أكثر

حساب كثافة الطريق في R باستخدام كثافة النواة؟

حساب كثافة الطريق في R باستخدام كثافة النواة؟


لدي ملف شكل كبير (حوالي 70 ميجابايت) من الطرق وأريد تحويله إلى خطوط نقطية بكثافة طريق في كل خلية. من الناحية المثالية ، أود القيام بذلك في R جنبًا إلى جنب مع أدوات سطر أوامر GDAL إذا لزم الأمر.

كان أسلوبي الأولي هو حساب أطوال مقاطع الخط في كل خلية وفقًا لمؤشر الترابط هذا. ينتج عن هذا النتائج المرجوة ، ولكنه بطيء جدًا حتى بالنسبة لملفات الأشكال الأصغر بكثير من ملفاتي. فيما يلي مثال مبسط للغاية تكون فيه قيم الخلية الصحيحة واضحة:

تتطلب (sp) تتطلب (نقطية) تتطلب (rgeos) تتطلب (RColorBrewer) # إنشاء بعض خطوط العينة l1 <- Lines (Line (cbind (c (0،1)، c (.25،0.25))) ، ID = " a ") l2 <- Lines (Line (cbind (c (0.25،0.25)، c (0،1)))، ID =" b ") sl <- SpatialLines (list (l1، l2)) # دالة للحساب أطوال الخطوط في طول الخلية النقطية المعطى InCell <- function (i، r، l) {r [i] <- 1 rpoly <- rasterToPolygons (r، na.rm = T) lc <- المحاصيل (l، rpoly) إذا ( ! is.null (lc)) {return (gLength (lc))} else {return (0)}} # Make template rLength <- raster (extension (sl)، res = 0.5) # حساب الأطوال <- sapply ( 1: ncell (rLength)، lengthInCell، rLength، sl) rLength [] <- lengths # Plot results spplot (rLength، scales = list (draw = TRUE)، xlab = "x"، ylab = "y"، col.regions = colorRampPalette (brewer.pal (9، "YlOrRd"))، sp.layout = list ("sp.lines"، sl)، par.settings = list (lineize = list (text = 15))) round (as. مصفوفة (rLength)، 3) #### النتائج [، 1] [، 2] [1،] 0.5 0.0 [2،] 1.0 0.5

تبدو جيدة ، لكنها ليست قابلة للتطوير! في زوج من الأسئلة الأخرىspatstat ::ensity.psp ()تمت التوصية بوظيفة لهذه المهمة. تستخدم هذه الوظيفة نهج كثافة النواة. أنا قادر على تنفيذه ويبدو أنه أسرع من النهج أعلاه ، لكني لا أعرف كيفية اختيار المعلمات أو تفسير النتائج. إليك المثال أعلاه باستخدامالكثافة. psp ():

تتطلب (spatstat) تتطلب (maptools) # تحويل SpatialLines إلى كائن psp باستخدام مكتبة maptools pspSl <- as.psp (sl) # كثافة النواة ، اختيار سيجما أكثر أو أقل بشكل تعسفي d <- الكثافة (pspSl ، سيجما = 0.01 ، eps = 0.5 ) # التحويل إلى raster rKernDensity <- raster (d) # Values: round (as.matrix (rKernDensity)، 3) #### النتائج [، 1] [، 2] [1،] 0.100 0.0 [2،] 0.201 0.1

اعتقدت أنه قد يكون الأمر كذلك أن نهج kernel يحسب الكثافة بدلاً من الطول لكل خلية ، لذلك قمت بالتحويل:

# التحويل من الكثافة إلى الطول لكل خلية للمقارنة rKernLength <- rKernDensity * res (rKernDensity) [1] * res (rKernDensity) [2] round (as.matrix (rKernLength)، 3) #### النتائج [، 1] [، 2] [1،] 0.025 0.000 [2،] 0.050 0.025

ولكن ، في كلتا الحالتين ، لا يقترب نهج kernel من التوافق مع النهج الأكثر مباشرة أعلاه.

إذن ، أسئلتي هي:

  1. كيف يمكنني تفسير ناتج ملفالكثافة. pspوظيفة؟ ما هي الوحدات؟
  2. كيف يمكنني اختيارسيجماالمعلمة فيالكثافة. pspلذا فإن النتائج تتوافق مع النهج الأكثر مباشرة وبديهية أعلاه؟
  3. المكافأة: ما الذي تفعله كثافة خط النواة بالفعل؟ لدي بعض الإحساس بكيفية عمل هذه الأساليب للنقاط ، لكن لا أرى كيف يمتد ذلك إلى الخطوط.

لقد نشرت هذا السؤال على R-sig-Geo listserv وتلقيت إجابة مفيدة من Adrian Baddeley ، أحد مؤلفي spatstats. سوف أنشر تفسيري لرده هنا للأجيال القادمة.

يلاحظ أدريان أن الوظيفةspatstat :: pixellate.psp ()تطابق مهمتي بشكل أفضل. تقوم هذه الوظيفة بتحويل نمط قطعة مستقيمة (أوالخطوط المكانيةالكائن مع التحويل) إلى صورة بكسل (أوالنقطيةمع التحويل) ، حيث تكون القيمة في كل خلية هي طول مقاطع الخط التي تمر عبر تلك الخلية. بالضبط ما أبحث عنه!

يمكن تحديد دقة الصورة الناتجة بامتدادepsالمعلمة أوديميكسالمعلمة ، التي تحدد الأبعاد (عدد الصفوف والأعمدة).

تتطلب (sp) تتطلب (نقطية) تتطلب (maptools) تتطلب (spatstat) # إنشاء بعض خطوط العينة l1 <- Lines (Line (cbind (c (0،1)، c (.25،0.25))) ، ID = " a ") l2 <- Lines (Line (cbind (c (0.25،0.25)، c (0،1)))، ID =" b ") sl <- SpatialLines (list (l1، l2)) # تحويل الخطوط المكانية إلى psp باستخدام مكتبة maptools pspSl <- as.psp (sl) # Pixellate بدقة 0.5 ، أي 2x2 بكسل بكسل <- pixellate (pspSl ، eps = 0.5) # يمكن تحويل هذا إلى خطوط نقطية حسب الطول المطلوب <- نقطية (بكسل) ) # القيم: round (as.matrix (rLength)، 3) [، 1] [، 2] [1،] 0.5 0.0 [2،] 1.0 0.5

النتائج بالضبط كما هو مطلوب.

كما أجاب أدريان على أسئلتي حولspatstat ::ensity.psp (). يوضح أن هذه الوظيفة:

يحسب التفاف نواة غاوس مع الخطوط. حدسيًا ، هذا يعني ذلكالكثافة. psp"تلطيخ" الخطوط في فضاء ثنائي الأبعاد. وبالتاليالكثافة (L)يشبه نسخة غير واضحة منبيكسلات (L). حقيقةالكثافة (L)مشابه جدًا لـطمس (بيكسلات (L))أينطمسهو شيء آخرspatstatوظيفة تطمس الصورة. [المعلمة]سيجماهو عرض النطاق الترددي لنواة غاوسي. قيمة الالكثافة. psp (L)عند بكسل معين u ، هو شيء يشبه المقدار الإجمالي لطول الخط في دائرة نصف قطرها سيجما حول البكسل u ، باستثناء أنه حقًا متوسط ​​مرجح لمثل هذه المساهمات من أنصاف أقطار دائرة مختلفة. الوحدات هي الطول ^ (- 1) ، أي طول الخط لكل وحدة مساحة.

لا يزال من غير الواضح إلى حد ما بالنسبة لي عندما نهج نواة غاوسالكثافة. psp ()سيكون مفضلًا على النهج الأكثر سهولة لحساب أطوال الخطوط بشكل مباشربيكسلات (). أعتقد أنني سأضطر إلى ترك ذلك للخبراء.


تقييم الفعالية المحتملة لسيناريوهات الإدارة البديلة في موطن القرود

يتطلب اختيار استراتيجيات الإدارة المناسبة وإجراءات الحفظ الفعالة معلومات حول العواقب المستقبلية لإجراءات الحفظ الحالية ، ومع ذلك ، نادرًا ما تكون هذه المعلومات الحاسمة متاحة لمخططي الحفظ. تطبق هذه الدراسة تخطيط السيناريو والنمذجة القائمة على الوكيل (ABM) لتقييم التأثير المحتمل لاستراتيجيات الإدارة البديلة على الملاءمة المستقبلية والتوصيل الوظيفي لموائل الغوريلا عبر النهر (CRG) في المنطقة الحدودية بين نيجيريا والكاميرون. سكان CRG صغيرة ومجزأة ، مع العديد من المجموعات السكانية الفرعية وممرات الهجرة الواقعة خارج المناطق المحمية. استخدمت هذه الدراسة ABM لمحاكاة استخدام الإنسان للأراضي في منطقة الدراسة على مدى 15 عامًا في ظل سيناريوهات إدارة مختلفة وتقييم التأثير على الملاءمة المستقبلية والتوصيل الوظيفي لموائل CRG. أظهرت عمليات المحاكاة أن نهج المناظر الطبيعية مع التركيز بشكل أكبر على التدخلات لتغيير السلوك البشري تجاه الحفاظ على الغوريلا والاستخدام المستدام للغابات سيؤدي إلى تحسين أكبر في ملاءمة الموائل والتوصيل الوظيفي مقارنة بالتركيز على تحسين إنفاذ القانون داخل المناطق المحمية الحالية. ومع ذلك ، فإن أفضل السيناريوهات كانت عندما زاد تطبيق القانون وتغيير السلوك. تسلط النتائج الضوء على أهمية تغيير السلوك البشري في الحفظ في المناظر الطبيعية التي يسيطر عليها الإنسان ويمكن أن تفيد في تخطيط الحفظ وإدارة الأنواع الأخرى وفي المناظر الطبيعية المماثلة.


لغة

  • نوع الوسائط: مطبعة
  • سمات: الأشكال الصور المراجع الجداول
  • ترقيم الصفحات: ص 89-96
  • مسلسل:
    • مجلة التخطيط العمراني والتنمية
    • المجلد: 132
    • رقم الإصدار: 2
    • الناشر: الجمعية الأمريكية للمهندسين المدنيين
    • ISSN: 0733-9488
    • إيسن: 1943-5444
    • عنوان URL التسلسلي: http://ascelibrary.org/journal/jupddm

    آلية اختيار تقاطع تكيفية تستخدم تحسين مستعمرة النمل لنشر البيانات بكفاءة في VANET الحضرية

    شبكة المركبات المخصصة (VANET) قادرة على تقديم مجموعة متنوعة من الخدمات ، وبالتالي تحظى باهتمام كبير من المجتمعات الأكاديمية والصناعية. في VANET ، تميل الروابط المتصلة إلى الانكسار بسهولة ، وبالتالي ، يلزم مزيد من الاهتمام للعثور على طرق موثوقة بمعدل أسرع. في هذا السياق ، تعتبر المعلومات المتعلقة بالاتصال والتأخير من الأصول القيمة لإنشاء اتصال قوي والحفاظ عليه. في العمل المقترح ، أ آلية اختيار التقاطع التكيفية باستخدام تحسين مستعمرة النمل (AISM) ، تم التأكيد على مشكلة اكتشاف طريق واعد يخضع لقيود جودة الخدمة المتعددة (QoS). في الأدبيات التي تم الإبلاغ عنها سابقًا ، لا يمكن أن يضمن أفضل مسار تم البحث عنه نقل حزم البيانات بنجاح ، حتى عندما يفي بقيود جودة الخدمة وقت الاكتشاف. للتغلب على هذه الفجوة ، يتبع AISM استراتيجيتين بسيطتين: أولاً ، يستغل الآلية القائمة على التنبؤ لتقييم الطريق في الوقت الفعلي ، وثانيًا ، يتم تشكيل المسار بين تقاطعين متتاليين ، بدلاً من طريق طويل بين عقد الشبكة. يتم استخدام معلومات الاتصال والتأخير التي تم الحصول عليها من حزم التحكم الصغيرة التي تسمى النمل الأمامي والخلفي لتحديد أولويات المسارات المرشحة. علاوة على ذلك ، من خلال محاكاة واسعة النطاق ، تظهر النتائج في المناطق الحضرية أن AISM يتفوق على البروتوكولات الحالية من حيث نسبة تسليم الحزم ومتوسط ​​التأخير وعدد القفزات.

    هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


    أساليب

    حصلنا على حالات COVID-19 اليومية المتاحة للجمهور بين مقاطعات الولايات المتحدة من New York Times [21]. لكل مقاطعة ، افترضنا أن فترة النمو الأسي بدأت قبل أسبوع واحد من الزيادة اليومية الثانية في الحالات. افترضنا أن فترة النمو الأسي استمرت 18 يومًا تقريبًا ، كما أظهرت الأبحاث السابقة أن الفترة الأسية لـ COVID-19 ستكون حوالي 20-24 يومًا في مدينة نيويورك [22]. قامت هذه الافتراضات بمعايرة فترة النمو الأسي وفقًا لذلك وإنشاء منحنيات معقولة تقارب النمو الأسي عبر المقاطعات لبيانات الحالة (الشكل أ في الملحق S1). ضمنت الخوارزمية أن الفيروس قد استقر في المنطقة وسمحت بعدد كافٍ من الأيام لتقدير معدل النمو الأسي ، مثل R0 لا يمكن تقديرها بدقة باستخدام بيانات متفرقة ، لأنه سيكون من غير المؤكد ما إذا كانت المقاطعة تعاني من تفشي مستمر مع انتقال المجتمع. لقد قصرنا تحليلاتنا على المقاطعات التي حققت حدًا معينًا من عدد الحالات التراكمية في نهاية فترة النمو الأسي ، ولكن بما في ذلك المقاطعات التي بها أقل من 25 حالة تضمنت تعدادًا يوميًّا للوقوع غير كافٍ لحساب R0 وأسفرت عن أخطاء حسابية. تضمنت العينة التحليلية النهائية لدينا مقاطعات بها 25 حالة أو أكثر في نهاية فترة النمو الأسي.

    تم الحصول على البيانات المتعلقة بالوضع الأساسي للانتقال إلى العمل ومتوسط ​​دخل الأسرة من أحدث تقديرات مسح المجتمع الأمريكي (ACS) 2014-2018 من مكتب تعداد الولايات المتحدة [23]. تم تفعيل وضع التنقل الرئيسي كإجمالي النسبة المئوية للأشخاص الذين يستخدمون وسائل النقل الخاصة للعمل ، مثل أولئك الذين يمتلكون مركبات خاصة (سيارة ، شاحنة ، فان ، دراجة نارية) أو يستخدمون سيارة أجرة خاصة. النقل الخاص هو وكيل لإمكانية الوصول إلى وسائل النقل في كل مقاطعة ، حيث نفترض أن المناطق التي تفتقر إلى وسائل نقل فعالة قد لا تتمتع بسرعة نمو أسي لـ COVID-19 ، ونريد تقييم ما إذا كان تأثير الكثافة على R0 قد تختلف بسبب سهولة الوصول إلى وسائل النقل. تم الحصول على السكان ومساحة الأرض من تعداد 2010 ، وتم حساب الكثافة على أساس عدد السكان مقسومًا على إجمالي كيلومتر مربع. تم استخراج جميع بيانات التعداد باستخدام حزمة R. التعداد [24].

    تحليل احصائي

    قمنا أولاً بمقارنة كثافات المقاطعات المدرجة في العينة التحليلية النهائية بتلك التي لم يكن لديها عدد كافٍ من الحالات مع اختبار ويلكوكسون المكون من عينتين. ص0 تم تقديره من خلال طريقة معدل النمو الأسي التي طورتها Wallinga و Lipstich [25] ونُفذت بواسطة حزمة R R0 [26] ، بافتراض فترة جيل بتوزيع جاما بمتوسط ​​4.7 وانحراف معياري 2.9 [27]. أجرينا بعد ذلك تحليلًا مقطعيًا باستخدام نماذج خطية مختلطة مع اعتراضات عشوائية لكل حالة ومنحدرات ثابتة للمقاطعات لتقييم ارتباط الكثافة السكانية و R0. تسمح النماذج المختلطة الخطية بالتباين بين الولايات ، وهو ما يمثل عدم الاستقلال بين المقاطعات داخل كل ولاية ، وربما يرجع ذلك إلى تخصيص الموارد المتغير والأنظمة الصحية المختلفة عبر الولايات.

    قمنا أيضًا بتعديل طريقة النقل الرئيسية على مستوى المقاطعة إلى النسبة المئوية للعمل ومتوسط ​​دخل الأسرة للتحكم في أي خلط محتمل بين ارتباط الكثافة و R0. لذلك ، نلائم 4 نماذج مع R.0 كنتيجة والعوامل التالية كمتغيرات مشتركة: النموذج 1: الكثافة السكانية النموذج 2: الكثافة السكانية والنسبة المئوية للأفراد الذين أبلغوا عن وسائل النقل الخاصة كوسيلة رئيسية للانتقال إلى العمل النموذج 3: الكثافة السكانية ونسبة الأفراد الذين أبلغوا عن وسائل النقل الخاصة ، ومتوسط ​​دخل الأسرة النموذج 4: الكثافة السكانية ، النسبة المئوية للأفراد الذين أبلغوا عن وسائل النقل الخاصة ، ومتوسط ​​دخل الأسرة ، وتفاعل استخدام وسائل النقل الخاصة مع الكثافة السكانية. معادلة النموذج الخطي المختلط المصاحب للنموذج 4 هو المكان β0ي = γ00+ش0ي، من أجل أناالمقاطعة لـ يالدولة

    تحليلات الحساسية

    أجرينا ثلاثة تحليلات للحساسية لمعالجة قيود نهجنا وتقييم قوة نتائجنا. أولاً ، أجرينا تحليل الحساسية باستخدام أعداد الوفيات من نيويورك تايمز [21] لتقدير R.0 للحد من التحيز بسبب التوفر التفاضلي للاختبار حسب الموقع الجغرافي. استخدمنا نفس الفترة الأسية للحالات ، ولكن مع تأخر 14 يومًا لحساب التأخير من بداية الأعراض إلى وفيات الحالات [28-30]. علاوة على ذلك ، اقتصر تحليل الوفيات على المقاطعات التي بها أكثر من 10 وفيات وأكثر من 5 زيادات يومية في وفيات الحوادث ، من أجل تقدير R بشكل مناسب.0 في المقاطعات ذات أعداد الوفيات الكافية. خلقت بيانات الوفيات اليومية منحنيات قاربت النمو الأسي عبر المقاطعات (الشكل ب في S1 الملحق). ثانيًا ، استبعدنا المقاطعات الواقعة في دائرة نصف قطرها 15 ميلاً ، متوسط ​​أميال التنقل في الولايات المتحدة [31] ، من المقاطعات ذات الكثافة الأكبر من النسبة المئوية 75. ستظهر إزالة هذه المقاطعات المجاورة مدى التحيز الناجم عن الأفراد الذين ينتقلون من المقاطعات المحيطة إلى المدن. إذا تم استيراد الحالات من عدد السكان الأكثر كثافة (أي المدن) إلى المقاطعات الأقل كثافة ، فمن المحتمل أن نحيز تقديراتنا إلى أسفل. أخيرًا ، أجرينا تحليلًا باستثناء المقاطعات المؤثرة باستخدام مقياس مسافة للطباخ يزيد عن 4 / N لكل نموذج. تعد مسافة كوك مؤشرًا شائع الاستخدام للتأثير ، والذي يقيس مدى تأثير نقاط البيانات على تقديرات معامل الانحدار [32]. يضمن تحليل الحساسية الذي أجريناه باستثناء المقاطعات المؤثرة أن نتائجنا لم تكن مدفوعة بهذه الملاحظات شديدة التأثير ، وأن الارتباط ينطبق على المقاطعات الأخرى.

    أجريت جميع التحليلات في الإصدار R 4.0.0 [33]. تم إجراء رقم وإزالة المقاطعات المجاورة في تحليلات الحساسية باستخدام ArcGIS [34].


    ميزات التنبؤ

    نقدم الآن الميزات المستخدمة في التنبؤ بأحداث الجريمة والتي يتم تصنيفها إلى أربع فئات: السمات التاريخية ، والسمات الجغرافية ، والخصائص الديموغرافية ، والميزات الديناميكية.

    السمات التاريخية

    وفقًا لنظرية شبه التكرار في أبحاث علم الجريمة ، من المرجح أن تقع أحداث الجريمة بالقرب من أحداث الجريمة الماضية [28]. للاحتفاظ بالمعرفة التاريخية حول وقوع أحداث الجريمة ، نحسب الميزات بناءً على كثافة حدث الجريمة لكل منطقة ص. افترض أن التاريخ الحالي هو د والفاصل الزمني التالي هو ( Delta t _ < mathrm>) .

    Α- كثافة أحداث يوم الجريمة

    تتركز أحداث الجريمة بشكل عام في مواقع قليلة. وفقًا للنقاط الساخنة القريبة ، يمكن وصف حدث الجريمة الذي وقع مؤخرًا بأحداث الجريمة الوشيكة السابقة [29]. ال α-كثافة أحداث الجريمة-أيام تميز توزيع أحداث الجريمة الأخيرة. ويستند إلى عدد أحداث الجريمة في المنطقة ص خلال الفترة الزمنية Δر في الماضي α أيام. نظرًا لأن حجم المنطقة وحجم السكان في المناطق المختلفة ليسا موحدين ، فمن غير المناسب استخدام عدد أحداث الجريمة فقط [30]. لذلك ، نقوم بتطبيع كثافة أحداث الجريمة حسب حجم المنطقة وحجم السكان على التوالي:

    حيث ( mathrm_(r) ) هو عدد أحداث الجريمة التي وقعت في اليوم ي في المنطقة ص خلال الفترة الزمنية Δر (A (r) ) و (P (r) ) يمثلان حجم المنطقة وحجم سكان المنطقة ص على التوالى. في هذا العمل ، نأخذ في الاعتبار كثافة حدث الجريمة لمدة 7 أيام و 30 يومًا ، أي ( alpha = 7 ) و ( alpha = 30 ).

    اتجاه حدث الجريمة

    لكل منطقة ص، يتم استخراج اتجاه حدث الجريمة. إنه يعكس النمط طويل الأمد لأحداث الجريمة في هذه المنطقة. نافذة منزلقة من α يتم تطبيق الأيام (كلاهما ( alpha = 7 ) و ( alpha = 30 )). في البداية ، يكون وقت بدء النافذة المنزلقة هو اليوم الأول للبيانات التاريخية ، ثم تتحرك النافذة المنزلقة يومًا بعد يوم حتى يكون وقت البدء هو (د- ألفا ). بالنسبة للنافذة المنزلقة في كل وقت بدء ، يتم تعريف كثافة حدث الجريمة على أنها النسبة بين عدد أحداث الجريمة التي حدثت في النافذة المنزلقة وعدد أيام النافذة المنزلقة. تم تصميم هذا الاتجاه باستخدام الانحدار متعدد الحدود للأمر 2. تعد الجريمة حدثًا نادرًا. لا يحدث بانتظام في مكان معين. يسبب تقلبات في مجموعة البيانات. ومن ثم ، فإن الانحدار متعدد الحدود مطلوب لنمذجة اتجاه كثافة حدث الجريمة في المنطقة. يمكن نمذجة الاتجاه باستخدام الانحدار متعدد الحدود للرتبة 2 أو أعلى. من أجل التبسيط ، تم تصميم الاتجاه باستخدام الانحدار متعدد الحدود للرتبة 2. كثافة أحداث الجريمة للنافذة المنزلقة التي تغطي التالي ث أيام بعد التاريخ الحالي د يتم حسابه ، ويتم استخدام المتوسط ​​باعتباره اتجاه حدث الجريمة.

    كثافة أحداث الجريمة في الجوار

    وفقًا لـ [31] ، يمكن أن يتأثر معدل الجريمة في منطقة واحدة بمعدل الجريمة في المناطق المجاورة لها. تعكس كثافة حدث الجريمة في الحي حالة المناطق المحيطة. نتحقق من الارتباط المكاني لوقوع حدث الجريمة من خلال حساب موران الأول فهرس. نقوم باختباره بحثًا عن نوع الجريمة سرقة, يتعدى و جريمة المخدرات. في ال موران اختبار ، نستخدم مصفوفة الوزن الثنائي التي تحدد الوزن 1 لجميع المناطق المجاورة والصفر بخلاف ذلك. من خلال مراقبة نتائج الاختبار ، وجدنا أنها إيجابية موران الأول إحصائيات لكل نوع من أنواع أحداث الجريمة. يشير إلى وجود ارتباط ذاتي مكاني بين الأحياء من حيث كثافة أحداث الجريمة. على وجه التحديد ، المناطق المجاورة لها تأثير أكبر على بعضها البعض من المناطق الأخرى. ال موران الأول إحصائية لـ يتعدى هو (ع = 0.572 ) بينما هذه القيمة ل سرقة هو (ع = 0.153 ). الأقل ص تشير القيمة إلى أن النتائج ذات دلالة إحصائية. وهذا يدل على أن مناطق حدوثها يتعدى أكثر عناقيدًا من سرقة. يمكن أيضًا ملاحظة هذا الموقف بصريًا في الشكل 1.

    لكل منطقة مجاورة ، فإن α- يتم احتساب كثافة حدث الجريمة في اليوم ويتم استخدام متوسط ​​جميع المناطق المجاورة كحي α-كثافة حدث الجريمة أيام. لكل منطقة مجاورة ، يتم حساب اتجاه كثافة حدث الجريمة ويتم استخدام متوسط ​​جميع المناطق المجاورة باعتباره اتجاه كثافة حدث الجريمة في الحي.

    لكل منطقة مجاورة ، فإن α- يتم احتساب كثافة حدث الجريمة في اليوم ويتم استخدام متوسط ​​جميع المناطق المجاورة كحي α-كثافة حدث الجريمة أيام. لكل منطقة مجاورة ، يتم حساب اتجاه كثافة حدث الجريمة ويتم استخدام متوسط ​​جميع المناطق المجاورة باعتباره اتجاه كثافة حدث الجريمة في الحي.

    كثافة أحداث الجريمة الموسمية

    في السابق ، تم ملاحظة الأنماط الموسمية في بعض أنواع الجرائم مثل الاعتداء [32]. بناءً على ذلك ، نحسب كثافة أحداث الجريمة الموسمية لكل نوع من أنواع أحداث الجريمة. يعتبر موسم التاريخ الحالي. للمنطقة ص في الفاصل الزمني ( Delta t _ < mathrm> ) ، يتم حساب كثافة أحداث الجريمة في نفس الموسم وقسمتها على عدد أيام الموسم ، أي أن متوسط ​​عدد أحداث الجريمة في اليوم الواحد في هذا الموسم يستخدم على أنه كثافة أحداث الجريمة الموسمية.

    خصائص جغرافية

    تصف الميزات الجغرافية المعلومات الإقليمية لأماكن Foursquare في كل منطقة بما في ذلك كثافة فئة المكان ، وتوزيع فئة المكان ، والتنوع الإقليمي.

    لكل نوع من أحداث الجريمة وكل فئة مكان ، يتم حساب معامل ارتباط رتبة سبيرمان بين عدد الأماكن وعدد أحداث الجريمة في المناطق التي يوجد فيها مكان واحد على الأقل من فئة المكان. النتائج موضحة في الجدول 1 لبريزبن. ل جريمة المخدرات و يتعدى، أكثر فئة نقاط الاهتمام ارتباطًا هي بقعة NightLife ل سرقة و احتيال، أكثر فئة نقاط الاهتمام ارتباطًا هي المحلات والخدمات. تتوافق النتائج مع الحقائق الواضحة [33 ، 34]. ال سكني المنطقة الأقل ارتباطًا بأي نوع من أحداث الجريمة.

    نقوم أيضًا بفحص معامل ارتباط رتبة سبيرمان في فترات زمنية مختلفة. يوضح الجدول 2 ذلك لـ سرقة مقابل فئات أماكن مختلفة. فئة المكان الأكثر ارتباطًا هي المحلات والخدمات ضمن الفترة [9-21) ، وهي بقعة الحياة الليلية بما فيها ملهى ليلي و حاجز في الفترة [21-6). فئات الأماكن الأخرى ضعيفة الارتباط بها سرقة في جميع الأوقات.

    توزيع فئة المكان

    كما هو مبين في الجدول 1 ، فإن فئات الأماكن المختلفة لها تأثيرات مختلفة على أنواع مختلفة من أحداث الجريمة في فترات زمنية مختلفة. على سبيل المثال ، من المرجح أن تقع أحداث الجريمة في الليل بالقرب من أماكن الحياة الليلية. أظهرت الدراسات السابقة أيضًا أن الاعتداء على المخدرات يحدث عادة بالقرب من بار [34] أو أماكن الحياة الليلية الأخرى حيث يحدث نوع السرقة من أحداث الجريمة في الغالب في مناطق التسوق [33]. نحسب عدد الأماكن لكل فئة. فئات الأماكن التسع التي تم النظر فيها موضحة في الجدول 1. يتم تعريف توزيع فئة المكان على النحو التالي:

    حيث (N_(r) ) هو عدد أماكن الفئة أنا في المنطقة ص و (N (r) ) هو العدد الإجمالي للأماكن في تلك المنطقة.

    كثافة فئة المكان

    للمنطقة أنا، يتم حساب كثافة فئة المكان على النحو التالي

    حيث (N_(r) ) هو عدد أماكن الفئة أنا في المنطقة ص ومساحة المنطقة (A_). الحدس الكامن وراء ذلك هو أن كثافة الأماكن (دون النظر إلى فئات الأماكن) مرتبطة بعدد أحداث الجريمة في نفس المنطقة [20].

    التنوع الإقليمي

    لتحديد عدم تجانس مكان المنطقة ص، نطبق مقياس الانتروبيا الخاص بشانون [35]. إنتروبيا المنطقة ص يحسب على النحو التالي:

    حيث (N_(r) ) هو عدد أماكن الفئة أنا في المنطقة ص و (N (r) ) هو العدد الإجمالي للأماكن في المنطقة ص. بشكل عام ، من المتوقع أن تكون المنطقة ذات الانتروبيا العالية متنوعة من حيث الأماكن ، أي أن عدد الأماكن من الفئات المختلفة متشابهة ، ومن المتوقع أن تكون المنطقة ذات الإنتروبيا المنخفضة أقل تنوعًا ، أي عدد الأماكن لبعض الفئات يسيطر على الفئات الأخرى. الحدس وراء ذلك هو أن موقعًا متنوعًا قد يجذب مرتكبي أحداث الجريمة. الحدس وراء ذلك هو أن الموقع المتنوع يجذب مجموعات مختلفة من الناس. كما يصف أيضًا مجموعة متنوعة من استخدامات المنطقة (متجر ، كلية). يعتبر مؤشر التنوع هذا مؤشرًا جيدًا في نموذج التنبؤ بأحداث الجريمة [19]. تم تطبيق الانتروبيا المماثلة لتحديد المواقع المثلى لمتاجر البيع بالتجزئة الجديدة عن طريق حساب الانتروبيا للمواقع داخل نصف قطر معين [36].

    الميزات الديموغرافية

    أظهرت الدراسات السابقة أن وقوع حدث الجريمة في مكان ما يرتبط بالسمات الاجتماعية والاقتصادية والديموغرافية لهذا الموقع ومنطقة الجوار [19 ، 20]. يوضح الشكل 2 المعلومات الديموغرافية عبر مدينة بريسبان بما في ذلك عدد السكان ومتوسط ​​العمر ومتوسط ​​الدخل ونسبة الجنس في كل منطقة. يمكننا أن نلاحظ أن عدد السكان في معظم المناطق يتراوح بين 0 و 500. يوجد في عدد قليل من المناطق أكثر من 500 نسمة. كما يوضح متوسط ​​العمر ومتوسط ​​توزيع الدخل لكل منطقة. عند مقارنة توزيع أحداث الجريمة الموضح في الشكل 1 ، يمكننا أن نلاحظ بصريًا أن حدث الجريمة يحدث عندما يكون متوسط ​​عمر السكان منخفضًا بشكل عام على التوالي. إنه يشير إلى أن السكان الشباب أكثر ارتباطًا بحدث الجريمة من السكان المسنين. أيضًا ، يمكننا أن نلاحظ أن أحداث الجريمة من المرجح أن تحدث في المناطق ذات الدخل المنخفض. وبالمثل ، يمكننا أن نرى أن أحداث الجريمة تزداد احتمالية حدوثها في المناطق التي يكون فيها عدد الإناث أقل من عدد الذكور. السمات الديموغرافية الأخرى التي نعتبرها أيضًا هي جزء السكان المستقرون ، والأسر المستأجرة ، وتنوع الخلفية العرقية ، وتنوع الدخل.

    المعلومات الديموغرافية في بريسبان

    الميزات الديناميكية

    جادل النشطاء في المناطق الحضرية بأن التنوع السكاني ونسبة الزوار يساهمان في سلامة المنطقة [7 ، 15]. بسبب التنقل البشري ، يتغير تنوع السكان ونسبة الزوار دائمًا بمرور الوقت. لالتقاط الديناميكيات ، نستكشف عمليات تسجيل الوصول إلى Foursquare للحصول على ست ميزات نسبة الزوار, شعبية المنطقة, إنتروبيا الزائر, تجانس الزائر, تردد المراقبة، و عدد الزوار. على وجه الخصوص ، تم استخدام الميزات الأربعة الأخيرة لقياس التنوع الاجتماعي في دراسات أخرى [37-41].

    نظهر العلاقة بين السمات الديناميكية وأنواع مختلفة من أحداث الجريمة بما في ذلك سرقة, جريمة المخدرات, يتعدى, احتيال للفاصل الزمني [15:00 - 18:00) (الشكل 3) وللفاصل الزمني [21:00 - 24:00) (الشكل 4) في مدينة نيويورك. لاحظ أن أي نقطة ((x، y) ) في الشكلين ، فقط إذا (x neq0 ) و (y neq0 ) ، تتوافق مع منطقة توجد بها ميزات ديناميكية وهذا النوع من أحداث الجريمة يحدث في الفاصل الزمني المحدد. على الرغم من أن عدد هذه النقاط محدود ، يمكن ملاحظة معلومات مثيرة للاهتمام.

    العلاقة بين السمات الديناميكية ووقوع أحداث الجريمة في الفترة الفاصلة [15-18) في مدينة نيويورك

    العلاقة بين السمات الديناميكية ووقوع أحداث الجريمة في الفترة [21-24) في مدينة نيويورك

    لا تظهر مخططات hexbin أي ارتباط خطي بين الميزات وتكرار حدث الجريمة. في معظم الحالات ، لا يقع أي حدث جريمة مهما كانت قيم السمات الديناميكية مرتفعة أو منخفضة. وهو يتفق مع حقيقة أن أحداث الجريمة بجميع أنواعها نادرة في العادة. ومع ذلك ، لا يزال بإمكاننا ملاحظة أن أحداث الجريمة من المرجح أن تحدث عندما تقع السمات الديناميكية في مجموعة من القيم. على سبيل المثال ، متى إنتروبيا الزائر هو 0.5 سرقة من المرجح أن يحدث مقارنةً بالوقت إنتروبيا الزائر قريبة من 1 أو أقل من 0.1.

    إنتروبيا الزائر

    يصف تنوع السكان في الموقع سلامة المنطقة. يعكس إنتروبيا الزائر تنوع الزوار في الموقع فيما يتعلق بزياراته. تم استخدام هذا الانتروبيا في [37] لقياس التنوع الاجتماعي. يمكن استخدام مقياس الانتروبيا الخاص بشانون لتحديد مدى كون زوار المكان من الزوار المتكررين. للمنطقة ص في الفاصل الزمني ر، يتم تعريف الانتروبيا على النحو التالي:

    حيث (P_(ش) ) هو احتمال أن المستخدم ش يزور المنطقة ص وجوارها في فترة زمنية ر، و (U (r) ) هي مجموعة جميع الزوار الذين يزورون المنطقة ص وجوارها في فترة زمنية ر. إن الانتروبيا الزائدة المرتفعة لمنطقة ما في فترة زمنية معينة تعني أن العديد من الزوار ليسوا زوارًا متكررين ، ويعني الانتروبيا المنخفضة أن العديد من الزوار هم زوار متكررون.

    كما هو مبين في التين. 3 و 4 ، متى إنتروبيا الزائر بالقرب من 1 ، من غير المرجح أن يحدث حدث الجريمة من أنواع مختلفة عندما إنتروبيا الزائر أقل من 0.5 ، يصبح الوضع معقدًا.

    تجانس الزائر

    في [37] ، قاس المؤلفون تنوع الزوار بأنفسهم من خلال مقارنة تاريخ زيارتهم لأنواع مختلفة من الأماكن. نقوم بتكييف هذه الميزة مع مشكلتنا لقياس تنوع الزوار في فترة زمنية. نقيس التشابه بين الزوار في المنطقة ص في الفاصل الزمني ر بناءً على المواقع التي زاروها سابقًا. أولاً ، نقوم ببناء جدول تكرار يسجل عدد الزيارات التي يقوم بها كل مستخدم لكل مكان ، ويجمع الأماكن حسب الفئة. نتيجة لذلك ، يتم الحصول على عدد الزيارات لكل فئة لكل مستخدم. بعد ذلك ، يتم تعيين كل مستخدم في مساحة عالية الأبعاد حيث يتوافق كل بُعد مع فئة المكان. نحن نستخدم تشابه جيب التمام بين الزائرين في مساحة الأبعاد العالية. تجانس الزائر في المنطقة ص وجوارها في فترة زمنية ر يقاس على النحو التالي:

    حيث (U (r، t) ) هي مجموعة جميع الزوار الذين يزورون المنطقة ص وجوارها في فترة زمنية ر و ( اسم ملف التشغيل(ش ، ت) _) هو تشابه جيب التمام بين زائرين في (U (r، t) ).

    كما هو موضح في التين. 3 و 4 ، متى تجانس الزائر يزيد عن 0.25 تقل احتمالية حدوث أحداث الجريمة جريمة المخدرات, يتعدى, احتيال. ل سرقة، الوضع معقد. لكنه لا يزال يشير إلى الانخفاض تجانس الزائر يعني احتمالية أكبر لـ سرقة.

    شعبية المنطقة

    ميزة ديناميكية أخرى تقيس ازدحام المنطقة في كل فترة زمنية. الحدس الكامن وراء ذلك هو أن تركيز الضحايا والجناة يوفر فرصة عظيمة لحدث الجريمة [١٠ ، ١١]. لتقييم شعبية المنطقة ص في الفاصل الزمني ر، نحسب عدد عمليات تسجيل الوصول التي تمت ملاحظتها في المنطقة في تلك الفترة الزمنية ، ثم نقسمها على إجمالي عدد عمليات تسجيل الوصول التي تمت ملاحظتها في جميع المناطق في نفس الفترة الزمنية ، أي:

    حيث (C (r، t) ) هو إجمالي عمليات الوصول في الفاصل الزمني ر و ص هي مجموعة جميع المناطق في المدينة.

    يوضح الشكل 3 و 4 شعبية المنطقة هو مؤشر جيد لحدث الجريمة. عندما تكون قيمة شعبية المنطقة يزيد عن 0.3 ، من غير المرجح أن يحدث حدث الجريمة لجميع أنواع الجرائم عندما تكون قيمة شعبية المنطقة أقل من 0.3 ، تزداد احتمالية حدوث جريمة بشكل ملحوظ.

    نسبة الزوار

    نسبة الزوار للمنطقة ص في الفاصل الزمني ر يعرف على النحو التالي:

    حيث يشير (V (r، t) ) إلى عدد مرات الوصول من قبل مستخدمين جدد في المنطقة ص وجوارها في ر الفواصل الزمنية ، و (C (r ، t) ) هو إجمالي تسجيلات الوصول في الفاصل الزمني ر. للقيام بذلك ، نجد أولاً الأماكن الأربعة الأكثر زيارة لكل مستخدم من مستخدمي Foursquare نظرًا لأن الأشخاص في المتوسط ​​يزورون أماكن 2-4 فقط بانتظام [42]. ثم بالنسبة لكل تسجيل وصول ، نتحقق مما إذا كان مكانًا جديدًا لهذا الزائر. إذا كان الأمر كذلك ، تتم زيادة (V (r ، t) ) ذات الصلة بمقدار 1.

    على الرغم من عدم وجود حد واضح للقيمة ، كلما كانت القيمة أعلى نسبة الزوار توضح القيمة اتجاه الاحتمال الأكبر لوقوع حدث الجريمة كما هو موضح في التين. 3 و 4.

    عدد الزوار

    عدد المستخدمين الفريدين في المنطقة ص في الفاصل الزمني ر، (| U (r ، t) | ) ، يتم تعريفه على أنه عدد الزوار. يعطي العدد المطلق للزوار. عدد الزوار تم استخدامه كميزة لقياس تنوع الموقع [38]. نستخدم هذه الميزة في مشكلتنا لتعكس تنوع الموقع ديناميكيًا في التنبؤ بحدث الجريمة. حسب الارتباط بين عدد الزوار وأحداث الجريمة كما قدمت التين. 3 و 4 ، متى عدد الزوار أقل من 2 ، من المرجح أن يقع حدث جريمة لأنواع مختلفة من أحداث الجريمة.

    تردد المراقبة

    نحن أيضًا نأخذ في الاعتبار (| C (r ، t) | ) ، أي عدد مرات تسجيل الوصول في المنطقة ص وجوارها في فترة زمنية ر، كميزة ديناميكية. تردد المراقبة و شعبية المنطقة ترتبط أكثر فأكثر. في حين تردد المراقبة هو الرقم المطلق ، شعبية المنطقة هو رقم نسبي. متي تردد المراقبة أقل من 3 ، من المرجح أن تحدث أنواع مختلفة من الجريمة مقارنةً بذلك عندما تردد المراقبة أكبر من 3.


    تحليل مكاني قائم على نظم المعلومات الجغرافية لأسعار المساكن وكثافة الطرق بالقرب من البحيرات الحضرية في مدينة ووهان ، الصين

    As one of the essential urban open spaces, lakes usually contribute immensely to the quality of residents′ daily lives. Different from hedonic approach employed in existing researches on urban open spaces in China, this paper integrates housing price surface with road density to analyze the spatial characteristics in proximity to urban lakes in Wuhan City, China. With the expansion of Wuhan City, urban lakes became polluted, they shrunk or even disappeared, leading to unfavorable conditions for sustainable development of the city. To better understand the spatial relationship between the city and lakes, we classify the urban lakes in Wuhan central area into ′lakes in the urban center′ and ′lakes in urban fringe′. Based on housing price surface we explore the spatial characteristics in proximity to different lakes and differences between the lakes. We also use Geographic Information System (GIS) tool to calculate road density as a supplementary indicator to reflect the accessibility in proximity to urban lakes. The results indicate that relative independence exists between different towns, and the spatial characteristics are different depending on scales and locations. In most of cases, the road density is lower where closer to the lakeshore while the housing price exhibits an opposite pattern. We conclude that city governments and urban planners should give more considerations to these spatial differences, somewhere should be better planned and protected as an important waterfront and somewhere the control of unreasonable real estate development nearby should be strengthened.


    Relationships between avian richness and landscape structure at multiple scales using multiple landscapes

    Little is known about factors that structure biodiversity on landscape scales, yet current land management protocols, such as forest certification programs, place an increasing emphasis on managing for sustainable biodiversity at landscape scales. We used a replicated landscape study to evaluate relationships between forest structure and avian diversity at both stand and landscape-levels. We used data on bird communities collected under comparable sampling protocols on four managed forests located across the Southeastern US to develop logistic regression models describing relationships between habitat factors and the distribution of overall richness and richness of selected guilds. Landscape models generated for eight of nine guilds showed a strong relationship between richness and both availability and configuration of landscape features. Diversity of topographic features and heterogeneity of forest structure were primary determinants of avian species richness. Forest heterogeneity, in both age and forest type, were strongly and positively associated with overall avian richness and richness for most guilds. Road density was associated positively but weakly with avian richness. Landscape variables dominated all models generated, but no consistent patterns in metrics or scale were evident. Model fit was strong for neotropical migrants and relatively weak for short-distance migrants and resident species. Our models provide a tool that will allow managers to evaluate and demonstrate quantitatively how management practices affect avian diversity on landscapes.


    Chapter 58 EMS Deployment & System Status Management

    Fixed-station:
    - Geographically located stations
    - fixed stations, with no demand posts (no ambulances staged)
    - usually at a busy highway where accidents frequently occur during the evening rush hour, but ambulances are not staged into position as calls occur
    - the closest stations units go on calls first

    Combination:
    - Geographically located stations
    - Demand posts
    - Eight fixed stations with high-demand posts, four units remaining available
    - uses a mixture of stations and posting locations determined by computer modeling of previous requests for service
    - uses a mix of geographic coverage and demand posts to better serve the community given the numbr of ambulances available at any one time
    - the closest units are deployed and the other units are moved up to the busiest stations to cover

    Fully deployed:
    - Units assigned to "street corner" posts
    - Eliminates "chute" time
    - Time to get into ambulance and leave station
    - No ambulances at fixed stations
    - they are all assigned to street corner posts similar to small patrol zones established for police units

    Flexible deployment or SSM:
    - Predicting when and where ambulances will be needed
    - Uses computer aided dispatch records
    - Uses Geographic Information Systems
    - Uses historical data
    - this information will ensue that the correct number of ambulances are in the right location when they are needed
    - This helps minimize response times while maximizing efficiency and distributing workload

    Workload management:
    - Planning resources and support services around demand
    - Uses Temporal modeling
    - Predicting times when calls occur
    - helps them design shifts to meet the call volume demand
    Other factors that affect it are:
    - recruiting personnel who expect to work in an event driven demand system
    - educating and communicating w/ existing staff about deployment strategies
    - creatively designing shift patterns and peak load staffing considerations
    - improving fleet management, performing inventory checks, restocking to reduce nonproductive unit hours
    - well designed ambulances, access to facilities, and meal breaks must be considered

    Modern deployment:
    - Considers workload and resources
    - Balances coverage
    - Balances Response time
    - Crew satisfaction
    - Factors considered
    - Required response times
    - Level-of-care requirements
    - Population density
    - Geographic density
    - Call demand patterns
    - Call acuity
    - Road systems
    - Location of healthcare facilities

    Dispatch factors:
    - Communication personnel training and education
    - Rapid call taking
    - Call prioritization
    - selecting the appropriate resources to respond
    - Reduce chute time
    - time required to get them on the road
    - providing crews with route selection assistance
    - Reduce hospital offload times
    - Time for crew to become available once they arrive at the hospital

    Many of little things can ro systems of needed coverage
    - time spent on faulty equipment
    - crews being on late calls
    - checking ambulance/supplies

    - UHU is an indicator of productivity
    - defined as a fully equipped and staffed vehicle available or on assignment for the hour

    - Divide number of transports by total unit hours available

    Initially was used to benchmark systems by considering only the uhu associated with transport (UHU-T)
    - transports were associated w/ revenue, productivity, and profitibility
    - but it is not a true indicator of actual work load
    - Must factor in
    - calls cancelled en route
    - patients gone on arrival
    - patients that didnt require transport

    In order to factor these events in they started measuring unit hour utilization for responses (UHU-R)
    - helped benchmark the workload associated with nontransport incidents

    Some people started including post moves or the UhU for the total time deployed for coverage (UHU-TD)

    Measuring unit hour utilization:
    - Must factor in hours unavailable
    - Training
    - Meetings
    - Long distance transports
    - The basic UHU-T ratio is determined by dividing the # of transports by the systems net unit hours available for coverage
    - Unit hours lost to the system because of the above incidents ect are factored into the net unit hours available to reflect workload accurately

    Time on task:
    - must be looked at to accurately measure uhu
    - Average time a unit is committed to manage an incident
    - this is from dispatch until they are available for another assignment
    - Off load delays
    - the most common reason for increased time on task

    Schedules
    - length of shift used and the schedule pattern
    - Shorter shifts can tolerate higher unit hour utilization
    - High UHU coupled with long shifts and little opportunity for sleep can be a potential risk factor for employee fatigue, mistakes in care, and employee dissatisfaction


    Data associated with this study are archived in the Dryad Digital Repository: https://doi.org/10.5061/dryad.894jc22 (Baer & Maron, 2018b ).

    Filename وصف
    jec13086-sup-0001-AppendixS1.docxWord document, 3 MB
    jec13086-sup-0002-AppendixS2.docxWord document, 35.7 KB
    jec13086-sup-0003-AppendixS3.docxWord document, 23 KB
    jec13086-sup-0004-AppendixS4.docxWord document, 17.4 KB
    jec13086-sup-0005-AppendixS5.docxWord document, 23.1 KB

    Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article.


    شاهد الفيديو: شرح أداة الكثافة Kernel density toolفي Arc Map