Daha çox

PointStacker - Fərqli zoom səviyyəsində təsadüfi yerlər


Geoserver 2.5.2 və OpenLayers 2 istifadə edərək qatlarımdan birində PointStacker çevrilməsini tətbiq edirəm.

Bilirəm, eyni yerdə yerləşən 7 məlumat nöqtəm var. Lakin, zoom səviyyəsini dəyişdirdiyim zaman yığılmış nöqtə təsadüfi bir şəkildə hərəkət edir. Yığılmış nöqtənin yerləşməsinin yığılmış vektor nöqtələrinin ortalaması ilə hesablandığını düşünərdim. Başqa sözlə, eyni yerdə yerləşsələr, dəyişən zoom səviyyələrində hərəkət etməməlidir.

Nə səhv edirəm?

yaxınlaşma səviyyəsi 7:

zoom səviyyəsi 8:

zoom səviyyəsi 9:

yaxınlaşdırma səviyyəsi 10:

zoom səviyyəsi 11:


PointStacker-in klaster nöqtəsinin yerini necə hesabladığı barədə fərziyyəniz səhvdir. Kütlə mərkəzini gözlədiyiniz şəkildə istifadə etmir.

Şəkillər tələbinin hüdudları bir şəbəkəyə bölünür və bu şəbəkənin hər hüceyrəsi üçün qruplar yaradılır. Beləliklə, təbii bir çoxluq kimi görünən bir şeyiniz varsa, məsələn. Bir-birinə yaxın 3 nöqtə, yalnız 3-ü eyni qəfəs hüceyrəsində olduqda bir yerə yığılacaq. 3 ızgara hüceyrəsinə düşsələr, 3 ayrı qrupa təyin ediləcəklər.

Nöqtələri böyüdərkən əvvəlki şəkildəki kimi eyni şəbəkə hüceyrəsinə düşməyin və buna görə də qrupa görüntünün eninə və hündürlüyünə nisbətən yeni bir yer verilir.

Bu, ən intuitiv davranış deyil, lakin daha sadə bir klasterləşdirmə alqoritmini yaradır. Kodu buradan görə bilərsiniz: https://github.com/geotools/geotools/blob/master/modules/unsupported/process-feature/src/main/java/org/geotools/process/vector/PointStackerProcess.java


Bunun hüceyrə ölçüsü parametrindən qaynaqlandığına inanıram.

Bu parametri 1 olaraq təyin etsəniz (toplamaq istədiyiniz yerlər tam eynidisə, marker həmin yerdə göstərilməlidir.

CellSize-i artırsanız, marker bir qədər təsadüfi olaraq piksel şəklində cellSize tərəfindən müəyyən edilmiş bir buferin içinə yerləşdiriləcəkdir.

 hüceyrə ölçüsü 1

Sağlamlıq məlumatlarının yayılması və təhlilində coğrafi sahələrin qurulması üçün yeryönümlü, qarışıq səviyyəli regionallaşma metodu

Bənzər coğrafi ərazilərdə çox vaxt əhali sayında böyük dəyişikliklər olur. Sağlamlıq məlumatlarının idarəedilməsi və təhlilində böyük əhalinin sahələrini parçalamaq (daha çox məkan dəyişkənliyi əldə etmək) və kiçik əhalinin sahələrini birləşdirmək (məlumatların məxfiliyini gizlətmək) yolu ilə müqayisə olunan əhalinin bölgələrini əldə etmək arzu edilir. Peano əyri alqoritminə və dəyişdirilmiş miqyaslı-kosmik klasterə əsaslanan bu tədqiqat, müqayisəli populyasiya ilə coğrafi ərazilərin qurulması üçün qarışıq səviyyəli bölgələşdirmə (MLR) metodunu təklif edir. Metod, məkan bağlantısı və kompaktlığı, atributiv homojenliyi və minimum (və təxminən bərabər) populyasiya və ya xəstəlik sayı kimi ekzogen meyarları hesablayır. Louisiana xərçəng məlumatlarını istifadə edən bir iş, MLR metodunu və güclü və məhdudiyyətlərini göstərir. Metodun əsas faydası, inşa edilmiş ərazilərin tanışlığını artırmaq üçün ən yüksək səviyyəli coğrafi sərhədlərin qorunub saxlanılmasıdır. Bu səbəbdən MLR metodu, kompüter yönəldilmiş və kosmosdan daha çox insan yönümlü və yer əsaslıdır.

Mekansal klasterləşdirmə və ya bölgələşdirmə metodları coğrafi informasiya sistemlərində (CİS) və xalq sağlamlığında təsdiqləyici və ya tədqiqat məqsədləri üçün istifadə olunur (Cromley and McLafferty 2012b). Kümelenme iki fərqli tərifə malikdir və hər ikisi də yaxşı qəbul edilir: tədqiqat sahəsindəki hər hansı bir yerə bənzərsiz bir klaster üzvlüyü təyin edən bölmə və bütün yerlər üçün əhatəli bir tələbə sahib olmayan bölüşdürmə (yəni qrup mərkəzlərini müəyyənləşdirmə) (Neuberger və Lynch 1982 Hanson ve Wieczorek 2002 Szwarcwald, Andrade ve Bastos 2002 Oliver vd. 2006 Schootman vd. 2007 Shishehbor vd. 2008 Moore vd. 2009 Nelson vd. 2009). Bu məqalədə regionalizasiyaya diqqət yetirilir, lakin bəzi müzakirələrdə bu termin də istifadə olunur kümelenme ədəbiyyatda bir konvensiya kimi. Bu metodların çoxu üçün bir problem, alqoritm, hesablama və ya texniki tətbiqetmənin inkişafı deyil, əksinə tapıntıların mənasını vermək və ya şərh etməkdir. Anlamlı nəticələr, yalnız qrupların ölçüsü və forması ilə deyil, eyni zamanda mövcud coğrafi vahidlərin sərhədləri ilə mövcud bölgələrə uyğunlaşma və # x02019. Regionalizasiyanın əsas məqsədi məlumatları qruplaşdırmaq və sadələşdirməkdir, inzibatçılar, ictimai praktikantlar və ya geniş ictimaiyyət tərəfindən tanınmayan daha çox sərhəd əlavə etməklə daha da mürəkkəblik gətirmək deyil.

& # x0201cPlace təhlükəsizlikdir, yer azadlıqdır & # x0201d (Tuan 1977, 3). Tuan'ın (1974, 1977, 2012) humanist coğrafiya yanaşması yer və məkan arasındakı əlaqəni aydınlaşdıraraq coğrafiya nəsillərini təsir etdi. Tuan, sərhəd funksiyalarını ticarət yerləri və ovçuluq məkanları (Carpenter, Varley, and Flaherty 1959) kimi bir Eskimo hissi (və ya bağlanması) kimi məkana bağlayıcı bir yer kimi təsvir etdi və məkanı tez-tez görülən tanış əlamətdar və cığırlarla yer olaraq təyin etdi. sərhədlər kimi. Bölgələşdirmə metodumuz, coğrafiyaçılar tərəfindən & # x0201cplace + space + şəxsiyyət + bağlanması və # x0201d konseptualizasiyasından ilham almışdır (Tuan 1974, 1977 Sack 1980, 2003 Adams, Hoelscher, and Till 2001). Yiannakoulias (2011), insan fəaliyyətinin bütün aspektlərində yerli əlaqəli amilləri məkan sapmalarının mənalı bir ictimai səhiyyə nəzarəti üçün yerlər və ya bölgələr meydana gətirmək üçün bir & # x0201cplacefocused & # x0201d və & # x0201cplace-information & # x0201d yanaşmasını müdafiə etdi. Məkan daha ümumi və mücərrəddir və yer insanlara və ətraf mühitə daha çox bağlıdır. Bir çox bölgələşdirmə metodları kosmos yönümlü olmasına baxmayaraq, bu tədqiqat əsas geosiyasi sərhədləri kimlik və bağlılığın əsas elementi kimi qoruyan bir yeryönümlü bölgələşdirmə və ya çoxlaşma metodunun inkişafı üçün hazırlanmışdır.

Sərhədlər bir xəritədəki tanışlığı və iyerarxiyanı qorumaq üçün vacibdir (Lloyd və Steinke 1986). Coğrafi, kartoqrafik və psixoloji tədqiqatlar xəritə oxucularının məkan yaddaşını qruplar halında hiyerarşik şəkildə təşkil etdiyini və işləyən xəritələrin məzmunu şərh etmək və anlamaq üçün tanış xüsusiyyətlərə güvəndiyini göstərdi (McNamara, Hardy, and Hirtle 1989 Rittschof et al. 1996 Fotheringham and Curtis 1999 Jones et al. 2004) və ətraf mühitin məkan xüsusiyyətləri (Hirtle and Jonides 1985). Sərhəd psixoloji və coğrafi bölünmədə qarşılıqlı əlaqəli bir rol oynayır (Sack 2003). Sərhədlər və sərhədlər ayrıca hesablana bilən məkan, yer, təhlükəsizlik və ərazi baxımından da müzakirə olunur (Rose-Redwood 2012). Coğrafi məlumatlar əyalət, ilçe, siyahıyaalma traktından və digərlərindən istifadə edilərək iyerarxik bir şəkildə verilir və bu bölmələrin sərhədləri tanışlığa əsas istinad kimi xidmət edir. Geosiyasi vahidlərdən əlavə, tədqiq olunan əsas qüvvələr və proseslərin fərqli olduğu digər coğrafi sərhədləri də saxlamaq vacibdir. Məsələn, F. Wang, Guo və McLafferty (2012) əsərlərində sərhədlərini qorumaq üçün fərqli şəhərsalma kateqoriyalarına aid bölgələrə ayrı-ayrı bölgələşdirmə metodu tətbiq olunur.

Əhali ölçüsü ümumiyyətlə eyni səviyyədə olan ərazilərdə əhəmiyyətli dərəcədə dəyişir. Xalq sağlamlığı məlumatlarının təhlilində və yayılmasında, müqayisəli əhalinin bölgələrini əldə etmək çox vaxt arzu edilir (F. Wang, Guo və McLafferty 2012). Daha çox məkan dəyişkənliyi əldə etmək üçün çox sayda əhalinin olduğu bölgələrin parçalanması və coğrafi vəziyyəti qorumaq üçün kiçik əhalinin bölgələrinin birləşdirilməsi lazımdır. Üst səviyyə coğrafi sərhədlərin qorunub saxlanılması bölgələşdirmə metodunu daha çox yeryönümlü edəcəkmi? Məsələn, siyahıyaalma traktının səviyyəsində məlumatlar mövcuddursa, bölgələşmədə mahal sərhədləri mümkün qədər qorunmalıdır? Bu tədqiqat məkan yönümlü, qarışıq səviyyəli bölgələşdirmə (MLR) və ya məkan qruplaşdırma metodunu təklif edir. Xüsusi olaraq, & # x0201cplace = boşluq + şəxsiyyət + əlavə & # x0201d konseptualizasiyasına iki dəfə toxunulur. Sərhəd yerlər üçün vacib bir identifikator rolunu oynadığından, metodumuz yuxarı səviyyəli coğrafi vahidlərin sərhədlərini qorumaq və aşağı səviyyədə əməliyyatları minimuma endirməkdir. Əlavə bölgələşdirmə metoduna atribut oxşarlığının məhdudlaşdırılması ilə hesablanır. Bunu etməklə nəticələnən bölgələr hələ tanış və ya tanınan görünür.

Sağlamlıq məlumatları ilə işləyərkən, coğrafi məxfilik fərdi məlumatların sahə vahidlərinə toplanmasına səbəb olan ümumi bir narahatlıqdır. Bu tədqiqatın ümumi məqsədi yalnız ümumi olaraq qəbul edilmiş məkan kompaktlığı və atributiv homojenlik üçün deyil, həm də tanışlıq və yaxınlıq baxımından sağlamlıq məlumatlarının uçotunun yayılması və təhlili üçün bölgələşdirmə metodunun inkişaf etdirilməsidir. Bu təsvir ümumi bir problem ifadəsi kimi xidmət edir və detallı ayarlar sağlamlıq (xüsusən də xərçəng) məlumatları ilə işlənmişdir. Cinayət analizi də daxil olmaqla kiçik əhali problemini əhatə edən hər hansı bir işdən fayda götürə bilər (F. Wang and O & # x02019Brien 2005).


1. Giriş

Bu, georeferans üçün praktik bir bələdçidir. Xüsusiyyətlərin formalarını müəyyənləşdirmək üçün protokolları və bunlardan nöqtə radiuslu georeferans metodu (Wieczorek 2001, Wieczorek et al. 2004, Chapman & amp Wieczorek 2020) ilə Georeferencing Kalkulyatoru (Wieczorek & amp Wieczorek) ilə georeferans üçün əsas kimi necə istifadə ediləcəyini təsvir edir. 2020) və əlaqəli Georeferencing Kalkulyator Təlimatı (Bloom et al. 2020), xəritələr, qəzetçilər və yerlər üçün koordinatlar və məkan sərhədləri tapıla bilən digər mənbələr. Bu sənəd citer bir georeferans protokoludur. Türetilmiş bir protokoldan istifadə edilərsə, bu Təlimata aid yeni bir sənəd ictimaiyyətə təqdim edilməli və istinad edilməlidir.

Bu Təlimat, Bələdçinin ilk versiyasına (Wieczorek və digərləri 2012)) əsaslanır, bu da öz növbəsində Dummies üçün Georeferencing bir uyğunlaşma idi (Spencer et al. 2008). Ən çox rast gəlinən ərazilər üçün tövsiyə olunan georeferans prosedurlarını izah edir. Bu Kılavuz, burada istifadə olunan konsepsiyalar haqqında nəzəri məlumatları və daha ətraflı məlumatları ehtiva edən Georeferencing Best Practices (Chapman & amp Wieczorek 2020) ilə paralel olaraq istifadə edilməlidir.

Bu sənəd boyunca vurğulanmış terminlər (məsələn, dəqiqlik) Sözlükdəki təriflərlə əlaqələndirilir. Kursivdəki terminlər (məs. Giriş Latitude) Georeferencing Calculator-dakı sahələrə və / və ya etiketlərə aiddir (Wieczorek & amp Wieczorek 2020) (bundan sonra 'Kalkulyator' adlandırılacaq). Darwin Core terminləri bütün GBIF rəqəmsal sənədlərində tək məkanda (məsələn dwc: georeferenceRemarks) göstərilir.

Bu sənədin sonunda bu təlimatın bölmələrində ətraflı şəkildə təsvir olunan, ən çox yayılmış yer tipləri üçün protokolların qısa bir xülasəsini özündə cəmləşdirən Yerləşdirmə növləri üçün Georeference Quick Reference Guide Key var.

1.1. Məqsədlər

Bu sənəd nöqtə-radius metodundan istifadə edərək georeferansın aparılmasına dair təlimat verir. Bu Təlimat ayrıca forma georeferans metodunun əsasını təşkil edən xüsusiyyətlərin sərhədlərini müəyyənləşdirmə metodlarını da təqdim edir.

1.2. Hədəf auditoriyası

Bu sənəd, ərazi süzgəcində və ya araşdırmada, təhsildə və ya bioloji kolleksiya məlumatlarının saxlanılmasında istifadə oluna bilməsi üçün mətnin lokal təsvirlərini georeferans etməsi lazım olan hər kəs üçün praktik bir bələdçidir.

1.3. Əhatə dairəsi

Bu sənəd georeferans yerlərinin tövsiyə olunan tələblərini və metodlarını əhatə edən üç sənəddən biridir. Nöqtə radiuslu georeferans metodunun nəzəriyyəsini praktikada tətbiq etmək üçün praktiki bir təlimat verir.

Təlimat, burada və Kalkulyatorda tapılan metodlar və hesablamaların arxasındakı əsaslar, təriflər və nəzəriyyənin daha ətraflı izahları üçün Georeferencing Best Practices-ə (Chapman & amp Wieczorek 2020) istinad edir.

Üçüncü sənəd, Georeferencing Kalkulyatorunun necə istifadə ediləcəyini izah edən Georeferencing Calculator Manual (Bloom et al. 2020). Kalkulyator təsvir ərazilərinin georeferanslaşdırılmasına kömək edən və nöqtə radius metodundan istifadə edərək yerlər üçün coğrafi koordinatlar və qeyri-müəyyənliklər əldə etmək üçün lazımi hesablamaları aparan brauzer əsaslı bir JavaScript tətbiqetməsidir.

Bu sənədlər şəkillərin yer dəyişdirilməsi və ya küçə adreslərinin coğrafi kodlaşdırılması ilə bağlı rəhbərlik vermir - bəzən "georeferans" adlandırılan fərqli əməliyyatlar.

1.4. Əvvəlki Versiyadan Dəyişikliklər

Təlimatın bu versiyası əvvəlki nəşrinin tamamilə yenidən qurulmasıdır, hər bir yer növünün qrafik nümunələrini və onlara yer ayırmaq üçün ətraflı addımları əlavə etmək üçün yenidən təşkil edilmiş və artırılmışdır. Əvvəlki nəşrdən bəri terminologiyada bir neçə dəyişiklik baş verdi: bunlar:

Əvvəlki versiyada radial olaraq dəyişdirilmişdir. Genişlik, saxlanıldığı yerdə, bir yerdəki bütün boşluğu ifadə etmək üçün daha ənənəvi bir şəkildə istifadə olunur.

"Adı çəkilən yer" xüsusiyyəti ilə əvəz edilmişdir.

Keçmişdə coğrafi mərkəzin tövsiyə olunduğu yerlərdə, coğrafi radial əsasında düzəldilmiş mərkəzdən istifadə olunur. Bu vacib bir dəyişiklikdir, çünki coğrafi mərkəz düzəldilmiş mərkəz və coğrafi radialın etdiyi bir xüsusiyyət dərəcəsinə görə ən kiçik bir qeyri-müəyyənlik vermədi.

1.5. Darwin Core istifadə

Bu Təlimatdakı metodlardan istifadə edən georeferanslar, georeferentsiya prosesi zamanı və zamanı mümkün qədər çox məlumat əldə edilərsə, ən böyük əhəmiyyətə sahib olacaqdır. Darwin Core standardı (Darwin Core Maintenance Group 2020), təkrarlanabilir georeferansların ələ keçirilməsi üçün tövsiyə olunan bütün sahələri aşağıdakı kimi müəyyənləşdirir:

bu sahələrin birləşməsi georeferansın nöqtə radiuslu təmsil mərkəzi üçün istinad təmin edir.

Yerin hamısını ehtiva edən ən kiçik əhatə dairəsini təsvir edən ondalıkLatlıq və decimalLongitude-dan metrlərlə üfüqi məsafə. Qeyri-müəyyənlik bilinmirsə, qiymətləndirilə bilmirsə və ya tətbiq olunmursa (koordinatlar olmadığı üçün) dəyəri boş buraxın. Sıfır bu müddət üçün etibarlı deyil. Bu müddət son georeferansın coğrafi radialına uyğundur.

georeferansı son dəfə dəyişdirən fərd (lər) və bu baş verdikdə. Bunlar, georeferansın əvvəlki versiyalarında kimin işləməsindən asılı olmayaraq, mövcud vəziyyətindəki georeferans üzrə son səlahiyyətə cavab verir.

Forma georeferans metodundan istifadə edərək formanı və ya nöqtə radius metodundan istifadə edərək koordinatları və qeyri-müəyyənliyi təyin etmək üçün istifadə olunan metodların təsviri və ya istinad. Bu Təlimatdakı protokol dəyişdirilmədən istifadə olunursa, georeferenceProtocol bu sənəd üçün istinad olmalıdır.

Gələcəkdə hər kəsin eyni mənbələrdən istifadə etməsinə imkan verəcək qədər dəqiq təsvir edilmiş xəritələrin, qəzetçilərin və ya yeri georeference üçün istifadə olunan digər mənbələrin siyahısı (birləşdirilmiş və ayrılmış).

USGS 1: 24000 Florence Montana Quad 1967
Terrametrics 2008 Google Earth
Wieczorek C & amp J Wieczorek (2020) Georeferencing Kalkulyator, versiya yyyymmdd. Mövcuddur: http://georeferencing.org/georefcalculator/gc.html.

Mümkün olan ən yaxşı məkan təsvirini təmsil etmək üçün georeferansın nə dərəcədə təsdiq olunduğunun kateqoriyalı təsviri. Tövsiyə olunan ən yaxşı təcrübə, nəzarət olunan bir söz ehtiyatından istifadə etməkdir. Qeyd edək ki, bu yoxlama yalnız qeydə alınan hadisə və ya hadisə ilə əlaqəli həyata keçirilə bilər.

yoxlamanı tələb edir
kollektor tərəfindən təsdiq edilmişdir
kurator tərəfindən təsdiq edilmişdir

Georeference haqqında qeyri-adi qeydlər və ya şərhlər, əlavə olaraq irəli sürülən fərziyyələri izah edən və ya georeferenceProtocol-da istinad edilən metodda rəsmiləşdirilənlərə qarşı çıxan.

avtomobil yolu ilə götürülən məsafə (Hwy. 101)

Yerlə əlaqəli qeydlər və ya şərhlər (yerin georeferansı deyil, georeferenceRemarks-a daxil olan yer).

Villa Epecuen, 1985-ci ilin Noyabr ayında su altında qaldı və 2009-cu ilə qədər yaşayışını dayandırdı

1.6. Georeferencing anlayışları

Ən yaxşı təcrübələri izləyən georeferansın məqsədlərindən biri də, georeferansın təkrarlana biləcəyi nəticədə kifayət qədər məlumat verildiyindən əmin olmaqdır (bax: Ən Yaxşı Tətbiqlər Georeferansda Ən Yaxşı Tətbiqetmə prinsipləri (Chapman & amp Wieczorek 2020)). Bu məqsədlə, bu sənəd Georeferencing Kalkulyatorunu istifadə edərək müxtəlif yer tiplərini georeferanslaşdırmaq üçün bir sıra reseptlər təqdim edir. Kalkulyator ərazi növünə əsasən fərqli hesablamalar aparmağa imkan verir (§1.6.1). Yer tipi əvvəlcədən təyin olunmuş siyahıdan seçildikdə, Kalkulyator bu hesablama növü üçün lazım olan bütün parametrlər üçün giriş qutularını təqdim edir. Yer tipinin ərazi təsvirindəki ən spesifik bənd üçün olduğunu unutmayın (bax: Georeferencing Best Practices (Chapman & amp Wieczorek 2020)). Bununla birlikdə, digər bəndlər və ya yer qeydinin digər hissələri üçün yeri məhdudlaşdırmağa və xüsusiyyət sərhədləri təyin olunduqda işə başlamağa kömək edən məlumatlar ola bilər. Bir çox Kalkulyator parametrləri birdən çox yer tipi üçün istifadə olunur. Hər bir ərazi növü üçün izahı təkrarlamaqdansa, ümumi istinad üçün burada toplanır. Bəzi lokal tiplər xüsusi parametrlər tələb edir, bunun üçün §2 bəndinin hər alt hissəsinə müvafiq izahatlar daxil edilir. Bu sənəddə cavab verilməyən Kalkulyator haqqında ətraflı məlumat üçün Georeferencing Kalkulyator Təlimatına (Bloom və digərləri 2020) baxın.

1.6.1. Yer növü

Yerləşmə növü, yer müəyyənləşdirilməli olan bir yer təsvirinin ən spesifik hissəsinin - hansı hesablama metodundan istifadə ediləcəyini təyin edən nümunəyə aiddir. Kalkulyatorda altı əsas lokasiya növü üçün georeference hesablamaq üçün seçimlər var:

Ortogonal istiqamətlər üzrə məsafə

Bir yer tipinin seçilməsi Kalkulyatoru georeferans hesablamasını həyata keçirmək üçün təyin edilməsi lazım olan bütün parametrləri göstərmək üçün konfiqurasiya edəcəkdir. Bu Təlimat, yer tiplərinin hər birinin müxtəlif nümunələri üçün parametrlərin necə qurulacağına dair xüsusi təlimatlar verir.

1.6.2. Düzəldilmiş Mərkəz

Düzəldilmiş mərkəz coğrafi radialı minimuma endirən bir yerdəki və ya sərhəddəki nöqtədir (bax §1.6.3). Bu nöqtə, bütün xüsusiyyəti ehtiva edən ən kiçik əhatə dairəsini tapmaq və sonra bu dairənin mərkəzini götürməklə əldə edilir (şəkil 1A). Bu mərkəz xüsusiyyətin hüdudlarına və ya içərisinə düşmürsə, bütün xüsusiyyəti ehtiva edən ən kiçik əhatə dairəsini tapın, Amma mərkəzi xüsusiyyətin sərhədindədir (şəkil 1B). Diqqət yetirin, yeni dairə və dolayısı ilə radial hər zaman düzəldilməmişdən daha böyük olacaqdır. Kalkulyatorda düzəldilmiş mərkəzə uyğun olan koordinatlar Giriş Enlem və Giriş Boylam kimi etiketlənir. Əlavə B-yə baxın: Düzeltilmiş mərkəzin təyin edilməsi metodları və Coğrafi Radialın düzəldilməsi.

1.6.3. Radial of Feature

Xüsusiyyət, ərazi təsvirindəki bir dərəcəyə sahib olan və sərhədlə ayrıla bilən bir yerdir. Xüsusiyyətin coğrafi radialı (Kalkulyatorda Xüsusiyyətin Radialı olaraq göstərilmişdir) xüsusiyyətin düzəldilmiş mərkəzindən həmin xüsusiyyətin coğrafi sərhədinin ən uc nöqtəsinə qədər olan məsafəsidir (bax Şəkil 1 və Georferansın Ən Yaxşı Tətbiqlərində Yerin Genişliyi (Chapman & amp Wieczorek 2020)). Qeyd edək ki, əvvəlki sənədlərdə və Kalkulyatorun versiyalarında radial "ölçü" adlandırılmışdır. Coğrafi radialı təyin etmək üçün texnika üçün Əlavə B: Düzəliş edilmiş Mərkəzin və Coğrafi Radialın tapılması metodlarına baxın.

Son georeferansın yerləşmə təsvirindəki xüsusiyyətlərdən hər hansı birinin coğrafi radialdan fərqli bir coğrafi radialı olacaqdır (çünki bütün qeyri-müəyyənlik mənbələrini də əhatə edəcəkdir) və hesablama aparıldıqdan sonra bu nəticədən çıxacaq Qeyri-müəyyənlik sahəsindəki kalkulyator.

1.6.4. Enlik

Kalkulyatorda Giriş Latitude kimi etiketlənmişdir. Ekvatorun şimalında və ya cənubunda (enlik 0 olduğu) bir coğrafi referans hesablanması üçün başlanğıc nöqtəsini təmsil edən və yerləşmə növündən asılı olan coğrafi koordinat.

Ekvatorun şimalındakı ondalık enliklər konvensiyaya görə müsbətdir, cənub enlikləri isə mənfidir. Kalkulyator enlik və boylam üçün üç dərəcə əsaslı coğrafi koordinat formatını dəstəkləyir: ondalık dərəcələr (məs. −41.0570673), dərəcə ondalık dəqiqə (məs. 41 ° 3.424 ") və dərəcə dəqiqə və saniyə (məs. 41 ° 3 '25.44" S).

1.6.5. Boylam

Kalkulyatorda Giriş Uzunluğu kimi etiketlənmişdir. Baş meridianın şərqində və ya qərbində (uzunluq 0 olduğu şimal və cənub qütbləri arasında bir yay) coğrafi koordinat georeferans hesablanması üçün başlanğıc nöqtəsini təmsil edir və lokal tipə bağlıdır.

Baş meridianın şərqindəki ondalık dərəcə boylamaları konvensiyaya görə müsbətdir, qərbə doğru olan mənfi isə. Kalkulyator enlik və boylam üçün üç dərəcə əsaslı coğrafi koordinat formatını dəstəkləyir: ondalık dərəcə (−71.5246934), dərəcə ondalık dəqiqə (71 ° 31.482 ") və dərəcə dəqiqə və saniyə (71 ° 31 '28.90" W).

1.6.6. Koordinat mənbəyi

Koordinat mənbəyi, başlanğıc giriş enlemi və boylamının çıxarıldığı bir qaynaq növüdür (xəritə növü, GPS, qəzetçi, yer təsviri).

Daha tez-tez, orijinal koordinatlar xəritədəki yerin ümumi yaxınlığını tapmaq üçün istifadə olunur, bundan sonra düzəldilmiş mərkəzin təyin edilməsi prosesi yeni koordinatları təmin edir. Bu vəziyyətdə Kalkulyatorda istifadə ediləcək Koordinat mənbəyi, xəritədəki ümumi yaxınlığı təyin etmək üçün istifadə olunan orijinal mənbəyi deyil, düzəldilmiş mərkəzin təyin olunduğu xəritəsidir. Məsələn, fərz edək ki, orijinal koordinatlar bir qəzetçidən gəldi, lakin xüsusiyyətin sərhəd və düzəldilmiş mərkəzi Google Xəritələrdən təyin olundu, Koordinat mənbəyi "qəzetçi" deyil, "Google Earth / Maps 2008" olacaqdı.

Bu müddət, ancaq ilə əlaqədardır YOX Darvin Nüvəsi ilə eyni növü deyil, istifadə olunan xüsusi mənbələr tələb edən georeferenceSources termini. İki mənbədən gələn qeyri-müəyyənliklərə diqqət yetirin qəzetçiyer təsviri universal olaraq gözlənilə bilməz və bu səbəbdən də hesablamalarda qlobal qeyri-müəyyənliyə töhfə vermir. Bu mənbələrin səhv xüsusiyyətləri bilinirsə, hesablanmadan əvvəl Ölçmə Xətası sahəsinə əlavə edilə bilər. Mənbə GPS seçildiyi təqdirdə, Ölçmə Xətası etiketi GPS Dəqiqliyinə dəyişəcək, burada GPS-in dəqiqliyi (bax: GPS-in Georeferencing Best Practices (Chapman & amp Wieczorek 2020)) koordinatların götürüldüyü vaxtda girilməlidir.

1.6.7. Koordinat Formatı

Kalkulyatorda Koordinat Formatı, koordinat mənbəyinin orijinal coğrafi koordinatlarını (ondalık dərəcə, dərəcə dəqiqəsi və saniyə (DMS) və ya ondalık dəqiqə) təmsil edir.

Hesablama növü "Yalnız koordinatlar" olmadıqda, orijinal koordinatlar tez-tez xəritədə yerin ümumi yaxınlığını tapmaq üçün istifadə olunur, bundan sonra düzəldilmiş mərkəzin müəyyənləşdirilməsi prosesi yeni koordinatları təmin edir. Bu vəziyyətdə Kalkulyatorda istifadə ediləcək Koordinat Biçimi, xəritədəki ümumi yaxınlığı təyin etmək üçün istifadə edilən orijinal mənbənin koordinat formatını deyil, düzəldilmiş mərkəzin təyin olunduğu xəritədəki koordinat formatını təşkil edir. Məsələn, fərz edək ki, orijinal koordinatlar DMS-dəki bir qəzetçidən gəldi, lakin xüsusiyyətin sərhəd və düzəldilmiş mərkəzi Google Xəritədən müəyyən edildi, Koordinat Formatı DMS deyil, ondalık dərəcə olardı.

Bu termin yalnız orijinal mənbədən istifadə edilən formata heç bir dönüşüm edilməməsi halında, verbatimCoordinateSystem Darwin Core termininə bərabərdir. Genişlik daxil edinUzunluq daxil edin (məsələn, orijinal koordinatlar UTM olsaydı və onları DMS-ə çevirməlisinizsə, o zaman Koordinat Formatı Kalkulyatorda DMS, lakin verbatimCoordinateSystem UTM olacaqdır. Orijinal koordinat formatını seçmək koordinatların öz doğma formatlarına daxil olmasına imkan verir və Kalkulyatoru koordinat dəqiqliyi üçün uyğun seçimlər təqdim etməyə məcbur edir. Koordinat formatının dəyişdirilməsi koordinat dəqiqliyini avtomatik olaraq sıfırlayır ən yaxın dərəcə. Həqiqi koordinat dəqiqliyi üçün bunu düzəltdiyinizdən əmin olun. Kalkulyator koordinatları ondalık dərəcədən yeddi onluğa qədər saxlayır. Bu, neçə koordinat çevrilməsindən asılı olmayaraq bütün formatlarda düzgün koordinatları qorumaq üçündür.

1.6.8. Koordinat Dəqiqliyi

Kalkulyatorda giriş parametrlərinin birinci sütununda Dəqiqlik kimi etiketlənmiş bu açılan siyahı seçilmiş koordinat formatına uyğun olaraq dəqiqlik səviyyələri ilə doldurulur. Məsələn, dəqiqə saniyə dərəcələrinin bir Koordinat Biçimi, 35 ° 22 '24 "N Giriş Genişliyi və 105 ° 22' 28" W Giriş Uzunluğu ilə, Koordinat Dəqiqliyi ən yaxın saniyə olardı. Dəqiq bir dəyər, siyahıda verilmiş ən yüksək dəqiqlikdən daha yüksək hər hansı bir dəqiqlik səviyyəsidir. Koordinat dəqiqliyi mənbələri arasında kağız və ya rəqəmsal xəritələr, rəqəmsal görüntülər, GPS, qəzetlər və ya ərazi təsvirləri ola bilər.

Kalkulyatorda istifadə ediləcək Koordinat Dəqiqliyi, xəritədəki ümumi yaxınlığı təyin etmək üçün istifadə olunan orijinal mənbənin koordinat dəqiqliyi deyil, düzəldilmiş mərkəzin təyin olunduğu mənbənin koordinat dəqiqliyidir. Məsələn, orijinal koordinatların bir qəzetçidən gəldiyini düşünək, lakin xüsusiyyətin hüdudları və düzəldilmiş mərkəzi Google Xəritələrdən təyin olundu, Koordinat Dəqiqliyi, Google Xəritələrdəki düzəldilmiş mərkəzdən çəkdiyiniz ondalık dərəcələrin rəqəmlərinə görə təyin ediləcəkdi. , orijinal qəzetçi girişindəki koordinatların Koordinat Dəqiqliyi deyil. Google Xəritələrdə təqdim olunan bütün rəqəmlərdən istifadə etsəniz, Koordinat Dəqiqliyi "dəqiq" olardı.
Bu müddət oxşar, ancaq YOX Çıxış koordinatlarına tətbiq olunan Darwin Core terminli coordinatePrecision ilə eyni.

1.6.9. Datum

Verilmiş Giriş Enlem və Boylam üçün koordinatların əsas götürdüyü bir elipsoidin mənşəyinin və istiqamətinin mövqeyini müəyyənləşdirir (bax koordinat istinad sistemi).

The Datum Kalkulyatorda istifadə etmək düzəldilmiş mərkəzin təyin olunduğu mənbənin datumudur (və ya elipsoid). Məsələn, fərz edək ki, orijinal koordinatlar naməlum tarixi olan bir qəzetçidən gəlmişdir, lakin xüsusiyyətin sərhəd və düzəldilmiş mərkəzi Google Maps-dən müəyyən edilmişdir. Datum "WGS84" olardı, "məlumat qeyd edilmədi."

Kalkulyatordakı Datum termini, Darwin Core termini geodeticDatum-a bərabərdir. Kalkulyator Datum açılır siyahısına elipsoidləri daxil edir, çünki bəzən koordinat mənbəyinin göstərdiyi hamısı budur. Kalkulyatorda datum seçiminin iki mühüm təsiri var. Birincisi, giriş koordinatlarının datası məlum deyilsə, qeyri-müəyyənliyə töhfədir. Datum və elipsoid məlum deyilsə, qeyd olunmayan məlumat seçilməlidir. Bilinməyən bir məlumat bazasına görə qeyri-müəyyənlik şiddətli ola bilər və coğrafi baxımdan mürəkkəb bir şəkildə dəyişir və ən pis töhfə 5359 m-dir (bax: Georeferencing Best Practices in Coordinate Reference System (Chapman & amp Wieczorek 2020)). Veri seçiminin ikinci vacib təsiri, məsafə hesablamalarının asılı olduğu yerin ellipsoid modelinin xüsusiyyətlərini təmin etməkdir.

1.6.10. İstiqamət

Georeferans Kalkulyatorundakı İstiqamət, ya standart bir kompas nöqtəsi olaraq (kompasın boksuna baxın) ya da şimaldan saat istiqamətində bir neçə dərəcə olaraq lokal təsvirdə verilən başlıqdır. True North, Magnetic North ilə eyni deyil (bax: Georeferencing Best Practices in Headers (Chapman & amp Wieczorek 2020)). Bir başlığın maqnit başlığı olduğu bilinirsə, Kalkulyatorda istifadə edilməzdən əvvəl həqiqi bir başlığa çevrilməlidir (bax NOAA & # 8217s Magnetic Field Calculator). N-dən dərəcələr seçilərsə, seçimin sağında bir dərəcə başlığının daxil edilməli olduğu bir mətn qutusu görünəcəkdir.

Bəzi dəniz lokasyonlarının təsvirləri cari yerdən (məsələn, "Nubble Deniz Feneri'ne 327 °") deyil, bir dönüş nöqtəsinə doğru bir istiqamətə (azimut) istinad edir. Bir məsafəni belə bir ərazi təsviri üçün bir başlıq hesablaması etmək üçün, istiqamət istiqamətində (yuxarıdakı nümunədə 147 °) göstəriləndən 180 dərəcə pusula nöqtəsini istifadə edin.

1.6.11. Ofset məsafəsi

Kalkulyatorda Ofset məsafəsi mənşə nöqtəsindən xətti səth məsafəsidir. Ofsetlər yalnız başlıqda və məsafədə yerləşmə məsafəsi üçün istifadə olunur. Düzbucaqlı istiqamətlər üzrə Yer tipi məsafəsi seçilərsə, iki fərqli ofset var:

Giriş Enleminin şimala və ya cənuba olan məsafəsi (məsafə mətn qutusunun sağındakı seçim qutusu ilə təyin olunur).

Şərq və ya Qərb Ofset məsafəsi

Giriş uzunluğunun şərqə və ya qərbə olan məsafəsi (məsafənin mətn qutusunun sağındakı seçim qutusu ilə təyin olunur).

1.6.12. Məsafə vahidləri

Məsafə vahidləri seçimi, ərazi təsvirində istifadə olunan real dünya vahidlərini ifadə edir. Təsvirdə göstərildiyi kimi orijinal vahidləri seçmək vacibdir. Bu məsafənin dəqiqliyindən gələn qeyri-müəyyənliyi düzgün bir şəkildə daxil etmək üçün lazımdır. Yer təsvirində məsafə vahidləri daxil deyilsə, ölçmələrin əldə olunduğu xəritənin məsafə vahidlərindən istifadə edin.

"10 mil E (hava yolu ilə) Bakersfield" üçün mi seçin

"Lissabonun 3.2 km SE" üçün km seçin

məsafə vahidlərinin təyin olunduğu Google Xəritədə ölçmələr üçün km seçin km.

Verilən hesablamada istifadə olunan bütün məsafələr eyni vahidlərdən istifadə etməlidir. Məsələn, lokal təsvirdə ofset məsafəsi mil ilə verilmişdirsə, radial dəyəri daxil edərkən bunu millə etməlisiniz.

1.6.13. Məsafə dəqiqliyi

Kalkulyatorda giriş parametrlərinin ikinci sütununda dəqiqlik kimi qeyd olunan məsafənin dəqiqliyi, məsafənin bir ərazidə təsvir olunduğu dəqiqliyə aiddir (bax: Georeferencing Best Practices-də Ofset Precision ilə əlaqəli qeyri-müəyyənlik (Chapman & amp Wieczorek 2020)). Bu açılan siyahı seçilmiş Məsafə vahidlərinə əsasən doldurulur və sözün əsl ofsetində göstərilən dəqiqliyi göstərmək üçün on və sadə hissənin güclərini ehtiva edir.

"6 mil NE of Davis" üçün 1 mil seçin

"Hamiltonun 3.75 km W" üçün ¼ km seçin

1.6.14. Ölçmə xətası

Ölçmə Xətası, kağız xəritələrdəki hökmdarlar və ya Google Xəritə və ya Google Earth'dəki ölçmə vasitələri kimi hər hansı bir ölçü alətindən istifadə edərək bir nöqtəni digərindən ayırmaq qabiliyyəti ilə əlaqəli səhvləri hesab edir. Ölçü vahidləri, məsafə vahidlərində çəkildiyi yerin təsvirində olanlarla eyni olmalıdır (bax §1.6.12). Kalkulyatorun altındakı məsafə çeviricisi ölçümün ərazi təsviri vahidlərinə dəyişdirilməsinə kömək etmək üçün verilir. Məsələn, xəritədə ölçmə xətası üçün məqbul bir dəyər 1 mm-dir, 1: 24,000 miqyaslı xəritədə 24 m olacaqdır.

1.6.15. GPS dəqiqliyi

When GPS is selected from the Coordinate Source drop-down list, the label for the Measurement Error text box changes to GPS Accuracy . We recommend entering a value that is at least twice the value given by the GPS at the time the coordinates were captured (see Uncertainty due to GPS in Georeferencing Best Practices (Chapman & Wieczorek 2020). If GPS Accuracy is not known, enter 100 m for standard hand-held GPS coordinates taken before 1 May 2000 when Selective Availability was discontinued. After that, use 30 m as a conservative default value.

1.6.16. Uncertainty

The Uncertainty in the Calculator is the calculated result of the combination of all sources of uncertainty (coordinate precision, unknown datum, data source, GPS accuracy, measurement error, feature extent, distance precision and heading precision) expressed as a linear distance – the geographic radial of the georeference and the radius in the point-radius method (Wieczorek et al. 2004). Along with the Output Latitude , Output Longitude , and Datum , the radius defines a circle containing all of the possible places a locality description could mean. In the Calculator the Uncertainty is given in meters.


Geospaital functionality in Atlas: integration of AEGIS #649

Motivation: During the 2018 OHDSI Symposium, Washington DC USA - J Cho, SC You, K Kim, Y Soh, D Kim, RW Park - presented a software demonstration called 'Application for Epidemiological Geographic Information System (AEGIS) - An open
source spatial analysis tool based on CDM'
. See AEGIS under related work.

AEGIS, was built to support 5.x version of the OMOP CDM. This version did not have latitude and longitude in location table. AEGIS developers used observation and fact_relationship table to design AEGIS using CDM 5.x. The OMOP CDM 6+ (released October 2018) has two location tables (location and location_history). The location table has fields for latitude and longitude. These new fields may be used to represent precise location of persons, providers or care_sites.

During the presentation, a decision was made to upgrade AEGIS to support CDM 6.x with new location table, and to evaluate if it was possible to integrate AEGIS like functionality, and the work of the OHDSI GIS workgroup into ATLAS.

Fon: Spatial epidemiology is the description, analysis or surveillance of a populations health related factors such as medical service, diseases, in relation to other person level or area level factors like demographic, environmental exposure, behavioral determinants, socio-economic indicators, genetic and infectious risk factors. Two types of spatial epidemiology are discussed below.

Descriptive mapping, widely used in spatial epidemiology, is useful for establishing initial hypotheses about the patterns of incidence/prevalence in an area, or the correlation between exposure to specific factors and disease.

Cluster detection is a more advanced statistical method that may reveal geographic clusters, based on patterns and spatial correlation.

The text was updated successfully, but these errors were encountered:

We are unable to convert the task to an issue at this time. Please try again.

The issue was successfully created but we are unable to update the comment at this time.


Lidar Base Specification v. 2.1: Glossary

(h) is equal to the ellipsoid height and
(N) is equal to the geoid height.

(n) is the rank of the observation that contains the Pth percentile,
(P) is the proportion (of 100) at which the percentile is desired (for example, 95 for 95th percentile), and
(N) is the number of observations in the sample dataset.

Once the rank of the observation is determined, the percentile (Qsəh) can then be interpolated from the upper and lower observations using the following equation:

Qsəh dır,-dir,-dur,-dür Pth percentile the value at ran n
A is the array of the absolute values of the samples, indexed in ascending order from 1 to N
A[mən] is the sample value of array A at index mən (for example, nw və ya nd). mən must be an integer between 1 and N
n is the rank of the observation that contains the Pth percentile
nw is the whole number component of n (for example, 3 of 3.14) and
nd is the decimal component of n (for example, 0.14 of 3.14).

where:
RSMEx is the RMSE in the x direction, and
RSMEY is the RMSE in the y direction.

where:
xn is the set of N x coordinates being evaluated,
x'n is the corresponding set of check point x coordinates for the points being evaluated,
N is the number of x coordinate check points, and
n is the identification number of each check point from 1 through N.

where:
yn is the set of N y coordinates being evaluated,
y'n is the corresponding set of check point y coordinates for the points being evaluated,
N is the number of y coordinate check points, and
n is the identification number of each check point from 1 through N.

where:
zn is the set of N z values (elevations) being evaluated,
z'n is the corresponding set of check point elevations for the points being evaluated,
N is the number of z check points, and
n is the identification number of each check point from 1 through N.


PointStacker - Random locations at different zoom level - Geographic Information Systems

A handful of the many changes resulting from the Affordable Care Act underscore the need for a geographic understanding of existing and prospective member communities. Health exchanges require that health provider networks are geographically accessible to underserved populations, and nonprofit hospitals nationwide are required to conduct community health needs assessments every three years. Beyond these requirements, health care providers are using maps and spatial analysis to better address health outcomes that are related in complex ways to social and economic factors.

Kaiser Permanente is applying geographic information systems, with spatial analytics and map-based visualizations, to data sourced from its electronic medical records and from publicly and commercially available datasets. The results are helping to shape an understanding of the health needs of Kaiser Permanente members in the context of their communities. This understanding is part of a strategy to inform partnerships and interventions in and beyond traditional care delivery settings.

Giriş

During the past decade, the use of geographic information systems (GIS) for mapping and spatial analytics has evolved at Kaiser Permanente (KP). With roots in care delivery facilities planning, GIS next became an important part of KP's effort to illuminate disparities in care and improve quality of care. More recently, the Patient Protection and Affordable Care Act (ACA) 1 is reinforcing the need for a geographic understanding of existing and prospective member communities, including health status and outcomes, access to care, and cultural preferences. 2 For example, state and federal health exchanges require evidence that health provider networks are geographically accessible to underserved populations. 3,4 The ACA also mandates that nonprofit hospitals conduct a community health needs assessment every three years. 5 Other health systems have similarly recognized the utility of GIS to understand primary care needs at the community level 6 and to galvanize multisector collaborations to better address health outcomes that are related in complex ways to social and economic factors. 7

This article highlights two recent projects required by the ACA in which GIS played an important role: 1) measuring network adequacy and 2) conducting community health needs assessments. We also outline a GIS-based approach that uses data from KP's electronic health record (EHR) to identify neighborhood-level spatial variation in the prevalence of chronic conditions. Developed as a complement to the community health needs assessment process, the resulting hot spot maps protect patient/member confidentiality, while showing that the variation in health outcomes is often spatially correlated with social determinants across the community. Last, we discuss other uses for hot spot mapping, geospatial analytics, and the evolving role of GIS in targeting community-based disease prevention and management efforts.

In health care organizations, great care must be taken when working with protected health information using any technology. The use of GIS technology is no exception, for reasons ranging from compliance with the Health Insurance Portability and Accountability Act (HIPAA) to preventing unethical targeting of groups on the basis of race, ethnicity, or sociodemographics. For these reasons, much of our efforts focus on protecting individual confidentiality when working with data from KP members' EHRs.

Measuring Network Adequacy and Accessibility

Health exchanges are an important vehicle for making health insurance available via the ACA. The application process requires health plans to report network adequacy in geographically specific ways. For example, the Qualified Health Plan application for California's Health Benefit Exchange required time (30 minutes) and distance (15 miles) calculations from low-income populations (≤ 200% of federal poverty level) to primary care physicians across all counties where the Health Plan would offer insurance. GIS tools were used to measure accessibility via the street network between the low-income population and KP care delivery locations. Although not originally required, KP's internal project team requested maps, which were ultimately submitted as part of the application. As an example, the map for San Diego County (Figure 1, enlarged, full-color version is available online at: www.thepermanentejournal.org/images/Spring2014/GIS1.jpg) indicates that very few low-income residents live beyond a 30-minute drive to KP primary care locations.

Similarly, the federal requirements measure access to care providers by focusing on high-need zip codes. These zip codes have been designated as a Health Professional Shortage Area by the US Department of Health and Human Services Health Resources and Services Administration or have a high percentage (≥ 30%) of the population living at or below 200% of the federal poverty level. The number of primary care physicians in the Health Plan who practice in or adjacent to these high-need zip codes are compared with the number of Essential Community Providers, as defined by the Health Resources and Services Administration. 8 This measure ensures that the Health Plan provides at-risk populations with sufficient geographic access to care providers, and GIS analysis was necessary to answer the question of zip code adjacency. Although measures of network adequacy may evolve in the face of more virtual access to care (eg, telemedicine, care coordination, and broadband access in rural areas), geographically based measures of network adequacy will continue to require GIS technology for accurate measurement and reporting.

Supporting Community Health Needs Assessment

Since 1994, the state of California has required that nonprofit hospitals develop and implement community health needs assessments. 9 Starting in 2013, the ACA requires community health needs assessments for nonprofit hospitals nationwide to be repeated every three years to identify changes in health needs. 1 This requirement aligns well with KP's mission to provide high-quality, affordable health care services and to improve the health of our members and the communities we serve.

Building on years of experience with community health needs assessments in California and inspired by the ACA mandate, KP conducted a project to support the community health needs assessment process. A crossfunctional team from KP identified indicators and benchmarks, developed toolkits to outline workflows, and partnered with the Institute for People, Place & Possibility in Columbia, MO, and the Center for Applied Research and Environmental Systems at the University of Missouri, Columbia, to build a Web-based reporting and mapping tool. The resulting data platform (www.CHNA.org/KP) streamlines access to a broad set of data indicators, helping planners to explore and to learn about the health needs of a community, and to produce tables, charts, interactive maps, and reports to communicate their findings. 10 The community health needs assessment indicators are organized into categories: demographics, social and economic factors (eg, crime, education, poverty), physical environment (eg, fast food, parks, and air quality), clinical care (eg, access to preventive care), health behaviors (eg, eating fruits and vegetables), and health outcomes (eg, diabetes prevalence). Together these indicators provide insight on health outcomes and clinical care as well as upstream factors that also have an impact on health. In partnership with the Centers for Disease Control and Prevention in Atlanta, GA, the Institute for People, Place & Possibility, and the Center for Applied Research and Environmental Systems, KP has provided the CHNA.org platform as a free GIS community asset to support community health needs assessment efforts nationwide. 11

Data challenges still exist, however. Although many states are recognizing the limitations of publicly available health data and taking initial steps to address these limitations (eg, All Payer All Claims Database in Oregon and California's Free the Data initiative), many important public health statistics are still reported only at the state or county levels. From a national perspective, these statistics provide useful benchmarks, as they can be trended over time and indicate regional variation. However, overaggregation can mask underlying disparities, 12 limiting efforts to target interventions and detect changes at the local level.

Mapping Neighborhood-Level Geographic Variation in Health Outcomes

In Summer 2012, we piloted an internal project to address the lack of neighborhood-level insight regarding health outcomes across seven KP Regions in eight states (CA, CO, GA, HI, MD, OR, VA, and WA) and the District of Columbia. We used data derived from KP's EHR to produce neighborhood-level hot spot maps of disease prevalence in KP member communities for high-impact chronic conditions: adult and child obesity, asthma, diabetes, heart disease, and hypertension. We also analyzed self-reported physical activity measures, referred to as "Exercise as a Vital Sign," for several Regions. To protect member privacy while providing actionable insights, we scored neighborhoods by how their prevalence rate compared with the regional KP average rate, but no absolute rates were communicated and no member-level data were presented.

Using GIS tools, we geocoded each member's home address and aggregated member-level health outcomes to the census tract, providing an initial level of protection for member/patient identifiable information. Regions of KP range in size from a few hundred thousand to more than 3 million members, representing up to 30% or more of the total population in some census tracts. Table 1 lists the number of tracts by Region. Although perhaps imperfect for our purposes, census tracts are intended to be socioeconomically homogeneous, and they have origins in public health applications. 13 This level of aggregation provided a balance between detailed geographic measurement, adequate sample size, and individual privacy. 12 After aggregating member-level chronic conditions data into census tract rates, we used a documented approach with origins in analysis of medication adherence 14 to determine 1) whether individual tract rates stood out compared with other tracts in the Region and then 2) whether there were entire neighborhood rates that stood out compared with the KP Region.

The analysis standardized rates across census tracts to account for variability in KP member density. The resulting tract-level standardized rates (Z scores) incorporate the number of members in each tract along with the rate to indicate how many standard deviations each tract rate is from the regional rate. This highlights individual tract rates that are statistically significantly different from the overall regional rate.

To determine if there were entire neighborhoods, or groups of census tracts, with significantly higher or lower rates, it was important to first define neighborhoods. Neighborhoods were ultimately defined around each census tract as either 1) all additional census tracts within two miles, for densely populated urban areas, or 2) the two additional closest census tracts, measured from the centroid, for sparsely populated rural areas. On the basis of these neighborhood definitions, we created models in ArcGIS for Desktop (Esri, Redlands, CA) to run the Hot Spot Analysis (Getis-Ord Gi* statistic) on the standardized tract rates for each chronic condition for each Region. The Getis-Ord Gi* statistic is a Z score identifying statistically significant spatial clustering of higher and lower values. When applied to the standardized chronic condition prevalence rates, the results identify multitract hot spots where neighborhood rates significantly differ from the overall regional rate. To further protect member confidentiality, we then recategorized the hot spot Z scores into a hot spot index value for each census tract, as specified in Figure 2. Each hot spot index value corresponds to a standard deviation and confidence interval. These classifications allowed us to share actionable relative prevalence data and maps, while completely masking the actual rates.

This method revealed neighborhoods with significant spatial clustering of similar tract rates, which were either significantly higher or lower than the regional average. These results indicated that the variation in some chronic conditions across KP member communities mirrored key drivers (eg, obesity and low educational attainment Figure 3, enlarged version is available online at: www.thepermanentejournal.org/images/Spring2014/GIS3.jpg). Although some of these associations have been previously described in published studies, 15-17 this approach systematically identified and quantified the geographic variation and generated compelling visualizations that both protected individual member data and were easily understood by nontechnical audiences.

Additional Cases Using Geographic Information Systems

The hot spot modeling method and maps described earlier were initially developed to complement a robust ACA-mandated community health needs assessment process, but KP clinicians are finding new uses for them. We have recently used this approach to 1) inform planning efforts for prediabetes interventions in Georgia and the Northwest, 2) support the case for investment in an at-home healthy meals delivery program for patients with heart failure after discharge in the San Francisco Bay Area, and 3) identify KP communities where fewer people get a flu vaccine to target efforts to increase vaccination rates in Southern California.

In the future, GIS could play a vital role in improving clinical operations. In the spirit of the work done at the University of Florida Family Data Center, we are mapping heart attack risk in KP member communities across San Diego to help target deployment of a mobile health van. 7 In addition, an early prototype has indicated some value for using GIS-based route planning tools to help optimize the work of home health care providers. Although this application is nascent at KP, related work has documented benefits such as reduced cost via reduced travel time for providers as well as improved patient satisfaction. 18

Evolving Opportunities

Care transformation is likely to happen on multiple scales, from the clinical care team to the community. Insight and information based on GIS could help by supplementing decision support for care teams, informing partnerships with planning and public health agencies, and empowering communities to improve their health collectively.

GIS can supplement decision support for clinical care teams. Care teams are increasingly prescribing walking as a therapy for chronic conditions. After-visit summaries or patient-facing tools could include suggestions for walking routes or other healthy lifestyle resources near the patient's home or work. GIS also have been used to investigate patterns of community-acquired methicillin-resistant Staphylococcus aureus, for which geographic area proved to be a significant risk factor for children presenting with this infection. 19 The authors suggested that this information could guide antibiotic selection before culture results are available. 19

GIS maps and analyses support a common language that can inform partnerships with local planning and public health agencies and affect policy change. Health in All Policies: A Guide for State and Local Governments outlines ways in which decisions made in sectors such as transportation, education, and economic development affect health. The policy suggests that "better health can support the goals of these multiple sectors." 20 Regional Equity Atlases, such as those available for Portland, OR Denver, CO and Atlanta, GA, provide another example of the use of GIS to communicate interrelationships between planning sectors, social determinants, and health outcomes that can help galvanize policy change.

Finally, and perhaps most important, GIS can help empower community members to improve their health collectively. Learning what is already working in some neighborhoods can inform strategies in neighborhoods that face similar social determinants. Increasingly, crowdsourcing is used to allow people to vote online, in a geographically specific way, on investments that are important to them. Portland Bike Share is one example. 21 The same could be done for understanding which neighborhood-level investments would help people become or stay healthy, be it a grocery store, improved park, or better access to transportation.

Nəticə

Use of GIS at KP has evolved over the years and has recently become important for regulatory aspects of health care reform related to network adequacy and community health needs assessment. As part of these efforts, we identified systemic variation in the prevalence of chronic conditions across KP member communities at the census tract and neighborhood levels. This geographic variation is not random, suggesting that geographically informed interventions may be part of a multifaceted solution. Furthermore, these results are generating interest in other parts of KP to understand the effects of place and to respond accordingly. These findings reinforce Ethan Berke, MD's call for "place as a vital sign." 22 GIS make it possible to give geographic context to data from an EHR, understand individual health in the context of community health, and begin to assess the importance of place as a vital sign. Within KP, the use of GIS is growing, results are compelling, and engagement is high.

Disclosure Statement

The author(s) have no conflicts of interest to disclose.

Acknowledgment

The authors would like to thank Pamela Schwartz, MPH, and Jean Nudelman, MPH, for leadership in developing the Community Health Needs Assessment platform and for providing constructive feedback during refinement of the hot spot methodology.

Kathleen Louden, ELS, of Louden Health Communications provided editorial assistance.

İstinadlar

1. The Patient Protection and Affordable Care Act of 2010. Public Law 111-148, 111th Congress, 124 Stat 119, HR 3590, enacted 2010 Mar 23.

2. Kehoe B. Mapping out care delivery with an assist from GIS. Hosp Health Netw 2011 Jan85(1):16-7.

3. California health benefit exchange [Internet]. Sacramento, CA: National Business Coalition on Health 2012 Nov 16 [amended 2012 Dec 28 cited 2013 Aug 27]. Available from: www.healthexchange.ca.gov/Solicitations/Documents/FINAL%20SOLICITATION%2011-16-12%20updated%2012-28-12.pdf. p 25.

4. Supplementary response: inclusion of essential community providers [Internet]. Baltimore, MD: Centers for Medicare & Medicaid Services 2013 Mar 8 [cited 2013 Aug 27]. Available from: www.cms.gov/CCIIO/Programs-and-Initiatives/Files/Downloads/ecp_supplemental_response_Form_03_08_13.pdf. p 3.

5. New requirements for 501(c)(3) hospitals under the Affordable Care Act [Internet]. Washington, DC: Internal Revenue Service updated 2013 Nov 7 [cited 2013 Aug 27]. Available from: www.irs.gov/Charities-&-Non-Profits/Charitable-Organizations/New-Requirements-for-501%28c%29%283%29-Hospitals-Under-the-Affordable-Care-Act.

6. Dulin MF, Ludden TM, Tapp H, et al. Using Geographic Information Systems (GIS) to understand a community's primary care needs. J Am Board Fam Med 2010 Jan-Feb23(1):13-21. DOI: http://dx.doi/org/10.3122/jabfm.2010.01.090135.

7. Hardt NS, Muhamed S, Das R, Estrella R, Roth J. Neighborhood-level hot spot maps to inform delivery of primary care and allocation of social resources. Perm J 2013 Winter17(1):4-9. DOI: https://doi.org/10.7812/TPP/12-090.

8. Essential community providers [Internet]. Rockville, MD: Health Resources and Services Administration, HIV/AIDS Programs 2013 [cited 2013 Dec 5]. Available from: http://hab.hrsa.gov/affordablecareact/ecp.html.

9. Not-for-profit hospital community benefit legislation. SB 697, CA Stat of 1994 ch 812, §127340-127365.

10. CHNA data platform: background [Internet]. Oakland, CA: Kaiser Permanente 2013 [cited 2013 Aug 27]. Available from: http://assessment.communitycommons.org/KP/Background.aspx.

11. Resources for implementing the community health needs assessment process [Internet]. Atlanta, GA: Centers for Disease Control and Prevention, Office of the Associate Director for Policy 2013 Sep 11 [cited 2013 Aug 27]. Available from: www.cdc.gov/policy/chna/.

12. Krieger N, Chen JT, Waterman PD, Soobader MJ, Subramanian SV, Carson R. Geocoding and monitoring of US socioeconomic inequalities in mortality and cancer incidence: does the choice of area-based measure and geographic level matter?: the Public Health Disparities Geocoding Project. Am J Epidemiol 2002 Sep 1156(5):471-82. DOI: https://doi.org/10.1093/aje/kwf068.

13. Krieger N. A century of census tracts: health & the body politic (1906-2006). J Urban Health 2006 May83(3):355-61. DOI: https://doi.org/10.1007/s11524-006-9040-y.

14. Hoang C, Kolenic G, Kline-Rogers E, Eagle KA, Erickson SR. Mapping geographic areas of high and low drug adherence in patients prescribed continuing treatment for acute coronary syndrome after discharge. Pharmacotherapy 2011 Oct31(10):927-33. DOI: https://doi.org/10.1592/phco.31.10.927.

15. Link BG, Phelan J. Social conditions as fundamental causes of disease. J Health Soc Behav 1995Spec No:80-94.


Semantics Geographic information system_section_28

Ümumdünya Şəbəkə Konsorsiumunun Semantik Veb-dən çıxan alətlər və texnologiyalar informasiya sistemlərindəki məlumatların inteqrasiyası problemləri üçün faydalıdır. Geographic information system_sentence_298

Müvafiq olaraq, bu cür texnologiyalar GIS & # 160 tətbiqetmələri arasında qarşılıqlı əlaqəni və məlumatların təkrar istifadəsini asanlaşdıran bir vasitə kimi təklif edilmişdir. Geographic information system_sentence_299

and also to enable new analysis mechanisms. Geographic information system_sentence_300

Ontologiyalar bu semantik yanaşmanın əsas tərkib hissəsidir, çünki müəyyən bir sahədəki konsepsiyaların və əlaqələrin rəsmi, maşın tərəfindən oxunaqlı dəqiqləşdirilməsinə imkan verir. Geographic information system_sentence_301

Bu da öz növbəsində CİS-in məlumatların sintaksisinə və ya quruluşuna deyil, nəzərdə tutulan mənasına diqqət yetirməsinə imkan verir. Geographic information system_sentence_302

For example, reasoning that a land cover type classified as deciduous needleleaf trees in one dataset is a specialization or subset of land cover type forest in another more roughly classified dataset can help a GIS automatically merge the two datasets under the more general land cover classification. Geographic information system_sentence_303

Tentative ontologies have been developed in areas related to GIS applications, for example the hydrology ontology developed by the Ordnance Survey in the United Kingdom and the SWEET ontologies developed by NASA's Jet Propulsion Laboratory. Geographic information system_sentence_304

Also, simpler ontologies and semantic metadata standards are being proposed by the W3C Geo Incubator Group to represent geospatial data on the web. Geographic information system_sentence_305

GeoSPARQL, Ordnance Survey, Amerika Birləşmiş Ştatları Geoloji Tədqiqat, Kanada Təbii Sərvətlər, Avstraliyanın Birlik Elmi və Sənaye Tədqiqat Təşkilatı və digərləri tərəfindən yaxşı başa düşülən OGC ədəbiyyatı (GML, WKT), topoloji əlaqələr (Sadə) istifadə edərək ontoloji yaratma və əsaslandırmağı dəstəkləyən bir standartdır. Xüsusiyyətlər, RCC8, DE-9IM), RDF və SPARQL verilənlər bazası sorğu protokolları. Geographic information system_sentence_306

Recent research results in this area can be seen in the International Conference on Geospatial Semantics and the Terra Cognita – Directions to the Geospatial Semantic Web workshop at the International Semantic Web Conference. Geographic information system_sentence_307


PointStacker - Random locations at different zoom level - Geographic Information Systems

To assess the impact of geographic health services factors on the timely diagnosis of autism.

Metodlar

Children residing in central North Carolina were identified by records-based surveillance as meeting a standardized case definition for autism. Individual-level geographic access to health services was measured by the density of providers likely to diagnose autism, distance to early intervention service agencies and medical schools, and residence within a Health Professional Shortage Area. We compared the presence of an autism diagnosis by age 8 and timing of first diagnosis across level of accessibility, using Poisson regression and Cox proportional hazards regression and adjusting for family and neighborhood characteristics.

Nəticələr

Of 206 identified cases, 23% had no previous documented diagnosis of autism. Most adjusted estimates had confidence limits including the null. Point estimates across analyses suggested that younger age at diagnosis was found for areas with many neurologists and psychiatrists and proximal to a medical school but not areas with many primary care physicians or proximal to early intervention services agencies.

Nəticələr

Further study of the distribution of medical specialists diagnosing autism may suggest interventions to promote the early diagnosis, and initiation of targeted services, for children with autism spectrum disorders.


Normal Hotspots vs Clumpy Ones in Raleigh

The open data I use for Raleigh, North Carolina for the NIBRS dataset goes back to June 2014, and has data updated in the beginning of March 2021. I pull out larcenies from motor vehicles, and for the historical train dataset use car larcenies from 2014 through 2019 (n = 17,681). For the test dataset I use car larcenies in 2020 and what is available so far in 2021 (n = 3,376). Again these are grid cells generated over the city boundaries at 500 by 500 foot intervals. For illustration I grab out the top 1% of the city (209 grid cells). I use a train/test dataset as out of sample test data will typically result in reduced predictions. Here are the PAI stats for train vs test when selecting the top 1%.

For all subsequent selections I always use the historical training data to select the hot spots, and the test dataset to evaluate the PAI.

If we do the typical approach of just taking the highest crime grid cells based on the historical data, here are the results both for the PAI and the CI (clumpy index). For those not familiar, PAI is % Crime Capture/% Area , so if the denominator is 1%, and the PAI (for the test data) is 17, that means the hot spots capture 17% of the total thefts from vehicles. The CI ranges from -1 (spread apart) to 1 (entirely clustered). Here it is just over 0, suggesting these are basically randomly distributed in terms of clustering.

You may think that almost spatial randomness in terms of clumping seems at odds with that crime clusters! But it is not really – a consistent relationship with crime hot spots is that they are intensely localized, and often you can go down the street and be in a low crime area (Harries, 2006). The same idea when people say high crime neighborhoods often are spotty interior – they tend to have mostly low crime areas and just a few specific hot spots.

OK, so now to show off my linear program. So what happens if we use theta=0.9 ?

The total crime numbers are here for the historical data, and it ends up capturing the exact same number of crimes as the select top 1% does (3,664). But, it switches the selection of one of the areas. So what happens here is that we have ties – even with basically little weight assigned to the interior connections, it will prioritize tied crime areas to be connected to other chosen hot spots (whereas before the ties are just random in the way I chose the top 1%). So if you have many ties at the threshold for your hot spot, this is a great way to prioritize particular tied areas.

What happens if we turn down theta to 0.5? So this is saying you would trade off one for one – one interior edge is equal to one crime.

You can see that it changed the selections slightly more here, traded off 24 areas compared to the original just rank solution. Lets check out the map and the CI:

The CI value is now 0.17 (up from 0.08). You can see some larger blobs, but it is still pretty spread apart. But the reduction in the total number of crimes captured is pretty small, going from a PAI of 17 to now a PAI of 16. How about if we crank down theta even more to 0.2?

This trades off a much larger number of areas and total amount of crime – over half of the chosen grid cells are flipped in this scenario. In the subsequent map you can see the hot spots are much more clumpy now, and have a CI of 0.64.

The PAI of 12.6 is a bit of a hit as well, but is not too shabby still. I typically take a PAI of 10 to be the ballpark of what is reasonable based on Weisburd’s Law of Crime Concentration – 5% of the areas contain 50% of the crime (which is a PAI of 10).

So this shows one linear programming approach to trade off clumpy chosen areas vs disconnected speckles over the map. It may be the case though that other approaches are more reasonable, such as using some type of clustering to begin with. Məs. I could use DBSCAN on the gridded predicted values (Wheeler & Reuter, 2020) as see how clumpy those hot spots are. This approach is nice though if you have a fixed area you want to cover though.


Revisiting the estimations of PM2.5-attributable mortality with advancements in PM2.5 mapping and mortality statistics

With the advancements of geospatial technologies, geospatial datasets of fine particulate matter (PM2.5) and mortality statistics are increasingly used to examine the health effects of PM2.5. Choices of these datasets with difference geographic characteristics (e.g., accuracy, scales, and variations) in disease burden studies can significantly impact the results. The objective of this study is to revisit the estimations of PM2.5-attributable mortality by taking advantage of recent advancements in high resolution mapping of PM2.5concentrations and fine scale of mortality statistics and to explore the impacts of new data sources, geographic scales, and spatial variations of input datasets on mortality estimations. We estimate the PM2.5-mortality for the years of 2000, 2005, 2010 and 2015 using three PM2.5 concentration datasets [Chemical Transport Model (CTM), random forests-based regression kriging (RFRK), and geographically weighted regression (GWR)] at two resolutions (i.e., 10 km and 1 km) and mortality rates at two geographic scales (i.e., regional-level and county-level). The results show that the estimated PM2.5-mortality from the 10 km CTM-derived PM2.5 dataset tend to be smaller than the estimations from the 1 km RFRK- and GWR-derived PM2.5 datasets. The estimated PM2.5-mortalities from regional-level mortality rates are similar to the estimations from those at county level, while large deviations exist when zoomed into small geographic regions (e.g., county). In a scenario analysis to explore the possible benefits of PM2.5 concentrations reduction, the uses of the two newly developed 1 km resolution PM2.5 datasets (RFRK and GWR) lead to discrepant results. Furthermore, we found that the change in PM2.5 concentration is the primary factor that leads to the PM2.5-attributable mortality decrease from 2000 to 2015. The above results highlight the impact of the adoption of input datasets from new sources with varied geographic characteristics on the PM2.5-attributable mortality estimations and demonstrate the necessity to account for these impact in future disease burden studies.

Capsule

We revisited the estimations of PM2.5-attributable mortality with advancements in PM2.5 mapping and mortality statistics, and demonstrated the impact of geographic characteristics of geospatial datasets on mortality estimations.


Videoya baxın: دورايمون دون تكبير او تصغير للشاشة YouTube عبقور (Oktyabr 2021).