Lebih

Gambar garis antara dua titik di QGIS


Saya memiliki excel (Gbr) yang memiliki X & Y dalam koordinat yang diproyeksikan (WGS84/UTM). Apakah mungkin untuk menarik garis antara X & Y di QGIS ?

Saya sudah mencoba membuat poin berdasarkan X,Dari_y dan X,To_y. Saya telah membuat dua titik dengan hanya memuatnya menggunakan lapisan pembatas tambahan (ditempelkan To_Y di bawah From_Y dan memuatnya). Kemudian dicoba dengan jalur Poin 2. Tapi itu tidak berhasil.

Adakah yang tahu cara memperbaiki ini?

Yang saya butuhkan hanyalah melintasi garis di antara titik-titik

Sunting:

Inilah yang saya cari. Saya memiliki koordinat (X1, a1 dan X1, a2) untuk n jumlah titik yang harus dihubungkan oleh garis vertikal


Cara tercepat untuk melakukan ini dengan satu baris adalah menggunakan plugin QuickWKT; Anda kemudian dapat mengklik kanan dan Simpan Sebagai ke format apa pun yang Anda butuhkan.

Katakanlah dua titik Anda berada di UTM Zone 36S, dan di sini terdaftar sebagai x (timur), y (utara):

  1. 151930,9593414
  2. 184802,9587212

Format WKT untuk satu baris adalah:

SRID=SRID;LINESTRING (x1 y1, x2 y2, x3 y3,… )

Jadi, untuk contoh di atas:

SRID=32736;LINESTRING (151930 9593414, 184802 9587212)

Ditempelkan ke kotak teks plugin QuickWKT:

Untuk kumpulan data yang lebih besar, Anda dapat membuat tabel Excel menjadi tipe data geografis dengan menyusun string WKT tersebut ke dalam kolom, yaitu (di mana A2-D2 berisi dua kumpulan koordinat XY):

=CONCATENATE("SRID=32736;LINESTRING (",A2, " ", B2, ",", C2, " ", D2, ")")

Anda dapat menyimpan dari Excel sebagai CSV dan kemudian menggunakan teks tambah delimited di QGIS (dengan "watch file" dipilih agar tetap diperbarui).


Peta kepadatan titik di QGIS

Saya ingin membuat peta kepadatan titik fitur vektor /situs arkeologi/ per hektar di QGIS /sesuatu seperti pada gambar terlampir/. Saya ragu apakah kepadatan kernel adalah alat yang tepat untuk tujuan ini. Apakah ada prosedur lain yang lebih tepat?

Atau dengan kata lain apa yang sebenarnya diwakili oleh angka-angka dalam keluaran KDE. Apakah demikian:

  1. "Nilai mentah" di KDE = jumlah poin per sel ?,
  2. "Diukur berdasarkan ukuran kernel" = jumlah titik per unit peta ?
  3. Apakah istilah "kernal size" sinonim untuk radius yang dipilih atau merujuk ke area sel " ?

Satu Jawaban

Anda dapat menggunakan kombinasi alat GRASS v.surf.rst untuk interpolasi dan kemudian membuat poligon kontur dengan poligon kontur GDAL (tersedia sejak GDAL ver. 2.4). Sebagai alternatif, alih-alih alat GRASS, Anda juga dapat menggunakan alat SAGA Interpolasi b-spline multilevel untuk interpolasi. Semua alat ini tersedia di QGIS.

Untuk mendemonstrasikannya, saya mengunduh lapisan titik yang mewakili pengukuran suhu dari 153 stasiun di Swiss.

Versi menggunakan GRASS

  1. Jalankan Menu Processing / Toolbox / GRASS / v.surf.rst dan pertahankan nilai default (terutama parameter tegangan = 40). Pilih atribut yang mewakili nilai yang ingin Anda visualisasikan. Di bagian bawah jendela dialog (tidak terlihat pada tangkapan layar), centang hanya kotak untuk membuat output untuk Interpolasi RST dan batalkan pilihan delapan lainnya (Anda tidak memerlukannya).

  1. Outputnya adalah raster hitam/putih. Gunakan Pemrosesan Menu / Kotak Alat / GDAL / Poligon kontur (jika Anda hanya memiliki opsi kontur GDAL, Anda dapat menjalankan alat yang mengatur parameter -p untuk membuat poligon kontur alih-alih garis jika GDAL >/= 2.4). Pilih interval antara kontur (dalam kasus saya: 1).

  1. Sekarang terapkan gaya gradasi ke lapisan poligon yang dihasilkan. Inilah yang saya dapatkan, membutuhkan waktu kurang dari 5 menit:

Versi menggunakan SAGA

Semuanya seperti di atas, kecuali Anda menggunakan Interpolasi Menu Processing / Toolbox / SAGA / Multilevel b-spline pada langkah 1:

Outputnya sedikit berbeda, juga nilai interpolasinya. Metode ini lebih baik untuk mewakili ekstrem lokal, memiliki detail berukuran lebih kecil, sedangkan versi pertama lebih merata dan seimbang pada jarak yang lebih jauh. Jadi selalu mencerminkan apa yang ingin Anda wakili. Juga bermain-main dengan parameter dan mencoba untuk memahami bagaimana mereka mempengaruhi hasil. Situs-situs yang ditautkan di atas adalah titik awal yang baik.

Bandingkan dua output di sini, skala yang sama. Seperti yang Anda lihat, tidak hanya nilainya yang berbeda, tetapi tingkat outputnya juga berbeda:

Menerapkan topeng lapisan (poligon untuk Swiss, gaya rendering lapisan: poligon terbalik), saya mendapatkan ini (keluaran SAGA), mewakili interpolasi untuk suhu yang diukur pada 135 stasiun di seluruh Swiss, 25 Januari 2021, 16:35 jam (Eropa Tengah Waktu / UTC+1):


Membandingkan area dalam peta penggunaan lahan historis yang dipindai menggunakan QGIS?

Saya relatif pemula dalam menggunakan GIS, dan saya menjalankan QGIS 2.0.1 di Linux. Saya memiliki dua peta sejarah yang ingin saya analisis, yang menunjukkan pola penggunaan lahan di wilayah yang sama pada dua momen waktu yang berbeda. Saya meminta mereka dipindai dan dirujuk secara geografis sebagai lapisan dalam satu file. Berdampingan, mereka terlihat seperti ini:

Hal utama yang saya minati adalah membandingkan tingkat area hijau terang dan gelap di antara kedua peta. Apakah ini mungkin, dan jika demikian, apa pendekatan paling sederhana? Apakah ada cara untuk melakukan ini berdasarkan analisis raster? Dan jika saya harus membuat shapefile, apa cara terbaik untuk melakukannya?

Apa yang sudah saya pertimbangkan:

Menggambar shapefile sebagai poligon dengan tangan, seperti yang dijelaskan dalam tutorial ini. Itu akan SANGAT membosankan.

Membuat gambar raster kontras tinggi yang disederhanakan dengan menggunakan pemilihan warna, filter, dll. dengan coba-coba di Gimp dan mengonversinya menjadi shapefile. Hasilnya sangat ceroboh.

4 Jawaban

Posterisasi adalah awal yang baik: itu menghilangkan sebagian besar artefak kompresi dan cukup menyederhanakan kartografi untuk memungkinkan pembersihan tambahan.

Sebagian besar pembersihan raster kategoris melibatkan apa yang disebut operasi "morfologis". Ini termasuk memperluas satu kategori ke tetangganya, penyusutan itu kembali lagi, dan pengelompokan wilayah sel mono-kategorikal yang berdekatan ke dalam kategori mereka sendiri.

Biasanya beberapa eksperimen diperlukan, jika hanya karena artefak yang akan dihapus--huruf, garis menetas, dan sebagainya--akan bervariasi dalam ukuran pikselnya dari satu pemindaian ke pemindaian lainnya. Untuk membantu Anda memulai, Saya akan mengilustrasikan apa yang dapat dicapai prosedur ini pada contoh.

Aslinya, setelah posterisasi, terlihat seperti ini. Ini adalah kotak dengan hanya tiga kategori yang ditampilkan dalam tiga warna. Kami bertujuan untuk membuat kisi-kisi di mana area hijau tua dibuat menjadi potongan-potongan yang bersebelahan, tanpa overletter atau titik atau pekerjaan garis yang tidak relevan, cocok untuk analisis selanjutnya menggunakan aljabar raster.

Memperluas area hijau gelap hanya satu piksel ke semua area sekitarnya memberikan gambar ini:

(Untuk kontrol yang lebih tepat, Anda mungkin ingin membatasi ekspansi hanya ke area hitam jika GIS Anda mengizinkannya.)

Untuk menghilangkan banyak garis tipis artefak hijau dan pulau-pulau kecil, mari kita mengecilkan hijau kembali ke dalam dengan dua piksel

dan kemudian, untuk menyeimbangkan semua perluasan dan penyusutan (untuk mengurangi bias) kami akan memperluasnya kembali satu piksel lagi:

Pengelompokan wilayah mengidentifikasi tambalan hijau yang berdekatan ini:

Setiap tambalan yang berbeda ditampilkan dalam warna yang berbeda.

Gunakan operasi bersyarat atau SetNull untuk menghilangkan patch kecil. Seberapa kecil? Saya memeriksa tabel atribut dan menemukan bahwa banyak tambalan menempati antara 6 dan 47 sel setelah itu ada lompatan ke 422 sel. Saya memilih ambang batas dalam lompatan itu (100) dan menghapus semua sel dengan menghitung (bukan nilai!) kurang dari ambang batas itu. Inilah yang tersisa, dilapis dengan aslinya untuk perbandingan:

Kami telah mencapai representasi yang cukup halus dari bidang minat, cocok untuk mendeteksi dan mengukur perubahan relatif terhadap gambar yang diproses serupa. Saya mengambil beberapa pekerjaan, tetapi itu jauh lebih sedikit daripada mendigitalkan pemindaian asli secara manual, dan--asalkan pemindaian dilakukan pada resolusi yang konsisten--dapat semi-otomatis. (Karena peta asli menggunakan warna yang berbeda, beberapa intervensi cerdas harus dilakukan di awal untuk memilih warna yang sesuai untuk memperluas dan menyusut.) Setiap langkah juga merupakan perhitungan yang cukup cepat, jadi Anda mungkin dapat memindai yang asli peta pada resolusi yang sangat tinggi untuk presisi terbesar.

Dijawab 2 bulan lalu oleh whuber dengan 9 suara positif

Oke, mungkin ini akan berhasil, mungkin tidak. tergantung pada kualitas pemindaian. Anda dapat mengatur transparansi warna tertentu ke persen atau Anda dapat menggunakan alat nilai untuk mengisolasi warna yang Anda inginkan.

Saya tidak akan mengambil kredit untuk ini karena saya mengajukan pertanyaan sebelumnya. milik saya sebenarnya ingin memilih rumah dari pemetaan tampilan jalan terbuka. Jadi beri tahu saya jika itu membantu.

Beri tahu saya jika itu membantu. saya dapat menghapus jika itu benar-benar melenceng.

Dijawab 2 bulan lalu oleh Ger dengan 1 suara positif

Di Gimp Anda memiliki beberapa alat seleksi yang dapat membuat pekerjaan Anda lebih mudah.

Saya pikir alat pemilihan fuzzy (memilih berdasarkan area warna) yang dapat Anda atur agar lebih atau kurang sensitif terhadap variasi warna (Menggunakan gambar pertama yang Anda unggah, saya mendapat hasil yang baik dengan nilai ambang 13,0). Dengan cara ini saya mendapatkan hasil yang cukup bersih tanpa banyak parasit yang kemudian dapat dengan mudah dan cepat dihilangkan dengan memilih alat penggosok

Setelah dipilih, Anda dapat mewarnai ulang area ini dengan warna kontras tinggi, mengimpor ulang ke GIS dan kemudian membuat vektor ?

Namun hal ini tidak akan menyelesaikan masalah yang dikemukakan oleh whuber tentang luas lahan yang ditetaskan, namun karena jumlahnya tidak banyak, mungkin Anda dapat membuat vektorisasi dari awal tanpa harus menghabiskan banyak waktu untuk melakukannya ?

Dijawab 2 bulan lalu oleh flo64 dengan 0 suara positif

Mendapatkan perkiraan lapisan raster di Gimp dan mengonversinya menjadi vektor di QGIS mungkin menghemat waktu saya, tetapi sepertinya tidak ada cara untuk menghindari berjam-jam membersihkan shapefile yang dihasilkan, titik demi titik.


8.3 Gaya konstan

Cara paling sederhana untuk menata layer GeoJSON kami adalah dengan mengatur konstan properti estetika untuk semua fitur yang dikandungnya. Sama seperti dalam penataan layer garis (Bagian 6.6.3) dan poligon (Bagian 6.6.4), kita hanya perlu mengatur properti tertentu di mana kita ingin mengganti tampilan default. Misalnya, mari kita mulai dengan contoh-07-01.html dari Bagian 7.5. Dalam contoh itu, kami menggunakan ekspresi berikut untuk menambahkan objek GeoJSON bernama status ke peta kami:

Ini menetapkan gaya Leaflet default untuk semua poligon—batas biru dan isian biru semi-transparan (Gambar 7.4). Untuk mengganti beberapa pengaturan default, ekspresi di atas dapat diganti dengan yang berikut:

Di versi baru, kami meneruskan objek opsi ke fungsi L.geoJSON. Objek berisi satu properti bernama style , yang nilainya juga merupakan objek, yang berisi spesifikasi gaya. Dalam contoh ini, kami menggunakan empat spesifikasi:

  • warna: "merah" —Warna batas = merah
  • berat: 5 —Lebar batas = 5px
  • fillColor: "kuning" —Isi warna = kuning
  • fillOpacity: 0.2 —Opacity isian = 20% buram

Hasil peta example-08-01.html ditunjukkan pada Gambar 8.1.

Opsi yang diatur dalam contoh ini—lebar batas, warna batas, warna isian, dan tingkat opasitas—adalah yang paling umum digunakan. Pilihan lainnya termasuk batas garis dan gaya gabungan ( lineCap , lineJoin ) dan jenis garis putus - putus ( dashArray , dashOffset ) 80 .


Hasil

Penilaian akurasi metodologi ini di lapangan

Untuk mencapai tujuan kami, lembar survei dengan pertanyaan terbuka yang berfokus pada sejumlah topik digunakan dengan entri di mana koordinat GPS harus dicatat.

Di lapangan, para penyelidik terdiri dari dua orang, seorang pria dan seorang wanita untuk kepentingan keterwakilan jenis kelamin. Para penyelidik diberi gambar Google Earth yang dicetak di atas kertas yang menunjukkan sektor penyelidikan yang bersangkutan. Rute akses utama ditandai untuk menghindari masalah lokasi. Setibanya di sana, para penyelidik harus pergi ke rumah tangga pertama yang ditunjuk oleh anak panah dari langkah-langkah sebelumnya.

Dalam hal konsesi kosong, penyidik ​​diinstruksikan untuk pergi ke konsesi terdekat yang bersebelahan dengan yang sebelumnya dan terletak pada sumbu yang sama. Prosedur ini juga digunakan jika terjadi penolakan oleh responden.

Selama sebulan, pencacah mengunjungi 202 rumah tangga. Dari 202 ini, hanya empat yang ditemukan selain rumah. Selain itu, 30 rumah tangga sampel (14,85%) terlantar atau penghuninya telah pindah ke tempat lain. Metode ini menghasilkan tingkat akurasi 78,37%.

Gambar 6 menunjukkan rumah tangga yang disurvei di wilayah perkotaan Maroua.

Distribusi rumah tangga yang disurvei

Distribusi rumah tangga yang disurvei

Tabel 1 dan 2 merangkum survei lapangan dan tujuannya dalam kaitannya dengan skema yang ditetapkan sebelum survei.


Diskusi

Temuan utama dari penelitian ini adalah bahwa, meskipun lokasi kejadian OHCA publik di Kabupaten Stockholm didistribusikan secara merata antara area yang ditentukan oleh UA28 sebagai area perumahan dan non-perumahan, lebih dari dua pertiga AED yang tersedia terletak di non-perumahan. daerah pemukiman.

Gambar 2 menggambarkan lokasi AED publik dan kejadian OHCA publik di pusat dan daerah pinggiran kota terdekat dari kota Stockholm dan gambar 3 menampilkan close-up area di mana ketidaksesuaian antara lokasi kejadian OHCA dan instalasi AED di daerah perumahan dan non-perumahan terlihat jelas.

Peta pusat dan daerah pinggiran kota terdekat di Stockholm, Swedia yang memvisualisasikan representasi daerah perumahan dan non-perumahan menurut klasifikasi ulang kelas tutupan lahan Urban Atlas (UA) dan distribusi lokasi OHCA publik dan lokasi AED. AED, defibrilator eksternal otomatis OHCA, henti jantung di luar rumah sakit.

Tampilan jarak dekat dari area di barat daya bagian tengah Stockholm, Swedia. Ini memvisualisasikan ketidaksesuaian dalam insiden OHCA publik dan lokasi AED antara area perumahan dan non-perumahan. AED, defibrilator eksternal otomatis OHCA, henti jantung di luar rumah sakit.

Lokasi kejadian OHCA

Menurut templat Registri Resusitasi Utstein, lokasi spesifik OHCA harus dilaporkan untuk membantu masyarakat mengoptimalkan sumber daya. Template Utstein untuk melaporkan lokasi insiden OHCA menyarankan opsi pelaporan berikut: rumah/tempat tinggal industri/tempat kerja lembaga olahraga/rekreasi lainnya dan tidak ditentukan/tidak diketahui/tidak direkam.37

Data tentang kejadian OHCA publik dalam penelitian ini diperoleh dari SRCR, sebuah registri henti jantung gaya Utstein dengan tingkat inklusi dan validitas yang tinggi38 yang menggunakan template Utstein yang dimodifikasi untuk melaporkan lokasi kejadian OHCA.25 Di Swedia, 'jalan dan square' adalah lokasi yang paling sering dilaporkan untuk OHCA di lokasi publik selama 8 tahun terakhir, terdiri dari 7,6% dari 17756 OHCA yang dilaporkan.25 Meskipun demikian, lokasi perumahan masih merupakan lokasi yang paling umum untuk OHCA di Swedia25 dan internasional.9 39

OHCA yang dilaporkan terjadi di lokasi jalan dapat memiliki kemungkinan penggunaan AED yang sangat berbeda, tergantung pada apakah lokasi jalan tersebut berada di tempat parkir pusat perbelanjaan besar atau di tepi jalan di luar area perumahan pinggiran kota—yaitu, di tempat yang tidak -perumahan atau pemukiman menurut klasifikasi UA. Hal yang sama mungkin berlaku untuk tarif CPR pengamat di lokasi yang berbeda berdasarkan jumlah pengunjung dan aksesibilitas, tetapi hal ini tidak dianalisis dalam penelitian ini.

Sebuah studi dari Jepang melaporkan bahwa 9,5% dari OHCA yang disaksikan oleh pengamat terjadi di lokasi umum. Tingkat penggunaan AED yang tinggi dilaporkan dari stasiun kereta api (41,2%) dan fasilitas olahraga (56,5%), meskipun dengan jumlah kasus aktual yang rendah (masing-masing n=17 dan n=23). Namun, 562 (68%) dari OHCA publik dalam penelitian ini dilaporkan terjadi di lokasi yang didefinisikan sebagai 'lain' menurut template Utstein, dan di sini penggunaan AED serendah 3,6%.9 Masuk akal untuk percaya—tetapi tidak diuraikan lebih lanjut—bahwa lokasi 'lain' ini sangat beragam.

Kami yakin opsi pelaporan data yang disarankan oleh template Utstein mungkin agak membatasi pemahaman tentang penggunaan AED yang rendah.

Dalam penelitian ini kami telah menganalisis semua OHCA di lokasi publik, terlepas dari lokasi yang dilaporkan dalam SRCR. Metode termasuk semua OHCA publik terlepas dari lokasi memungkinkan kami untuk memasukkan dan menganalisis kasus OHCA di lokasi yang dilaporkan sebagai 'tidak diketahui' atau 'lainnya', berbeda dengan penelitian di Jepang, dan ini mengungkapkan insiden yang sama dari OHCA publik di perumahan atau non -daerah pemukiman. Ini, menurut pendapat kami, pendekatan yang lebih objektif untuk menganalisis lokasi kejadian OHCA dan AED publik berdasarkan area daripada penggunaan lokasi yang lebih subjektif secara tradisional yang dilaporkan oleh kru ambulans, dapat menambah wawasan berharga untuk bidang penelitian ini. Gambar 3 memvisualisasikan area Stockholm di mana ketidaksesuaian antara lokasi kejadian OHCA publik dan lokasi pemasangan AED terlihat jelas.

Namun, penting untuk mengklarifikasi bahwa UA dan klasifikasi subkategori yang digunakan dalam pekerjaan ini tidak mencerminkan kepadatan penduduk, penduduk, atau jumlah pengunjung.

Lokasi AED

Dalam penelitian ini dua pertiga dari AED terletak di daerah non-perumahan. Sebuah penelitian di Kanada melaporkan temuan serupa ketika mengkategorikan lokasi insiden OHCA publik dan lokasi pemasangan AED sebagai di dalam atau di luar area pusat kota. Studi tersebut melaporkan bahwa area pusat kota memiliki cakupan AED yang lebih besar dari OHCA publik daripada di luar area pusat kota (49% vs 17%), tetapi pada saat yang sama 80% dari OHCA publik terjadi di luar area pusat kota.17 Ini menunjukkan kecenderungan untuk pemasangan AED di area komersial lingkungan perkotaan.

Pedoman Dewan Resusitasi Eropa saat ini menyarankan bahwa AED harus ditempatkan di lokasi dengan banyak pengunjung dan secara khusus menunjukkan lokasi umum seperti stasiun kereta api dan bus, bandara, fasilitas olahraga, kasino, dan pusat perbelanjaan.1 Namun, pedoman juga menyarankan bahwa AED harus ditempatkan di daerah padat penduduk tetapi tidak menentukan lokasi tersebut atau tingkat kepadatan yang sesuai.1 Dalam penelitian ini kami mencatat insiden OHCA publik yang lebih tinggi di daerah perumahan yang, menurut UA, terdiri dari daerah perumahan kepadatan rendah dan menengah, daripada di area dengan karakter yang lebih padat28 (tabel 1 dan gambar 1). Hal ini menimbulkan pertanyaan tentang seberapa padat penduduk suatu daerah agar dapat dianggap sebagai target pemasangan AED.

Dengan pedoman yang secara khusus menunjukkan lokasi untuk pemasangan AED terutama terdapat di area di UA yang didefinisikan sebagai area non-perumahan, ketidakcocokan yang tidak menguntungkan antara lokasi AED dan lokasi kejadian OHCA publik mungkin terjadi, seperti yang disarankan oleh penelitian ini.

Pekerjaan sebelumnya dari Amerika Serikat menggambarkan hubungan yang buruk antara lokasi OHCA dan penempatan AED dan menyatakan bahwa tidak ada AED yang terletak di lokasi yang paling sering untuk OHCA.40 Penelitian tersebut memasukkan OHCA di rumah pasien, yang kami yakini dapat mengaburkan analisis asosiasi antara lokasi OHCA dan AED. Pekerjaan sebelumnya menyimpulkan bahwa penggunaan AED publik paling efektif di tempat umum10 41 42 dan bukan di rumah orang.11 Sistem yang menggunakan telepon seluler untuk memperingatkan orang awam sukarela untuk menjangkau korban OHCA di lingkungan rumah mereka telah diperkenalkan.43–46 Ini mungkin agak menghilangkan efek ketidakcocokan dalam instalasi AED yang ditunjukkan dalam penelitian ini.

Beberapa kehati-hatian harus diperhatikan ketika menggunakan UA untuk mengevaluasi hasil kesehatan karena terutama dikembangkan sebagai alat untuk tujuan perencanaan kota pan-Eropa. Temuan kami tentang hubungan antara lokasi OHCA publik dan AED perlu diverifikasi di atau di antara kota, wilayah, atau negara lain. Dengan kumpulan data UA yang dapat diunduh secara bebas untuk sebagian besar kota besar/zona perkotaan Uni Eropa, reproduksi penelitian kami dimungkinkan jika pendaftar AED dan OHCA dengan kumpulan data geokode tersedia.

Berdasarkan temuan dari penelitian ini, kami bertujuan untuk mengidentifikasi lokasi yang memungkinkan untuk pemasangan AED yang lebih merata antara area perumahan dan non-perumahan di Kabupaten Stockholm.

Jarak OHCA - AED

Kami melihat jarak median yang jauh lebih rendah antara OHCA publik dan AED di area non-perumahan dibandingkan dengan area perumahan. Penjelasan yang mungkin adalah bahwa ukuran area dan enumerasi AED adalah kunci untuk jarak atau cakupan yang menguntungkan (tabel 1). Jarak 100 meter ke AED terdekat dianggap sebagai 'batas atas' untuk defibrilasi dalam kritis awal 3-5 menit.15 16 18 Jarak rata-rata kurang dari 100 meter hanya muncul di area perumahan terkecil (6,6 km 2 ) subkategori, R1. Menurut publikasi referensi UA, subkategori ini mencakup area pusat kota dan pusat kota.28 Di area ini nilai AED/100 km 2 tertinggi diidentifikasi, karena ukurannya yang kecil tetapi tingkat AED yang tinggi (tabel 1).

Studi Kanada yang disebutkan sebelumnya menunjukkan jarak median 60% lebih rendah antara OHCA publik dan AED di pusat kota. Penulis merenungkan jarak median yang lebih pendek sebagai akibat dari jumlah AED yang lebih tinggi yang terletak di area yang lebih kecil.17 Hal ini menimbulkan pertanyaan apakah rasio AED/100 km 2 mungkin sama validnya dengan jarak 100 meter yang disarankan, diadopsi secara luas, tetapi tidak diverifikasi oleh uji coba secara acak.


Antarmuka dan paket qmesh¶

qmesh dapat digunakan dalam lingkungan grafis maupun terprogram, melalui tiga antarmuka pengguna yang berbeda:

  1. Berbasis Python Antarmuka Pemrograman Aplikasi (API).
  2. Terminal Linux Antarmuka Baris Perintah (CLI).
  3. SEBUAH Antarmuka Pengguna Grafis (GUI).

Setiap antarmuka diimplementasikan sebagai paket Python yang terpisah. Kami telah menghindari pembuatan paket monolitik tunggal untuk meminimalkan ketergantungan, untuk mengortogonalisasi definisi modul ke definisi Antarmuka Pengguna (sejauh mungkin), tetapi juga untuk mendefinisikan tujuan setiap paket secara lebih sempit dan dengan demikian membantu dalam pengujian yang lebih bertarget . Jadi, paket-paket berikut menyusun apa yang secara kolektif dapat diidentifikasi sebagai qmesh:

  1. qmesh . Ini adalah paket qmesh "inti", API/paket lain memerlukan paket qmesh sebagai dependensi. Menurut dokumentasi Python, paket Python adalah cara menyusun ruang nama modul Python dengan menggunakan nama modul bertitik. Dengan demikian, paket tersebut menyajikan API Python dan berisi implementasi modul yang ditunjukkan pada Gambar 1 , dapat diakses sebagai qmesh.vector , qmesh.raster , qmesh.mesh dan qmesh.publish .
  2. qmesh-cli . Paket ini berisi kode yang diperlukan untuk mengakses fungsionalitas qmesh dari terminal linux.
  3. qmesh-qgis-plugin . Paket ini berisi kode yang diperlukan untuk mengakses fungsionalitas qmesh dari dalam QGIS, menggunakan antarmuka grafis.

Antarmuka Pemrograman Aplikasi¶

API berbasis Python merupakan bagian integral dari implementasi qmesh. Ini dapat digunakan untuk membuat skrip yang mengotomatiskan serangkaian operasi, tetapi tujuan utamanya adalah untuk memungkinkan penggunaan qmesh sebagai pustaka perangkat lunak. Ini adalah antarmuka qmesh yang paling kuat dan fleksibel, karena kekuatan dan fleksibilitas Python, cangkang interaktifnya (mis. [PER-GRA:2007]) dan banyak ekstensi.

Antarmuka Baris Perintah¶

Antarmuka baris perintah terdiri dari satu set utilitas masing-masing dengan input dan output yang terdefinisi dengan baik, menjadikan setiap utilitas sebagai program terpisah. Namun, tujuannya adalah untuk digunakan sebagai alat diagnostik atau, untuk mengotomatisasi operasi yang tidak memerlukan antarmuka grafis.

Antarmuka Pengguna Grafis¶

Antarmuka pengguna grafis adalah ekstensi QGIS. Dengan cara ini qmesh dapat digunakan melalui aplikasi QGIS dan dikombinasikan dengan fungsionalitas QGIS lainnya. GUI telah dirancang untuk memungkinkan akses ke paket qmesh dengan mudah dan sedikit pengetahuan tentang desain qmesh.


Harga rumah dan lokasi relatif

Lokasi diketahui menjadi penentu utama dalam upaya masyarakat untuk memperkirakan nilai sebuah rumah. Namun, jenis lokasi, dan selanjutnya bagaimana nilai lokasi tersebut diperkirakan, belum diselidiki pada tingkat yang sama. Dalam pemodelan harga hedonis, metode yang digunakan dengan baik untuk memperkirakan perumahan sebagai barang komposit, proxy lokasi seperti kode pos atau saluran sensus sering digunakan untuk mengontrol lokasi. Gagasan tentang lokasi inilah yang oleh para ahli geografi disebut sebagai lokasi absolut, posisi tetap dalam ruang, sebagai lawan dari lokasi relatif, posisi dalam ruang yang relatif terhadap posisi lain. Dalam makalah ini, kami melihat perbedaan kekuatan penjelas dari lokasi absolut versus lokasi relatif dalam model hedonis untuk penjualan apartemen, menggunakan kota Oslo sebagai kasus kami. Temuan utama adalah bahwa kekuatan penjelas tambahan dari boneka kode pos berkurang secara signifikan ketika memperkenalkan variabel penjelas lokasi relatif seperti jarak berjalan kaki ke tempat-tempat utama seperti metro dan taman. Karena harga rumah berkorelasi dengan preferensi konsumen, temuan ini akan berimplikasi pada perencanaan kota sejauh desain lingkungan yang berbeda bervariasi sehubungan dengan kemampuan mereka untuk memanen potensi lokasi relatif.


Masa Depan Demografi Spasial

Dalam komentar singkat ini, tiga aspek demografi spasial dibahas: perbedaan unik dan pentingnya dalam kaitannya dengan bidang penyelidikan spasial lainnya, tantangan saat ini, dan arah masa depan. Ide-ide yang diungkapkan di bawah ini mencerminkan makalah terbaru yang saya tulis bersama dengan Frans Willekens dan Andrei Rogers tentang topik ini (Raymer et al., 2019).

Apa itu Demografi Spasial dan Mengapa Kita Membutuhkannya?

Perkembangan awal dalam demografi spasial menghubungkan populasi melalui proses migrasi asal-tujuan tertentu dan memungkinkan populasi untuk berevolusi secara bersamaan (Rogers, 1968, 1975 Rogers & Willekens, 1976 Wilson, 1974 Wilson & amp Rees, 1974a, 1974b, 1975). Kerangka kerja analitis ini sangat meningkatkan pemahaman kita tentang bagaimana populasi berinteraksi melintasi ruang dan berubah dari waktu ke waktu, dan merupakan salah satu yang harus ditinjau kembali sekarang karena kita memiliki data, daya komputasi, dan model yang jauh lebih baik untuk menangkap ketergantungan spasial.

Pada dasarnya, demografi spasial adalah studi tentang bagaimana populasi dan struktur komposisinya berubah dan berinteraksi melintasi ruang. Pada tingkat individu, waktu dan lokasi hasil demografis terkait dengan transisi dalam perjalanan hidup individu (Willekens, 2014). Misalnya, hilangnya pekerjaan atau selesainya pendidikan atau pelatihan di satu tempat dapat memicu migrasi ke tempat lain atau, sebaliknya, migrasi dapat mengakibatkan perpisahan keluarga atau pengangguran di lokasi tujuan. Sementara terkait, demografi spasial dapat dibedakan dari geografi penduduk dan demografi (Raymer et al. 2019). Geografi populasi berfokus pada aspek lokasi tempat dan pengaruhnya terhadap populasi. Demografi berfokus pada mekanisme perubahan populasi tetapi secara tradisional memperlakukan setiap populasi secara independen dari populasi lain yang didistribusikan di ruang angkasa.

Perspektif demografis spasial sangat penting untuk memahami banyak proses sosial kompleks yang terjadi. Misalnya, populasi yang tinggal di kota dan daerah pedesaan berjuang untuk beradaptasi dengan perkembangan demografi utama yang terjadi di seluruh dunia: kehidupan yang lebih lama dan lebih sehat, reproduksi yang rendah dan tertunda, arus imigrasi yang besar dan beragam, meningkatkan daya tarik ibu kota negara bagian sebagai tempat tinggal dan bekerja, dan menurunnya kecenderungan untuk bermigrasi di negara maju (Champion et al. 2018). Namun, terlepas dari tren ini, orang tidak bekerja selama bertahun-tahun dan khawatir tentang siapa yang akan mendukung pensiun mereka seiring bertambahnya usia. Orang dewasa muda, dan terutama wanita, sedang berjuang untuk menyeimbangkan membangun karier yang sukses dan membesarkan anak-anak. Pemerintah dan individu prihatin dengan tekanan sejumlah besar migran pada kohesi sosial dan infrastruktur perkotaan, termasuk lalu lintas dan biaya perumahan. Di sisi lain, kota-kota regional khawatir tentang prospek masa depan mereka untuk menemukan tenaga kerja dan menjaga populasi mereka agar tidak menghilang. Dan, pengusaha harus mencari tenaga kerja dari seluruh dunia untuk pekerjaan berketerampilan rendah dan sangat terspesialisasi.

Untuk mengatasi masalah di atas dan interaksi antara perubahan demografis dan sosial, penelitian demografi spasial diperlukan sehingga kita dapat mengembangkan teori perubahan populasi spasial, menghasilkan prakiraan populasi lokal yang lebih kuat, dan untuk mengembangkan kebijakan yang baik untuk membantu daerah yang mengalami perubahan. Kuncinya adalah gagasan bahwa populasi terhubung satu sama lain secara rumit melintasi ruang dan waktu (Bell, 2015), dan bahwa pergerakan antar subpopulasi memengaruhi kedua populasi secara bersamaan, tetapi dengan cara yang sangat berbeda. Demografi spasial menawarkan kemungkinan seperti itu.

Apa Tantangan Saat Ini?

Ketersediaan data merupakan tantangan utama untuk demografi spasial, terutama ketika minat dalam memahami sejumlah besar populasi yang berinteraksi dan bagaimana mereka berubah dari waktu ke waktu. Ketika dipilah berdasarkan usia dan jenis kelamin, seringkali jumlah populasi dan peristiwa demografis menjadi kecil, yang meningkatkan efek dari perilaku acak dan peluang pengungkapan (identifikasi). Banyak kantor statistik tidak diizinkan untuk merilis data spasial terperinci karena alasan kerahasiaan data, yang membatasi analisis. Selanjutnya, seperti yang ditunjukkan dalam makalah saya baru-baru ini yang diterbitkan di Demografi Spasial (Raymer et al. 2020), data tentang tingkat kesuburan, kematian, dan migrasi berdasarkan usia (antarregional dan internasional) untuk populasi subnasional mungkin tidak tersedia atau diukur dengan tepat untuk penghitungan demografis, data tersebut berasal dari sumber yang berbeda (sensus, register vital, administrasi sumber). Metode estimasi tidak langsung, seperti menggabungkan data dari berbagai sumber data, dapat digunakan untuk mengatasi beberapa masalah ini. Mereka juga dapat digunakan untuk memperkirakan komponen rinci perubahan demografis untuk area kecil atau subpopulasi (misalnya, berdasarkan status kewarganegaraan atau tingkat keterampilan).

Apa yang Harus Kita Fokuskan di Masa Depan?

Kita perlu lebih memajukan model kita untuk demografi spasial. Idealnya, ini akan melibatkan pengintegrasian perkembangan terkini dalam pemodelan ketergantungan spasial ke dalam kerangka demografi multiregional (lihat, misalnya, Rogers, 1995, 2020). Sementara model multiregional tarif tetap telah berguna untuk memahami mekanisme interaksi subpopulasi dan implikasi dari tarif tertentu dalam suatu sistem, mereka sering dianggap tidak realistis atau tidak praktis untuk perencanaan. Jadi, kami juga membutuhkan model fleksibel yang memperhitungkan ketidakpastian. Ini adalah masalah yang menantang tetapi penting, terutama ketika memperkirakan komponen demografis dari perubahan populasi untuk area populasi kecil (Bryant & Zhang, 2019 Swanson & Tayman, 2012, hlm. 235). Memperhitungkan sejumlah besar korelasi yang ada dalam data dapat membuat model demografis spasial menjadi kompleks dan sulit untuk diperkirakan. Korelasi tersebut mencakup mereka yang melintasi usia, kohort, dari waktu ke waktu dan ruang. Selain itu, dengan migrasi, sering ada korelasi dalam arus balik—yaitu, migrasi dari saya untuk j terkait dengan migrasi dari j untuk saya.

Sebagai kesimpulan, saya percaya kita perlu berinvestasi dalam penelitian yang menyatukan pemikiran spasial dan pemikiran demografis. Terlalu sering kita menganalisis pola spasial tetapi bukan mekanisme yang mendasari perubahan spasial. Ini perlu diubah agar kita benar-benar memahami proses demografis spasial dan bagaimana mereka berkembang seiring waktu.


Metode

The focus of this study is primary HC because these units encompass a set of basic actions to solve the most common problems in the community. The location of HC was obtained using the USAID dataset survey of year 2000. This dataset was updated to year 2016 by the authors of this study through a list provided by the Minister of Health of Mozambique. The total number of HC included in the analysis is 1,061, corresponding to 81.2 % percent of all existing HC in Mozambique. The Gridded Population of the World (GPW) data from the Global Rural–urban Mapping Project (GRUMP) projected for 2015 was used to map the population of Mozambique. These data were downloaded from the Internet [29] and consist of an estimation of human population by 2.5 arc-minute grid cells. The digital elevation model (DEM) for Mozambique was obtained from the Aster GDEM [30] with 30 m of spatial resolution. A total of 101 tiles were mosaicked in order to obtain a single DEM file for the whole country. The elevation data were used to calculate walking time with QGIS free open source software [31]. For the study area delimitation we used an administrative map produced by the National Cartography and Tele-detection Centre from Mozambique [32]. This dataset represents the administrative division of the country in three levels: provincial, district and administrative post. The road network was also obtained from the same source and was classified in three categories: main road, secondary road, and tertiary road (mostly unpaved). The mapping of road network and modeling of spatial data can be used to identify restrictions on vehicle movement [33]. After correcting the topological road network problems, this dataset was superposed with the health facilities. During this process we verified that some health facilities were too far from the road network, which could confound the analysis. To minimize this problem we updated the road network by digitizing some road segments from Google Earth [34]. These were then exported to ArcGIS software [35]. The villages and communities dataset was obtained from USAID project data of year 2000.

The accessibility analysis was carried out using the Service Area (SA) tool of Network Analyst extension from ArcGIS [35]. Two scenarios of travel time for Mozambique were created: travel time by roads and by walking. The SA was based on the driving distance by road and walking distance criteria described in Table 1. The straight-line Euclidean distance to create a buffer around the HC was initially considered as a solution to create the SA. However, this approach was not realistic from a walkability standpoint because it fails to take into account physical barriers, such as water bodies, railway lines, buildings, and other obstructions [36]. The function used to calculate driving and walking time in minutes through the road network was:

For determining the geographical accessibility to HC, two scenarios for travelling to the health facilities were considered (Table 1): driving time and walking time. The estimates for walking time were obtained with QGIS python plugin which uses Tobler’s hiking formula to determine the travel time along a line depending on the slope [37]. The input data were the vector layer with lines (road network) and the DEM. The fields with estimated time in minutes in forward and reverse directions were created with the default value of speed of 5 km/h. As a result of the lack of infrastructures and motorized transport services the predominant way of transport in rural Africa areas is walking [16]. Research in less developed countries, often uses walking time or travel time by public transportation to measure distance to the nearest hospital [18].

The maximum travelling time to be considered a served area was set to 60 min. Areas more than 60 min away from HC were considered underserved for both scenarios. The population should have access to a health facility within one hour of walking [16]. More than that, people will pay a high cost (financially and emotionally) to visit a healthcare center [18]. The number of villages and population were superposed with the category’s distance in order to know the villages and population served for each section of time. The number of population for each province was estimated for the two scenarios for the served and underserved areas.


Tonton videonya: Buat garis yang menghubungkan dua lapisan titik di QGIS (September 2021).