 2016 ، 67 ، 250-256. [ Google Scholar ] [ CrossRef ]
  33. لیو، QQ; وانگ، اس جی. ژانگ، WZ؛ ژان، دی اس؛ Li, JM آیا سرمایه گذاری مستقیم خارجی بر آلودگی محیط زیست در شهرهای چین تأثیر می گذارد؟ دیدگاه اقتصاد سنجی فضایی علمی کل محیط. 2018 ، 613 ، 521-529. [ Google Scholar ] [ CrossRef ]
  34. ژانگ، ی. لیو، YF; لیو، ی. ژانگ، جی ایکس؛ چن، YY در رابطه فضایی بین خدمات اکوسیستم و شهرنشینی: مطالعه موردی در ووهان، چین. علمی کل محیط. 2018 ، 637 ، 780-790. [ Google Scholar ] [ CrossRef ]
  35. وانگ، کیو. دونگ، دبلیو. یانگ، ک. رن، زد. هوانگ، دی کیو؛ ژانگ، پی. وانگ، جی. تحلیل زمانی و مکانی انتقال COVID-19 در چین و عوامل مؤثر بر آن. بین المللی ج. عفونی کردن. دیس 2021 ، 105 ، 675-685. [ Google Scholar ] [ CrossRef ]
  36. فورتوناتو، اس. برگستروم، سی تی. بورنر، ک. ایوانز، جی. هلبینگ، دی. میلوویچ، اس. پترسن، AM; رادیچی، اف. سیناترا، آر. اوزی، بی. علم علم. Science 2018 , 359 , eaao0185. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. زنگ، ا. شن، ز. ژو، جی. وو، جی. فن، ی. وانگ، ی. استنلی، HE علم علم: از دیدگاه سیستم های پیچیده. فیزیک Rep. 2017 , 714-715 , 98. [ Google Scholar ] [ CrossRef ]
  38. لی، جی. گورلند، اف. Reniers، G. مروری بر نقشه‌برداری علم‌سنجی برای جامعه علم ایمنی: روش‌ها، ابزارها و چارچوب. Saf. علمی 2021 ، 134 ، 105093. [ Google Scholar ] [ CrossRef ]
  39. گارفیلد، ای. نقشه برداری تاریخ نگاری ادبیات حوزه های دانش. J. Inf. علمی 2004 ، 30 ، 119-145. [ Google Scholar ] [ CrossRef ]
  40. گلانزل، دبلیو. الگوها و روندهای همکاری در علوم (1980-1998): یک مطالعه کتاب سنجی با مفاهیمی برای نمایه سازی پایگاه داده و استراتژی های جستجو. Libr روندها 2002 ، 50 ، 461-473. [ Google Scholar ]
  41. ون اک، نیوجرسی؛ والتمن، ال. بررسی نرم افزار: VOSviewer، یک برنامه کامپیوتری برای نقشه برداری کتاب سنجی. Scientometrics 2010 ، 84 ، 523-538. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. اسمال، اچ. استناد مشترک در ادبیات علمی: معیار جدیدی از رابطه بین دو سند. مربا. Soc. Inf. علمی 1973 ، 24 ، 265-269. [ Google Scholar ] [ CrossRef ]
  43. Chen, C. CiteSpace II: تشخیص و تجسم روندهای نوظهور و الگوهای گذرا در ادبیات علمی. مربا. Soc. Inf. علمی تکنولوژی 2006 ، 57 ، 359-377. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. چن، سی. Assoc Comp, M. تجسم و کاوش در ادبیات علمی با CiteSpace. در مجموعه مقالات Chiir’18: مجموعه مقالات کنفرانس 2018 در مورد تعامل و بازیابی اطلاعات انسانی، نیوبرانزویک، نیوجرسی، ایالات متحده آمریکا، 11 تا 15 مارس 2018. صص 369-370. [ Google Scholar ] [ CrossRef ]
  45. فریمن، LC مجموعه ای از معیارهای مرکزیت بر اساس بین. Sociometry 1977 ، 40 ، 35-41. [ Google Scholar ] [ CrossRef ]
  46. کلینبرگ، جی. برستی و ساختار سلسله مراتبی در جریان ها. حداقل داده بدانید. کشف کنید. 2003 ، 7 ، 373-397. [ Google Scholar ] [ CrossRef ]
  47. پیکال، آر. Smouse، PE GenAlEx 6.5: تجزیه و تحلیل ژنتیک در اکسل. نرم افزار ژنتیک جمعیت برای آموزش و پژوهش – به روز رسانی. بیوانفورماتیک 2012 ، 28 ، 2537-2539. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. شاو، RE; بانک ها، SC; پیکال، آر. تأثیر سیستم های جفت گیری و پراکندگی بر ساختار ژنتیکی در مقیاس ریز در نشانگرهای ارثی مادر، پدر و دو والدین. مول. Ecol. 2018 ، 27 ، 66-82. [ Google Scholar ] [ CrossRef ]
  49. بلایتون، MDJ؛ شاو، RE; پیکال، آر. Lindenmayer، DB; Banks, SC نقش خویشاوندی در انتخاب جفت توسط یک کیسه دار درختی در حضور ساختار ژنتیکی در مقیاس ریز. رفتار Ecol. Sociobiol. 2016 ، 70 ، 313-321. [ Google Scholar ] [ CrossRef ]
  50. بلایتون، MDJ؛ بانک ها، SC; پیکال، آر. تأثیر پراکندگی جنسیتی بر ساختار ژنتیکی فضایی جنس مخالف و خطر همخونی. مول. Ecol. 2015 ، 24 ، 1681-1695. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  51. دینیز فیلهو، JAF; بینی، LM; هاوکینز، کارشناسی خود همبستگی فضایی و شاه ماهی قرمز در بوم شناسی جغرافیایی. گلوب. Ecol. Biogeogr. 2003 ، 12 ، 53-64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. دینیز، JAF; باربوسا، آ. Collevatti، RG; چاوز، ال جی. وحشتناک، LC; لیما-ریبیرو، ام اس؛ Telles، MPC تجزیه و تحلیل خودهمبستگی فضایی و مدل‌سازی طاقچه اکولوژیکی اجازه استنتاج پویایی محدوده را می‌دهد که ساختار ژنتیکی جمعیت یک درخت ساوانای نوتروپیکال را هدایت می‌کند. J. Biogeogr. 2016 ، 43 ، 167-177. [ Google Scholar ] [ CrossRef ]
  53. دینیز، JAF; بینی، LM; Rangel، TF; مورالس-کاستیلا، آی. Olalla-Tarraga، MA; رودریگز، MA; هاوکینز، BA در مورد انتخاب بردارهای ویژه فیلوژنتیک برای آنالیزهای اکولوژیکی. اکوگرافی 2012 ، 35 ، 239-249. [ Google Scholar ] [ CrossRef ]
  54. دینیز، JAF; سیکیرا، تی. Padial، AA; Rangel، TF; لندیرو، وی.ال. تجزیه و تحلیل خودهمبستگی فضایی Bini، LM اجازه می دهد تا تعادل بین فرآیندهای خنثی و طاقچه را در فراجامعه ها از هم جدا کنید. Oikos 2012 ، 121 ، 201-210. [ Google Scholar ] [ CrossRef ]
  55. دینیز فیلهو، JAF; Soares، TN; لیما، جی اس. دوبروولسکی، آر. لندیرو، وی.ال. د کامپوس تلس، نماینده مجلس؛ Rangel، TF; تست بینی، LM Mantel در ژنتیک جمعیت. ژنت مول. Biol. 2013 ، 36 ، 475-485. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. آلوز، دی. ادواردو، AA; اولیویرا، EVD; ویلالوبوس، اف. دوبروولسکی، آر. پریرا، تی سی؛ ریبیرو، AD; استروپ، جی. رودریگز، جی اف ام؛ دینیز، JAF; و همکاران پرده برداری از شیب های جغرافیایی غنای گونه ای از داده های وقوع اندک. گلوب. Ecol. Biogeogr. 2020 ، 29 ، 748-759. [ Google Scholar ] [ CrossRef ]
  57. Caetano، JM; تسارولو، جی. دی اولیویرا، جی. سوزا، KDE؛ دینیز، JAF; Nabout، JC الگوهای جغرافیایی در آب و هوا و فناوری کشاورزی، بهره وری سویا را در برزیل افزایش می دهد. PLoS ONE 2018 , 13 , e0191273. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. Epperson، BK Geographical Genetics (MPB-38) ; انتشارات دانشگاه پرینستون: پرینستون، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  59. Epperson، BK; Mcrae، BH; Scribner، KT; کوشمن، SA; روزنبرگ، ام اس; فورتین، م. جیمز، PMA؛ مورفی، MA; مانل، اس. Legendre, P. کاربرد شبیه سازی های کامپیوتری در ژنتیک منظر. مول. Ecol. 2010 ، 19 ، 3549-3564. [ Google Scholar ] [ CrossRef ]
  60. دانگان، جی ال. پری، JN; دیل، MRT؛ لژاندر، پ. سیترون پوستی، س. فورتین، ام جی. یاکومولسکا، ا. میریتی، م. روزنبرگ، MS یک دیدگاه متعادل از مقیاس در تجزیه و تحلیل آماری فضایی. اکوگرافی 2002 ، 25 ، 626-640. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. Wong، DWS مسئله واحد منطقه ای قابل تغییر (MAUP). در WorldMinds: دیدگاه های جغرافیایی در مورد 100 مسئله: بزرگداشت صدمین سالگرد انجمن جغرافیدانان آمریکایی 1904–2004 ; Janelle, DG, Warf, B., Hansen, K., Eds. Springer: Dordrecht، هلند، 2004; صص 571-575. [ Google Scholar ]
  62. Epperson، BK همبستگی‌های فضایی در مقیاس‌های فضایی مختلف خود به‌طور مجزا با فرآیندهای فاصله‌ای همبستگی بالایی دارند. مول. Ecol. منبع. 2010 ، 10 ، 845-853. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  63. ویلسون، AM; جتز، دبلیو. دینامیک ابر جهانی با وضوح بالا برای پیش‌بینی توزیع‌های اکوسیستم و تنوع زیستی. PLoS Biol. 2016 , 14 , e1002415. [ Google Scholar ] [ CrossRef ]
  64. مرتس، ک. جتز، دبلیو. وابستگی‌های مقیاس جداسازی در سوله‌ها و توزیع‌های محیطی گونه‌ها. اکوگرافی 2018 ، 41 ، 1604-1615. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. دومیش، اس. ویلسون، AM; جتز، دبلیو. ادغام مبتنی بر مدل اطلاعات مشاهده شده و مبتنی بر متخصص برای ارزیابی توزیع جغرافیایی و زیست محیطی گونه های آب شیرین. اکوگرافی 2016 ، 39 ، 1078-1088. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. بلانشت، FG; لژاندر، پ. Borcard، D. مدل سازی فرآیندهای فضایی جهت دار در داده های اکولوژیکی. Ecol. مدل. 2008 ، 215 ، 325-336. [ Google Scholar ] [ CrossRef ]
  67. مارتینز-مینایا، جی. کونسا، دی. فورتین، ام جی. آلونسو-بلانکو، سی. پیکو، FX؛ Marcer، A. یک رویکرد رگرسیون بتای بیزی سلسله مراتبی برای مطالعه اثرات ساختار ژنتیکی جغرافیایی و خود همبستگی فضایی بر تغییرات دامنه توزیع گونه‌ها. مول. Ecol. منبع. 2019 ، 19 ، 929–943. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  68. اسحاق، دی جی; پترسون، EE; هوف، JMV; ونگر، اس جی; فالک، ج.ا. تورگرسن، CE; ساودر، سی. فولاد، EA; فورتین، ام جی. اردن، م. و همکاران کاربرد مدل های شبکه آماری فضایی برای جریان داده ها وایلی اینتردیسیپ. Rev.-Water 2014 ، 1 ، 277-294. [ Google Scholar ] [ CrossRef ]
  69. ملس، اس جی. فورتین، ام جی. لیندسی، ک. Badzinski، D. گسترش به سمت شمال: تأثیر تغییرات آب و هوا، اتصال جنگل، و فرآیندهای جمعیتی بر تغییر دامنه گونه‌های در معرض تهدید. گلوب. Biol را تغییر دهید. 2011 ، 17 ، 17-31. [ Google Scholar ] [ CrossRef ]
  70. Sokal, RR; Oden، NL خودهمبستگی فضایی در زیست شناسی: 1. روش شناسی. Biol. جی. لین. Soc. 1978 ، 10 ، 199-228. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. Sokal, RR; Oden، NL خود همبستگی فضایی در زیست شناسی: 2. برخی مفاهیم بیولوژیکی و چهار کاربرد مورد علاقه تکاملی و اکولوژیکی. Biol. جی. لین. Soc. 1978 ، 10 ، 229-249. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. درای، اس. پلیسیر، آر. کوترون، پی. فورتین، م. لژاندر، پ. پرسنتو، روابط عمومی؛ بلیر، ای. بیوند، ر. بلانشت، FG; د کاسرس، ام. اکولوژی جامعه در عصر تحلیل فضایی چند متغیره. Ecol. مونوگر. 2012 ، 82 ، 257-275. [ Google Scholar ] [ CrossRef ]
  73. باومن، دی. دروئت، تی. فورتین، ام جی. Dray, S. بهینه سازی انتخاب یک ماتریس وزن دهی فضایی در روش های مبتنی بر بردار ویژه. اکولوژی 2018 ، 99 ، 2159-2166. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  74. گریفیث، دی. Arbia, G. تشخیص خودهمبستگی فضایی منفی در متغیرهای تصادفی جغرافیایی مرجع. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 417-437. [ Google Scholar ] [ CrossRef ]
  75. درای، اس. لژاندر، پ. Peres-Neto، PR مدل‌سازی فضایی: چارچوبی جامع برای تحلیل مختصات اصلی ماتریس‌های همسایه (PCNM). Ecological Modeling 2006 ، 196 ، 483-493. [ Google Scholar ] [ CrossRef ]
  76. گریفیث، DA خود همبستگی فضایی و توابع ویژه ماتریس وزن های جغرافیایی همراه با داده های جغرافیایی ارجاع شده. می توان. Geogr./Le Géographe Can. 1996 ، 40 ، 351-367. [ Google Scholar ] [ CrossRef ]
  77. گریفیث، DA یک راه حل رگرسیون خطی برای مسئله خودهمبستگی فضایی. جی. جئوگر. سیستم 2000 ، 2 ، 141-156. [ Google Scholar ] [ CrossRef ]
  78. گریفیث، DA تقریب مدل‌های خودرگرسیون فضایی گاوسی برای داده‌های رگرسیون مربعی منظم عظیم. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 2143-2173. [ Google Scholar ] [ CrossRef ]
  79. گریفیث، دی. چون، YW; مشخصات فیلتر فضایی بردار ویژه موران از معیارهای آنتروپی هاوک، جی. پاپ Reg. علمی 2022 ، 101 ، 259-279. [ Google Scholar ] [ CrossRef ]
  80. زورل، دی. فرانکلین، جی. کونیگ، سی. Bouchet، PJ; Dormann، CF; الیت، جی. فاندوس، جی. فنگ، ایکس. گیلرآرویتا، جی. گیسان، ع. و همکاران یک پروتکل استاندارد برای گزارش مدل های توزیع گونه ها اکوگرافی 2020 ، 43 ، 1261-1277. [ Google Scholar ] [ CrossRef ]
  81. سراسولی، اف. Thuiller، W. گوگوئن، ام. رنو، جی. D’Alessandro، P. Biondi، M. نقش آب و هوا و عوامل زیستی در شکل‌دهی توزیع‌های فعلی و تغییرات احتمالی آینده نئوکرپیدودرای اروپایی (Coleoptera، Chrysomelidae). حفاظت از حشرات غواصان. 2020 ، 13 ، 47-62. [ Google Scholar ] [ CrossRef ]
  82. کارل، جی. Kuhn, I. Spind: بسته ای برای محاسبه اندازه گیری های دقت فضایی تصحیح شده. اکوگرافی 2017 ، 40 ، 675-682. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  83. کارل، جی. لوین، SC; Kuhn، I. spind: یک بسته R برای محاسبه خودهمبستگی فضایی در تجزیه و تحلیل داده های شبکه. تنوع زیستی Data J. 2018 , 6 , e20760. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  84. وانگ، اس جی. هوانگ، YY; ژو، YQ اثر سرریز فضایی و نیروهای محرک شدت انتشار کربن در سطح شهر در چین. جی. جئوگر. علمی 2019 ، 29 ، 231-252. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. Guo، AD; یانگ، جی. سان، دبلیو. Xiao، XM; سیسیلیا، جی ایکس؛ جین، سی. لی، XM تأثیر مورفولوژی شهری و ویژگی‌های منظر بر ناهمگونی مکانی-زمانی دمای سطح زمین. حفظ کنید. جامعه شهرها 2020 , 63 , 102443. [ Google Scholar ] [ CrossRef ]
  86. Guo، AD; یانگ، جی. Xiao، XM; Xia، JH; جین، سی. تأثیرات لی، XM فرم فضایی شهری بر اثرات جزیره گرمایی شهری در سطح جامعه در چین. حفظ کنید. جامعه شهرها 2020 ، 53 ، 101972. [ Google Scholar ] [ CrossRef ]
  87. ژانگ، ی. لیو، YF; کنگ، XS؛ جینگ، ی. Cai، EX; ژانگ، LY; لیو، ی. وانگ، زی؛ الگوهای فضایی لیو، YL و نیروهای محرکه تعارضات در میان سه خط قرمز مدیریت زمین در چین: مطالعه موردی منطقه توسعه شهری ووهان. پایداری 2019 ، 11 ، 2025. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  88. یین، CH; او، QS; لیو، YF; چن، WQ; گائو، ی. نابرابری سلامت عمومی و نقش آن در دسترسی فضایی به امکانات پزشکی در چین. Appl. Geogr. 2018 ، 92 ، 50-62. [ Google Scholar ] [ CrossRef ]
  89. وانگ، جی اف. لی، XH; کریستاکوس، جی. لیائو، YL; ژانگ، تی. گو، ایکس. ژنگ، ارزیابی خطر سلامت مبتنی بر آشکارسازهای جغرافیایی XY و کاربرد آن در مطالعه نقص لوله عصبی منطقه هشون، چین. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 107-127. [ Google Scholar ] [ CrossRef ]
  90. فو، WJ; ژائو، KL; ژانگ، CS; Wu، JS; Tunney, H. شناسایی فسفر خاک و کاربرد آن برای مدلسازی ساختار فضایی. دقیق کشاورزی 2016 ، 17 ، 121-135. [ Google Scholar ] [ CrossRef ]
  91. یو، SY; چن، ZL; ژائو، KL; بله، ZQ; ژانگ، LY; دونگ، جی کیو. شائو، YF; ژانگ، CS; فو، WF الگوهای فضایی فلزات بالقوه خطرناک در خاک های شهر لینان، جنوب شرقی چین. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2019 ، 16 ، 246. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  92. یو، اس. Wu, YC; سرائو، EA؛ ژانگ، جی پی؛ جیانگ، ZJ; هوانگ، سی. کوی، ال جی. تورهاگ، آ. Huang, XP ساختار ژنتیکی در مقیاس خوب و خروجی گلدهی آکوروئیدهای علف دریایی Enhalus تحت اختلال قرار می گیرند. Ecol. تکامل. 2019 ، 9 ، 5186–5195. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  93. تورس، ای. Riofrio، ML; Iriondo، JM Complex ساختار ژنتیکی فضایی در مقیاس ریز در Epidendrum rhopalostele: یک ارکیده اپی فیت. وراثت 2019 ، 122 ، 458-467. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  94. دریسکو، آل. نیس، سی سی; Busbee، RW; هود، GR; ایگان، اس پی; Ott, JR انجمن های گیاه میزبان و جغرافیا برای شکل دادن به تنوع در یک گیاهخوار متخصص حشره با هم تعامل دارند. مول. Ecol. 2019 ، 28 ، 4197–4211. [ Google Scholar ] [ CrossRef ]
  95. گناه، YCK; کریستنسن، NP; Gwee، CY؛ Chisholm، RA; Rheindt، FE تنوع پرندگان در جزایر قفسه از اتصالات اخیر پل زمینی بهره نمی برد. J. Biogeogr. 2022 ، 49 ، 189-200. [ Google Scholar ] [ CrossRef ]
  96. Vacher، JP; گریتسون، ای. کوونبرگ، جی. Ursenbacher، S. ژنتیک حفاظت از یک مار معتدل گسترده: گونه های مشابه، مکان های مختلف و رفتار متفاوت. حفظ کنید. ژنت 2022 ، 23 ، 167-177. [ Google Scholar ] [ CrossRef ]
  97. Meirmans، PG genodiveversion 3.0: نرم افزاری با کاربری آسان برای تجزیه و تحلیل داده های ژنتیکی دیپلوئیدها و پلی پلوئیدها. مول. Ecol. منبع. 2020 ، 20 ، 1126-1131. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  98. ناتسوکاوا، اچ. یواسا، اچ. کومورو، اس. سایت های پرورش سرجیو، اف. رپتور نشان دهنده تنوع زیستی بالای گیاهی در اکوسیستم های شهری است. علمی Rep. 2021 , 11 , 21139. [ Google Scholar ] [ CrossRef ]
  99. دمبیچ، آی. ولف، ن. بوخ، اس. جانیسوا، م. پالپورینا، اس. پداشنکو، اچ. واسیلوف، ک. Dengler, J. محرک های تنوع گیاهی در علفزارهای خشک بلغارستان در مقیاس های فضایی و گروه های عملکردی- طبقه بندی متفاوت است. J. Veg. علمی 2021 , 32 , e12935. [ Google Scholar ] [ CrossRef ]
  100. آرنوت، ا. امرسون، ام. کاپلات، پی. گروه‌های عملکردی بی مهرگان هوایی Reid، N. به ترکیب منظره تنها با آوارگان و شکارچیان پاسخ می‌دهند که به مدیریت طرح‌های کشاورزی و محیطی پاسخ می‌دهند. کشاورزی اکوسیستم. محیط زیست 2021 , 322 , 107664. [ Google Scholar ] [ CrossRef ]
  101. Tsianou، MA; لازارینا، م. میخائیلیدو، دی. آندریکو-چاریتیدو، ا. Sgardelis، SP; Kallimanis، AS تأثیر فشارهای اقلیمی و انسانی بر تنوع عملکردی و الگوهای غنای گونه ای دوزیستان، خزندگان و پستانداران در اروپا. Diversity 2021 , 13 , 275. [ Google Scholar ] [ CrossRef ]
  102. Guo، WW; وو، تی. جیانگ، جی. Pu، LJ; ژانگ، جی. خو، اف. یو، اچ ام. Xie، توزیع فضایی XF، خطر زیست محیطی و پهنه بندی استفاده ایمن از فلزات سنگین خاک در زمین های کشاورزی، نیمه گرمسیری چین. Land 2021 , 10 , 569. [ Google Scholar ] [ CrossRef ]
  103. لو، دی بی؛ مائو، WL; شیائو، دبلیو. Zhang، L. پاسخ غیر خطی آلودگی PM2.5 به تغییر کاربری زمین در چین. Remote Sens. 2021 , 13 , 1612. [ Google Scholar ] [ CrossRef ]
  104. نوسبام، م. والترت، ال. فرافل، م. گرینر، ال. Papritz، A. نقشه برداری از ویژگی های خاک در وضوح بالا در سوئیس با استفاده از مدل های geoadditive تقویت شده. خاک 2017 ، 3 ، 191-210. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  105. تادئو، اس. درونوا، آی. هریس، ک. سبزی، بافت، و روابط فضایی تنوع گل را در سراسر تالاب های ایالات متحده پیش بینی می کند. ISPRS J. Photogramm. Remote Sens. 2021 , 175 , 236–246. [ Google Scholar ] [ CrossRef ]
  106. ورمولن، دی. Van Niekerk، A. عملکرد یادگیری ماشین برای پیش‌بینی شوری خاک با استفاده از ترکیبات مختلف متغیرهای کمکی ژئومورفومتریک. ژئودرما 2017 ، 299 ، 1-12. [ Google Scholar ] [ CrossRef ]
  107. خو، اف. وانگ، ZQ; چی، GQ; وانگ، دی اچ. ژانگ، ZX; Zuo، DY تمایز و پیشرفت منطقه‌بندی شهری در چین: دیدگاه‌های کاربری زمین و جغرافیا. Appl. Geogr. 2021 ، 137 ، 102600. [ Google Scholar ] [ CrossRef ]
  108. لی، وای؛ دونگ، FG; جی، ZS تحقیق در مورد سطح هماهنگی و عوامل موثر بر ناهمگونی فضایی انتشار CO2 شهری چین. حفظ کنید. جامعه شهرها 2021 ، 75 ، 103323. [ Google Scholar ] [ CrossRef ]
  109. Li، YM; Song, JW مطالعه تطبیقی ​​مالیات کربن و مالیات سوخت بر اساس مدل اقتصادسنجی فضایی تابلویی. محیط زیست علمی آلودگی Res. 2022 ، 29 ، 15931-15945. [ Google Scholar ] [ CrossRef ]
  110. گوان، ز. چن، سی. هوانگ، سی. ژانگ، HW; ژو، YY; ژو، YQ; وو، جی. ژو، ZB; یانگ، اس جی. Li، LJ ویژگی‌های اپیدمیولوژیک و توزیع مکانی-زمانی لیشمانیوز احشایی در سرزمین اصلی چین: یک مطالعه نظارتی مبتنی بر جمعیت از سال 2004 تا 2019. انگل‌های ناقل 2021 ، 14 ، 517. [ Google Scholar ] [ CrossRef ]
  111. پنگ، سی سی؛ لی، بی. نان، ب. چارچوب تحلیلی برای امنیت اکولوژیکی تراکم شهری: مطالعه موردی تراکم شهری پکن-تیانجین-هبی. جی. پاک. تولید 2021 ، 315 ، 128111. [ Google Scholar ] [ CrossRef ]
  112. ژانگ، دی. گنگ، XL; چن، WX; نیش، ال. یائو، آر. وانگ، XR; ژو، X. ناسازگاری دینامیک پوشش گیاهی جهانی که توسط تغییرات آب و هوایی هدایت می شود: شواهدی از رگرسیون فضایی. Remote Sens. 2021 , 13 , 3442. [ Google Scholar ] [ CrossRef ]
  113. لی، سی. ژانگ، YM; ژانگ، اس کیو. وانگ، JM استفاده از مدل Super-EBM و مدل دوربین فضایی برای بررسی کارایی اکولوژیکی فاکتور کلی از دیدگاه چند بعدی: شواهدی از چین. محیط زیست علمی آلودگی Res. 2022 ، 29 ، 2183-2202. [ Google Scholar ] [ CrossRef ]
  114. لو، بی بی. براندون، سی. چارلتون، ام. هریس، پی. رگرسیون وزن‌دار جغرافیایی با معیارهای فاصله خاص پارامتر. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 982-998. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  115. لو، بی بی. یانگ، WB; Ge، Y. Harris, P. بهبودهایی در کالیبراسیون یک رگرسیون وزن‌دار جغرافیایی با معیارهای فاصله و پهنای باند خاص پارامتر. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 71 ، 41-57. [ Google Scholar ] [ CrossRef ]
  116. لو، XY; چن، ایکس. ژائو، XL; Lv، دی جی; Zhang، Y. ارزیابی تاثیر دمای سطح زمین بر افزایش بهره‌وری اولیه خالص شهری بر اساس مدل رگرسیون وزن‌دار جغرافیایی. علمی 2021 ، 11 ، 22282. [ Google Scholar ] [ CrossRef ]
  117. ژانگ، Q. شن، جی کیو; Sun، FH تمایز فضایی و زمانی درجه هماهنگی جفت بین توسعه اقتصادی و محیط آبی و عوامل مؤثر بر آن با استفاده از GWR در استان چین. Ecol. مدل. 2021 , 462 , 109794. [ Google Scholar ] [ CrossRef ]
  118. آداماک، AT; Gruber، B. PopGenReport: ساده سازی آنالیزهای ژنتیکی پایه جمعیت در R. Methods Ecol. تکامل. 2014 ، 5 ، 384-387. [ Google Scholar ] [ CrossRef ]
  119. وکمانز، ایکس. هاردی، OJ بینش های جدید از تجزیه و تحلیل ساختار ژنتیکی فضایی در مقیاس در جمعیت های گیاهی. مول. Ecol. 2004 ، 13 ، 921-935. [ Google Scholar ] [ CrossRef ]
  120. استریف، آر. لبه، تی. باسیلیری، ر. استاینکلنر، اچ. گلسل، جی. کرمر، A. ساختار ژنتیکی درون جمعیتی در Quercus robur L. و Quercus petraea (Matt.) Liebl. با ایزوآنزیم ها و ریزماهواره ها ارزیابی شد. مول. Ecol. 1998 ، 7 ، 317-328. [ Google Scholar ] [ CrossRef ]
  121. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیعی و یک کاربرد. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  122. آنسلین، ال. برا، AK; فلوراکس، آر. Yoon, MJ تست های تشخیصی ساده برای وابستگی فضایی. Reg. علمی اقتصاد شهری 1996 ، 26 ، 77-104. [ Google Scholar ] [ CrossRef ]
  123. Anselin, L. Under the hood – مسائل مربوط به مشخصات و تفسیر مدل های رگرسیون فضایی. کشاورزی اقتصاد 2002 ، 27 ، 247-267. [ Google Scholar ] [ CrossRef ]
  124. گریفیث، DA مشخصات فیلتر فضایی برای مدل اتولوژیستیک. محیط زیست طرح. a-Econ. فضا 2004 ، 36 ، 1791-1811. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  125. Leenders, R. مدل‌سازی نفوذ اجتماعی از طریق خود همبستگی شبکه: ساخت ماتریس وزن. Soc. شبکه 2002 ، 24 ، 21-47. [ Google Scholar ] [ CrossRef ]
  126. سگورادو، پی. Araujo، MB ارزیابی روش‌های مدل‌سازی توزیع گونه‌ها. J. Biogeogr. 2004 ، 31 ، 1555-1568. [ Google Scholar ] [ CrossRef ]
  127. نعیمی، ب. هام، NAS؛ گرون، TA; اسکیدمور، AK; Toxopeus، AG کجا عدم قطعیت موقعیتی یک مشکل برای مدل‌سازی توزیع گونه‌ها است؟ اکوگرافی 2014 ، 37 ، 191-203. [ Google Scholar ] [ CrossRef ]
  128. برنینگ، الف. مدل‌های پیش‌بینی فضایی برای خطرات زمین لغزش: بررسی، مقایسه و ارزیابی. نات. سیستم خطرات زمین. علمی 2005 ، 5 ، 853-862. [ Google Scholar ] [ CrossRef ]
  129. تلفورد، RJ; Birks، HJB فرض مخفی توابع انتقال: مشکلات مربوط به خودهمبستگی فضایی در ارزیابی عملکرد مدل. کوات. علمی Rev. 2005 , 24 , 2173-2179. [ Google Scholar ] [ CrossRef ]
  130. Lichstein، JW رگرسیون چندگانه بر روی ماتریس های فاصله: یک ابزار تجزیه و تحلیل فضایی چند متغیره. بوم گیاهی. 2007 ، 188 ، 117-131. [ Google Scholar ] [ CrossRef ]
  131. بوسیدن، WD; کارل، جی. خودهمبستگی فضایی و انتخاب مدل های خودرگرسیون همزمان. گلوب. Ecol. Biogeogr. 2008 ، 17 ، 59-71. [ Google Scholar ] [ CrossRef ]
  132. Jelinski، DE; Wu, JG مسئله واحد منطقه ای قابل اصلاح و پیامدهای آن برای بوم شناسی چشم انداز. Landsc. Ecol. 1996 ، 11 ، 129-140. [ Google Scholar ] [ CrossRef ]
  133. آنسلین، ال. سیبری، آی. Kho, Y. GeoDa: مقدمه ای بر تجزیه و تحلیل داده های مکانی. Geogr. مقعدی 2005 ، 38 ، 5-22. [ Google Scholar ] [ CrossRef ]
  134. بیوند، ر. پیاده‌سازی ابزارهای نرم‌افزار تحلیل داده‌های مکانی در R. Geogr. مقعدی 2006 ، 38 ، 23-40. [ Google Scholar ] [ CrossRef ]
  135. بیوند، ر. پیراس، جی. مقایسه پیاده سازی روش های برآورد برای اقتصاد سنجی فضایی. J. Stat. نرم افزار 2015 ، 63 ، 1-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  136. Sokal, RR; ژاکز، جنرال موتورز; Wooten، MC تجزیه و تحلیل خودهمبستگی فضایی مهاجرت و انتخاب. ژنتیک 1989 ، 121 ، 845-855. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  137. Sokal, RR; ژاکز، جنرال موتورز استنباط های آزمایشی در مورد فرآیندهای ریز تکاملی با استفاده از تجزیه و تحلیل خودهمبستگی فضایی. تکامل 1991 ، 45 ، 152-168. [ Google Scholar ] [ CrossRef ]
  138. Epperson، BK; Chung, MG ساختار ژنتیکی فضایی پلی‌مورفیسم‌های آلوزیمی در جمعیت‌های کاج Strobus (Pinaceae). صبح. جی. بات. 2001 ، 88 ، 1006-1010. [ Google Scholar ] [ CrossRef ]
  139. هاوکینز، کارشناسی; پورتر، EE تأثیرات نسبی عوامل فعلی و تاریخی بر الگوهای تنوع پستانداران و پرندگان در آمریکای شمالی یخ زدایی شده. اکولوژی جهانی و جغرافیای زیستی 2003 ، 12 ، 475-481. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  140. لنون، ​​جی جی جابجایی های قرمز و شاه ماهی قرمز در بوم شناسی جغرافیایی. اکوگرافی 2000 ، 23 ، 101-113. [ Google Scholar ] [ CrossRef ]
  141. مانل، اس. شوارتز، MK; لویکارت، جی. تابرلت، P. ژنتیک منظر: ترکیب اکولوژی منظر و ژنتیک جمعیت. Trends Ecol. تکامل. 2003 ، 18 ، 189-197. [ Google Scholar ] [ CrossRef ]
  142. دینیز، JAF; Telles، MPD تجزیه و تحلیل خودهمبستگی فضایی و شناسایی واحدهای عملیاتی برای حفاظت در جمعیت های پیوسته. حفظ کنید. Biol. 2002 ، 16 ، 924-935. [ Google Scholar ] [ CrossRef ]
  143. یین، ال آر. وانگ، ال. هوانگ، WZ؛ لیو، اس. یانگ، بی. ژنگ، WF تجزیه و تحلیل فضایی-زمانی مه در پکن بر اساس مدل چند پیچشی. Atmosphere 2021 , 12 , 1408. [ Google Scholar ] [ CrossRef ]
  144. وی، جنرال الکتریک؛ ژانگ، ZK; اویانگ، ایکس. شن، ی. جیانگ، SN; لیو، BL; او، BJ تشریح تغییرات مکانی-زمانی آلودگی هوا با شهرنشینی در منطقه ابتکار کمربند و جاده. محیط زیست ارزیابی تاثیر Rev. 2021 , 91 , 106646. [ Google Scholar ] [ CrossRef ]
  145. پنگ، دی. ممکن است.؛ لیو، YQ; Lv، Q. یین، اف. ویژگی های اپیدمیولوژیک و علت شناسی بیماری دست، پا و دهان در استان سیچوان، چین، 2011-2017. علمی جمهوری 2020 ، 10 ، 6117. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  146. Anselin، L. نشانگرهای محلی انجمن فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  147. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی 1992 ، 24 ، 189-206. [ Google Scholar ] [ CrossRef ]
  148. کرسی، ن. Wikle، آمار CK برای داده های مکانی-زمانی ; Wiley: Hoboken، NJ، ایالات متحده، 2011. [ Google Scholar ]
  149. Anselin، L. Lagrange Multiplier Test Diagnostics برای وابستگی فضایی و ناهمگنی فضایی. Geogr. مقعدی 1988 ، 20 ، 1-17. [ Google Scholar ] [ CrossRef ]
  150. چون، YW; گریفیث، دی. لی، ام. Sinha، P. انتخاب بردار ویژه با تکنیک های رگرسیون گام به گام برای ساخت فیلترهای فضایی بردار ویژه. جی. جئوگر. سیستم 2016 ، 18 ، 67-85. [ Google Scholar ] [ CrossRef ]
  151. مولالو، ع. واحدی، ب. Rivera، مدل‌سازی فضایی مبتنی بر KM GIS نرخ بروز COVID-19 در قاره ایالات متحده. علمی کل محیط. 2020 , 728 , 138884. [ Google Scholar ] [ CrossRef ]
  152. کانگ، دی. چوی، اچ. کیم، جی. اچ. چوی، جی. پویایی اپیدمی فضایی شیوع COVID-19 در چین. بین المللی ج. عفونی کردن. دیس 2020 ، 94 ، 96-102. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  153. هوانگ، پی. پان، HY; پنگ، ال. چن، تی تی; Xu، J. ویژگی های تغییرات زمانی و مکانی تاب آوری در برابر بلایا در مناطق کوهستانی جنوب غربی چین در برابر پس زمینه شهرنشینی. نات. خطرات 2020 ، 103 ، 3783-3802. [ Google Scholar ] [ CrossRef ]
  154. Grekousis، G. خوشه بندی وزنی جغرافیایی فازی محلی: روشی جدید برای تقسیم بندی جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2021 ، 35 ، 152-174. [ Google Scholar ] [ CrossRef ]
شکل 1. ده رشته برتر مولد برای تحقیقات SA.
شکل 2. شمارش سالانه انتشارات (Recs)، کل امتیازات استنادی محلی (TLCS) و کل امتیازات استنادی جهانی (TGCS) از سال 1991 تا 2021. محور سمت چپ: تعداد Recs و TLCS. محور سمت راست: TGCS.
شکل 3. شبکه های هم نویسندگان تحقیقات SA. (گروه های رنگی جوامع تحقیقاتی SA شناسایی شده اند. اندازه گره با استنادهای نرمال شده وزن می شود که می تواند محقق(های) پیشرو را برجسته کند (یعنی گره(های) با اندازه(های) بزرگتر از هر جامعه.)
شکل 4. دو جامعه تحقیقاتی در نیمکره جنوبی: ( الف ) جامعه GenAIEx Peakall (Peakall, 139.71). ( ب ) جامعه دینیز– بینی– رنگل (توجه: گره «diniz-filho» و گره «felizola diniz-filho» باید در یک گره ترکیب شوند. دینیز، 39.18 (=21.82 + 17.36)؛ Bini، 21.46؛ Rangel ، 14.36.)
شکل 5. پنج جامعه تحقیقاتی در شمال آمریکا: ( الف ) جامعه Epperson (Epperson, 17.69). ( ب ) اجتماع لژاندر–فورتین (Legendre, 50.14; Fortin, 24.72); ( ج ) جامعه جتز (Jetz, 20.55); ( د ) جامعه Peres Neto-Dray (Peres Neto, 30.11; Dray, 25.38); و ( ه ) جامعه گریفیث (گریفیث، 30.43).
شکل 6. دو جامعه تحقیقاتی در اروپا: ( الف ) جامعه Thuiller–Kuehn (Thuiller, 24.31; Kuehn, 16.73). و ( ب ) جامعه Svenning (Svenning, 26.21). (توجه: شکل 6 b برای تناسب با حروفچینی کوچک شده است. در واقع گره Svenning کمی بزرگتر از گره Thuiller در ( a ) است).
شکل 7. دو جامعه تحقیقاتی در چین: ( الف ) جامعه وانگ-یانگ-لیو (وانگ، 31.74؛ یانگ، 24.88؛ لیو، 21.61). و ( ب ) جامعه وانگ (وانگ، 12.12). (توجه: ( b ) برای تناسب با حروفچینی زوم شده است).
شکل 8. نقشه همزمانی کلمات کلیدی SA توسط VOSviewer. (رویدادهای همزمان: خودهمبستگی فضایی، 3227؛ تنوع، 657؛ پراکندگی، 461؛ تغییرات آب و هوا، 329؛ چین، 329).
شکل 9. نقشه استنادهای کاغذی توسط VOSviewer. (وزن اندازه گره همچنان نقل قول های نرمال شده است).
شکل 10. خوشه های کلیدواژه و استناد مشترک. ( الف ) خوشه‌های کلیدواژه مشترک و ( ب) خوشه های هم استنادی. (نمایش جدول زمانی: 1991-1996 (نوار بنفش)، 1997-2002 (نوار آبی)، 2003-2008 (نوار فیروزه ای)، 2009-2014 (نوار سبز روشن)، 2015-2020 (زرد) نوار)، و 2021 (نوار قرمز). به عنوان مثال، در نقشه خوشه‌های کلیدواژه مشترک، سه خوشه در سال‌های 2015-2020 وجود دارد، و در نقشه خوشه‌های هم‌استنادی، چهار خوشه وجود دارد. رنگ(های) کلمه کلیدی مطابق با رنگ(های) سال(های) آن است، به عنوان مثال، “خودهمبستگی فضایی” به رنگ بنفش، آبی، فیروزه ای، سبز روشن، زرد و قرمز مانند حلقه های سالانه است که نشان می دهد در طول سال های 1991-2021 ظاهر می شود. یک گره مقاله با رنگ(های) سال(های) استناد خود رنگ می شود، به عنوان مثال، Wang JF (2016) [ 32] در سال‌های 2015–2020 و 2021 ذکر شد. این کلیدواژه‌های محوری دایره‌های قرمز مایل به ارغوانی دارند و مقالات نقل‌شده ترکانده در دایره‌های قرمز هستند.
شکل 11. کلمات کلیدی مشترک و خوشه های استنادی مشترک برای مقالات در حوزه های جغرافیایی. ( الف ) خوشه‌های کلیدواژه مشترک، و ( ب ) خوشه‌های استنادی مشترک. (تفسیر گره ها، پیوندها، و بدنه محدب رنگی مانند شکل 10 است).
شکل 12. توسعه تحقیقات SA در حوزه های جغرافیایی 1991-2021.

بدون دیدگاه

دیدگاهتان را بنویسید