A new spatial-attribute weighting function for geographically weighted regression

In recent years, geographically weighted regression (GWR) has become popular for modeling spatial heterogeneity in a regression context. However, the current weighting function used in GWR only considers the geographical distances of trees in a stand, while the attributes (e.g., tree diameter) of the neighboring trees are totally ignored. In this study, we proposed a new weighting function that combines the “geographical space” and “attribute space” between the subject tree and its neighbors, such that (1) neighbors with greater geographical distances from the subject tree are assigned smaller weights, and (2) at a given geographical distance, neighboring trees with sizes that are similar to that of the subject tree are assigned larger weights. The results indicate that the GWR model with the new spatialattribute weighting function performs better than the one with the spatial weighting function in terms of model residuals and predictions for different spatial patterns of tree locations. Résumé : Dans les dernières années, la régression géographiquement pondérée (RGP) a souvent été utilisée pour modéliser l’hétérogénéité spatiale dans un contexte de régression. Toutefois, les fonctions de pondération actuellement disponibles pour la RGP considèrent seulement la distance entre les arbres dans un peuplement, alors que sont totalement ignorés les attributs des arbres voisins comme le diamètre. Dans la présente étude, nous proposons une nouvelle fonction de pondération qui combine l’information spatiale à celle d’attributs de l’arbre étudié et de ses voisins, de telle sorte (1) que les voisins les plus éloignés reçoivent une pondération plus faible et (2) qu’à une distance donnée, les voisins de taille similaire à l’arbre étudié reçoivent une pondération plus élevée. Les résultats montrent qu’une RGP utilisée avec la nouvelle fonction de pondération proposée a une meilleure performance que celle qui utilise un fonction de pondération uniquement spatiale, que ce soit en termes de résidus ou de valeurs prédites pour différents patrons de distribution spatiale des arbres. [Traduit par la Rédaction] Shi et al. 1005