Explore la cartographie bayésienne à haute résolution du danger de glissement de terrain, soulignant l'importance de capturer des déclencheurs non observés comme l'intensité des précipitations.
Introduit l'autocorrélation spatiale, les schémas de pondération spatiale et les méthodes d'analyse de l'association spatiale à l'aide de statistiques de distance.
Introduit une autocorrélation spatiale, en se concentrant sur la mesure des relations spatiales dans un voisinage et en utilisant le I de Moran comme coefficient de régression.
Explore la méthode la plus proche des voisins en analyse spatiale, couvrant l'évaluation de la distribution, le calcul de l'indice R et les essais statistiques pour le regroupement.
Explore les modèles de régression spatiale, abordant les défis d'autocorrélation spatiale et le concept de modèles de décalage spatial pour corriger les biais et améliorer la précision de l'inférence.
