論文の概要: Exploropleth: exploratory analysis of data binning methods in choropleth maps

• arxiv url: http://arxiv.org/abs/2511.20655v1
• Date: Fri, 10 Oct 2025 00:19:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.308301
• Title: Exploropleth: exploratory analysis of data binning methods in choropleth maps
• Title（参考訳）: Exploropleth:choropleth mapにおけるデータ双対法の探索的解析
• Authors: Arpit Narechania, Alex Endert, Clio Andris,
• Abstract要約: 我々は、新しいオープンソースのWebベースの地理空間可視化ツールExploplethを紹介した。 ユーザーは、確立したデータバイナリメソッドのカタログと対話し、カスタムマップを比較し、カスタマイズし、エクスポートすることができる。 このツールは、複数のビンニング方法を一視点で提供し、管理単位の再分類をオンザフライでサポートすることにより、技術の状態を向上する。
• 参考スコア（独自算出の注目度）: 13.794422076297314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When creating choropleth maps, mapmakers often bin (i.e., group, classify) quantitative data values into groups to help show that certain areas fall within a similar range of values. For instance, a mapmaker may divide counties into groups of high, middle, and low life expectancy (measured in years). It is well known that different binning methods (e.g., natural breaks, quantile) yield different groupings, meaning the same data can be presented differently depending on how it is divided into bins. To help guide a wide variety of users, we present a new, open source, web-based, geospatial visualization tool, Exploropleth, that lets users interact with a catalog of established data binning methods, and subsequently compare, customize, and export custom maps. This tool advances the state of the art by providing multiple binning methods in one view and supporting administrative unit reclassification on-the-fly. We interviewed 16 cartographers and geographic information systems (GIS) experts from 13 government organizations, non-government organizations (NGOs), and federal agencies who identified opportunities to integrate Exploropleth into their existing mapmaking workflow, and found that the tool has potential to educate students as well as mapmakers with varying levels of experience. Exploropleth is open-source and publicly available at https://exploropleth.github.io.
• Abstract（参考訳）: コロスマップを作成する際、地図作成者は、しばしば、ある領域が同じ範囲の値に該当することを示すのに役立つために、定量データ値をグループに結合する(つまり、グループを分類する)。 例えば、地図製作者は、郡を高、中、低寿命のグループ(数年で測定される)に分けることができる。 異なる双対法(例えば、自然破砕法、量子化法)が異なるグループ化をもたらすことはよく知られている。 多様なユーザをガイドするために、新しいオープンソースのWebベースの地理空間視覚化ツールExploplethを紹介します。 このツールは、複数のバイナリメソッドを一視点で提供し、管理単位の再分類をオンザフライでサポートすることにより、最先端のツールを進化させる。 我々は、13の政府組織、非政府組織(NGO)、および連邦機関から16人の地図作成者および地理情報システムの専門家にインタビューを行い、Exploplethを既存の地図作成ワークフローに統合する機会を見出した。 Exploroplethはオープンソースで、https://exploropleth.github.ioで公開されている。

関連論文リスト

• MapExplorer: New Content Generation from Low-Dimensional Visualizations [60.02149343347818]
  低次元の可視化や「投影マップ」は大規模で複雑なデータセットの解釈に広く用いられている。 これらの視覚化は、既存の知識空間を理解するのに役立つだけでなく、未知の領域への探索を暗黙的にガイドする。 プロジェクションマップ内の座標をコヒーレントでコンテキストに整合したテキストコンテンツに変換する新しい知識発見タスクであるMapExplorerを紹介する。
  論文  参考訳（メタデータ） (2024-12-24T20:16:13Z)
• The mapKurator System: A Complete Pipeline for Extracting and Linking Text from Historical Maps [7.209761597734092]
  mapKuratorは、マシンラーニングモデルと包括的なデータ処理パイプラインを統合するエンドツーエンドシステムである。 我々はmapKuratorシステムをデプロイし、David Rumsey Historical Mapコレクションに6万以上の地図と1億以上のテキスト/場所名の処理を可能にしました。
  論文  参考訳（メタデータ） (2023-06-29T16:05:40Z)
• Navigating causal deep learning [78.572170629379]
  因果ディープラーニング(Causal Deep Learning, CDL)は、機械学習の大きな分野において、新しく重要な研究分野である。 本稿では、パールの因果関係のはしごを越えて、因果関係の深層学習の手法を分類する。 私たちのパラダイムは、研究者がベンチマークを見つけ、メソッドを比較し、そして最も重要なのは、研究のギャップを識別するのを助けるツールです。
  論文  参考訳（メタデータ） (2022-12-01T23:44:23Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• MapReader: A Computer Vision Pipeline for the Semantic Exploration of Maps at Scale [1.5894241142512051]
  我々はMapReaderを紹介します。これはPythonで書かれたフリーのオープンソースソフトウェアライブラリで、大きなマップコレクション(スキャンまたは誕生デジタル)を解析します。 MapReaderを使えば、コンピュータビジョンの専門知識がほとんど、あるいは全くないユーザが、Webサーバ経由でマップを検索できる。 MapReaderパイプラインからの出力は他の外部データセットとどのようにリンクするかを示す。
  論文  参考訳（メタデータ） (2021-11-30T17:37:01Z)
• GANmapper: geographical content filling [0.0]
  本稿では,GAN(Generative Adversarial Network)を用いた空間データ生成手法を提案する。 当社のコントリビューションでは、粗大で広く利用可能な地理空間データを使用して、構築された環境のより細かいスケールで、あまり利用できない機能のマップを作成しています。 我々は、土地利用データと道路ネットワークを入力として、建物のフットプリントを生成し、世界中の9都市で実験を行う。
  論文  参考訳（メタデータ） (2021-08-07T05:50:54Z)
• Robust Image Retrieval-based Visual Localization using Kapture [10.249293519246478]
  視覚的ローカライゼーションのための多用途パイプラインを提案する。 8つの公開データセットで評価し、それらが上位にランクされ、その多くが上位にランクされている。 今後の研究を促進するため、我々は、BSDライセンス下でオープンソースであるKaptureフォーマットで、コード、モデル、およびすべてのデータセットをリリースする。
  論文  参考訳（メタデータ） (2020-07-27T21:10:35Z)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。