Mais

Conectando-se a linhas, que não estão espacialmente conectadas entre si, usando FME?


Eu tenho um arquivo de forma que contém linhas. Essas linhas não estão espacialmente conectadas umas às outras.

Mais especificamente, o final de uma cadeia de linha tem uma coordenada ligeiramente diferente do início da próxima cadeia de linha (5º ou 6º dígito decimal).

Existe uma maneira de conectar essas linhas usando o FME 2014?


Você pode usar o transformador Snapper, com End Point Snapping e uma tolerância de 6.


A forma não automática seria usar o estalando função.

Portanto, selecione o recurso e arraste o ponto específico dele para outro com estalando claro que sim. Depois disso, selecione os dois recursos e use o Mesclar recursos selecionados opção. Agora você deve ter um recurso no final.

Se esta não for uma solução para você, descreva o problema um pouco mais detalhadamente.


Conectando-se a linhas, que não estão espacialmente conectadas umas às outras, usando FME? - Sistemas de Informação Geográfica

Revisão de modelos de propagação de epidemias e suas aplicações em redes de transporte.

Analisou as vantagens e limitações das aplicações de modelos de disseminação de epidemias em sistemas de transporte.

Resumiu os requisitos de modelagem emergentes trazidos pela pandemia COVID-19.

Propostas de tendências e perspectivas de pesquisa para modelagem de disseminação de epidemia em redes de transporte.


Visão geral do leitor

O GeoMedia Warehouse Reader produz recursos FME para todos os dados mantidos nos arquivos .mdb ou .accdb do Microsoft Access ou em um banco de dados Microsoft SQL Server, com exceção dos dados de imagem (cobertura). O leitor abre a conexão com o conjunto de dados de origem e lê o GAliasTable para determinar os nomes de tabela adequados a serem usados. Em seguida, ele lê a tabela do tipo GFeaturesTable para determinar a lista de tabelas que contêm dados de geometria. Esta lista de tabelas de dados a serem lidas é modificada pelas linhas de ID e DEF especificadas no arquivo de mapeamento ou na linha de comando. Cada tabela de geometria é então lida e seus recursos são processados ​​e retornados um de cada vez. Quando uma tabela se esgota, o leitor começa na próxima tabela de dados na lista até que todas as tabelas sejam lidas. Problemas com a leitura em uma tabela podem resultar na omissão de um recurso específico e, às vezes, em uma tabela inteira, dependendo da gravidade do erro, mas o leitor sempre tentará realizar o máximo de tradução possível.

As geometrias do GeoMedia não são mapeadas exatamente para as geometrias do FME. Isso terá os seguintes efeitos nos recursos do FME resultantes:

  • As coleções são mapeadas para um recurso agregado para cada FME fm0_type, dependendo de quais tipos existem na coleção.
  • Os compostos multiníveis podem ser nivelados para um aninhamento de primeiro ou segundo nível mais simples.
  • Como o GeoMedia não é rígido em sua digitação, o leitor pode produzir alguns recursos sem sentido que podem ser ignorados, por exemplo, um agregado de linha contendo pontos.

2. Transmitir -

As técnicas de transferência de transmissão (um para todos) podem ser classificadas em dois tipos:

  • Transmissão direta -
    Isso é útil quando um dispositivo em uma rede deseja transferir o fluxo de pacotes para todos os dispositivos na outra rede. Isso é conseguido traduzindo todos os bits de parte de ID do host do endereço de destino para 1, referido como Endereço de transmissão direta no cabeçalho do datagrama para transferência de informações.

Este modo é utilizado principalmente por redes de televisão para distribuição de vídeo e áudio.
Um protocolo importante desta classe em Redes de Computadores é o Protocolo de Resolução de Endereço (ARP) que é usado para resolver o endereço IP em um endereço físico que é necessário para a comunicação subjacente.


4 MARXAN CONNECT

  1. Entrada Espacial permite que os usuários identifiquem e carreguem suas unidades de planejamento e, opcionalmente, definam áreas espacialmente explícitas para evitar ou focar. Uma 'área evitada', por exemplo, pode ser uma área fortemente impactada por atividades indesejáveis ​​ou ameaças (por exemplo, portos internacionais com alto risco de invasão por uma espécie não nativa), ou áreas que são fontes potenciais de poluentes (por exemplo, extração de petróleo , vazões de rios). Nestes casos de "evitação", pode-se desejar priorizar unidades de planejamento que recebam menos indivíduos dessas áreas de evitação. Por outro lado, uma 'área de foco' pode representar uma área protegida existente, habitat crítico para espécies ameaçadas e / ou habitats importantes para conectividade (por exemplo, berçário, populações geneticamente únicas e potencialmente adaptativas vantajosas) que tem valor para inclusão no espaço espacial final plano. Ambas as áreas de evitação e foco podem ser "bloqueadas" ou "bloqueadas", mas o padrão é "status quo", onde Marxan Connect mantém o status da unidade de planejamento original (ou seja, definido em pu.dat).
  2. Entrada de conectividade permite que os usuários insiram seus próprios dados demográficos (por exemplo, número de indivíduos mudando do site A para B, consulte o glossário para tipos de dados [http://marxanconnect.ca/glossary.htmldata_types]) ou dados de conectividade baseados em paisagem (por exemplo, isolamento por resistência), gere dados com base na paisagem ou redimensione os dados com base demográfica. No entanto, o reescalonamento dos dados de conectividade exige conhecimento prático das premissas subjacentes e pode ser problemático (ou seja, os dados reescalonados representam com precisão o processo de conectividade e o contexto espacial de interesse?). Para evitar fazer suposições inadequadas (por exemplo, resolução, tamanho da vizinhança, extrapolação), é preferível e mais apropriado coletar ou gerar os dados de conectividade na resolução das unidades de planejamento. Para conectividade de paisagem, Marxan Connect calcula métricas de conectividade de redes, com base na distância euclidiana ou caminhos de menor custo entre os centróides das unidades de planejamento. No entanto, outros pacotes de software como o Circuitscape (McRae, Shah, & Mohapatra, 2009) e o Conefor (Saura & Torné, 2009) fornecem atualmente um conjunto mais rico de opções e métodos especializados. Esses pacotes de software podem ser usados ​​para criar recursos de conservação personalizados ou matrizes de conectividade, os quais podem ser usados ​​no Marxan Connect. Por exemplo, pode-se criar uma rede usando densidade de corrente (ou seja,. estimativa da força da conectividade usando a teoria do circuito elétrico) entre os centróides da unidade de planejamento com base na resistência da paisagem (ou seja,. resistência específica de habitat ao movimento) com Circuitscape e inserir a matriz de conectividade resultante no Marxan Connect para criar recursos de conservação ou dependências espaciais (por exemplo, fluxos entre unidades de planejamento).
  3. Métricas de conectividade orienta os usuários na seleção de sua escolha de métricas para incluir conectividade em suas priorizações espaciais (por exemplo, centralidade), calcula as métricas de conectividade especificadas e estabelece como esses dados devem ser tratados no Marxan (por exemplo, como um recurso de conservação ou dependências espaciais Figura 2). As definições das métricas a serem usadas como recursos de conservação (por exemplo, auto-recrutamento, centralidade de autovetores) podem ser encontradas no Glossário (http://marxanconnect.ca/glossary.htmldata_formats) ou usando o menu suspenso na guia para esta etapa . Depois de calcular a nova métrica, os usuários podem pular para as Opções de plotagem para visualização.
  4. Pré-Avaliação permite aos usuários discretizar (ou seja, recodificar dados contínuos para categóricos), editar e remover as métricas de conectividade calculadas na etapa anterior. Para criar um recurso discreto, os valores de limite mínimo e máximo devem ser escolhidos específicos para a métrica de conectividade contínua, idealmente após uma avaliação ecológica ou análise de sensibilidade (Ardron et al., 2010). As unidades de planejamento que atendem ao (s) limite (s) são então desenhadas em recursos exclusivos para os quais uma meta é definida (Figura 2). Da mesma forma, este tipo de configuração de limite é frequentemente usado com modelos de distribuição de espécies (Liu, Newell, & White, 2016), onde cada unidade de planejamento é atribuída a uma probabilidade de ocorrência de espécies, e um valor de limite é usado para converter esses dados de probabilidade contínua para um mapa binário (presença vs. ausência ou adequado vs. inadequado) para representar uma espécie particular como um recurso de conservação (por exemplo, Minor et al., 2008).
  5. Arquivos marxanos permite que os usuários exportem novos arquivos Marxan (ou seja, puvspr.dat, spec.dat, bound.dat e pu.dat) ou anexem os novos dados a um conjunto existente de arquivos Marxan.
  6. Análise Marxana permite que os usuários gerem um arquivo de entrada Marxan (ou seja, input.dat) antes de chamar e executar o Marxan (Ball et al., 2009) do Marxan Connect. Veja o Quadro 1 para uma introdução sobre Marxan.
  7. Opções de plotagem permite aos usuários traçar métricas de conectividade e resultados marxanos, e exportar mapas e shapefiles que contêm as métricas e resultados acima. Recomendamos visualizar entradas e saídas com frequência, especialmente após calcular métricas discretizadas.

Como alternativa ao Marxan Connect GUI, também fornecemos um módulo python baseado em linha de comando, marxanconpy (https://remi-daigle.github.io/marxanconpy/) (v1.0.0), que contém todas as funções do GUI. Os usuários podem usar isso para criar fluxos de trabalho flexíveis e reproduzíveis personalizados. A GUI e o módulo python também podem ser usados ​​em conjunto, por exemplo, a GUI pode ser usada para análises exploratórias e o arquivo de projeto Marxan Connect resultante (.MarCon) pode ser lido em python como um arquivo JSON (JavaScript Object Notation) para servir como base para um fluxo de trabalho Python baseado em linha de comando.

Intencionalmente, não fornecemos orientação com relação à seleção de fontes de dados (por exemplo, modelos, marcação), métodos disponíveis (recursos de conservação vs. dependências espaciais) ou métricas (por exemplo, centralidade de intermediação) porque a seleção dependerá do ecossistema local e restrições de dados. Por exemplo, o método de dependências espaciais tem o potencial de excluir locais isolados da solução final, dependendo do modificador de força de conectividade, a menos que esses locais sejam incluídos usando outros métodos (por exemplo, um recurso de conservação para um local isolado que por acaso também contém um único espécie Beger, Linke, et al., 2010). Essa exclusão é uma consequência, análoga ao resultado de um grande aumento do modificador de comprimento de limite. No Marxan Connect, pode-se combinar o uso de conectividade como dependências espaciais com uma 'Área de Foco' bloqueada (por exemplo, uma área protegida existente ou locais isolados) para atingir objetivos de design adicionais, como maximizar possíveis trampolins para outros locais, ou incluindo necessidades específicas da espécie. Por outro lado, o método de características de conservação pode fornecer um projeto de reserva mais eficaz no que diz respeito à dinâmica populacional (White, Schroeger, Drake, & Edwards, 2014). Uma vez que a literatura que compara a eficácia dessas abordagens é esparsa, recomendamos que os usuários construam e comparem vários cenários de conservação que usam dados de conectividade local de maneiras diferentes antes de decidirem por uma abordagem.


Resultados e discussão

Acesso digital: propriedade e uso de ativos digitais físicos em Kigali

Nos seus indicadores individuais, os setores de Kigali mantiveram coletivamente um excelente desempenho em termos de posse de telemóvel, conforme demonstrado pela pontuação média de acesso de 84,8% (Tabela 1). Propriedade de computador foi comparativamente baixo em 13,2%. Este padrão de propriedade de ativos de TIC é uma réplica da observação encontrada em ativos de comunicação tradicionais (rádio e TV). Enquanto a porcentagem média de acesso no rádio foi de 73,6%, houve uma incompatibilidade com a pontuação de acesso à TV, que ficou em um nível relativamente baixo, 37,7%. Inerentemente, a questão do custo e da classe socioeconômica poderia estar associada a tal incompatibilidade, uma vez que esses ativos de propriedade relativamente baixa são mais caros do que o rádio e o telefone móvel.

O padrão geral de distribuição entre ICT AIs e o espaço é capturado nas estatísticas de quociente de localização de TIC (LQICTagg) com base na agregação das pontuações do setor em todos os IAs em relação ao agregado de Kigali em todos os IAs. Nota de rodapé 3 Os setores de melhor desempenho ainda permanecem na liderança em LQICTagg. Além da análise de um único indicador, o Quociente de Localização de TIC permite a compreensão da concentração relativa do desempenho digital geral e, por extensão, possível base de TIC de determinados setores. Os QLs são adimensionais (nenhuma unidade anexada, derivada das porcentagens originais dos indicadores de TIC) e indicativos de orientação e especialização de TIC de cada setor. Se o desempenho da cidade for 1, uma pontuação acima desse valor por setor definiria o setor de melhor pontuação além da multidão. Esse setor é designado ICT-Basic (com uma forte base de ICT e concentração acima da região de referência, Kigali). Esses setores poderiam ser designados como realizadores (Song 2008), o que significa que, neste caso, eles têm uma forte base de TIC e vistos como espaços premium relativos (Graham e Marvin 2001) em termos de acesso digital (Fig. 1). Nota de rodapé 4

Desempenho geral de TIC em todos os setores, medido por LQ de IAs combinados, Kigali, 2012.

Em Kigali, 48,6% dos 35 setores são ICT-Basic. A posição de TIC distinta desses setores é tal que a cultura digital emergente e a economia poderiam se espalhar a partir desses centros para os espaços relativamente menos ativos ou áreas de recuperação, TIC-Não-Básico, com LQICTagg menor ou igual a 1. Estes são Não Básico porque carece da base urbana de TIC para serem considerados centros, onde a inovação pode se espalhar para outros setores. Estes representam as áreas onde os esforços difundidos (intervenções políticas) devem ser canalizados em conformidade, para equilibrar qualquer divergência espacial observada no acesso digital.

Clusters de tecnologia da informação e comunicação de Kigali

Os clusters distintos de ICT de Kigali foram mapeados usando a análise de cluster K-means. Isso ajudou a agrupar a cidade em um conjunto espacial de casos de TIC com características compartilhadas de todos os IAs. A Tabela 2 e a Fig. 2 resumem as características dos clusters.

Clusters / agrupamentos de TIC de Kigali 2012, com base em grupos K-means de IAs.

Baixo cluster não básico de TIC

Este é um aglomerado suburbano formado principalmente pelo extremo sul e oeste de Kigali, com mais dois setores na orla Nordeste: o eixo Gikomero-Rusororo. Rusororo incorpora a centralidade típica do cluster, em termos de características de TIC deste cluster. É o cluster de menor acesso às TIC em Kigali. Todos os setores do cluster são TIC-Não-Básico (Tabela 2). Ele tem o mínimo de propriedade de todos os indicadores de acesso físico e conexão / uso. É o mais dependente do cibercafé, embora tenha o menor desempenho em conexão e uso doméstico.

Cluster de ICT não básico alto

Este cluster é formado principalmente por setores não centrais de Kigali, localizados principalmente na região norte. O cluster passa pela posse de rádio (71,5%) e telemóvel (72,6%). No entanto, o número de proprietários de computadores é baixo (2,9%). Os agregados familiares no cluster dependem mais da ligação externa (não pessoal) à Internet (escritórios / escolas e cibercafés) do que da ligação doméstica à Internet. É constituído pelos setores onde outros pontos de acesso como os autocarros de Internet móvel têm uma presença relativamente marcada.

Cluster de TIC básico baixo

Este é um núcleo intermediário e de bom desempenho de propriedade e uso de ativos de TIC. Este cluster centro-limítrofe é tipificado por setores como Gatanga e Nyamirambo que são os mais próximos das características centrais deste cluster. Uma distância mais curta para o centro do cluster (uma medida adimensional) significa uma exibição mais forte ou incorporação das características do cluster de foco. Mantém um desempenho relativamente alto em termos de propriedade domiciliar de ativos de TIC (acesso físico), exceto telefone fixo, baixo em todos os clusters. Da Tabela 2, 91,3% dos domicílios nos setores deste cluster possuem telefones celulares, o indicador de desempenho máximo do cluster. No entanto, a propriedade de um telefone móvel não é compatível com a de um computador, o que é igualmente um indicador de ativos de TIC modernos. Isso também contrasta com seu desempenho na propriedade de rádios (74,1%). Escritórios e escolas são as principais fontes de conexão e uso da Internet. No entanto, isso não diminui o valor da propriedade do telefone móvel observado para o cluster, uma vez que conexões como Wi-Fi e / ou modems dependem de telefones móveis e computadores para funcionar.

Cluster de alta TIC básica

O núcleo de Kigali mantém o mais alto nível de desempenho em todos os indicadores de ativos de TIC tradicionais e conexão moderna. A dependência de cyber café e outros locais de conexão é relativamente menor do que a contribuição de locais de casa ou escritório / escola. Essa qualidade o distingue claramente de outros clusters onde a conexão com a Internet e o uso no cyber café ainda são relativamente maiores do que nas fontes domésticas. Isso contribui para um caráter distinto em termos de posse de computador em 24,3%. Este cluster é tipificado pelos setores Kacyiru e Nyarugenge. A alta propriedade de telefone móvel corresponde a alto nível de conexão e uso em residências, escritórios e escolas, semelhante ao cluster Low Basic-ICT. Todos os 13 setores neste cluster são ICT básicos, enquanto apenas quatro em nove são ICT-Basic no cluster Low Basic-ICT.

A análise de cluster apresentada aqui aponta para o papel da geografia no acesso às TIC. Os clusters de alto desempenho são núcleos geográficos e aglomerações econômicas de Kigali, em contraste com as áreas periféricas que são dominantes em todos os clusters de baixo desempenho. No entanto, a distância até o centro do cluster permite a distinção dentro dos clusters. Isso mostra os setores que exibem mais dos indicadores e características de TIC diferenciados do cluster em foco do que outros dentro do mesmo agrupamento espacial de TIC.

Desempenho digital e variáveis ​​econômico-espaciais

Usamos uma matriz de correlação para explorar o correlação entre espacial-variável econômica e IAs digitais. Os ativos de TIC foram tratados como substitutos da propriedade do material socioeconômico para fins de exploração preliminar da associação estatística mútua entre qualquer par de AIs de TIC. Os dois ativos de comunicação tradicionais (rádio e TV) foram encontrados para correlacionar fortemente, enquanto cada um mostrou uma associação estatisticamente forte com os ativos modernos de TIC, telefone móvel e propriedade de computador. Essa relação é mais forte entre a TV e a propriedade desses ativos modernos de TIC: telefone celular e computador (Tabela 3). A observação é compreensível, pois a TV simboliza um desenvolvimento mais recente (de dois ativos tradicionais), caro e de status social superior. Na aquisição de recursos de TIC, os setores que já estão acima das tecnologias existentes também possuem os mais novos dispositivos de TIC. Isso é consistente com o processo de causalidade cumulativa (Myrdal 1957), pelo qual as regiões com vantagem socioeconômica inicial continuam a dominar na parcela de indicadores de desenvolvimento positivos, desde que o mecanismo de distribuição existente persista. A concentração de TIC ou usuários da Internet e nomes de domínio são um reflexo do desenvolvimento de uma cidade em direção à economia digital. Nesse processo, indicadores positivos de digitalidade estarão concentrados em regiões desenvolvidas ou núcleos urbanos que já possuem vantagens socioeconômicas e de desenvolvimento espacial excepcionais (Zook 2001 Song 2008). Onde os mecanismos de mercado existentes (impulsionados por provedores de serviços de TIC) visam hotspots que são economicamente mais bem equipados, a desigualdade digital persiste.

Propriedade de telefone celular e computador foi encontrada associada ao uso da Internet em residências e escolas / escritórios. Embora nem todos os domicílios do setor que possuem dispositivos de TIC possam estar conectados e usar a Internet, é claro que onde essa conectividade está disponível, ou seja, em escritórios e escolas, por exemplo, através de Wi-Fi, é necessário que esses dispositivos se conectem e usem. Portanto, o acesso físico ou a propriedade do material de TIC e a conexão e uso da Internet se reforçam mutuamente. Onde a propriedade de ativos de TIC é alta e se correlaciona fortemente com a conexão à Internet em casa e locais de trabalho, os cyber cafés tornam-se menos relevantes, conforme visto na relação inversa entre os outros indicadores digitais e o uso dos cyber cafés.

O situação familiar e atividade socioeconômica dos setores estão associados a indicadores de TIC (Tabela 4). Os setores com maior percentagem de agregados familiares chefiados por mulheres apresentaram um desempenho inferior na propriedade e utilização de TIC, conforme evidenciado pela pontuação de correlação LQICTagg correspondente ao indicador de agregado familiar feminino. Essa associação inversa entre o desempenho em TIC e o status feminino também se aplica à população feminina no setor e é estatisticamente forte em termos de desempenho geral em TIC (LQICTagg). Isso é indicativo de uma estrutura de gênero de acesso às TIC. Embora a distorção de gênero no acesso a recursos fosse considerada comum, especialmente em cidades de países em desenvolvimento, vale a pena destacar isso, pois estudos recentes em países mais desenvolvidos postulam que gênero está se tornando um correlato menos relevante da exclusão digital (Li e Ranieri 2013). Portanto, podemos argumentar que, nos estágios rudimentares de desenvolvimento, a lacuna de gênero nas TIC é mais forte, mas tende a se enfraquecer à medida que o acesso geral às TIC melhora com a redução das desigualdades socioeconômicas. No entanto, o estudo de Li e Ranieri (2013) foi baseado em uma pesquisa direta e, uma vez que as respostas dos usuários às vezes confirmam dados oficiais ou exibem dissonância, narrativas variadas poderiam ser encontradas se os dados usados ​​em Kigali fossem submetidos à pesquisa de usuário. Essas variações objetivo-subjetivas foram encontradas em um estudo sobre serviço urbano e qualidade de vida na Etiópia (Berhe et al. 2014).

População jovem e educação estão positiva e fortemente correlacionados com o desempenho das TIC. Esses resultados estão em congruência com estudos anteriores (Li e Ranieri 2013 Várallyai et al. 2015 Whitacre 2008). Porcentagens mais altas da população jovem e da educação significam uma parcela maior dos nativos digitais (os millennials, nascidos na era digital).

Há uma associação inversa entre o desempenho de TIC e Emprego Juvenil. Se conduzido em níveis individuais, esse relacionamento pode exigir preocupação. No entanto, a relação encontrada neste estudo significa que os setores com melhor acesso à Internet coincidem com níveis mais elevados de desemprego. No contexto de muitas cidades africanas, neste caso Kigali, as áreas suburbanas e rurais normalmente se envolvem na agricultura periurbana servil e em outras atividades de apoio à subsistência informais fáceis de iniciar que contam como empregos. As áreas altamente urbanizadas e com empregos mais avançados, embora contassem com mais residentes empregados, representariam uma menor porcentagem da população ocupada por setor ou área. O fenômeno de níveis mais elevados de desemprego nos centros das cidades poderia ser intensificado pela contínua atração de migrantes em busca de oportunidades econômicas que se pensa serem abundantes nos centros de crescimento urbano, aumentando assim a pressão sobre as oportunidades disponíveis. O problema se torna complicado, pois a maioria dos novos migrantes para as cidades da África Subsaariana que têm como alvo os centros das cidades são pouco qualificados e permanecem desempregados por anos (Hove et al. 2013). O núcleo dessas cidades é caracterizado por um pequeno enclave de pessoas em empregos de alto nível, enquanto outras estão desempregadas ou não, em um mercado de trabalho urbano que está sendo integrado à economia global de ritmo acelerado e de base tecnológica, onde o sistema educacional não é capaz para atender à demanda de habilidades (Grant 2012). Isso é capaz de piorar a proporção da população empregada para a população agregada das áreas núcleo, sem retirá-los de suas vantagens aglomerativas e socioeconômicas relativas, incluindo educação, estilo de vida, inovação e polos de TIC.

Apesar Status de planejamento tem uma forte associação positiva com o desempenho de TIC em indicadores digitais, Propriedade de habitação exibe outro padrão interessante. Os setores altamente urbanizados, que registraram níveis mais elevados de desempenho em TIC, foram caracterizados por maiores percentagens de inquilinos e a periferia menos urbanizada de Kigali foi caracterizada por uma maior porcentagem de propriedade de casa própria. Nota de rodapé 5 Isso pode ser explicado. Uma habitação com telhado de colmo na zona suburbana, independentemente da qualidade (formalidade ou não da habitação), é considerada como propriedade da casa. Conseqüentemente, enquanto uma alta porcentagem das famílias comparativamente mais pobres nas áreas periféricas de Kigali podem possuir casas informais e de baixa qualidade, uma alta porcentagem das famílias com melhor educação, renda mais alta e equipadas com TIC seriam inquilinos em casas bem planejadas. Semelhante à proporção de desempregados / população total, a proporção de inquilinos-propriedade é mais alta no centro da cidade de Kigali, onde o acesso às TIC é mais alto. Este padrão é coerente com o NISR (2015) onde foi relatado que a porcentagem de proprietários de casas é de 28,2 e 60,2% nas áreas urbanas e rurais, respectivamente, com quotas de locação equivalentes de 67% (urbano) e 32,9% (rural). No aspecto de Aglomeração Urbana e Infraestrutura correlatos de acesso às TIC, participação da população urbana dos setores, participação da população total, número de escolas pós-primárias (substitutos para centros de inovação), abastecimento de água melhorado e eletricidade exibem associações positivas. Eletricidade (porcentagem de domicílios com conexão elétrica nos setores) e melhor abastecimento de água têm correlação significativamente forte com o acesso às TIC dos setores, embora o número de escolas pós-primárias e a parcela da população total mantenham associações fracas com o desempenho das TIC dos setores (Tabela 4).

Dados os múltiplos correlatos de acesso diferencial de TIC explorados, a Análise de Componentes Principais (PCA) foi aplicada para reduzir os dados a fim de determinar os fatores-chave da distribuição. Quatro componentes foram devolvidos como representantes adequados e suficientes do padrão observado (Tabela 5). A eletricidade tem a correlação mais forte com o componente 1, Emprego Juvenil com o componente 2, Parcela da População Total com o componente 3 e Status de Planejamento (proporção do setor planejado) componente 4. Embora o agrupamento de fatores tenha tido um bom desempenho, apenas o fator mais correlacionado com cada componente foi selecionados como representantes típicos (Tabela 6).

Dado este padrão de correlação representativa, as variáveis ​​socioeconómicas e espaciais de acesso às TIC representadas foram inferidas interpretativamente como sendo as seguintes categorias: Infraestrutura (representada pela Eletricidade), Estrutura familiar / atividade socioeconómica (representada pelo Emprego Juvenil), Aglomerativo urbano força (proporção da população total) e situação de planejamento / assentamento / formalidade habitacional (proporção do setor planejado). Esses fatores-chave foram usados ​​principalmente no contexto interpretativo para revelar e atribuir nomes aos fatores estatisticamente anônimos (Tabela 6). A observação de correlações com outras variáveis ​​no Componente Principal valida a nomenclatura (Pacione 2001).

O desempenho geral dos setores em Kigali, conforme mostrado em Quocientes de localização de TIC, agrupamentos espaciais distintos de setores com base no desempenho e correlação de TIC exibem um padrão de desenvolvimento de TIC em congruência com o modelo clássico de causalidade cumulativa (Myrdal 1957). Este é o padrão observado em Kigali. Fatores de divisão mais fortes (características socioeconômicas diferenciais, como eletricidade espacialmente desigual, educação e status de planejamento) significam que apenas os centros se transformarão em centros de TIC baseados no conhecimento, enquanto as periferias permanecem fracas, menos ativas em TIC. No entanto, a disseminação das TICs significa maiores perspectivas de desenvolvimento da periferia, tendendo assim para a convergência e integração bem estruturada da economia digital. No entanto, um ecossistema de TIC completamente desagregado, onde os provedores visam apenas centros de TIC ou espaços digitais premium, carece do pré-requisito para reduzir a exclusão digital, com todos os seus corolários de desigualdades socioeconômicas e espaciais. Conseqüentemente, a intervenção política torna-se crítica para impedir que fatores divergentes transformem os efeitos cumulativos.


Como tudo começou

Para mim, sempre começa como diversão, não trabalho. Em um lindo dia de inverno, uma mensagem do Slack no canal “geral” me trouxe um link para a câmera voltada para o canteiro de obras, onde em breve o novíssimo escritório da Safe Software abrirá suas portas para todos os Safers.

Depois de pesquisar no html por trás do url original (http://184.68.143.58:2424/view/viewer_index.shtml?id=17039), descobri um endereço que retorna uma imagem JPEG simples. Podemos facilmente recuperar imagens de sites com HTTPCaller ou ImageFetcher. Com um espaço de trabalho composto por quatro transformadores, residindo no FME Cloud e funcionando dentro do cronograma a cada 10 minutos, consegui uma ferramenta para acumular os dados da câmera.

Durante anos, usei o ImageMagick, que podemos rodar com o SystemCaller, para fazer animações. Com a câmera ao vivo, minha coleção cresceu rapidamente para milhares e dezenas de milhares de imagens - criar um arquivo GIF não era mais uma opção viável.

Após uma pesquisa rápida, descobri o FFmpeg, uma ferramenta de código aberto para manipulação de dados de vídeo e áudio. Parecia uma combinação perfeita para FME, o programa para manipulação de dados.


Achados

Nos parágrafos a seguir, apresentamos os resultados de nossa análise e discutimos nossas principais descobertas. Examinamos a avaliação da insegurança alimentar baseada na pobreza e a avaliação mais robusta que também inclui o desemprego e a incidência de aluguel (vs. propriedade de casa) e discutimos as implicações para a identificação de áreas que podem ser mal servidas por locais de distribuição de assistência alimentar.

Avaliação da segurança alimentar com foco na pobreza

A Figura 1 mostra os níveis de pobreza por setor censitário no SCC. O quintil que representa as áreas menos empobrecidas tem 2–12% da população igual ou inferior a 200% do FPL, enquanto o quintil contendo setores censitários com os níveis mais altos de pobreza tem entre 44,6 e 78,2% da população igual ou inferior o nível de 200%. Não incluímos a região montanhosa na parte oriental do condado, que tem uma população muito baixa e escassamente povoada. As áreas com os níveis mais altos de pobreza estão concentradas ao longo do corredor da Rodovia US 101, que vai do canto sudeste ao noroeste do condado. Essas áreas correspondem às áreas de renda mais baixa de San Jose, Santa Clara, Sunnyvale, Mountain View e Palo Alto. Há também um grande aglomerado de setores censitários de baixa renda no que é conhecido como East San Jose, que está centralizado próximo ao cruzamento da Rodovia US 101 com a Interestadual 680 (ver Fig. 1).

(Origens Censo dos EUA, estimativas de 5 anos ACS 2010-2014)

Níveis de pobreza, por setor censitário no condado de Santa Clara. O mapa em uma mostra a localização do SCC na Califórnia. A grande área populacional de baixa densidade mostrada em b é omitido da análise subsequente.

A Figura 2 adiciona localizações de pontos para despensas e cozinhas populares. É evidente que esses locais de distribuição de alimentos estão concentrados em East San Jose, também uma área de alta pobreza. Os locais de assistência alimentar estão muito mais dispersos em outras áreas do condado. Os padrões espaciais nesta figura mostram que a distribuição atual dos locais de assistência alimentar parece estar atendendo às necessidades esperadas em grandes áreas do município. A Figura 2 adiciona zonas-tampão de 1 milha ao redor dos locais de distribuição de alimentos, que ajudam a avaliar o quão bem as áreas de maior pobreza são servidas pelos locais que fornecem assistência alimentar.

(Origens US Census 2010 Second Harvest Food Bank of Santa Clara County and San Mateo Counties 2013)

Map of SCC poverty levels and food assistance distribution sites with buffer zones, by Census Tract.

For the most part, we observe that people living in the areas with the highest poverty levels live in close proximity to food assistance distribution centers. In Fig. 3, we develop an analysis that focuses on high poverty census tracts, defined as those in which more than 22% live below 200% of the FPL. These census tracts represent about 24% of those in the county, and most of them (61.1%) have good access (shaded in blue) or at least some access (pink) to a food distribution site. If we extend this combined poverty and proximity analysis to all 371 census tracts in the county, including those with lower poverty rates, we find that 85% of SCC is either well served by food assistance distribution locations or has relatively low poverty rates.

The maps in Figs. 2 and 3 offer guidance to decision makers at the food bank and those who distribute food to the needy. To identify potentially underserved populations, we focused on urban census tracts that are both high-poverty and low access (see Fig. 3 for areas shaded in yellow or pink). In all of the rural census tracts, significantly less than 20% of the population lives farther than 10 miles away from a food distribution site, suggesting that the rural census tracts are currently well served based on the criteria for rural census tracts. However, areas of potential need persist in urban areas. We calculated that 38% of the low-income census tracts had low access to SHFB food assistance. This suggests that there is a need for greater access to food distribution in these areas of the county.

Furthermore, our study identified several potentially underserved regions using the poverty-based food insecurity assessment (see Fig. 3). These regions include the southern US 101 corridor near the cities of Gilroy and Morgan Hill, as well as a generally contiguous group of census tracts that lie west of Interstate 880 and State Road 17 extending from the northern central border of the county in the city of Santa Clara to west San Jose and the intersection of State Roads 85 and 17. A third potentially underserved area can be found in the northern portion of the county often referred to as East San Jose, which is generally east of Interstate 680 and US 101. Also, in the northwestern part of SCC between 101 and 280, an area that has a relatively high concentration of low-income people with no food assistance site nearby is located in Palo Alto. Although East Palo Alto is one of the well-known high-poverty and low-employment areas in the Bay Area (Benner and Karner 2016), this result could also be influenced by the “Stanford anomaly,” suggesting that some, if not many, of the low-income members of the community are students, who may have additional support from relatives or elsewhere. It is interesting to note that food pantries have recently opened on many university campuses across the US (Nellum 2015).

(Sources Own calculation using US Census, ACS 5-year estimates 2010–2014 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

High poverty and low access areas. High poverty is defined as census tracts (CT) with 22.2% or more of the population at or below 200% of the FPL (see Fig. 1). The map includes high poverty tracts only. Low access indicates 67% or more of the CT area is outside of the 1-mile buffer around food assistance distribution locations Some access indicates 66 to 34% of the census tract area is outside of the 1-mile buffer around food assistance distribution locations. Good access indicates 33% or less of the CT area is outside of the 1-mile buffer around food assistance locations.

Food insecurity index assessment

After conducting the poverty-based analysis, we developed the Food Insecurity Index (FII) and mapped the results of this alternative approach. The progression of Figs. 1 and 2 explains the steps involved in developing this index, shown in Fig. 4. The intermediate steps included mapping unemployment and renter-occupied units. The spatial pattern in unemployment rates is broadly similar to poverty rates, with higher concentrations in southern SCC and East San Jose. Housing costs are extremely high and rising in this region, making the situation especially difficult for those in low-wage jobs who are seeking affordable housing as displacement becomes increasingly common (Benner and Karner 2016).

(Sources Own calculation using US Census, ACS 5-year estimates 2010–2014 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

Food Insecurity Index and the location of food assistance distribution sites.

In Figs. 4 and 5, we show the results of the FII using the weights in Eq. 1. As expected, the patterns broadly follow the poverty map, with concentrations in central and eastern San Jose and the southern part of SCC however, the ranges of values of the FII are lower than the poverty only map. The census tract-based assessment identifying the high food insecurity and low access areas (Fig. 5) shows that most areas of high food insecurity have good access to food distribution sites (areas shaded in blue). We calculated that 27% of the census tracts in SCC have high food insecurity levels (index scores > 16%), and that 58% of the high FII tracts have either good access or some access. The remaining 42% of the areas have high food insecurity levels and low access (shaded in purple). These areas of concern include the poverty/high food insecurity corridor that is west of Interstate 880/Highway 17, as well as several areas north of 101 and in East Palo Alto.

(Sources Own calculation using US Census, ACS 5-year estimates 2010–2014 US Census 2010 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

High Food Insecurity Index Scores and low food assistance access areas. High food insecurity in this context refers to census tracts in which we estimate that 16.7% of more of the population is food insecure (USDA 2015).

Comparison of poverty and food insecurity index approaches

The areas of greatest food assistance need, i.e. high levels of food insecurity and low access, identified by both the FII and the poverty approach share significant spatial overlap (see Fig. 6), although these two metrics produce slightly different estimates regarding the total number of people who are potentially food insecure in SCC. This overlap can be explained by the fact that poverty is the largest factor in the FII (see Eq. 1). In addition to poverty, the two other variables in the FII, unemployment (weighted at 40% of the index score) and renter-occupied units (weighted at 10%), were strong enough so that several additional potentially high-need areas omitted by the poverty-only approach were identified (see the purple tracts in Fig. 5 between State Road 85 and Interstate 880 in northern SCC). Both rapid assessment approaches are useful for identifying areas of potential concern, but more research is needed using household surveys to validate the approaches before either approach becomes a standard proxy for estimating the total percent or number of food insecure people.

(Sources Own calculation using data from US Census, ACS 5-year estimates 2010–2014 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

Comparison of Food Insecurity Index versus poverty assessment. This is an overlay analysis that compares the areas of high poverty and low access versus areas with high FII scores and low access.

The poverty-only calculation draws from the 200% FPL US Census ACS 5-year estimates data from 2010 to 2014 and finds that 23.2% or 422,004 people in SCC live below the FPL and potentially food insecure. Our FII calculation finds that the average rate of food insecurity is 19.3% in SCC. Feeding America calculations use the Gundersen (2015) formula to estimate food insecurity levels. They report that in 2013, 12.1% of the population in SCC was food insecure representing 219,110 people, and in 2011 the calculated rate was 13.4% (Feeding America 2015).

Although the USDA publishes periodic national studies that use household surveys to measure food insecurity (Coleman-Jensen et al. 2014), we could not find readily available government data that measures and maps the total number of food insecure people at the county, city, and census tract-level in the US. A recently published USDA study drew on a representative sample of more than 42,000 households and found that food insecurity rates in California averaged 13.5% from 2012 to 2014, down from 16.2% measured from 2009 to 2011, but still higher than the 2002–2004 average of 12.4% (Coleman-Jensen et al. 2014: 21). The USDA’s direct measures of food insecurity rates in California from 2012 to 14 are slightly below Feeding America’s calculation of 15% in 2013 (Feeding America 2015). The calculation using 200% of the FPL suggests that food insecurity rates could be significantly above those calculated by Feeding America or those measured by USDA’s survey and then generalized to the county level. Our simple FII also yields estimates that are roughly 4% above the Feeding America estimate, while the poverty-only calculation is about 8% higher.

Although there are differences in the calculated magnitude of the challenge, the primary goal of this rapid assessment method is to identify areas of potential need. We believe that the patterns of local food insecurity at the census tract-level found using the rapid assessment tools proposed in this study are similar to those calculated by Feeding America if data were available using a finer scale. However, it will be important to use the USDA survey questions during different years and with multiple populations to further test and refine this approach. One key difference between the metrics proposed for this screening method and the Gundersen et al. (2014 2015) approach is the degree of emphasis or numerical weight placed on poverty levels. The Gundersen et al. models include other important variables, such as unemployment and home ownership however, their increasingly sophisticated models potentially decrease the influence of poverty rates on predicted food insecurity levels. Recent research using the US Census poverty measure, which includes estimates for the cost of living, finds that California has some of the highest poverty rates in the US (Short 2014). More research is needed to assess how these circumstances influence local determinants of food insecurity, as well as continued work that examines ways in which supplemental food assistance could help keep children and others out of more severe forms poverty and high levels of food insecurity (Anderson et al. 2014).

Broader implications

In addition to contributing to a dialogue about mapping and shared data that document the local determinants and patterns of food insecurity, we argue that this rapid assessment approach can be useful for food banks and charities that coordinate direct food assistance sites and want to ensure they are effectively targeting areas of greatest need. We shared earlier versions of the maps that identify high poverty and low access census tracts (see Figs. 2, 3) with food bank managers, leading to a discussion of how well the food needs of low-income populations were met by current food assistance distribution sites. One immediate result was the addition of another food distribution site in the southern portion of the county. Second Harvest plans to continue working directly with the food assistance providers to encourage them to locate distribution sites in the areas with the greatest unmet needs.

Despite moderate economic growth at the national level, the question of access to food assistance distribution sites by food insecure households remains a pressing one, because the economic gains have not been evenly distributed. The determination of where to locate food assistance sites is complex, especially in large cities or counties where the low-income population is not neatly situated in one or a few densely populated areas. In our research, we found that the highest poverty areas, which were also the most densely populated, had the highest concentration of food assistance sites. However, other high poverty areas, which were less densely populated, had lower levels of access to food assistance distribution sites e.g., several areas in south SCC, especially parts of Gilroy, and a cluster of census tracts located west of Interstate 880 extending from the northern central border of the County west San Jose (see Fig. 5). These areas appear to pose the biggest challenge to food assistance providers. A recently published report confirmed our study’s focus on poverty and our findings regarding the importance of additional food assistance in South SCC, finding that the “geographic distribution of homelessness corresponds roughly with the distribution of poverty in SCC, noting that homeless residents are concentrated at the center and south end of the County—in San Jose and Gilroy,” and that “Services provided by nonprofit agencies appear to be unevenly distributed, with a below average level of services provided to homeless residents of Gilroy” (Flaming et al. 2015, p. 3).

In the case of food banks, which, in the US, provide the food but do not distribute directly to the clients, the issue of ensuring convenient access and communicating directly with those in need is even more difficult, because they are one step removed from those they serve. The use of GIS can provide insight into the distribution of the impoverished population and the density of that population within census tracts. By overlaying the food distribution sites, we can provide decision makers with easily interpreted visual maps that can be used to evaluate whether their client population has convenient access to the services they offer. This allows managers to see the “big picture” as it relates to the spatial location of food distribution, and is an alternative to separately collecting information and evaluating individual areas to assess their clients’ needs and the services provided.


Histórico e resumo de amp

Reliable infrastructure networks form the backbone of a prosperous modern economy, with electricity networks providing a central role in helping to deliver health, education, and other infrastructure services. However, 11% of the global population still lacks access to a reliable electricity supply 1 with lower income countries disproportionately represented. Burundi, for instance, still has over 90% of the population without electricity access. In response, Sustainable Development Goal 7 (SDG 7) calls for universal access to affordable, reliable, and modern energy services by 2030 2 . Achieving this goal is similarly important in achieving other SDGs 3,4,5 and as such requires a coordinated effort – not only in the targeted expansion of electricity networks, but also towards increases in renewable energy share of the global energy mix and improved network resilience. To measure the joint global progress on achieving SDG 7, detailed spatial information on the current locations and properties of electricity infrastructure is essential.

Physical assets, such as generation plants, transmission networks (typically higher voltage lines used for the bulk movement of electricity), distribution networks (typically lower voltage lines for distributing electricity from transmission networks to end consumers), substations (for transforming between voltages), and related assets are important to assess the practicalities of connecting isolated communities to wider transmission networks. While more developed countries and their infrastructure owners/operators could be expected to hold suitably complete inventories and geospatial datasets, many lower-income countries data on infrastructure and planned investments are often outdated or incomplete 6 . This makes it difficult for government bodies and utility companies to plan for extending, strengthening, and modifying their electricity networks. Even in advanced economies, where this network data may exist, it can be difficult to find it in an open and standardized way. Projects such as OpenStreetMap have greatly democratized access to geospatial data generally 7 , and while there have been significant efforts on collating data on electricity generation infrastructure 8 , and high voltage transmission lines in OpenGridMap 9 , a globally consistent database of medium and lower voltage distribution networks still lag. Reasons for this can be attributed to the significantly larger number of distribution infrastructure owners/operators required to contribute data (compared to transmission operators which are often national scale bodies), non-existent datasets in GIS-ready formats, restricted public access for security reasons, and the difficulties in digitizing from openly available aerial photographs, whether this be due to the generally smaller overhead line structures or the fact cables are often buried in many urban centers.

In addition to the physical assets, the geospatial locations of electrified settlements within each country is often still unknown. To fill this gap, several studies have developed methods to map these locations and compute accessibility metrics when combined with high-resolution population maps. However, applications have largely been focused on country or sub-continental scales 10,11,12 . While these methods are showing great promise, a globally consistent approach and map of accessibility is still lacking which can ultimately aid development and planning efforts in attaining SDG 7.

In response, we present the first composite map of the global power grid using publicly available open data – generated through the new open-source tool gridfinder 13 , based on work by Rohrer at Facebook: https://code.fb.com/connectivity/electrical-grid-mapping. This tool applies multiple filtering algorithms to night-time light imagery to identify locations most likely to be producing light from electricity. These light sources (target-locations) are then connected to known electricity networks through a least-cost routing algorithm following roads and known distribution lines (adopted from OpenStreetMap). This results in connected networks at two voltage levels we define as high voltage (HV, >70 kV) and medium voltage (MV, 10–70 kV). The dataset shows 97% of the global population reside within 10 km of electricity lines of >10 kV, where the vast majority of those over 10 km being across Sub-Saharan Africa.

The dataset is validated two-fold. Firstly, against 16 electricity networks across 14 countries representing the range of World Bank income groupings: High, Upper-Middle, Lower-Middle, and Low. Across an equal-area grid (edge length 15 km), we compare observed and gridfinder delineated networks to show a predictive accuracy of 75%. Secondly, we evaluate the effectiveness of the dataset in predicting accessibility with respect to income groups, human development index (HDI), and investment requirements as commonly reported in the literature and used as key reporting metrics.

A further accompanying dataset is presented representing the density of low voltage (LV) infrastructure, herein defined as below 1 kV. The small geographic scale and prevalence of buried LV cables push the boundaries of satellite imagery detecting abilities. To create this dataset we therefore turn to spatial heuristics to create a weighted layer of electricity access rate by applying an algorithm calibrated to national urban and rural accessibility statistics.

Results of this study pave the way for improved efforts in electricity modelling and planning. Although only predictive, this standardized global dataset of transmission, distribution and low-voltage lines will be a valuable starting point for electrification planners and researchers in several fields, such as assessing social inequalities 14 , estimating exposure to natural hazards 15 , and quantifying electricity infrastructure roll-out requirements 12,16 . An important limitation is that this dataset does not attempt to replicate actual network configurations or precise structures, as would be needed for electrical modelling such as power flow modelling this was seen as out of scope, and is unlikely to be possible at a global scale with current data sources. The use of open data now allows anyone to freely use or develop this tool (see Code Availability) further to model the power network for any location, as we have demonstrated for the entire globe.


4 respostas 4

Invariance means that you can recognize an object as an object, even when its appearance varies in some way. This is generally a good thing, because it preserves the object's identity, category, (etc) across changes in the specifics of the visual input, like relative positions of the viewer/camera and the object.

The image below contains many views of the same statue. You (and well-trained neural networks) can recognize that the same object appears in every picture, even though the actual pixel values are quite different.

Note that translation here has a specific meaning in vision, borrowed from geometry. It does not refer to any type of conversion, unlike say, a translation from French to English or between file formats. Instead, it means that each point/pixel in the image has been moved the same amount in the same direction. Alternately, you can think of the origin as having been shifted an equal amount in the opposite direction. For example, we can generate the 2nd and 3rd images in the first row from the first by moving each pixel 50 or 100 pixels to the right.

One can show that the convolution operator commutes with respect to translation. If you convolve $f$ with $g$ , it doesn't matter if you translate the convolved output $f*g$ , or if you translate $f$ or $g$ first, then convolve them. Wikipedia has a bit more.

One approach to translation-invariant object recognition is to take a "template" of the object and convolve it with every possible location of the object in the image. If you get a large response at a location, it suggests that an object resembling the template is located at that location. This approach is often called template-matching.

Invariance vs. Equivariance

Santanu_Pattanayak's answer (here) points out that there is a difference between translation invariance and translation equivariance. Translation invariance means that the system produces exactly the same response, regardless of how its input is shifted. For example, a face-detector might report "FACE FOUND" for all three images in the top row. Equivariance means that the system works equally well across positions, but its response shifts with the position of the target. For example, a heat map of "face-iness" would have similar bumps at the left, center, and right when it processes the first row of images.

This is is sometimes an important distinction, but many people call both phenomena "invariance", especially since it is usually trivial to convert an equivariant response into an invariant one--just disregard all the position information).