Mais

Calcule a característica mais próxima com uma barreira


Eu tenho três shapefiles: a) polilinha com rios e riachos (também como polígono disponível para mim), b) polilinhas de rodovias e estradas ec) arquivo de ponto com localizações na vegetação ribeirinha. Quero calcular a distância de cada ponto até a estrada ou rodovia mais próxima, no mesmo lado do rio.

Isso significa que a ferramenta "NEAR" no ArcGIS não é apropriada, pois calcula a distância para a estrada mais próxima independentemente do lado. O que procuro é incorporar uma barreira, ou algo semelhante em seu resultado, que calcule apenas as distâncias das localidades às estradas do mesmo lado dos rios.

O que você sugeriria?

Estou usando o ArcMap 10.0.


Você precisa transformar sua análise em Raster.

Experimente o conjunto de ferramentas de análise de proximidade encontrado no ArcMap http://resources.arcgis.com/en/help/main/10.1/index.html#//018p00000007000000

Você pode usar a ferramenta de Alocação de custos para definir as barreiras http://resources.arcgis.com/en/help/main/10.1/index.html#//009z00000016000000


Uma resposta não Arcmap.

carregue suas tabelas em PostGIS.

Execute algo como:

SELECT DISTINCT ON (pid) pid, rid, ST_Length (dist_line) dist FROM (SELECT points.id pid, roads.id rid ST_ShortestLine (points.geom, roads.geom) dist_line FROM pontos, estradas) a LEFT JOIN rios ON ST_Intersects ( dist_line, rivers.geom) onde rivers.id É NULL ORDER BY dist;

Não funcionará em todos os casos. Mas a ideia é evitar casos em que a linha mais curta entre o ponto e a estrada intercepta qualquer geometria de rio. Mas isso também pode acontecer quando a estrada está do mesmo lado, se o rio faz grandes curvas.


Um modelo GIS para mapear padrões espaciais e distribuição de terras selvagens na Escócia

Este artigo apresenta um método robusto e repetível para mapear a natureza silvestre em apoio às decisões sobre planejamento, política e gestão em paisagens protegidas. Isso se baseia na aplicação de dados de alta resolução e modelos GIS para mapear quatro atributos da natureza selvagem: naturalidade percebida da cobertura do solo, ausência de artefatos humanos modernos na paisagem, natureza acidentada e desafiadora do terreno e afastamento do acesso mecanizado. Estes são combinados usando avaliação multicritério e métodos difusos para determinar padrões espaciais e variabilidade na qualidade da terra selvagem. A abordagem é demonstrada e testada para os dois parques nacionais na Escócia: o Parque Nacional Cairngorms e o Loch Lomond e o Parque Nacional Trossachs. Isso é apresentado em um debate mais amplo sobre a capacidade de tais modelos de retratar com precisão e definir espacialmente o conceito de natureza selvagem tanto no cenário escocês quanto no contexto global mais amplo. As conclusões são tiradas quanto à escalabilidade e transferibilidade, juntamente com potenciais aplicações futuras, incluindo mapeamento em nível local e nacional e suporte para avaliação de caráter da paisagem, política de planejamento e controle de desenvolvimento. São apresentados mapas do núcleo do terreno selvagem, áreas de amortecimento e periferia dos dois parques.

Luzes

► Desenvolvemos um modelo espacial robusto e reproduzível de natureza selvagem. ► Aplicamos isso a dois parques nacionais na Escócia. ► Desenvolvemos o caso para o uso de modelos de silvicultura em apoio à política e gestão da paisagem.


Uma comparação de conjuntos de dados que variam na precisão espacial usados ​​para prever a ocorrência de colisões de veículos com animais selvagens

As colisões de veículos silvestres (WVCs) representam uma preocupação significativa de segurança e conservação em áreas onde as estradas de alto tráfego estão situadas ao lado do habitat da vida selvagem. Melhorar a segurança do transporte, planejar com precisão a mitigação da rodovia e identificar as principais áreas de ligação do habitat podem depender da qualidade da coleta de dados do WVC. Duas abordagens comuns para descrever a localização de WVCs são dados espacialmente precisos derivados de sistemas de posicionamento global (GPS) ou medições de hodômetro de veículos e dados de marcadores de estradas menos precisos derivados de pontos de referência (por exemplo, marcadores de milhas ou marcos) ao longo da estrada. Além disso, existem dois tipos de variáveis ​​comuns usados ​​para prever localizações WVC: (1) derivadas de campo, medições específicas do local e (2) informações derivadas de sistema de informação geográfica (GIS). Não está claro se essas diferentes abordagens produzem resultados semelhantes ao tentar identificar e explicar a localização de WVCs. Nosso primeiro objetivo foi determinar e comparar o erro espacial encontrado em dados de marcadores de estradas (em nosso caso, o marcador de milhas mais próximo) e dados referenciados por marcos. Nosso segundo objetivo foi avaliar o desempenho de modelos que explicam localizações de WVC de alta e baixa probabilidade, usando variáveis ​​de resposta congruentes, espacialmente precisas (& lt3-m) e de marcadores de estrada (& lt800-m) em combinação com variáveis ​​de resposta derivadas de campo e GIS Variáveis ​​explicativas. Nossos conjuntos de dados WVC eram compostos de colisões de ungulados e estavam localizados ao longo de cinco estradas principais nas Montanhas Rochosas canadenses centrais. Descobrimos que o erro espacial (média ± DP) foi maior para dados WVC referenciados a marcos próximos (516 ± 808 m) do que para dados referenciados aos dados de marcadores de milhas mais próximos (401 ± 219 m). O modelo de melhor desempenho usando as localizações de WVC espacialmente precisas continha todos os tipos de variáveis ​​explicativas, enquanto as variáveis ​​derivadas de GIS foram influentes apenas no melhor modelo de marcador de estrada e no modelo reduzido espacialmente preciso. Nosso estudo mostrou que o erro espacial e o tamanho da amostra, usando dados de marcadores de estradas para espécies de ungulados, são importantes a serem considerados para a interpretação do modelo de saída, o que impactará a escala apropriada na qual aplicar os resultados da modelagem. O uso de referências de marcadores de estradas & lt1.6 km ou localizações de dados derivados de GPS pode representar um compromisso ideal entre os custos de aquisição de dados e o desempenho analítico.

Esta é uma prévia do conteúdo da assinatura, acesso através de sua instituição.


Parâmetros

As regiões de entrada a serem conectadas pela rede ideal.

As regiões podem ser definidas por um conjunto de dados raster ou de feições.

Se a entrada da região for um raster, as regiões são definidas por grupos de células contíguas (adjacentes) do mesmo valor. Cada região deve ser numerada de forma exclusiva. As células que não fazem parte de nenhuma região devem ser NoData. O tipo de varredura deve ser inteiro e os valores podem ser positivos ou negativos.

Se a entrada de região for um conjunto de dados de recurso, pode ser polígonos, polilinhas ou pontos. As regiões de recurso do polígono não podem ser compostas de polígonos de várias partes.

A classe de recurso de polilinha de saída da rede ideal de caminhos que conecta cada uma das regiões de entrada.

Cada caminho (ou linha) é numerado exclusivamente e os campos adicionais na tabela de atributos armazenam informações específicas sobre o caminho. Esses campos adicionais são os seguintes:

  • PATHID - O identificador exclusivo do caminho
  • PATHCOST - A distância acumulativa total ou custo para o caminho
  • REGION1 - a primeira região que o caminho conecta
  • REGION2 - A outra região que o caminho conecta

Essas informações fornecem uma visão sobre os caminhos dentro da rede.

Como cada caminho é representado por uma linha exclusiva, haverá várias linhas em locais onde os caminhos percorrem a mesma rota.

O conjunto de dados que define as barreiras.

As barreiras podem ser definidas por um número inteiro ou raster de ponto flutuante, ou por uma camada de feição.

Um raster que define a impedância ou custo para se mover planimetricamente através de cada célula.

O valor em cada localização de célula representa a distância de custo por unidade para mover através da célula. Cada valor de localização de célula é multiplicado pela resolução da célula enquanto também compensa o movimento diagonal para obter o custo total de passagem pela célula.

Os valores do raster de custo podem ser inteiros ou ponto flutuante, mas não podem ser negativos ou zero (você não pode ter um custo negativo ou zero).

A classe de recurso de polilinha de saída que identifica todos os caminhos de cada região para cada um de seus vizinhos mais próximos ou de custo.

Cada caminho (ou linha) é numerado exclusivamente e os campos adicionais na tabela de atributos armazenam informações específicas sobre o caminho. Esses campos adicionais são os seguintes:

  • PATHID - O identificador exclusivo do caminho
  • PATHCOST - A distância acumulativa total ou custo para o caminho
  • REGION1 - a primeira região que o caminho conecta
  • REGION2 - A outra região que o caminho conecta

Essas informações fornecem uma visão dos caminhos dentro da rede e são úteis ao decidir quais caminhos devem ser removidos, se necessário.

Como cada caminho é representado por uma linha exclusiva, haverá várias linhas em locais onde os caminhos percorrem a mesma rota.

Especifica se deve calcular a distância usando um método planar (terra plana) ou geodésico (elipsóide).

  • Planar —O cálculo da distância será executado em um plano plano projetado usando um sistema de coordenadas cartesianas 2D. Este é o padrão.
  • Geodésico - O cálculo da distância será executado no elipsóide. Portanto, independentemente da projeção de entrada ou saída, os resultados não mudam.

Especifica se os caminhos continuarão e se conectarão nas regiões de entrada.

  • Gerar conexões - os caminhos continuarão dentro das regiões de entrada para conectar todos os caminhos que entram em uma região.
  • Sem conexões - os caminhos pararão nas bordas das regiões de entrada e não continuarão ou se conectarão dentro delas.

As regiões de entrada a serem conectadas pela rede ideal.

As regiões podem ser definidas por um conjunto de dados raster ou de feições.

Se a entrada da região for um raster, as regiões são definidas por grupos de células contíguas (adjacentes) do mesmo valor. Cada região deve ser numerada de forma exclusiva. As células que não fazem parte de nenhuma região devem ser NoData. O tipo de varredura deve ser inteiro e os valores podem ser positivos ou negativos.

Se a entrada de região for um conjunto de dados de recurso, pode ser polígonos, polilinhas ou pontos. As regiões de recurso do polígono não podem ser compostas de polígonos de várias partes.

A classe de recurso de polilinha de saída da rede ideal de caminhos que conecta cada uma das regiões de entrada.

Cada caminho (ou linha) é numerado exclusivamente e os campos adicionais na tabela de atributos armazenam informações específicas sobre o caminho. Esses campos adicionais são os seguintes:

  • PATHID - O identificador exclusivo do caminho
  • PATHCOST - A distância acumulativa total ou custo para o caminho
  • REGION1 - a primeira região que o caminho conecta
  • REGION2 - A outra região que o caminho conecta

Essas informações fornecem uma visão sobre os caminhos dentro da rede.

Como cada caminho é representado por uma linha exclusiva, haverá várias linhas em locais onde os caminhos percorrem a mesma rota.

O conjunto de dados que define as barreiras.

As barreiras podem ser definidas por um número inteiro ou raster de ponto flutuante, ou por uma camada de feição.

Um raster que define a impedância ou custo para se mover planimetricamente através de cada célula.

O valor em cada localização de célula representa a distância de custo por unidade para mover através da célula. Cada valor de localização de célula é multiplicado pela resolução da célula enquanto também compensa o movimento diagonal para obter o custo total de passagem pela célula.

Os valores do raster de custo podem ser inteiros ou ponto flutuante, mas não podem ser negativos ou zero (você não pode ter um custo negativo ou zero).

A classe de recurso de polilinha de saída que identifica todos os caminhos de cada região para cada um de seus vizinhos mais próximos ou de custo.

Cada caminho (ou linha) é numerado exclusivamente e os campos adicionais na tabela de atributos armazenam informações específicas sobre o caminho. Esses campos adicionais são os seguintes:

  • PATHID - O identificador exclusivo do caminho
  • PATHCOST - A distância acumulativa total ou custo para o caminho
  • REGION1 - a primeira região que o caminho conecta
  • REGION2 - A outra região que o caminho conecta

Essas informações fornecem uma visão dos caminhos dentro da rede e são úteis ao decidir quais caminhos devem ser removidos, se necessário.

Como cada caminho é representado por uma linha exclusiva, haverá várias linhas em locais onde os caminhos percorrem a mesma rota.

Especifica se deve calcular a distância usando um método planar (terra plana) ou geodésico (elipsóide).

  • PLANAR - O cálculo da distância será executado em um plano projetado usando um sistema de coordenadas cartesianas 2D. Este é o padrão.
  • GEODÉSICO - O cálculo da distância será realizado no elipsóide. Portanto, independentemente da projeção de entrada ou saída, os resultados não mudam.

Especifica se os caminhos continuarão e se conectarão nas regiões de entrada.

  • GENERATE_CONNECTIONS - Os caminhos continuarão dentro das regiões de entrada para conectar todos os caminhos que entram em uma região.
  • NO_CONNECTIONS - Os caminhos pararão nas bordas das regiões de entrada e não continuarão ou se conectarão dentro delas.

Amostra de código

O seguinte script de janela Python demonstra como usar a ferramenta OptimalRegionConnections.

Produza a rede de caminhos ideal de menor custo conectando as regiões de entrada umas às outras.


Parâmetros

Os locais da fonte de entrada.

Este é um conjunto de dados raster ou de recursos que identifica as células ou locais para os quais a distância euclidiana para cada local de célula de output é calculada.

Para rasters, o tipo de entrada pode ser inteiro ou ponto flutuante.

Se o raster da fonte de entrada for de ponto flutuante, o parâmetro Input value raster deve ser definido e deve ser um número inteiro. O raster de valor terá precedência sobre a configuração do parâmetro do campo Fonte.

O limite que os valores de distância acumulativos não podem exceder.

Se um valor de distância euclidiana acumulativa exceder esse valor, o valor de saída para a localização da célula será NoData.

A distância padrão é a borda do raster de saída.

A varredura inteira de entrada que identifica os valores da zona que serão usados ​​para cada local de origem de entrada.

Para cada local de origem (célula ou recurso), o valor raster do valor de entrada será atribuído a todas as células alocadas ao local de origem para o cálculo. O raster de valor terá precedência sobre a configuração do parâmetro do campo Fonte.

O tamanho da célula do raster de saída que será criado.

Este parâmetro pode ser definido por um valor numérico ou obtido de um conjunto de dados raster existente. Se o tamanho da célula não tiver sido especificado explicitamente como o valor do parâmetro, o valor do tamanho da célula do ambiente será usado se especificado de outra forma, regras adicionais serão usadas para calculá-lo a partir das outras entradas. Veja a seção de uso para mais detalhes.

O campo usado para atribuir valores aos locais de origem. Deve ser do tipo inteiro.

Se o parâmetro de rasterização do valor de entrada tiver sido definido, os valores nessa entrada terão precedência sobre a configuração do parâmetro do campo Fonte.

O raster de distância euclidiana de saída.

O raster de distância identifica, para cada célula, a distância euclidiana até a célula de origem mais próxima, conjunto de células de origem ou local de origem.

O raster de saída é do tipo ponto flutuante.

O raster de direção euclidiana de saída.

A varredura de direção contém a direção calculada, em graus, de que cada centro de célula é do centro de célula de origem mais próximo.

O intervalo de valores é de 0 graus a 360 graus, com 0 reservado para as células de origem. A leste (direita) é 90, e os valores aumentam no sentido horário (180 é sul, 270 é oeste e 360 ​​é norte).

O raster de saída é do tipo inteiro.

Especifica se deve calcular a distância usando um método planar (terra plana) ou geodésico (elipsóide).

  • Planar —O cálculo da distância será executado em um plano plano projetado usando um sistema de coordenadas cartesianas 2D. Este é o padrão.
  • Geodésico - O cálculo da distância será executado no elipsóide. Portanto, independentemente da projeção de entrada ou saída, os resultados não mudam.

O conjunto de dados que define as barreiras.

As barreiras podem ser definidas por um número inteiro ou raster de ponto flutuante, ou por uma camada de feição.

O raster de direção euclidiano de saída.

O raster de direção posterior contém a direção calculada em graus. A direção identifica a próxima célula ao longo do caminho mais curto de volta à fonte mais próxima, evitando barreiras.

O intervalo de valores é de 0 graus a 360 graus, com 0 reservado para as células de origem. A leste (direita) é 90, e os valores aumentam no sentido horário (180 é sul, 270 é oeste e 360 ​​é norte).

O raster de saída é do tipo float.

Valor de retorno

O raster de alocação euclidiano de saída.

Os valores das células (zonas) identificam o local de origem mais próximo.

O raster de saída é do tipo inteiro.

Os locais da fonte de entrada.

Este é um conjunto de dados raster ou de recursos que identifica as células ou locais para os quais a distância euclidiana para cada local de célula de output é calculada.

Para rasters, o tipo de entrada pode ser inteiro ou ponto flutuante.

Se o raster da fonte de entrada for de ponto flutuante, o parâmetro in_value_raster deve ser definido e deve ser um número inteiro. O raster de valor terá precedência sobre a configuração do parâmetro source_field.

O limite que os valores de distância acumulativos não podem exceder.

Se um valor de distância euclidiana acumulativa exceder esse valor, o valor de saída para a localização da célula será NoData.

A distância padrão é até a borda do raster de saída.

A varredura inteira de entrada que identifica os valores da zona que serão usados ​​para cada local de origem de entrada.

Para cada local de origem (célula ou recurso), o valor in_value_raster será atribuído a todas as células alocadas ao local de origem para o cálculo. O raster de valor terá precedência sobre a configuração do parâmetro source_field.

O tamanho da célula do raster de saída que será criado.

Este parâmetro pode ser definido por um valor numérico ou obtido de um conjunto de dados raster existente. Se o tamanho da célula não tiver sido especificado explicitamente como o valor do parâmetro, o valor do tamanho da célula do ambiente será usado se especificado de outra forma, regras adicionais serão usadas para calculá-lo a partir das outras entradas. Veja a seção de uso para mais detalhes.

O campo usado para atribuir valores aos locais de origem. Deve ser do tipo inteiro.

Se o parâmetro in_value_raster foi definido, os valores nessa entrada terão precedência sobre a configuração do parâmetro source_field.

O raster de distância euclidiana de saída.

O raster de distância identifica, para cada célula, a distância euclidiana até a célula de origem mais próxima, conjunto de células de origem ou local de origem.

O raster de saída é do tipo ponto flutuante.

O raster de direção euclidiana de saída.

A varredura de direção contém a direção calculada, em graus, de que cada centro de célula é do centro de célula de origem mais próximo.

O intervalo de valores é de 0 graus a 360 graus, com 0 reservado para as células de origem. A leste (direita) é 90, e os valores aumentam no sentido horário (180 é sul, 270 é oeste e 360 ​​é norte).

O raster de saída é do tipo inteiro.

Especifica se deve calcular a distância usando um método planar (terra plana) ou geodésico (elipsóide).

  • PLANAR - O cálculo da distância será executado em um plano projetado usando um sistema de coordenadas cartesianas 2D. Este é o padrão.
  • GEODÉSICO - O cálculo da distância será realizado no elipsóide. Portanto, independentemente da projeção de entrada ou saída, os resultados não mudam.

O conjunto de dados que define as barreiras.

As barreiras podem ser definidas por um número inteiro ou raster de ponto flutuante, ou por uma camada de feição.

O raster de direção euclidiano de saída.

O raster de direção posterior contém a direção calculada em graus. A direção identifica a próxima célula ao longo do caminho mais curto de volta à fonte mais próxima, evitando barreiras.

O intervalo de valores é de 0 graus a 360 graus, com 0 reservado para as células de origem. A leste (direita) é 90, e os valores aumentam no sentido horário (180 é sul, 270 é oeste e 360 ​​é norte).

O raster de saída é do tipo float.

Valor de retorno

O raster de alocação euclidiano de saída.

Os valores das células (zonas) identificam o local de origem mais próximo.

O raster de saída é do tipo inteiro.

Amostra de código

O seguinte script da janela Python demonstra como usar a ferramenta EuclideanAllocation.

Calcula, para cada célula, a zona do local de origem mais próximo na distância euclidiana.


Discussão

Apesar de um compromisso global renovado nos últimos anos com a cobertura universal de saúde e a saúde comunitária como formas de aumentar o acesso financeiro e geográfico à atenção primária, metade da população mundial continua sem acesso a serviços essenciais de saúde [1]. A distância até as unidades de saúde continua sendo uma das principais barreiras ao acesso aos cuidados em áreas rurais do mundo em desenvolvimento, onde a infraestrutura de transporte é deficiente, a densidade populacional é baixa e as unidades de saúde são escassas. Embora existam métodos e ferramentas para modelar a acessibilidade geográfica, há uma falta crítica de informações geográficas básicas em ambientes rurais de poucos recursos, o que impede seu uso generalizado para otimizar a implementação de programas de saúde locais. Usando um distrito de saúde de Madagascar como estudo de caso, mostramos como a combinação de mapeamento participativo, trabalho de campo e sensoriamento remoto pode fornecer estimativas muito precisas de distância e tempo para buscar tratamento em unidades de saúde que podem ser usadas para informar o projeto e a política do sistema de saúde. melhorar a gestão e apoiar os profissionais de saúde. Descobrimos que mais de três quartos da população do distrito vivia mais de 1 h de um APS. Além disso, identificamos várias áreas onde a APS mais próxima ficava a mais de 5 horas de distância, e comunidades vulneráveis ​​na maioria das partes do distrito com acesso geográfico deficiente (mais de 1 hora de viagem) a ambas as APS e CHSs.

Um tempo de viagem de 1 ou 2 horas para os serviços de saúde é um limite geralmente aceito de baixa acessibilidade aos serviços de saúde, atrasando ou prevenindo comportamentos de busca de saúde que podem resultar em consequências graves para a saúde [22, 26, 38, 63, 64]. Embora não haja estimativas de acesso geográfico aos cuidados primários para a África Subsaariana, estima-se que apenas 11–27% da população vivia a mais de 1 hora de um hospital com capacidade cirúrgica [64]. Estudos de nível nacional e subnacional com foco em Cuidados Obstétricos e Neonatais de Emergência (EmONC) encontraram resultados ligeiramente mais altos, com 30% das mulheres em duas regiões da Etiópia [38] e 34% em Gana vivendo a mais de 2 horas de instalações EmONC [ 26]. Em contrapartida, constatamos que três quartos da população do distrito de Ifanadiana (76%) viviam mais de 1 h em uma APS (sem capacidade cirúrgica) e 40% viviam mais de 2 h, com maior percentual na estação chuvosa. Assim, nosso estudo sugere que o acesso geográfico à atenção primária na zona rural de Madagascar é significativamente menor do que o estimado em outros lugares. Se esses desafios geográficos forem representativos de outros ambientes rurais de poucos recursos, nossos resultados podem ter implicações importantes para as políticas de cobertura universal de saúde. Na verdade, as políticas de UHC tendem a aumentar o acesso financeiro aos cuidados primários, reduzindo os pagamentos em pontos de serviço (por exemplo, seguro saúde), mas as barreiras geográficas aos cuidados podem persistir mesmo quando as taxas são removidas [28,29,30,31,32,33 ], tornando-os insuficientes, a menos que políticas complementares visando a acessibilidade geográfica estejam em vigor. Experiências de outros países sugerem que as reformas de saúde focadas em melhorar a acessibilidade geográfica à atenção primária podem alcançar resultados significativos para as populações mais desfavorecidas [65].

Em particular, a saúde comunitária é considerada uma solução chave para reduzir as desigualdades geográficas no acesso aos cuidados nos países em desenvolvimento. Embora a OMS tenha divulgado diretrizes abrangentes para otimizar os programas de saúde comunitária [10], há uma falta crítica de evidências em torno da acessibilidade geográfica aos profissionais de saúde comunitários. Em Madagascar, a política nacional de saúde comunitária estabelece que dois CHWs devem ser nomeados em cada Fokontany, sem levar em consideração o tamanho ou a distribuição da população em Fokontany. Aqui, mostramos que mais da metade da população do distrito teve que andar mais de 30 minutos para chegar a um CHS, e 10 a 15% tiveram que andar mais de 1 hora, dependendo da estação. Isso sugere que existem lacunas até mesmo na cobertura geográfica dos programas de saúde comunitária e abre novas questões sobre como medir e otimizar o acesso à saúde comunitária para as populações rurais, com base em uma compreensão profunda de seu contexto geográfico. Uma mudança para programas pró-ativos de cuidados comunitários poderia ajudar a garantir a prestação de serviços essenciais às populações, apesar de sua distância de um CHS, melhorando as condições de saúde [66]. Alternativamente, em ambientes que dependem de programas comunitários padrão, adaptar a força de trabalho dos CHWs às características demográficas e geográficas da área de abrangência da população pode ajudar a melhorar seu alcance geográfico.

Neste estudo, estimamos a distância até a APS usando um mapeamento de cerca de 23.000 km de trilhas e mais de 100.000 edifícios, e parametrizamos o tempo de viagem com centenas de horas de trabalho de campo, obtendo estimativas de acessibilidade precisas e específicas ao contexto para cada comunidade em nosso distrito. Essa abordagem supera muitos dos desafios que os estudos de acessibilidade geográfica comumente enfrentam. Apesar do uso crescente de sistemas de informações geográficas e análises espaciais para entender melhor o acesso aos cuidados de saúde nos países em desenvolvimento, ainda existem lacunas importantes em sua aplicação. Estudos em países de alta renda fornecem estimativas precisas de acesso geográfico aos serviços devido à maior disponibilidade de sistemas eletrônicos de informação em saúde e dados GIS, bem como boa infraestrutura de transporte [63, 67,68,69,70]. Em contraste, estudos em países em desenvolvimento normalmente usam distâncias euclidianas para obter uma medida básica de distância, ou redes rodoviárias em combinação com superfícies de atrito para obter estimativas de tempo de viagem para APS porque a rede real de caminhos raramente está disponível [21, 27, 41]. Dado que a maioria das viagens nas áreas rurais são feitas a pé, as imprecisões de tais modelos podem ser muito importantes [22, 71]. Além disso, enquanto o tempo de viagem pode depender fortemente de fatores contextuais, os pesquisadores usam valores constantes para a velocidade de viagem [20, 26] ou valores para diferentes características geográficas inseridas de outros contextos [22]. Em nosso contexto, as comparações de nossas estimativas com esses métodos mostraram diferenças médias no tempo de viagem de 30–35% para distâncias euclidianas e 20–25% para superfícies de atrito.

Nossa abordagem poderia ser replicada em estudos futuros de acessibilidade geográfica para atendimento em áreas rurais do mundo em desenvolvimento, onde estimativas muito precisas de distância e tempo para buscar tratamento são necessárias para uso local por tomadores de decisão, gerentes de programa e profissionais de saúde. O mapeamento no OSM é simples, as informações inseridas são acessíveis a qualquer pessoa para download ou para uso em aplicativos móveis e o banco de dados geográfico pode ser atualizado regularmente ou expandido pela comunidade online. Embora, em nosso caso, a maior parte do trabalho por meio do HOTOSM tenha sido feito por vários mapeadores envolvidos no projeto e tenha levado vários meses, este tipo de abordagem de mapeamento participativo e colaborativo pode permitir um mapeamento colaborativo rápido de grandes áreas geográficas quando a comunidade de mapeamento está fortemente mobilizada [ 72]. Além disso, desenvolvimentos recentes em inteligência artificial, como as pegadas de construção Maxar-Digital Globe ou a ferramenta RapiD desenvolvida pelo Facebook para redes rodoviárias, podem acelerar muito o mapeamento em ambientes de poucos recursos, tornando alguns dos métodos apresentados aqui mais facilmente escaláveis.

Além das implicações políticas mais amplas para a saúde da comunidade e cobertura universal de saúde descritas acima, nosso estudo forneceu vários insights programáticos para melhorar o acesso aos cuidados de saúde em Ifanadiana. Nos últimos 3 anos, duas UBS foram construídas nos extremos Norte e Sul de Ifanadiana, onde o acesso geográfico era muito baixo, reduzindo o percentual da população que precisa caminhar de 2 a 5 h (Arquivo adicional 8). Dados os resultados descritos na Fig. 2, adicionar três novas instalações aos 21 PHCs existentes nas áreas do distrito com o acesso geográfico mais baixo (Leste, Oeste e Sudoeste) quase eliminaria a necessidade de as populações caminharem 4 h ou mais em cada sentido para um PHC. Além disso, vários programas estão sendo implementados para melhorar o acesso geográfico aos cuidados primários para populações remotas, incluindo a construção de casas de espera maternas perto de APS para grávidas e a prestação de serviços de saúde por equipes de enfermeiras durante expedições regulares. Para a saúde da comunidade, as barreiras geográficas para alcançar os CHSs observadas aqui motivaram um programa piloto de gestão proativa de casos na comunidade, que será progressivamente ampliado se for bem-sucedido. As ferramentas de e-saúde desenvolvidas como parte do estudo permitirão que os gestores do programa priorizem e planejem essas atividades comunitárias e de extensão para as populações mais remotas, enquanto os CHWs e as equipes de campo serão capazes de obter instruções precisas em qualquer lugar do distrito para a implementação de tais Atividades. Pesquisas operacionais futuras devem avaliar a aceitação e o impacto de tais ferramentas na prestação de cuidados de saúde.

Nosso estudo teve várias limitações. Primeiro, as datas das imagens de satélite usadas para o mapeamento OSM não estavam disponíveis, o que poderia representar um problema se as imagens não refletissem as condições atuais, mas o trabalho de campo subsequente confirmou que os mapas OSM (edifícios, caminhos, etc.) eram bastante precisos. Em segundo lugar, consideramos apenas um modelo de tempo de viagem a pé, o que poderia levar a vieses se parte da população viajasse para as APS de veículo. Outros estudos estimaram o tempo de viagem de veículo em ambientes com boas redes viárias [34, 69], ou a pé e de veículo em ambientes de poucos recursos [35]. Em nosso contexto, menos de 3% da população de Ifanadiana tem veículo, e há apenas uma estrada asfaltada (& lt 1% da rede viária) com transporte público disponível [73]. Terceiro, inferimos a proporção da população que vive a uma determinada distância ou tempo de viagem com base em um mapeamento completo dos edifícios do distrito a partir de imagens de satélite de alta resolução, em vez de um censo real. Uma vez que alguns desses edifícios não representam famílias habitadas (por exemplo, edifícios administrativos, lojas, etc.), esta abordagem poderia ter levado a vieses se a distribuição de não domicílios fosse distribuída de forma heterogênea em todo o distrito.

Embora forneçamos estimativas parametrizadas localmente de tempo de viagem para Ifanadiana, as variáveis ​​geográficas e climáticas avaliadas tiveram efeitos modestos na velocidade de viagem. No geral, 40% da velocidade de viagem em nosso modelo foi explicada pelos efeitos aleatórios, o que sugere que as diferenças inatas na velocidade de caminhada entre os indivíduos podem ser um dos determinantes mais relevantes do tempo de viagem. Com relação ao clima, nossas estimativas em cenários com e sem chuva diferiram apenas em até 20 min em distâncias de mais de 15 km. Embora o distrito tenha um clima tropical com períodos de chuvas fortes, registros de GPS das expedições de campo foram coletados durante períodos de chuva relativamente baixa (até 47,5 mm por dia), o que poderia explicar o pequeno impacto da chuva na velocidade de deslocamento. Além disso, a resolução grosseira dos dados de chuva disponíveis para nossa área (0,5 graus) pode ter enviesado as estimativas de chuva e impactado sua influência em nosso modelo. As chuvas também podem levar ao isolamento de áreas durante a estação chuvosa devido a enchentes ou aumento do nível das águas dos rios [35], mas não pudemos estimar esses efeitos em nosso ambiente a partir de dados de sensoriamento remoto. In terms of land cover, only water surfaces and rice fields were associated with lower speed values, and removing land cover effects resulted in minimal changes in our predictions of travel time (Additional file 9). Finally, recordings were done by health workers and community members, so our estimations represent local travel time for healthy individuals. Other groups such as ill individuals, pregnant women or the elderly will likely take longer to reach health facilities, and factors such as break time during a route were not considered, which could be particularly relevant for those who walk for 4 to 8 h. As a result, values for maximum time to seek treatment at health facilities presented here are probably an underestimation of the real time spent by certain groups or under certain weather conditions.


Routes feature class

The Routes feature class stores the resulting route, or routes, from the analysis. It is an output-only class the route analysis layer overwrites or deletes any route features while running the analysis. The following table describes the output fields of the Routes feature class:

Routes: Output fields

The system-managed ID field.

The name for the route is assigned automatically when the route layer is solved, either by reading the value from the RouteName field of the Stops feature class or, if that value is null, by integrating the name of the first stop in the route and the name of the last stop, for example, Stop 1 – Stop 8.

The geometry field indicating the geographic location of the network analysis object.

The ObjectID value of the route's first stop.

The ObjectID value of the route's last stop.

The number of stops visited by the route.

(for instance, Total_Minutes , where Minutes is the travel cost for the network)

The total distance, time, or other travel cost from the beginning of the first stop to the end of the last stop. The total travel cost and the Attr_ [Cost] of the visited stops are included in this value.

(for example, TotalWait_Minutes , where Minutes is the travel cost of the network)

This field stores the route's overall wait time, which is the time spent at stops waiting for time windows to open.

(for example, TotalViolation_Minutes , where Minutes is the travel cost of the network)

This field stores the route's overall violation time at stops. Violation time is added when the route arrives at a stop after the time window has ended it's the difference between the ArriveTime and TimeWindowEnd .

The time the route begins.

The time the route is complete.

The start time of the route in coordinated universal time (UTC).

The end time of the route in coordinated universal time (UTC).


Conclusão

Given the large number of people who die or become disabled from largely preventable diseases in Africa, as seen in low life expectancy and high level of child mortality and child disability, there is an urgent need to increase access to basic health services, in particular among the most vulnerable groups. GeoHealthAccess will provide knowledge that can be applied to developing efficient health policies that target barriers to access both at the community level and at the individual level, improving access where it is most needed.


Métodos

1) Parks

We obtained data on park spaces from the park GIS layer in ESRI ArcGIS9.3 Data DVD (ArcGIS 9.3, ESRI, Redlands, CA). It was created in 2008 with 35,436 public park or forest units in the 50 states and DC. The park dataset includes national, state, and local parks and forests. Park size and within-park centroids were generated in ArcGIS9.3. Very small parks of less than 4000 square feet (or 0.1 acres) are not available in this dataset and are not included in this study.

2) Geographic unit of analysis and population demographics

We selected the census block as our basic geographic neighborhood unit of analysis for two reasons: 1) census blocks are the smallest geographic unit for the US Census. Geographic units in most studies on neighborhood effects on health (e.g., census tracts and ZIP codes) are built upon census blocks. The spatial accessibility of parks for other larger geographic neighborhood units could be easily generated from census block estimates this also minimizes the bias introduced by MAUP. 2) The interior geometric centroids for census blocks are a more accurate geographic location measure for local population residence than the centroids for census tracts or other larger geographic units. Geographic accessibility measures computed from census tract centroids could yield important measurement errors for 5% to 10% compared to the population-weighted accessibility measures for census blocks within census tracts[39]. Thus, the use of census block centroids provides a more accurate characterization of the population exposure to park spaces and minimizes ecological bias in population locations.

Census block population is not available annually. Therefore we used US census updated 2008 county populations to update census block. 2008 county population estimates by demographics (age, sex, race and Hispanic origin) were downloaded from the US census http://www.census.gov/popest/datasets.html. The 2008 US county populations were allocated to census blocks according to the census block 2000 population demographic composition within a county. This is a limitation but it is preferable to using outdated 2000 census block population data, because the US population landscape has changed significantly since 2000.

Census block group poverty rates in 2008 were obtained from Geolytics http://www.geolytics.com/. We classified the census block groups into three categories according to their poverty rates: low poverty block groups with poverty rates less than 10% medium poverty block groups with poverty rates equal to or greater than 10% but less than 20% high poverty block groups with poverty rates equal to or greater than 20%. We used this block group poverty status to explore whether the populations in the poor neighborhoods have lower spatial accessibility to parks compared to those in the more affluent neighborhoods.

We used National Center for Health Statistics (NCHS) six-level urban-rural classification scheme for the 3,141 U.S. counties and county-equivalents to explore the influence of urbanization level of residence on park spatial accessibility. The county level urban-rural continuum category consists of: 1) large central metro, 2) large fringe metro, 3) medium metro, 4) small metro, 5) micropolitan, and 6) non-core rural counties http://www.cdc.gov/nchs/data_access/urban_rural.htm. The NCHS Urban-Rural Classification scheme was developed with an aim to study the association between urbanization level of residence and health outcomes and to monitor the population health of urban and rural residents. It is also a most updated urban-rural classification system.

3) Distance

Distance is a key metric to construct spatial accessibility. Although it could be measured in various ways, two common distance metrics are network distance and Euclidean distance. Network distance is measured by the length of the shortest street network linking an origin and a destination. Euclidean distance is the length of the straight geometric line linking an origin and a destination. Both can be generated in current GIS software. Theoretically, Euclidean distance is always less than network distance. Network distance is considered to be a more accurate approximation of the actual travel distance from an origin to a destination, and it has been employed in most park access studies. In an urban area with relatively high density street networks, Euclidean distances are strongly correlated with more accurate network distances [39] and even more accurate travel time is not more sensitive to spatial accessibility modeling than Euclidean distances[40]. But the differences will become larger when street network density decreases from urban to suburban and rural areas and using Euclidean distances for measuring accessibility will have more bias. On the other hand, park access often involves the use of cars in suburban and rural areas and in these areas populations should be less sensitive to distance which could reduce the potential bias for the use of Euclidean distance. In this study, for practical reasons, we use the Euclidean distances between census blocks and parks. Both census block and park locations are proxied by their internal centroids. Current GIS can calculate both network and Euclidean distances between all residential locations and all parks for local studies, but they do not allow us to calculate these distances from all census blocks in US (8,205,582) to all parks (35,436). Therefore we calculated the Euclidean distance between census blocks and parks using SAS (version 9.2, SAS Institute, Cary, NC).

Calculate census block potential access to parks

Spatial interaction modeling, in general, shows that facility utilization is proportional to the facility size and decreases with the distances between individuals and facilities. Thus, the potential spatial accessibility (UMA ij) from a block eu to a park j is defined as follow:

Onde S jis the size of neighborhood park j in square miles d ijis the Euclidean distance between the centroid of the census block eu and the centroid of the nearest park j in miles α is the parameter that reflects the size effects of the nearest park j on its accessibility β is the parameter that characterizes distance decay effects of access to nearby park j. Based on the only available study, which is from Australia, α has an empirical value of 0.85 and β has a value of 1.91 for public open space [27]. This potential access model is only based on the distance from block to park and on the park size, and we do not include park attractiveness in the model for two reasons. First, park attractiveness is associated with many factors, such as sport and children facilities, presence of walking paths, landscaping, and physical amenities (nearby ocean, river, or lake) and park safety. These detailed data are not available for the nation-wide park dataset. The other more important reason is that the spatial arrangement of parks (location and size) is usually fixed, while most park attractiveness characteristics can be modified. Thus this potential access model provides a basic metric quantifying the spatial distribution of parks and its relationship with nearby neighborhoods. It could provide an answer for the question of whether we need more or better quality parks in a neighborhood.

The total potential accessibility to nearby parks is the sum of the accessibility from the census block eu to all its nearest seven parks:

Calculate the probability from census blocks to parks

Each census block has a potential set of destination parks of seven but the probability that census block populations interact with each nearby park should vary. We adopt the equation 3 with the following form:

All the parameters are the same as defined in equation 5 and 6. With this probability model, we could estimate the potential number of census block residents that will visit each nearby park by multiplying the total census block population by the probability that a resident from that census block utilizes each park. More importantly, it allows us to incorporate population spatial heterogeneity into the larger neighborhood unit (e.g. census tract and ZIP code) park access calculation. The weighted sampling of seven nearest parks from a large full set of park alternatives may give a more accurate estimate of true expected travel distance to local parks for residential populations in a neighborhood as indicated in some empirical spatial choice modeling[41].

Calculate block level PWD to parks

The above potential accessibility index to parks is commonly used in the literature. Higher accessibility scores indicate better accessibility to parks, but these are not intuitive compared to direct distance measures. So we further use this spatial interaction accessibility measure to generate an intuitive distance measure to evaluate the spatial accessibility to parks. Using the probability model above, the block level PWD (B eu) to nearest parks for the population in that census block (Pop eu) is defined as:

Similarly, the PWD for the population in larger geographic units than census block (block groups, census tract, ZIP codes, counties, states, and even the entire US) to visit nearest parks is defined as:

Onde n kis the number of blocks in a more aggregated geographic unit (k) than a block, and Pop kis the total population of the aggregated geographic unit (k), and T kis the PWD for the aggregated geographic unit (k) to visit parks. By nature, it is a PWD to nearest parks and measures the overall potential spatial accessibility to parks for the geographic unit of interest.

This PWD itself is as intuitive as the traditional distance measure it could be viewed as an adaptive container-based measure with a constant choice set of seven nearest parks but it is based on a flexible spatial interaction-based accessibility index. This compound measure provides us a useful metric to characterize the spatial structure of parks (location, size) and its relationship to residential neighborhoods. It could also be conveniently visualized at different geographic levels (census block, tract, and county) in a GIS environment.


Sintaxe

The input source locations.

This is a raster or feature dataset that identifies the cells or locations to which the least accumulated cost distance for every output cell location is calculated.

For rasters, the input type can be integer or floating point.

A raster defining the impedance or cost to move planimetrically through each cell.

The value at each cell location represents the cost per unit distance for moving through the cell. Each cell location value is multiplied by the cell resolution while also compensating for diagonal movement to obtain the total cost of passing through the cell.

The values of the cost raster can be integer or floating point, but they cannot be negative or zero (you cannot have a negative or zero cost).

Defines the threshold that the accumulative cost values cannot exceed.

If an accumulative cost distance value exceeds this value, the output value for the cell location will be NoData. The maximum distance defines the extent for which the accumulative cost distances are calculated.

The default distance is to the edge of the output raster.

The output cost back-link raster.

The back-link raster contains values of 0 through 8, which define the direction or identify the next neighboring cell (the succeeding cell) along the least accumulative cost path from a cell to reach its least cost source.

If the path is to pass into the right neighbor, the cell will be assigned the value 1, 2 for the lower right diagonal cell, and continuing clockwise. The value 0 is reserved for source cells.

Return Value

The output cost distance raster.

The cost distance raster identifies, for each cell, the least accumulative cost distance over a cost surface to the identified source locations.

A source can be a cell, a set of cells, or one or more feature locations.

The output raster is of floating point type.


Assista o vídeo: A L - 2 - 7 - LD ou LI - exerc resol 14 (Outubro 2021).