Lisää

PointStacker - Satunnaiset sijainnit eri zoomaustasolla

PointStacker - Satunnaiset sijainnit eri zoomaustasolla


Sovellan PointStacker-muunnosta yhteen kerroksistani käyttäen Geoserver 2.5.2: ta ja OpenLayers 2: ta.

Tiedän, että minulla on 7 datapistettä samassa paikassa. Kun muutan zoomaustasoa, pinottu piste liikkuu kuitenkin satunnaisesti. Olisin ajatellut, että pinotun pisteen sijainti lasketaan pinottavien vektoripisteiden keskiarvolla. Toisin sanoen, jos ne sijaitsevat samassa paikassa, sen ei pitäisi liikkua zoomaustasojen muuttamisen ympäri.

Mitä teen väärin?

zoomaustaso 7:

zoomaustaso 8:

zoomaustaso 9:

zoomaustaso 10:

zoomaustaso 11:


Oletuksesi siitä, kuinka PointStacker laskee klusteripisteen sijainnin, on virheellinen. Se ei käytä massakeskusta odotetulla tavalla.

Kuvapyynnön rajat hajotetaan ruudukkoon ja kunkin ruudukon solulle luodaan klustereita. Joten jos sinulla on mikä näyttää sinulle kuin luonnollinen klusteri, esim. 3 pistettä lähellä toisiaan, ne ryhmitellään yhteen vain, jos kaikki 3 ovat samassa ruudukon solussa. Jos ne putoavat kolmeen ruudukkosoluun, ne osoitetaan 3 erilliseen klusteriin.

Lähentäessäsi pisteitä, älä laske samaan ruudukkosoluun kuin edellisessä kuvassa, ja siksi ryhmälle annetaan uusi sijainti suhteessa kuvan leveyteen ja korkeuteen.

Tämä ei ole kaikkein intuitiivisinta käyttäytymistä, mutta se tekee paljon yksinkertaisemmaksi klusterointialgoritmin. Näet koodin täällä: https://github.com/geotools/geotools/blob/master/modules/unsupported/process-feature/src/main/java/org/geotools/process/vector/PointStackerProcess.java


Uskon, että tämän aiheuttaa cellSize-parametri.

Jos asetat tämän parametrin arvoksi 1 (sijainnit, jotka haluat koota, ovat täsmälleen samat, merkitsimen pitäisi näkyä kyseisessä paikassa.

Jos lisäät cellSize-arvoa, merkki sijoitetaan jonkin verran satunnaisesti cellSize-yksikön pikselissä määrittelemään puskuriin.

 cellSize 1

Paikkakeskeinen, sekoitettu alueellistamismenetelmä maantieteellisten alueiden rakentamiseksi terveystietojen levittämisessä ja analysoinnissa

Samankaltaisilla maantieteellisillä alueilla väestökoko vaihtelee usein suuresti. Terveystietojen hallinnassa ja analyysissä on toivottavaa saada vertailukelpoiset alueet hajottamalla suuren väestön alueet (jotta saavutettaisiin enemmän alueellista vaihtelua) ja yhdistämällä pienen väestön alueet (tietojen yksityisyyden peittämiseksi). Peano-käyräalgoritmin ja muokatun mittakaava-avaruusklusteroinnin perusteella tässä tutkimuksessa ehdotetaan sekoitetun alueellistamisen (MLR) menetelmää maantieteellisten alueiden rakentamiseksi, joilla on vertailukelpoinen väestö. Menetelmä ottaa huomioon alueellisen liitettävyyden ja tiiviyden, attribuuttisen homogeenisuuden ja eksogeeniset kriteerit, kuten väestön tai taudin vähimmäismäärän (ja suunnilleen saman). Louisianan syöpätietoja käyttävä tapaustutkimus havainnollistaa MLR-menetelmää ja sen vahvuuksia ja rajoituksia. Menetelmän merkittävä etu on, että suurin osa ylemmän tason maantieteellisistä rajoista voidaan säilyttää rakennettujen alueiden tuntemuksen lisäämiseksi. Siksi MLR-menetelmä on enemmän ihmislähtöinen ja paikkaperusteinen kuin tietokone- ja avaruuspohjainen.

Paikkatietokokonaisuuksia tai alueellistamismenetelmiä käytetään yleisesti paikkatietojärjestelmissä (GIS) ja kansanterveydessä vahvistus- tai tutkimustarkoituksiin (Cromley ja McLafferty 2012b). Klusteroinnilla on kaksi erilaista määritelmää ja molemmat hyväksytään hyvin: osiointi, joka antaa yksilöllisen klusterijäsenyyden mihin tahansa tutkimusalueen sijaintiin, ja osioimatta jättäminen (ts. Klusterikeskusten tunnistaminen), jolla ei ole kattavaa vaatimusta kaikille paikoille (Neuberger ja Lynch 1982 Hanson ja Wieczorek 2002 Szwarcwald, Andrade ja Bastos 2002 Oliver ym. 2006 Schootman ym. 2007 Shishehbor ym. 2008 Moore ym. 2009 Nelson ym. 2009). Tämä artikkeli keskittyy alueellistamiseen, mutta joissakin keskusteluissa käytetään myös termiä ryhmittyminen kirjallisuudessa. Haasteena monille näistä menetelmistä ei ole algoritmien, laskennan tai teknisen toteutuksen kehittäminen, vaan pikemminkin tulosten ymmärtäminen tai tulkinta. Merkitykselliset tulokset eivät koske vain klustereiden kokoa ja muotoa, mutta myös klustereiden linjausta olemassa olevien alueiden, etenkin suurten maantieteellisten yksiköiden rajojen, kanssa. Alueellistamisen perustavoitteena on tietojen ryhmittely ja yksinkertaistaminen, ei monimutkaisuuden lisääminen lisäämällä uusia rajoja, joita järjestelmänvalvojat, julkiset lääkärit tai suuri yleisö eivät tunnista.

& # x0201cPlace on turvallisuus, avaruus on vapautta & # x0201d (Tuan 1977, 3). Tuanin (1974, 1977, 2012) humanistinen maantieteellinen lähestymistapa on vaikuttanut maantieteilijöiden sukupolviin selventämällä paikan ja avaruuden suhdetta. Tuan havainnollisti rajan funktioita sitovana tilana avaruuteen, kuten eskimon mieliala (tai kiinnitys) kauppapaikkoihin ja metsästystilaan (Carpenter, Varley ja Flaherty 1959), ja tunnisti tilan paikaksi, jossa on tuttuja maamerkkejä ja polkuja, jotka nähdään usein rajoina. Alueellistamismenetelmämme on saanut inspiraation tästä maantieteilijöiden käsitteestä & # x0201paikka + tila + identiteetti + kiintymys & # x0201d (Tuan 1974, 1977 Sack 1980, 2003 Adams, Hoelscher ja Till 2001). Yiannakoulias (2011) kannatti & # x0201cplacefocused & # x0201d- tai & # x0201cplace-tietoinen & # x0201d -lähestymistapaa sisällyttämään paikallisesti merkitykselliset tekijät kaikkiin ihmisen toiminnan osa-alueisiin muodostamaan paikkoja tai alueita tarkoituksenmukaisen kansanterveysvalvonnan kannalta. Avaruus on yleisempi ja abstraktimpi, ja paikka kiinnittyy enemmän ihmisiin ja ympäristöön. Vaikka monet alueellistamismenetelmät ovat avaruuteen suuntautuneita, tämän tutkimuksen tarkoituksena on kehittää paikkakeskeinen alueellistamis- tai klusterointimenetelmä, joka säilyttää tärkeimmät geopoliittiset rajat identiteetin ja kiintymyksen avaintekijänä.

Rajat ovat tärkeitä kartan tuntemuksen ja hierarkian ylläpitämiseksi (Lloyd ja Steinke 1986). Maantieteelliset, kartografiset ja psykologiset tutkimukset ovat osoittaneet, että kartanlukijat järjestävät ja käsittelevät avaruusmuistinsa hierarkkisesti klustereissa ja luottavat tuttuihin ominaisuuksiin kartan sisällön tulkinnassa ja ymmärtämisessä (McNamara, Hardy ja Hirtle 1989 Rittschof et ai. 1996 Fotheringham ja Curtis 1999 Jones et ai. 2004) ja ympäristön spatiaaliset ominaisuudet (Hirtle ja Jonides 1985). Rajalla on toisiinsa liittyvä rooli psykologisessa ja maantieteellisessä osituksessa (Sack 2003). Rajasta ja rajasta keskustellaan myös laskettavan tilan, paikan, turvallisuuden ja alueen yhteydessä (Rose-Redwood 2012). Maantieteelliset tiedot toimitetaan hierarkkisesti valtion, läänin, väestönlaskennan ja muiden yksiköiden avulla, ja näiden yksiköiden rajat ovat olennainen viite tuntemukselle. Geopoliittisten yksiköiden lisäksi on tärkeää pitää yllä myös muita maantieteellisiä rajoja, joissa tutkittavat taustavoimat ja prosessit eroavat toisistaan. Esimerkiksi julkaisuissa F.Wang, Guo ja McLafferty (2012) alueellistamismenetelmää sovelletaan erillisillä kaupunkiluokkialueilla erikseen niiden rajojen säilyttämiseksi.

Väestön koko vaihtelee yleensä huomattavasti samalla tasolla olevilla alueilla. Kansanterveystietojen analyysissä ja levityksessä on usein toivottavaa saada vastaavan väestön alueita (F.Wang, Guo ja McLafferty 2012). Suurväestöiset alueet on hajotettava, jotta alueellinen vaihtelu lisääntyy, ja pienväestöiset alueet on yhdistettävä geoturvallisuuden suojelemiseksi. Tekisikö ylemmän tason maantieteellisten rajojen pitäminen alueellistamismenetelmän paikkakeskeisemmäksi? Esimerkiksi, jos tietoja on saatavana väestönlaskennan alueiden tasolla, pitäisikö läänin rajoja säilyttää mahdollisimman paljon alueellistamisessa? Tässä tutkimuksessa ehdotetaan paikkakeskeistä, sekoitettua alueellistamista (MLR) tai spatiaalista klusterointimenetelmää. Tarkemmin sanottuna & # x0201cplace = välilyönti + identiteetti + liite & # x0201d -konseptointi käsitellään kahdella tavalla. Koska raja toimii paikkojen tärkeänä tunnisteena, menetelmämme pyrkii säilyttämään ylemmän tason maantieteellisten yksiköiden rajat ja minimoimaan toiminnan alemmalla tasolla. Liite lasketaan asettamalla alueellistamismenetelmälle attribuuttisen samankaltaisuuden rajoitusta. Näin tekemällä saadut alueet näyttävät silti tutuilta tai tunnistettavilta.

Kun käsitellään terveystietoja, geoturvallisuus on yleinen huolenaihe, joka johtaa yksittäisten tietojen yhdistämiseen alueyksiköihin. Tämän tutkimuksen yleistavoitteena on kehittää alueellistamismenetelmä terveystietojen kirjanpidon levittämiseksi ja analysoimiseksi paitsi yleisesti pidetyn paikkatietokokonaisuuden ja attribuutiomaisen homogeenisuuden lisäksi myös perehtyneisyyden ja geotiedon suhteen. Tämä kuvaus toimii kattavana ongelmana, ja yksityiskohtaiset asetukset on havainnollistettu terveystietojen (erityisesti syövän) tapaustutkimuksella. Se voi varmasti hyödyttää kaikkia tutkimuksia, joihin liittyy pieni väestöongelma, mukaan lukien rikollisuusanalyysi (F.Wang ja O & # x02019Brien 2005).


1. Esittely

Tämä on käytännön opas georeferointiin. Siinä kuvataan protokollat, joilla määritetään ominaisuuksien muodot ja miten niitä käytetään georeferenssin perustana piste-säteen georeferointimenetelmällä (Wieczorek 2001, Wieczorek et ai. 2004, Chapman & amp Wieczorek 2020) Georeferencing Calculatorilla (Wieczorek & amp Wieczorek 2020) ja siihen liittyvä Georeferencing Calculator Manual (Bloom et al. 2020), kartat, sanomalehdet ja muut resurssit, joista löytyy paikkojen koordinaatit ja alueelliset rajat. Tämä asiakirja on lainattava georeferointiprotokolla. Jos käytetään johdettua protokollaa, uusi asiakirja, joka on liitetty tähän oppaaseen, olisi asetettava julkisesti saataville ja mainittava.

Tämä opas perustuu oppaan ensimmäiseen versioon (Wieczorek ym. 2012), joka puolestaan ​​oli mukautus Georeferencing for Dummies -ohjelmaan (Spencer ym. 2008). Siinä selitetään suositellut georeferointimenettelyt yleisimmin esiintyville paikkakunnille. Tätä opasta tulisi käyttää rinnakkain Georeferencing Best Practicesin (Chapman & amp Wieczorek 2020) kanssa, joka sisältää teoreettisen taustan ja tarkempia tietoja tässä käytetyistä käsitteistä.

Tämän asiakirjan alleviivatut termit (esim. Tarkkuus) linkittävät määritelmiin sanastossa. Kursiivilla termit (esim. Input Latitude) viittaavat kenttiin ja / tai tarroihin Georeferencing Calculatorissa (Wieczorek & amp Wieczorek 2020) (jäljempänä 'Laskin'). Darwin Core -termit näytetään monitilassa (esim. Dwc: georeferenceRemarks) kaikissa GBIF: n digitaalisissa asiakirjoissa.

Tämän asiakirjan lopussa on Georeferenssin pikaopas Avain paikkatyyppeihin, joka sisältää nopean yhteenvedon yleisimpien paikkatyyppien protokollista, jotka on kuvattu yksityiskohtaisesti tämän oppaan osissa.

1.1. Tavoitteet

Tässä asiakirjassa annetaan ohjeita georeferenssin määrittämiseen pistesäde-menetelmällä. Tämä opas tarjoaa myös menetelmät piirteiden rajojen määrittämiseksi, jotka muodostavat muodon georeferointimenetelmän perustan.

1.2. Kohdeyleisö

Tämä asiakirja on käytännön opas kaikille, jotka tarvitsevat georeferenssin teknisistä paikkakuvauksista, jotta niitä voidaan käyttää alueiden suodattamiseen tai analysointiin tutkimuksessa, koulutuksessa tai biologisten kokoelmien tietojen ylläpidossa.

1.3. Soveltamisala

Tämä asiakirja on yksi kolmesta, joka kattaa suositellut vaatimukset ja menetelmät georeferenssipaikoille. Se tarjoaa käytännön ohjeet pistesäteen georeferointimenetelmän teorian toteuttamiseksi käytännössä.

Opas perustuu Georeferencing Best Practices -ohjelmaan (Chapman & amp Wieczorek 2020) saadakseen taustaa, määritelmiä ja tarkempia selityksiä täältä ja laskimesta löytyvien menetelmien ja laskelmien teoriasta.

Kolmas asiakirja on Georeferencing Calculator Manual (Bloom et al. 2020), joka kuvaa Georeferencing Calculatorin käyttöä. Laskin on selainpohjainen JavaScript-sovellus, joka auttaa kuvailevien paikkojen georeferoinnissa ja tekee tarvittavat laskelmat maantieteellisten koordinaattien ja sijaintien epävarmuuksien saamiseksi pistesäde-menetelmällä.

Nämä asiakirjat EIVÄT tarjoa ohjeita kuvien geosuuntaamiseen tai katuosoitteiden geokoodaukseen - erillisiin toimintoihin, joita joskus kutsutaan "georeferencingiksi".

1.4. Muutokset edelliseen versioon

Tämä oppaan versio on täydellinen uusintapainos edellisestä painoksestaan, joka on järjestetty uudelleen ja täydennetty sisällyttämällä graafisia esimerkkejä kustakin sijaintityypistä ja yksityiskohtaisia ​​ohjeita niiden georeferointiin. Aikaisemman version jälkeen terminologiassa on tapahtunut muutamia muutoksia, jotka sisältävät:

Edellisen version laajuus on muutettu radiaaliseksi. Laajuutta käytetään säilytettynä perinteisemmällä tavalla tarkoittamaan koko sijaintia.

"Nimetty paikka" on korvattu ominaisuudella.

Jos maantieteellistä keskusta suositeltiin aiemmin, käytetään nyt maantieteellisen säteen suuntaista korjattua keskusta. Tämä on tärkeä muutos, koska maantieteellinen keskus ei välttämättä tuottanut pienintä epävarmuutta johtuen korjatun keskuksen ja maantieteellisen radiaalisen piirteen laajuudesta.

1.5. Darwin Core -sovelluksen käyttö

Tämän oppaan menetelmiä käyttävillä georeferensseillä on suurin arvo, jos georeferointiprosessista ja sen aikana saadaan mahdollisimman paljon tietoa. Darwin Core -standardi (Darwin Core Maintenance Group 2020) määrittelee kaikki kentät, joita suositellaan toistettavien georeferenssien sieppaamiseen, seuraavasti:

näiden kenttien yhdistelmä antaa viitteen georeferenssin piste-säde-esityksen keskelle.

Vaakasuora etäisyys metreinä annettuista desimaaleista ja desimaaleista pituusasteista, jotka kuvaavat pienintä ympäröivää ympyrää, joka sisältää koko sijainnin. Jätä arvo tyhjäksi, jos epävarmuutta ei tunneta, sitä ei voida arvioida tai se ei ole sovellettavissa (koska koordinaatteja ei ole). Nolla ei ole kelvollinen arvo tälle termille. Tämä termi vastaa lopullisen georeferenssin maantieteellistä sädettä.

henkilö (t), joka (t) muutti viimeksi georeferenssiä ja milloin se tapahtui. Nämä vastaavat georeferenssin lopullista auktoriteettia sen nykyisessä tilassa riippumatta siitä, kuka on voinut työskennellä georeferenssin aiempien versioiden parissa.

Kuvaus tai viittaus menetelmiin, joita käytetään muodon määrittämiseen muodon georeferointimenetelmällä, tai koordinaatit ja epävarmuus pistesäde-menetelmällä. Jos tämän oppaan protokollaa käytetään muuttumattomana, georeferenceProtocolin tulisi olla tämän asiakirjan lainaus.

Luettelo (ketjutetuista ja erillisistä) kartoista, sanomalehdistä tai muista resursseista, joita käytetään sijainnin georeferenssiin, joka on kuvattu riittävän tarkasti, jotta kuka tahansa voi tulevaisuudessa käyttää samoja resursseja.

USGS 1: 24000 Firenze Montana Quad 1967
Terrametrics 2008 Google Earth
Wieczorek C & amp J Wieczorek (2020) Georeferencing Calculator, version yyyymmdd. Saatavana: http://georeferencing.org/georefcalculator/gc.html.

Kategorinen kuvaus siitä, missä määrin georeferenssin on todettu edustavan parasta mahdollista alueellista kuvausta. Suositeltava paras käytäntö on käyttää hallittua sanastoa. Huomaa, että tämä vahvistus voidaan suorittaa vain tallennettavan tapahtuman tai tapahtuman suhteen.

vaatii vahvistuksen
keräilijä on vahvistanut
kuraattorin vahvistama

Muistiinpanot tai kommentit epätavallisista georeferensseistä, joissa selitetään oletukset, jotka on tehty tai vastustettu georeferenceProtocolissa tarkoitetulla menetelmällä virallistettujen oletusten lisäksi.

oletettu etäisyys maanteitse (Hwy. 101)

Kiinnostavia huomautuksia tai kommentteja sijainnista (ei sijainnin georeferenssistä, jotka ovat georeferenceRemarksissa).

Villa Epecuen hukutettiin marraskuussa 1985, ja sen asuminen loppui vuoteen 2009 asti

1.6. Georeferencing-käsitteet

Yksi parhaiden käytäntöjen seuraamisen georeferoinnin tavoitteista on olla varma, että tuotoksessa on riittävästi tietoa, jotta georeferenssi on toistettavissa (katso Georeferencing Best Practicesin parhaiden käytäntöjen periaatteet (Chapman & amp Wieczorek 2020)). Tätä tarkoitusta varten tässä asiakirjassa on joukko reseptejä erilaisten paikkatyyppien georeferointiin Georeferencing-laskimen avulla. Laskimen avulla voit tehdä erityyppisiä laskelmia paikkatyypin perusteella (§1.6.1). Kun paikkatyyppi valitaan ennalta määritetystä luettelosta, Laskin näyttää syöttöruudut kaikille kyseistä laskutyyppiä varten tarvittaville parametreille. Huomaa, että paikkatyyppi on paikkakunnan kuvauksen tarkin lauseke (katso Paikkakunnan kuvauksen jäsentäminen Georeferencing Best Practices -sovelluksessa (Chapman & amp Wieczorek 2020)). Saattaa kuitenkin olla tietoa muista lausekkeista tai muista sijaintitietueen osista, jotka auttavat rajoittamaan sijaintia ja tulevat esiin, kun ominaisuuden raja määritetään. Monia Laskimen parametreja käytetään useammalle kuin yhdelle paikkatyypille. Sen sijaan, että toistettaisiin selitys jokaiselle paikkatyypille, ne kerätään tänne yhteiseen viitteeseen. Jotkut paikkatyypit edellyttävät erityisiä parametreja, joille vastaavat selitykset sisältyvät §2: n jokaiseen alakohtaan. Katso Georeferencing Calculator Manualista (Bloom et al. 2020) lisätietoja laskimesta, johon ei ole vastattu tässä asiakirjassa.

1.6.1. Paikkatyyppi

Paikkatyyppi viittaa paikkakunnan kuvauksen tarkimman osan malliin, johon georeferoidaan - joka määrittää käytettävän laskentamenetelmän. Laskimella on vaihtoehtoja laskea georeferenssit kuudelle paikkatyypille:

Etäisyys kohtisuorassa suunnassa

Paikkatyypin valitseminen määrittää Laskimen näyttämään kaikki parametrit, jotka on määritettävä georeferenssilaskennan suorittamiseksi. Tämä opas antaa tarkat ohjeet parametrien asettamiseen monille erilaisille esimerkeille kullekin paikkatyypille.

1.6.2. Korjattu keskusta

Korjattu keskusta on piste sijainnissa tai sen rajalla, joka minimoi maantieteellisen säteen (katso §1.6.3). Tämä piste saadaan etsimällä pienin ympäröivä ympyrä, joka sisältää koko ominaisuuden, ja ottamalla sitten kyseisen ympyrän keskipisteen (kuva 1A). Jos kyseinen keskusta ei putoa ominaisuuden rajoille tai niiden sisäpuolelle, etsi pienin ympäröivä ympyrä, joka sisältää koko ominaisuuden, mutta on keskellä piirteen rajaa (kuva 1B). Huomaa, että korjatussa tapauksessa uusi ympyrä ja siten säde on aina suurempi kuin korjaamaton. Laskimessa korjattua keskipistettä vastaavat koordinaatit on merkitty tulon leveys- ja pituusasteina. Ks. Liite B: Menetelmät korjatun keskuksen ja maantieteellisen säteen löytämiseksi tekniikoista korjatun keskuksen määrittämiseksi.

1.6.3. Ominaisuuden säde

Ominaisuus on paikkakunnan kuvauksessa paikka, jolla on laajuus ja jota voidaan rajoittaa. Ominaisuuden maantieteellinen säde (näkyy laskimessa ominaisuuden säteenä) on etäisyys piirteen korjatusta keskipisteestä kyseisen ominaisuuden maantieteellisen rajan kauimpaan pisteeseen (katso kuva 1 ja sijainnin laajuus parhaiden käytäntöjen georeferoinnissa). (Chapman & amp. Wieczorek 2020)). Huomaa, että radiaalia kutsuttiin "laajuudeksi" aikaisemmissa Laskimen asiakirjoissa ja versioissa. Katso Liite B: Menetelmät korjatun keskuksen ja maantieteellisen säteen löytämiseksi tekniikoista maantieteellisen säteen määrittämiseksi.

Lopullisella georeferenssillä on maantieteellinen säde, joka eroaa minkä tahansa paikkakuvauksen piirteiden maantieteellisestä säteestä (koska se kattaa myös kaikki epävarmuustekijät), ja kun laskenta on suoritettu, tämä näkyy Laskin epävarmuus-kentässä.

1.6.4. Leveysaste

Tunnistettu Laskimessa syötteen leveydeksi. Maantieteellinen koordinaatti päiväntasaajan pohjois- tai eteläpuolella (missä leveysaste on 0), joka edustaa georeferenssin laskennan lähtökohtaa ja riippuu paikkatyypistä.

Leveysasteet desimaalilämpötiloissa päiväntasaajan pohjoispuolella ovat yleisesti ottaen positiivisia, kun taas etelässä leveydet ovat negatiivisia. Laskin tukee kolmea asteeseen perustuvaa maantieteellistä koordinaattimuotoa leveys- ja pituusasteille: desimaalin astetta (esim. −41.0570673), desimaalin asteen astetta (esim. 41 ° 3.424 ") ja astetta minuuttia ja sekuntia (esim. 41 ° 3 '25.44" S).

1.6.5. Pituusaste

Merkitty syötteen pituusasteeksi laskimessa. Maantieteellinen koordinaatti päämeridiaanista itään tai länteen (kaari pohjois- ja etelänavan välillä, jossa pituusaste on 0), joka edustaa georeferenssilaskennan lähtökohtaa ja riippuu paikkatyypistä.

Pituuspiirit desimaaleina päämeridiaanista itään ovat positiivisia sopimuksen mukaan, kun taas lännessä olevat pituuspiirit ovat negatiivisia. Laskin tukee kolmea asteeseen perustuvaa maantieteellistä koordinaattimuotoa leveys- ja pituusasteille: desimaalin astetta (−71.5246934), desimaalin asteen minuuttia (71 ° 31.482 ") ja astetta minuuttia ja sekuntia (71 ° 31 '28.90" W).

1.6.6. Koordinaattilähde

Koordinaattilähde on resurssityyppi (karttatyyppi, GPS, sanomalehti, paikkakunnan kuvaus), josta lähtötulojen leveys- ja pituusaste on johdettu.

Useimmiten alkuperäisiä koordinaatteja käytetään sijainnin yleisen läheisyyden löytämiseen kartalta, minkä jälkeen korjatun keskuksen määritysprosessi antaa uudet koordinaatit. Tässä tapauksessa Laskimessa käytettävä koordinaattilähde on kartta, josta korjattu keskusta määritettiin, ei alkuperäinen lähde, jota käytettiin kartan yleisen läheisyyden määrittämiseen. Oletetaan esimerkiksi, että alkuperäiset koordinaatit tulivat aikakauslehdestä, mutta ominaisuuden raja ja korjattu keskipiste määritettiin Google Mapsista. Koordinaattilähde olisi "Google Earth / Maps 2008", ei "aikakauslehti".

Tämä termi liittyy, mutta EI sama kuin Darwin Core-termi georeferenceSources, joka vaatii käytettävät resurssit tyypin sijasta. Huomaa, että näiden kahden lähteen epävarmuustekijät sanomalehti ja paikkakunnan kuvaus ei voida ennakoida yleisesti, eivätkä ne siten edistä laskelmien globaalia epävarmuutta. Jos näiden lähteiden virheominaisuudet tunnetaan, ne voidaan lisätä Mittausvirhe-kenttään ennen laskemista. Jos lähde-GPS on valittu, Mittausvirhe -tunniste muuttuu GPS-tarkkuudeksi, jolloin GPS: n tarkkuus (katso GPS: n käyttö georeferenssin parhaissa käytännöissä (Chapman & amp Wieczorek 2020)) koordinaattien ottamisen ajankohtana tulisi olla syötetään.

1.6.7. Koordinaattien muoto

Laskimen koordinaattimuoto määrittelee koordinaattilähteen alkuperäisten maantieteellisten koordinaattien (desimaali-, minuutti- ja sekuntidata (DMS) tai desimaaliminuuttiminimi) edustus.

Kun laskentatyyppi ei ole ”Vain koordinaatit”, alkuperäisiä koordinaatteja käytetään usein paikan yleisen läheisyyden löytämiseen kartalta, minkä jälkeen korjatun keskuksen määritysprosessi antaa uudet koordinaatit. Tällöin Laskimessa käytettävä koordinaattimuoto on koordinaattimuoto kartalla, josta korjattu keskusta määritettiin, eikä alkuperäisen lähteen koordinaattimuoto, jota käytettiin kartan yleisen läheisyyden määrittämiseen. Oletetaan esimerkiksi, että alkuperäiset koordinaatit tulivat DMS: ssä olevasta sanomalehdestä, mutta ominaisuuden raja ja korjattu keskipiste määritettiin Google Mapsista, koordinaattien muoto olisi desimaalilukuja, ei DMS.

Tämä termi vastaa Darwin Core -termiä verbatimCoordinateSystem vain, jos muunnoksia ei tarvinnut suorittaa alkuperäisestä lähteestä muodossa, jota käytettiin Syötä leveysaste ja Syötteen pituusaste (esim. jos alkuperäiset koordinaatit olivat UTM ja joudut muuntamaan ne DMS: ksi, niin Koordinaattien muoto Laskimessa on DMS, mutta sanatarkastiCoordinateSystem on UTM. Alkuperäisen koordinaattimuodon valitseminen antaa koordinaatit alkuperäisessä muodossaan ja pakottaa Laskimen esittämään sopivat vaihtoehdot koordinaattien tarkkuudelle. Koordinaattimuodon muuttaminen palauttaa koordinaatin tarkkuusarvoksi automaattisesti lähin tutkinto. Korjaa tämä todellisen koordinaattitarkkuuden mukaan. Laskin tallentaa koordinaatit desimaalin tarkkuudella seitsemään desimaaliin. Näin säilytetään oikeat koordinaatit kaikissa muodoissa riippumatta siitä, kuinka monta koordinaattimuunnosta tehdään.

1.6.8. Koordinaattien tarkkuus

Tämä laskin on merkitty Laskimessa tarkkuudella syöttöparametrien ensimmäiseen sarakkeeseen, tämä avattava luettelo täyttää tarkkuustasot valitun koordinaattimuodon mukaisesti. Esimerkiksi koordinaattimuodolla, joka on astetta minuuttia sekuntia, syöttöleveyttä 35 ° 22 '24 "N ja tulopituutta 105 ° 22' 28" W, koordinaattitarkkuus olisi lähinnä sekuntia. Tarkka arvo on mikä tahansa tarkkuustaso, joka on korkeampi kuin muuten korkein luettelossa annettu tarkkuus. Koordinaattien tarkkuuden lähteitä voivat olla paperi- tai digitaalikartat, digitaalikuvat, GPS, sanomalehdet tai paikkakuntien kuvaukset.

Laskimessa käytettävä koordinaattitarkkuus on sen lähteen koordinaattitarkkuus, josta korjattu keskusta määritettiin, ei alkuperäisen lähteen koordinaattitarkkuus, jota käytettiin kartan yleisen läheisyyden määrittämiseen. Oletetaan esimerkiksi, että alkuperäiset koordinaatit tulivat sanomalehdestä, mutta ominaisuuden raja ja korjattu keskipiste määritettiin Google Mapsista, koordinaattien tarkkuus määräytyisi korjatusta keskuksesta Google Mapsissa tallennettujen desimaalilukujen lukumäärän perusteella , ei alkuperäisen julkaisijan koordinaattien koordinaattitarkkuus. Jos käytät kaikkia Google Mapsissa annettuja numeroita, koordinaattitarkkuus olisi "tarkka".
Tämä termi on samanlainen kuin, mutta EI sama kuin Darwin Core -käsitteen koordinaattiPrecision, jota sovelletaan lähtökoordinaatteihin.

1.6.9. Datum

Määrittää ellipsoidin alkupisteen ja suunnan, johon koordinaatit perustuvat annetulle tulo- ja leveysasteelle (katso koordinaattien referenssijärjestelmä).

Datum Laskimessa käytetään lähteen peruspistettä (tai ellipsoidia), josta korjattu keskusta määritettiin. Oletetaan esimerkiksi, että alkuperäiset koordinaatit tulivat gazetteerista, jonka peruspiste oli tuntematon, mutta ominaisuuden raja ja korjattu keskipiste määritettiin Google Mapsista, Datum olisi "WGS84", ei "peruspistettä ei ole tallennettu".

Laskimen termi Datum vastaa Darwin Core-termiä geodeticDatum. Laskin sisältää ellipsoidit avattavaan Datum-luetteloon, koska joskus kaikki tämä koordinaattilähde näyttää. Laskimen nollapisteen valinnalla on kaksi tärkeää vaikutusta. Ensimmäinen on epävarmuuden vaikutus, jos syöttökoordinaattien peruspistettä ei tunneta. Jos peruspistettä ja ellipsoidia ei tunneta, on valittava peruspiste, jota ei ole kirjattu. Tuntemattoman peruspisteen aiheuttama epävarmuus voi olla vakava ja vaihtelee maantieteellisesti monimutkaisella tavalla, pahimmassa tapauksessa 5359 m: n osuudella (katso Coordinate Reference System in Georeferencing Best Practices (Chapman & amp Wieczorek 2020)). Peruspisteen valinnan toinen tärkeä vaikutus on antaa maan ellipsoidimallin ominaisuudet, joista etäisyyslaskelmat riippuvat.

1.6.10. Suunta

Suunta georeferenssilaskimessa on paikkakunnan kuvauksessa annettu suunta joko vakiokompassina (katso kompassin nyrkkeily) tai asteina myötäpäivään pohjoisesta. True North ei ole sama kuin Magnetic North (katso Headings in Georeferencing Best Practices (Chapman & amp Wieczorek 2020)). Jos otsikon tiedetään olevan magneettinen otsikko, se on muunnettava todelliseksi otsikoksi (katso NOAA & # 8217s Magneettikentän laskin), ennen kuin sitä voidaan käyttää Laskimessa. Jos astetta N: stä valitaan, valinnan oikealle puolelle ilmestyy tekstiruutu, johon asteen otsikko tulee kirjoittaa.

Jotkut merialueiden kuvaukset viittaavat suuntaan (atsimuuttiin) kohti maamerkkiä eikä suuntaan nykyisestä sijainnista (esim. "327 ° Nubble Lighthouseen"). Voit tehdä etäisyyden otsikkolaskennan tälle paikkakunnan kuvaukselle käyttämällä suuntana kompassipistettä 180 astetta paikkakunnan kuvauksessa annetusta (147 ° yllä olevassa esimerkissä).

1.6.11. Offset-etäisyys

Laskimen siirtymäetäisyys on lineaarinen pinnan etäisyys lähtöpisteestä. Poikkeamia käytetään vain paikkatyyppien etäisyydelle otsikossa ja etäisyydelle. Jos paikkatyyppinen etäisyys ortogonaalisissa suunnissa valitaan, on kaksi erilaista siirtymää:

Etäisyys pohjoiseen tai etelään (aseta valintaruudulla etäisyyden tekstiruudun oikealla puolella) Syöttökorkeus.

Itä- tai länsietäisyys

Etäisyys itään tai länteen (aseta valintaruudulla etäisyyden tekstiruudun oikealla puolella) syöttöpituudella.

1.6.12. Etäisyysyksiköt

Etäisyysyksiköt-valinnalla tarkoitetaan paikkakunnan kuvauksessa käytettyjä todellisen maailman yksiköitä. On tärkeää valita alkuperäiset yksiköt kuvauksen mukaisesti. Tätä tarvitaan etäisyystarkkuuden epävarmuuden sisällyttämiseksi oikein. Jos paikkakuvauksessa ei ole etäisyysyksiköitä, käytä kartan etäisyysyksiköitä, joista mittaukset on johdettu.

valitse mi "10 mi E (ilmateitse) Bakersfield"

valitse km "3,2 km Lissabonista itään"

valitse km mittauksia varten Google Mapsissa, joissa etäisyysyksiköiksi on asetettu km.

Kaikkien tietyssä laskelmassa käytettyjen etäisyyksien on käytettävä samoja yksiköitä. Jos esimerkiksi paikkakunnan kuvauksessa annettiin offset-etäisyys maileina, sinun on tehtävä se maileina kirjoittaessasi säteittäistä arvoa.

1.6.13. Etäisyystarkkuus

Etäisyystarkkuus, joka on merkitty laskimeen tarkkuudella syöttöparametrien toisessa sarakkeessa, viittaa tarkkuudella, jolla etäisyys kuvattiin paikkakunnalla (katso Epävarmuus offset-tarkkuuteen georeferenssin parhaissa käytännöissä (Chapman & amp Wieczorek 2020)). Tämä avattava luettelo on täytetty valitun etäisyysyksikön perusteella ja sisältää kymmenen ja yksinkertaisen murto-osan voiman ilmaisemaan tarkkuuden, joka on esitetty sanatarkasti alkuperäisessä siirrossa.

valitse 1 mi "6 mi NE Daviksesta"

valitse "3,75 km W Hamiltonista" ¼ km

1.6.14. Mittausvirhe

Mittausvirhe laskee virheen, joka liittyy kykyyn erottaa piste toisesta millä tahansa mittaustyökalulla, kuten paperikarttojen viivaimilla tai Google Mapsin tai Google Earthin mittaustyökaluilla. Mittayksiköiden on oltava samat kuin paikkakuvauksessa, kun ne on kuvattu etäisyysyksiköissä (katso §1.6.12). Laskimen alaosassa oleva etäisyysmuunnin on tarkoitettu auttamaan mittauksen muuttamisessa paikkakunnan kuvausyksiköiksi. Esimerkiksi kohtuullinen arvo mittausvirheelle kartalla on 1 mm, joka mittakaavassa 1: 24 000 olisi 24 m.

1.6.15. GPS-tarkkuus

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

1.6.16. Epävarmuus

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


Geospaital functionality in Atlas: integration of AEGIS #649

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

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

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

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

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

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

Teksti päivitettiin onnistuneesti, mutta havaittiin näitä virheitä:

Emme voi muuttaa tehtävää ongelmaksi tällä hetkellä. Yritä uudelleen.

Ongelma luotiin onnistuneesti, mutta emme voi päivittää kommenttia tällä hetkellä.


Lidar Base Specification v. 2.1: Glossary

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

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

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

Qs on Pth percentile the value at ran n
A is the array of the absolute values of the samples, indexed in ascending order from 1 to N
A[i] is the sample value of array A at index i (for example, nw tai nd). i must be an integer between 1 and N
n is the rank of the observation that contains the Pth percentile
nw is the whole number component of n (for example, 3 of 3.14) and
nd is the decimal component of n (for example, 0.14 of 3.14).

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

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

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

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


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

Kourallinen edullisen hoidon laista johtuvista monista muutoksista korostaa tarvetta maantieteelliseen ymmärrykseen olemassa olevista ja mahdollisista jäsenyhteisöistä. Terveysvaihto edellyttää, että terveydenhuollon tarjoajien verkostot ovat maantieteellisesti saatavilla alipalveluneille väestöryhmille, ja voittoa tavoittelemattomat sairaalat valtakunnallisesti vaativat arvioimaan yhteisön terveystarpeita kolmen vuoden välein. Näiden vaatimusten lisäksi terveydenhuollon tarjoajat käyttävät karttoja ja alueellisia analyysejä parantaakseen terveystuloksia, jotka liittyvät monimutkaisesti sosiaalisiin ja taloudellisiin tekijöihin.

Kaiser Permanente soveltaa maantieteellisiä tietojärjestelmiä, joissa on paikkatietojen analyysit ja karttapohjaiset visualisoinnit, sähköisiin potilastietoihinsa sekä julkisesti ja kaupallisesti saatavilla olevista aineistoista peräisin oleviin tietoihin. Tulokset auttavat muokkaamaan ymmärrystä Kaiser Permanenten jäsenten terveystarpeista heidän yhteisöjensä yhteydessä. Tämä ymmärrys on osa strategiaa, jolla tiedotetaan kumppanuuksista ja toimenpiteistä perinteisissä hoitopalveluissa ja niiden ulkopuolella.

Johdanto

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

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

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

Measuring Network Adequacy and Accessibility

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

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

Supporting Community Health Needs Assessment

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

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

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

Mapping Neighborhood-Level Geographic Variation in Health Outcomes

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

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

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

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

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

Additional Cases Using Geographic Information Systems

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

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

Evolving Opportunities

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

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

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

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

Johtopäätös

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

Disclosure Statement

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

Acknowledgment

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

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

Viitteet

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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


Semantics Geographic information system_section_28

Tools and technologies emerging from the World Wide Web Consortium's Semantic Web are proving useful for data integration problems in information systems. Geographic information system_sentence_298

Correspondingly, such technologies have been proposed as a means to facilitate interoperability and data reuse among GIS applications. Geographic information system_sentence_299

and also to enable new analysis mechanisms. Geographic information system_sentence_300

Ontologies are a key component of this semantic approach as they allow a formal, machine-readable specification of the concepts and relationships in a given domain. Geographic information system_sentence_301

This in turn allows a GIS to focus on the intended meaning of data rather than its syntax or structure. Geographic information system_sentence_302

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

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

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

GeoSPARQL is a standard developed by the Ordnance Survey, United States Geological Survey, Natural Resources Canada, Australia's Commonwealth Scientific and Industrial Research Organisation and others to support ontology creation and reasoning using well-understood OGC literals (GML, WKT), topological relationships (Simple Features, RCC8, DE-9IM), RDF and the SPARQL database query protocols. Geographic information system_sentence_306

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


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

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

Menetelmät

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

Tulokset

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

Päätelmät

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


Normal Hotspots vs Clumpy Ones in Raleigh

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

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

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

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

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

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

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

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

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

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

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

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


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

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

Capsule

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