This dissertation presents the findings of a study that was undertaken in order to investigate the differences in conclusions drawn based on the method of analysis. Specifically, the conclusions drawn using inferential statistics was compared to the conclusions drawn using spatial analysis. The peatlands of Rietvlei Nature Reserve was selected as the landscape unit for this study and two soil attributes, namely soil pH and soil carbon, was investigated. Prior to data analysis outliers were identified and removed using the interquartile method. The findings suggest that there are indeed large differences between the conclusions drawn using the various approaches with the spatial analysis revealing larger differences between the two study sites. It is argued that the limitations imposed by the nature of geographic data need to be taken into consideration when any statistical or spatial analysis is carried out. / Dissertation (MSc)--University of Pretoria, 2013. / gm2014 / Geography, Geoinformatics and Meteorology / unrestricted

No description available.

Notre thèse consiste à étudier la pratique actuelle de la RSE dans le contexte des compagnies libanaises à caractère industriel, et à examiner la relation entre les pratiques RSE d’une part et le management des risques d’autre part, en utilisant des techniques de statistiques inférentielles, des analyses factorielles exploratoires et des modèles de régression linéaire multiple. C’est dans ce dernier cas que la contribution principale de cette recherche a été réalisée. Ainsi, cette recherche a permis de percevoir la RSE comme étant plus qu’un simple outil de marketing et de relations publiques mais aussi un vrai outil influant le risque dans les entreprises. Notre recherche élargit la base de connaissances dans ce domaine dans le contexte libanais, en mettant l’accent sur le management et les pratiques de l’entreprise en terme de gestion du risque, afin de mieux gérer par la RSE les impacts sociaux, environnementaux, et communautaires de leurs activités. Les résultats de cette étude permettront aux chercheurs de créer une base théorique et empirique plus forte sur laquelle les recherches futures sur le sujet de la RSE et du management des risques par la RSE peuvent être développées. / The aim of our thesis is to study the current practice of CSR in the context of the Lebanese industrial companies and to examine the relationship between CSR practices and risk management, using statistical techniques as inferential tests, factor analysis and multiple linear regression models. It is in the latter that the main contribution of this research has been made. This research has made it possible to perceive CSR as more than just a marketing and public relations tool but also a real tool influencing risk in companies. Our research broadens the knowledge base in this field in the Lebanese context, focusing on the management and practices of the company in terms of risk management, in order to better manage the social, environmental, and community based activities by CSR. The results of this study will enable researchers to create a stronger theoretical and empirical basis on which future research on the subject of CSR and risk management through CSR can be developed.

In an era of rapidly growing data sets, information reduction techniques such as extracting and highlighting characteristic features, are becoming increasingly important for efficient data analysis. Particularly relevant features of scalar fields are their critical points since they mark locations in the domain where a field's level set undergoes fundamental topological changes. There are well-established methods for locating and relating such points in a deterministic setting. However, many real-world phenomena studied in the computational sciences today are the result of a chaotic system that cannot be fully described by a single scalar field. Instead, the variability of such systems is typically captured with ensemble simulations, which generate a variety of possible outcomes of the simulated process. The topological analysis of such ensemble data sets, and uncertain data in general, is less well studied. In particular, there is no established definition for critical points of uncertain scalar fields. This thesis therefore aims to generalize the concept of critical points to uncertain scalar fields. While a deterministic field has a single set of critical points, each outcome of an uncertain scalar field has its own set of critical points. A first step towards finding an appropriate analog for critical points in uncertain data is to look at the distribution of all these critical points. In this work, different methods for analyzing this distribution are presented, which identify and track the likely locations of critical points over time, estimate their local occurrence probabilities, and eventually characterize their spatial uncertainty. A driving factor of winter weather in western Europe is the North Atlantic Oscillation (NAO), which is manifested by fluctuations in the sea level pressure difference between the Icelandic Low and the Azores High. Several methods have been developed to describe the strength of this oscillation. Some of them are based on certain assumptions, such as fixed positions of these two pressure systems. It is possible, however, that climate change will affect the locations of the main pressure variations and thus the validity of these descriptive methods. An alternative approach is based on the leading empirical orthogonal function (EOF) computed from the sea level pressure fields over the North Atlantic. The critical points of these fields indicate the actual locations of maximum pressure variations and can thus be used to assess how climate change affects these locations and to evaluate the validity of methods that use fixed locations to characterize the strength of the NAO. Because the climate is described by a chaotic system, such an analysis should incorporate the uncertain nature of climate predictions to produce statistically robust results. Extracting and tracking the positions of the maximum pressure variations that characterize the NAO therefore serves as a motivating practical application for the study of critical points in uncertain data in this work. Because uncertain data tend to be noisy, filtering is often required to separate relevant signals of variation from irrelevant fluctuations. A well-established method for extracting dominant signals from a time series of fields is to compute its empirical orthogonal functions (EOFs). In the first part of this thesis, this concept is extended to the analysis of spatiotemporal ensemble data sets to decompose their variation into modes describing the variation in the ensemble direction and modes describing the variation in the time direction. An application to different climate data sets revealed that, depending on the way an ensemble has been generated, temporal and ensemble-wise variations are not necessarily independent, making it difficult to separate these signals. Next, a computational pipeline for tracking likely locations of critical points in ensembles of scalar fields is presented. It computes leading EOFs on sliding time windows for all ensemble members, extracts regions where critical points can be expected from the resulting ensembles of EOFs for every time window, and finally tracks the barycenters of these regions over time. An application of this pipeline to sea level pressure fields over the North Atlantic revealed systematic shifts in the locations of the maximum pressure variations that characterize the NAO. These found shift were more pronounced for more extreme climate change scenarios. Existing methods for the identification of critical points in ensembles of scalar fields do not distinguish between uncertainties that are inherent in the analyzed system itself and those that are additionally introduced by using a finite sample of fields to capture these variations. In the next part of this thesis, two approaches for estimating the occurrence probabilities of critical points are presented that explicitly take into account and communicate to the viewer the additional uncertainties caused by estimating these probabilities from finite-sized ensembles. A comparison with existing works on synthetic data demonstrates the added value of the new approaches. The last part of this thesis is devoted to the question of how to characterize the spatial uncertainty of critical points. It provides a sound mathematical formulation of the problem of finding critical points with spatial uncertainty and computing their spatial distribution. This ultimately leads to the notion of uncertain critical points as a generalization of critical points to uncertain scalar fields. An analysis of the theoretical properties of these structures gave conditions under which well-interpretable results can be obtained and revealed interpretational difficulties when these conditions are not met. / In Zeiten immer größerer Datensätze gewinnen Techniken zur Informationsreduktion, etwa die Extraktion und Hervorhebung charakteristischer Merkmale, zunehmend an Bedeutung für eine effiziente Datenanalyse. Besonders relevante Merkmale von Skalarfeldern sind ihre kritischen Punkte, da sie Orte in der Domäne kennzeichnen, an denen sich die Topologie der Niveaumenge eines Feldes grundlegend verändert. Es existieren etablierte Methoden, um diese Punkte in deterministischen Feldern zu lokalisieren und sie miteinander in Beziehung zu setzen. Viele Alltagsphänomene, die heute untersucht werden, sind jedoch das Ergebnis chaotischer Systeme, die sich nicht vollständig durch ein einzelnes Skalarfeld beschreiben lassen. Stattdessen wird die Variabilität solcher Systeme mit Ensemblesimulationen erfasst, die eine Vielzahl möglicher Ergebnisse des simulierten Prozesses erzeugen. Die topologische Analyse solcher Ensemble-Datensätze und unsicherer Daten im Allgemeinen ist bisher weniger gut erforscht. Insbesondere gibt es noch keine etablierte Definition für die kritischen Punkte von unsicheren Skalarfeldern. In dieser Dissertation wird daher eine Verallgemeinerung des Konzepts kritischer Punkte auf unsichere Skalarfelder angestrebt. Während ein deterministisches Feld einen einzigen Satz kritischer Punkte hat, hat jede Realisierung eines unsicheren Skalarfeldes ihre eigenen kritischen Punkte. Ein erster Schritt, um ein geeignetes Analogon für kritische Punkte in unsicheren Daten zu finden, besteht darin, die Verteilung all dieser kritischen Punkte zu untersuchen. Zu diesem Zweck werden in dieser Arbeit verschiedene Methoden vorgestellt, die es ermöglichen, die wahrscheinlichen Orte kritischer Punkte zu identifizieren und über die Zeit zu verfolgen, die lokalen Wahrscheinlichkeiten für das Auftreten kritischer Punkte zu schätzen und schließlich die räumliche Unsicherheit von kritischen Punkten zu charakterisieren. Ein bestimmender Faktor für das Winterwetter in Westeuropa ist die Nordatlantische Oszillation (NAO), die sich in Schwankungen des Druckunterschieds auf Meereshöhe zwischen dem Islandtief und dem Azorenhoch äußert. Es existieren unterschiedliche Methoden, um die Stärke dieser Oszillation zu beschreiben, von denen einige auf bestimmten Annahmen beruhen, wie etwa der fixen Position der beiden Drucksysteme. Es ist jedoch möglich, dass der Klimawandel die Lage der Hauptdruckschwankungen und somit die Gültigkeit dieser Beschreibungsmethoden beeinträchtigt. Ein alternativer Ansatz basiert auf der führenden empirischen Orthogonalfunktion (EOF), welche aus den Druckfeldern auf Meereshöhe über dem Nordatlantik berechnet wird. Die kritischen Punkte dieses Feldes entsprechen den tatsächlichen Orten maximaler Druckschwankungen. Sie können daher verwendet werden, um die Auswirkungen des Klimawandels auf diese Orte zu bewerten und dadurch die Gültigkeit von Methoden, die feste Positionen zur Charakterisierung der Stärke der NAO verwenden, zu beurteilen. Da das Klima durch ein chaotisches System beschrieben wird, sollte eine solche Analyse die Unsicherheit von Klimavorhersagen berücksichtigen, um statistisch zuverlässige Ergebnisse zu erhalten. Die Extraktion und Verfolgung der für die NAO charakteristischen Positionen maximaler Druckschwankungen dient daher als motivierende praktische Anwendung für die Untersuchung kritischer Punkte in unsicheren Daten in dieser Arbeit. Da unsichere Daten oft verrauscht sind, ist meist zunächst eine Filterung erforderlich, um relevante Signale von irrelevanten Fluktuationen zu trennen. Ein etabliertes Konzept zur Extraktion dominanter Signale aus Zeitreihen von Skalarfeldern ist die empirische Orthogonalfunktionsanalyse (EOF-Analyse). Im ersten Teil dieser Arbeit wird dieses Konzept auf die Analyse von zeitabhängigen Ensemble-Datensätzen erweitert, um deren Variation in Moden zu zerlegen, die die jeweiligen Schwankungen in Ensemble- und Zeitrichtung beschreiben. Eine Anwendung auf verschiedene Klimadatensätze hat gezeigt, dass je nachdem, wie ein Ensemble generiert wurde, zeitliche und ensemblebezogene Variationen nicht zwangsläufig unabhängig sind, was eine Trennung dieser Signale erschwert. Im weiteren wird eine Berechnungspipeline zur Verfolgung der wahrscheinlichen Positionen kritischer Punkte in Ensemblen von Skalarfeldern vorgestellt. Sie berechnet zunächst die führenden EOFs auf gleitenden Zeitfenstern für jedes Ensemblemitglied, extrahiert dann aus den resultierenden Ensemblen von EOFs an jedem Zeitfenster Regionen, in denen kritische Punkte zu erwarten sind, und verfolgt schließlich die Baryzentren dieser Regionen über die Zeit. Die Anwendung dieser Pipeline auf die nordatlantischen Meeresspiegeldruckfelder hat eine systematische Verschiebungen der für die NAO charakteristischen Orte der maximalen Druckvariationen offenbart. Dabei führten extremere Klimawandelszenarien zu stärkeren Verschiebungen. Vorhandene Methoden zur Identifikation von kritischen Punkten in Ensemblen von Skalarfeldern unterscheiden nicht zwischen Unsicherheiten, die dem analysierten System selbst innewohnen, und solchen, die durch die Verwendung einer endlichen Stichprobe von Feldern zur Erfassung dieser Variationen zusätzlich verursacht werden. Im nächsten Teil dieser Arbeit werden daher zwei Ansätze zur Schätzung der Auftrittswahrscheinlichkeiten kritischer Punkte vorgestellt, die explizit auch die zusätzlichen Unsicherheiten berücksichtigen, die durch die Schätzung dieser Wahrscheinlichkeiten aus endlichen Ensemblen entstehen, und diese an den Betrachter kommunizieren. Der Mehrwert der neuen Verfahren wurde in einem Vergleich mit bestehenden Arbeiten auf synthetischen Daten demonstriert. Der letzte Teil dieser Arbeit ist der Frage gewidmet, wie sich die räumliche Unsicherheit kritischer Punkte charakterisieren lässt. Es wird eine fundierte mathematische Formulierung des Problems der Suche nach kritischen Punkten mit räumlicher Unsicherheit und der Berechnung ihrer räumlichen Verteilung erbracht. Das führt schließlich zum Begriff unsicherer kritischer Punkte als Verallgemeinerung von kritischen Punkten auf unsichere Skalarfelder. Eine Analyse der theoretischen Eigenschaften dieser Strukturen hat Bedingungen ergeben, unter denen einfach zu interpretierende Ergebnisse erzielt werden können, und offenbarte Interpretationsschwierigkeiten, die entstehen, wenn diese Bedingungen nicht erfüllt sind.

No description available.

Au cours de la dernière décennie, la pathologie numérique a été améliorée grâce aux avancées des algorithmes d'analyse d'images et de la puissance de calcul. Néanmoins, le diagnostic par un expert à partir d'images histopathologiques reste le gold standard pour un nombre considérable de maladies notamment le cancer. Ce type d'images préserve la structure des tissus aussi proches que possible de leur état vivant. Ainsi, cela permet de quantifier les objets biologiques et de décrire leur organisation spatiale afin de fournir une description plus précise des tissus malades. L'analyse automatique des images histopathologiques peut avoir trois objectifs: le diagnostic assisté par ordinateur, l'évaluation de la sévérité des maladies et enfin l'étude et l'interprétation des mécanismes sous-jacents des maladies et leurs impacts sur les objets biologiques. L'objectif principal de cette thèse est en premier lieu de comprendre et relever les défis associés à l'analyse automatisée des images histologiques. Ensuite, ces travaux visent à décrire les populations d'objets biologiques présents dans les images et leurs relations et interactions à l'aide des statistiques spatiales et également à évaluer la significativité de leurs différences en fonction de la maladie par des tests statistiques. Après une étape de séparation des populations d'objets biologiques basée sur la couleur des marqueurs, une extraction automatique de leurs emplacements est effectuée en fonction de leur type, qui peut être ponctuel ou surfacique. Les statistiques spatiales, basées sur la distance pour les données ponctuelles, sont étudiées et une fonction originale afin de mesurer les interactions entre deux types de données est proposée. Puisqu'il a été montré dans la littérature que la texture d'un tissu est altérée par la présence d'une maladie, les méthodes fondées sur les motifs binaires locaux sont discutées et une approche basée sur une modification de la résolution de l'image afin d'améliorer leur description est introduite. Enfin, les statistiques descriptives et déductives sont appliquées afin d'interpréter les caractéristiques extraites et d'étudier leur pouvoir discriminant dans le cadre de l'étude des modèles animaux de cancer colorectal. Ce travail préconise la mesure des associations entre différents types d'objets biologiques pour mieux comprendre et comparer les mécanismes sous-jacents des maladies et leurs impacts sur la structure des tissus. En outre, nos expériences confirment que l'information de texture joue un rôle important dans la différenciation des deux modèles d'implantation d'une même maladie. / During the last decade, digital pathology has been improved thanks to the advance of image analysis algorithms and calculus power. However, the diagnosis from histopathology images by an expert remains the gold standard in a considerable number of diseases especially cancer. This type of images preserves the tissue structures as close as possible to their living state. Thus, it allows to quantify the biological objects and to describe their spatial organization in order to provide a more specific characterization of diseased tissues. The automated analysis of histopathological images can have three objectives: computer-aided diagnosis, disease grading, and the study and interpretation of the underlying disease mechanisms and their impact on biological objects. The main goal of this dissertation is first to understand and address the challenges associated with the automated analysis of histology images. Then it aims at describing the populations of biological objects present in histology images and their relationships using spatial statistics and also at assessing the significance of their differences according to the disease through statistical tests. After a color-based separation of the biological object populations, an automated extraction of their locations is performed according to their types, which can be point or areal data. Distance-based spatial statistics for point data are reviewed and an original function to measure the interactions between point and areal data is proposed. Since it has been shown that the tissue texture is altered by the presence of a disease, local binary patterns methods are discussed and an approach based on a modification of the image resolution to enhance their description is introduced. Finally, descriptive and inferential statistics are applied in order to interpret the extracted features and to study their discriminative power in the application context of animal models of colorectal cancer. This work advocates the measure of associations between different types of biological objects to better understand and compare the underlying mechanisms of diseases and their impact on the tissue structure. Besides, our experiments confirm that the texture information plays an important part in the differentiation of two implemented models of the same disease.

Au cours de la dernière décennie, la pathologie numérique a été améliorée grâce aux avancées des algorithmes d'analyse d'images et de la puissance de calcul. Néanmoins, le diagnostic par un expert à partir d'images histopathologiques reste le gold standard pour un nombre considérable de maladies notamment le cancer. Ce type d'images préserve la structure des tissus aussi proches que possible de leur état vivant. Ainsi, cela permet de quantifier les objets biologiques et de décrire leur organisation spatiale afin de fournir une description plus précise des tissus malades. L'analyse automatique des images histopathologiques peut avoir trois objectifs: le diagnostic assisté par ordinateur, l'évaluation de la sévérité des maladies et enfin l'étude et l'interprétation des mécanismes sous-jacents des maladies et leurs impacts sur les objets biologiques. L'objectif principal de cette thèse est en premier lieu de comprendre et relever les défis associés à l'analyse automatisée des images histologiques. Ensuite, ces travaux visent à décrire les populations d'objets biologiques présents dans les images et leurs relations et interactions à l'aide des statistiques spatiales et également à évaluer la significativité de leurs différences en fonction de la maladie par des tests statistiques. Après une étape de séparation des populations d'objets biologiques basée sur la couleur des marqueurs, une extraction automatique de leurs emplacements est effectuée en fonction de leur type, qui peut être ponctuel ou surfacique. Les statistiques spatiales, basées sur la distance pour les données ponctuelles, sont étudiées et une fonction originale afin de mesurer les interactions entre deux types de données est proposée. Puisqu'il a été montré dans la littérature que la texture d'un tissu est altérée par la présence d'une maladie, les méthodes fondées sur les motifs binaires locaux sont discutées et une approche basée sur une modification de la résolution de l'image afin d'améliorer leur description est introduite. Enfin, les statistiques descriptives et déductives sont appliquées afin d'interpréter les caractéristiques extraites et d'étudier leur pouvoir discriminant dans le cadre de l'étude des modèles animaux de cancer colorectal. Ce travail préconise la mesure des associations entre différents types d'objets biologiques pour mieux comprendre et comparer les mécanismes sous-jacents des maladies et leurs impacts sur la structure des tissus. En outre, nos expériences confirment que l'information de texture joue un rôle important dans la différenciation des deux modèles d'implantation d'une même maladie. / During the last decade, digital pathology has been improved thanks to the advance of image analysis algorithms and calculus power. However, the diagnosis from histopathology images by an expert remains the gold standard in a considerable number of diseases especially cancer. This type of images preserves the tissue structures as close as possible to their living state. Thus, it allows to quantify the biological objects and to describe their spatial organization in order to provide a more specific characterization of diseased tissues. The automated analysis of histopathological images can have three objectives: computer-aided diagnosis, disease grading, and the study and interpretation of the underlying disease mechanisms and their impact on biological objects. The main goal of this dissertation is first to understand and address the challenges associated with the automated analysis of histology images. Then it aims at describing the populations of biological objects present in histology images and their relationships using spatial statistics and also at assessing the significance of their differences according to the disease through statistical tests. After a color-based separation of the biological object populations, an automated extraction of their locations is performed according to their types, which can be point or areal data. Distance-based spatial statistics for point data are reviewed and an original function to measure the interactions between point and areal data is proposed. Since it has been shown that the tissue texture is altered by the presence of a disease, local binary patterns methods are discussed and an approach based on a modification of the image resolution to enhance their description is introduced. Finally, descriptive and inferential statistics are applied in order to interpret the extracted features and to study their discriminative power in the application context of animal models of colorectal cancer. This work advocates the measure of associations between different types of biological objects to better understand and compare the underlying mechanisms of diseases and their impact on the tissue structure. Besides, our experiments confirm that the texture information plays an important part in the differentiation of two implemented models of the same disease.

Au cours de la dernière décennie, la pathologie numérique a été améliorée grâce aux avancées des algorithmes d'analyse d'images et de la puissance de calcul. Néanmoins, le diagnostic par un expert à partir d'images histopathologiques reste le gold standard pour un nombre considérable de maladies notamment le cancer. Ce type d'images préserve la structure des tissus aussi proches que possible de leur état vivant. Ainsi, cela permet de quantifier les objets biologiques et de décrire leur organisation spatiale afin de fournir une description plus précise des tissus malades. L'analyse automatique des images histopathologiques peut avoir trois objectifs: le diagnostic assisté par ordinateur, l'évaluation de la sévérité des maladies et enfin l'étude et l'interprétation des mécanismes sous-jacents des maladies et leurs impacts sur les objets biologiques. L'objectif principal de cette thèse est en premier lieu de comprendre et relever les défis associés à l'analyse automatisée des images histologiques. Ensuite, ces travaux visent à décrire les populations d'objets biologiques présents dans les images et leurs relations et interactions à l'aide des statistiques spatiales et également à évaluer la significativité de leurs différences en fonction de la maladie par des tests statistiques. Après une étape de séparation des populations d'objets biologiques basée sur la couleur des marqueurs, une extraction automatique de leurs emplacements est effectuée en fonction de leur type, qui peut être ponctuel ou surfacique. Les statistiques spatiales, basées sur la distance pour les données ponctuelles, sont étudiées et une fonction originale afin de mesurer les interactions entre deux types de données est proposée. Puisqu'il a été montré dans la littérature que la texture d'un tissu est altérée par la présence d'une maladie, les méthodes fondées sur les motifs binaires locaux sont discutées et une approche basée sur une modification de la résolution de l'image afin d'améliorer leur description est introduite. Enfin, les statistiques descriptives et déductives sont appliquées afin d'interpréter les caractéristiques extraites et d'étudier leur pouvoir discriminant dans le cadre de l'étude des modèles animaux de cancer colorectal. Ce travail préconise la mesure des associations entre différents types d'objets biologiques pour mieux comprendre et comparer les mécanismes sous-jacents des maladies et leurs impacts sur la structure des tissus. En outre, nos expériences confirment que l'information de texture joue un rôle important dans la différenciation des deux modèles d'implantation d'une même maladie. / During the last decade, digital pathology has been improved thanks to the advance of image analysis algorithms and calculus power. However, the diagnosis from histopathology images by an expert remains the gold standard in a considerable number of diseases especially cancer. This type of images preserves the tissue structures as close as possible to their living state. Thus, it allows to quantify the biological objects and to describe their spatial organization in order to provide a more specific characterization of diseased tissues. The automated analysis of histopathological images can have three objectives: computer-aided diagnosis, disease grading, and the study and interpretation of the underlying disease mechanisms and their impact on biological objects. The main goal of this dissertation is first to understand and address the challenges associated with the automated analysis of histology images. Then it aims at describing the populations of biological objects present in histology images and their relationships using spatial statistics and also at assessing the significance of their differences according to the disease through statistical tests. After a color-based separation of the biological object populations, an automated extraction of their locations is performed according to their types, which can be point or areal data. Distance-based spatial statistics for point data are reviewed and an original function to measure the interactions between point and areal data is proposed. Since it has been shown that the tissue texture is altered by the presence of a disease, local binary patterns methods are discussed and an approach based on a modification of the image resolution to enhance their description is introduced. Finally, descriptive and inferential statistics are applied in order to interpret the extracted features and to study their discriminative power in the application context of animal models of colorectal cancer. This work advocates the measure of associations between different types of biological objects to better understand and compare the underlying mechanisms of diseases and their impact on the tissue structure. Besides, our experiments confirm that the texture information plays an important part in the differentiation of two implemented models of the same disease.