Más

Recopilar valores + Generador de modelos ArcGIS 10.1

Recopilar valores + Generador de modelos ArcGIS 10.1


Tengo una pregunta relacionada con el uso de Collect Values ​​en Model Builder.

Me acabo de encontrar con esta publicación (¿Canalizar la salida de la herramienta Iterar ráster a la herramienta Calculadora de ráster usando ModelBuilder?) Y es más o menos lo mismo que quiero hacer. También estoy agregando una ponderación definida por el usuario a la iteración y luego intento recopilar los valores antes de ejecutar las estadísticas de celda. El problema es que no obtengo un conjunto de salidas únicas en la etapa Valores de salida y solo devuelve resultados para los últimos rásteres originales.

¿Alguna idea de dónde me estoy equivocando con esto?


¿Dónde le gustaría poner la lógica de transformación de datos del modelo de vista MVC?

Aquí está el escenario, necesito cargar un objeto de modelo de vista de varios objetos de dominio que se devuelven de múltiples llamadas de servicio web. El código que transforma los objetos del modelo de dominio en el objeto del modelo de vista digerible es un código bastante complejo. Los tres lugares en los que he pensado ponerlo son:

  1. Métodos internos dentro del controlador para cargar un modelo de vista de instancia.
  2. Método get estático o propiedad en la propia clase del modelo de vista que devuelve una instancia cargada del modelo de vista.
  3. Un constructor o una clase auxiliar completamente independiente que tiene un método get estático, una propiedad o un constructor sobrecargado que devuelve la instancia cargada del modelo de vista.

Para ser claros, no quiero usar AutoMapper o herramientas como esta. Desde el punto de vista de las mejores prácticas, me gustaría saber dónde debería ir esta lógica y por qué.

Así que esto es lo que tengo hasta ahora, esto me da una lógica de controlador "delgada" y una separación de preocupaciones. Sin embargo, ¿cómo puedo mejorarlo?


Alfabetizaciones de datos

La cantidad de datos producidos, la democratización de los datos y el aumento de las herramientas de datos han aumentado la necesidad de alfabetización de datos entre la población en general y en las organizaciones. La alfabetización de datos significa la capacidad de encontrar, evaluar la fuente y la calidad de los datos, ser capaz de comprender los datos, manipularlos, hacer preguntas, argumentar a partir de ellos y evaluar los argumentos de otros.

Raul Bhargava del MIT y Catherine D & # 39ignazio de Emerson College (Knight, 2017) divide la alfabetización en datos en cuatro componentes:

Leyendo los datos: Comprender datos en diversas formas y ser capaz de leer el idioma de los datos.

Trabajando con los datos: Las personas trabajan con datos en diversas formas que dependen del rol de la persona. ¿Es la persona un estudiante, estadístico o experto en visualización de datos? Cada uno de estos roles trabaja con datos de forma diferente.

Analizar los datos: Utilizando diversas habilidades para analizar los datos. Las habilidades específicas que se utilizan para analizar los datos dependen de los objetivos de la persona que analiza los datos. Esto puede variar desde analizar los datos para obtener estadísticas de resumen básicas hasta crear modelos de aprendizaje automático con los datos.

Discutir con los datos: Usar los datos para respaldar su idea o investigación.

Ejemplos de habilidades de alfabetización de datos

  • Evaluar la calidad de las fuentes de datos que se utilizarán en el análisis.
  • Ser capaz de interpretar visualizaciones de datos como histogramas o diagramas de dispersión.
  • Comunicar los resultados de un análisis o visualización de datos a una audiencia general.

El ciclo de vida de los datos

Etapa 1: Anteproyecto

Idea: ha generado una idea, ha encontrado colaboradores y ha comenzado a pensar en qué hacer.

Planificación: esta etapa esencial afecta a todas las demás etapas.

  • Desarrollar convenciones
  • Identifique el almacenamiento: conozca sus requisitos y lo que ofrece el almacenamiento
  • Tenga en cuenta las mejores prácticas para todo su proyecto
  • Puede considerar preinscribir (especificando su investigación antes de comenzar su estudio y enviarla a un registro) su proyecto en esta etapa.
  • Solicite financiación, identifique herramientas, métodos y posibles fuentes de datos.

Etapa 2: Activo

Recolección: en esta etapa, los investigadores recopilan datos y otros materiales clave para el proyecto.

  • Comprender cómo configurar herramientas para una recopilación precisa
  • Ser capaz de identificar fuentes confiables para la búsqueda de datos.
  • Comprender los métodos anteriores utilizados para recopilar o crear los datos que encuentre.
  • Documentación primaria (recopilada por usted) y secundaria (recopilada por otros)
  • Hará esas disposiciones para que aquellos deban trabajar con ellos de una manera estructurada.

Etapa 3: explorar

Disputa: preparas los datos para el análisis

  • Poder usar o reutilizar datos depende de comprender lo que tiene
  • Definición de variable, valores esperados, relaciones, unidades, etc.
  • Documente sus métodos, código, decisiones, esto es clave para comprender y explicar sus hallazgos y compartirlos con otros.
  • Utiliza herramientas para buscar relaciones y estructuras dentro de los datos.

Etapa 4: Resultados

Visualizar: crea una representación gráfica de números, examina cómo comunicar las estructuras

  • Conocer la forma más apropiada e impactante de comunicarse requiere comprender lo que hacen los diferentes métodos de visualización.
  • Elegir las variables adecuadas en sus datos para la visualización
  • Comprender el poder del color y los símbolos.
  • Citando fuentes utilizadas

Interpretar: usted expresa sus preferencias y lo que nos dicen las relaciones de datos.


¿Cómo afectan la cultura y otros factores al liderazgo de una comunidad?

La información anterior mostró que la cultura y otros factores (sociales, económicos, históricos y políticos) tienen un efecto en la forma en que una comunidad se organiza para la autoayuda y el apoyo. Lo mismo puede decirse del liderazgo. Existen diferentes niveles y tipos de líderes que apoyan la organización social de una comunidad. A veces, cometemos el error de asumir que solo hay un líder en una comunidad o que un líder tiene que verse de cierta manera. Así como respetamos y valoramos la diversidad cultural de las comunidades, tenemos que respetar y valorar la diversidad del liderazgo.

¿Qué cualidades crees que debería tener un líder?

En cada grupo étnico o cultural hay diferentes individuos que son considerados líderes por los miembros del grupo. Cada líder tiene un lugar y un papel en su comunidad. Los líderes se pueden clasificar por tipo (p. Ej., Político, religioso, social), por tema (p. Ej., Salud, educación, desarrollo económico), por rango (p. Ej., Presidente, vicepresidente), por lugar (p. Ej., Barrio, condado, ciudad, estado, país), por edad (por ejemplo, ancianos, jóvenes), etc.

Usemos las mismas comunidades descritas anteriormente. En las comunidades chinas, el líder suele ser el cabeza de familia. Si la familia se refiere a un abuelo, padre, madre, hijos e hijas y nietos, entonces el líder es el abuelo. Si familia se refiere a la congregación de una iglesia, el líder es el pastor. Si la familia se refiere a un clan, el líder es el presidente de la asociación del clan (o hui guan).

En las comunidades afroamericanas, el líder es típicamente un líder espiritual. Un líder también puede ser alguien que tiene éxito en superar las barreras del racismo institucionalizado y brindar oportunidades para que otros afroamericanos sean tratados por igual por otros en la sociedad en general (por ejemplo, una persona de negocios, un educador o un funcionario electo).

En las comunidades centroamericanas, el líder también suele ser un líder espiritual. También puede ser el entrenador de un equipo de fútbol o el presidente de una asociación que vincula una ciudad de Centroamérica con una de otro país.

¿Qué tienen todos estos líderes en común?

Proporcionan orientación, tienen influencia sobre los demás, los demás los respetan, responden a las necesidades de los demás y anteponen el bienestar de los demás al suyo. Cada líder cumple una función específica dentro de la organización social de una comunidad, sin embargo, el mismo tipo de líder en una comunidad no necesariamente tiene el mismo rol en otra comunidad. Por ejemplo, un líder espiritual en una comunidad china no se considera un líder político, como podría serlo en la comunidad afroamericana.

¿Qué aprendió de la información y los ejemplos anteriores?

¿Cómo puede usted, el constructor de la comunidad, aprender sobre la organización social de otros grupos étnicos y culturales?

  • Entra en el proceso con la mente abierta.
  • No asuma que el mismo líder, organización o institución cumple la misma función en todos los grupos.
  • Tenga en cuenta que la organización social y el liderazgo de un grupo está influenciado por su cultura, historia, motivos de migración, proximidad geográfica a su tierra natal, éxito económico, tensiones intragrupales y la forma en que encaja en el contexto político y social de su sociedad nueva y circundante.
  • Busque las redes formales e informales.
  • Entreviste a los miembros de un grupo y pregunte dónde y a quién van en busca de ayuda o cuándo tienen un problema.

Tenga en cuenta : Entre los diferentes grupos, la iglesia tiene diferentes funciones. Por ejemplo, las iglesias coreanas y chinas no tienen funciones políticas sólidas en comparación con las iglesias latinas o afroamericanas. Las iglesias coreanas sirven a sus miembros socialmente al proporcionar una estructura y un proceso para el compañerismo y el sentido de pertenencia, el mantenimiento de la identidad étnica y las tradiciones nativas, los servicios sociales y el estatus social. Los pastores coreanos consideran a sus iglesias como santuarios para sus miembros y no desean cargarlos con mensajes relacionados con cuestiones políticas o económicas. En cambio, se enfocan en brindar servicios de asesoramiento y educación a las familias coreanas, así como en puestos de oficina y laicos para los miembros de la iglesia. Los inmigrantes coreanos tienen estos puestos en alta estima.


Discusión

El estado y las tendencias de la población de tortugas en las montañas de El Paso reflejaban las actividades humanas locales y regionales ocurridas durante el último siglo y eran típicas de las actividades en el rango geográfico de la especie y en el oeste americano (Leu et al.2008 Berry et al. . 2013, 2014). Varios usos humanos influyeron directa e indirectamente en la distribución, las causas de muerte y el estado de los hábitats. La frecuencia de signo antropogénico (98,4% de las parcelas) es evidencia del uso humano omnipresente y el hábitat degradado. Esas señales de uso humano fueron facilitadas por la red de caminos y rutas para acceder a áreas de interés para la minería, pastoreo de ganado, tiro y recreación orientada a vehículos. Los modelos de distribución de tortugas revelaron la importancia, en orden descendente, de la asociación de vegetación arbusto dorado de Cooper, Depredadores, Minas, Basura y Vehículos en la configuración de la distribución en los años anteriores y durante el estudio. Los análisis de correlación proporcionaron resultados similares con relaciones adicionales entre algunas variables. La asociación de arbustos dorados de Cooper fue la asociación de vegetación más importante; se encontraba a mitad de camino en la elevación y el número de especies predominantes de arbustos en comparación con las otras dos asociaciones de vegetación, pero también compartió recuentos similares de parcelas con signo de tortuga con alforfón de California. Por el contrario, la asociación de arbusto de creosota-arbusto blanco tenía sólo tres especies abundantes, y una era una especie de arbusto de vida corta, el arbusto de queso, típico de las tierras perturbadas (Vasek 1979/1980). Los depredadores, las minas, la basura y los vehículos se asociaron con la presencia humana, como resultado, en parte, del acceso a través de la red de carreteras y rutas designadas. El apoyo adicional para los modelos provino de las causas de muerte de las tortugas, específicamente depredadores, disparos y muertes de vehículos asociadas con carreteras o rutas.

La probabilidad de distribución de tortugas (índice de intensidad del signo) fue más alta adyacente a EPMWA y en las partes noreste y este del área de estudio que en otros lugares (Fig. 2). El límite inferior del intervalo de confianza para la densidad de adultos (4,8 / km 2, IC del 95% = 2,7–7,5 / km 2) fue el mismo que la densidad informada para la unidad de hábitat crítico adyacente durante 2007 (2,7 / km 2) , pero no en 2008 (0,4 / km 2 USFWS 2009, 2012). Sin embargo, el punto medio de las densidades de adultos en el área de estudio estuvo ligeramente por encima de la densidad viable mínima estimada de adultos (3,9 adultos / km 2) necesaria para mantener poblaciones viables (USFWS 2015 Allison y McLuckie 2018).

La estructura de tamaño-edad de los individuos vivos y muertos en la parcela incluyó tortugas jóvenes e inmaduras, lo que indica que las hembras estaban produciendo crías. Sin embargo, el número de individuos jóvenes que sobrevivieron hasta la madurez fue insuficiente para compensar las muertes de adultos (Turner et al. 1987). La estructura de la población fue comparable a la población en RRCSP y en la unidad de hábitat crítico adyacente (Fig. 1 Berry et al. 2008).

Las actividades humanas influyeron en las causas de muerte y la tasa de mortalidad de los adultos. La tasa de mortalidad anualizada (6,9%) de adultos fue demasiado alta para sostener una población que requirió hasta 2 décadas para alcanzar la madurez sexual y con bajo reclutamiento y supervivencia de juveniles (Turner et al.1987 Allison y McLuckie 2018 Berry y Murphy 2019). Las tortugas pequeñas eran vulnerables a la depredación (Berry y Murphy 2019). Los signos de ataques de depredadores a la mayoría de las tortugas vivas y restos esqueléticos de caparazón respaldaron la importancia de los depredadores. Aunque los depredadores tienen un efecto negativo en las tortugas, la asociación positiva en los modelos y los análisis de correlación entre depredadores y tortugas fue el resultado de una co-ocurrencia de signos de depredadores mamíferos y observaciones de cuervos comunes en la mayoría de las parcelas. Se observó excremento de depredador en asociación con restos de tortuga, y las tortugas ocasionalmente tenían una madriguera en un montículo de guaridas de zorros kit. La incidencia de masticación extensiva típica de los perros domésticos fue comparable o superior a la observada en algunos otros sitios (Berry et al. 2013, 2014). Los depredadores, como perros, cuervos comunes y coyotes, subsidiados por recursos humanos, prosperan en las proximidades de áreas con actividades humanas. Las poblaciones de cuervos comunes, la mayoría de los depredadores aviares observados, se han multiplicado por múltiples en el desierto de Mojave (Boarman y Berry 1995), y las tasas de depredación excesivas pueden conducir a la extirpación local de tortugas (Kristan y Boarman 2003). De manera similar, las poblaciones de coyotes han crecido junto con los paisajes urbanizados (Fedriani et al. 2001). Esque y col. (2010) describieron mayores tasas de depredación de coyotes en G. agassizii poblaciones en varios lugares a lo largo del desierto de Mojave durante condiciones de sequía. Los factores que influyen en las tasas de depredación más altas incluyen la proximidad a las poblaciones humanas y la densidad de carreteras (Esque et al. 2010). En nuestro estudio, los niveles más altos de observaciones y señales de depredadores estaban cerca de las áreas pobladas al norte y noreste del área de estudio y donde se encontraban las redes de carreteras y una carretera estatal.

La alta mortalidad y los signos clínicos de enfermedad en las tortugas adultas fueron factores limitantes para la supervivencia a largo plazo de la población. La proporción de restos esqueléticos de caparazón con evidencia de aplastamiento por vehículos y disparos (12,5% de las parcelas) reflejó altos niveles de uso humano y acceso a través de la red de carreteras, rutas y senderos no autorizados (Berry 1986 Nafus et al. 2013). La relación positiva entre los vehículos y el signo de la tortuga en los modelos resultó de la coexistencia de evidencia en las parcelas. Las tortugas son vulnerables a la muerte por el tráfico de vehículos en carreteras y rutas que bisecan o cruzan sus grandes áreas de distribución (cf. Harless et al. 2009). La población de tortugas se agota dentro de varios cientos de metros de caminos de tierra y pavimentados como resultado de muertes o recolección, o una zona de impacto de camino o una zona de efecto de camino (von Seckendorff Hoff y Marlow 2002 Nafus et al. 2013). En nuestro estudio, las tortugas muertas se encontraron más cerca de las carreteras y rutas que las tortugas vivas. La correlación entre vehículos y tiro también fue positiva. Berry (1986) informó asociaciones entre las muertes de tortugas causadas por disparos en las parcelas y la proximidad a zonas de uso recreativo concentrado orientadas a los vehículos y un alto número de visitantes por año. Las relaciones entre los vehículos y la basura fueron positivas, pero entre la basura y el signo de la tortuga fueron negativas. Se sabe que las tortugas consumen basura y globos, lo que puede provocar la muerte (Donoghue 2006 Walde et al. 2007).

Las carreteras también llevaron a la actividad minera, y el modelo y las correlaciones mostraron relaciones positivas entre el signo de la tortuga y las Minas. Sin embargo, esta relación es tanto positiva como negativa: los túneles horizontales proporcionan un escape de temperaturas extremas, las pilas de escombros son sitios de construcción para madrigueras, pero los pozos y pozos verticales son fuentes de muerte. La red de carreteras existente también creó oportunidades para la recolección ilegal (no observada) y los viajes fuera de la carretera no autorizados (Figs. 1, 3).

Implicaciones para la recuperación

Las montañas de El Paso albergan poblaciones de tortugas, pero los altos niveles de uso de visitantes (& gt70,000 / año) contribuyen a una mortalidad excesiva de adultos (y otras clases de tamaño) y la degradación del hábitat. Estos hallazgos se alinean con los resultados de los estudios en RRCSP, la unidad de hábitat crítico adyacente en Fremont Valley, y en otras partes del rango geográfico (Berry et al.2008, 2014 Berry y Murphy 2019). Esperamos que la población de El Paso haya seguido la disminución reportada del 51% en la Unidad de Recuperación de Western Mojave y la unidad de hábitat crítico de Fremont-Kramer entre 2004 y 2014 (USFWS 2015 Allison y McLuckie 2018). El futuro de una población viable en el área de estudio es dudoso. En toda su distribución, Allison y McLuckie (2018) concluyeron que la especie estaba en camino de la extinción en un hábitat crítico en las condiciones actuales.

Las actividades antropogénicas que afectan a las montañas de El Paso y otras poblaciones son bien conocidas. En el primer plan de recuperación, el USFWS recomendó acciones de gestión para implementar en las áreas de recuperación, incluidas varias asociadas con el cierre y las limitaciones al acceso vehicular (USFWS 1994). Una lista parcial de actividades prohibidas incluyó la actividad de vehículos fuera de las rutas designadas, actividades destructivas del hábitat que disminuyen la capacidad de la tierra, pastoreo de ganado, tirar basura, perros y uso de armas de fuego. Todas estas actividades ocurrieron en el área de estudio de las Montañas de El Paso. Es importante destacar que el área de estudio es un sitio popular y de alto número de visitantes para la recreación orientada a los vehículos. La red de rutas se reafirmó en un plan de gobierno (USBLM 2019). Las montañas de El Paso no son parte del hábitat crítico o de los esfuerzos de recuperación de la tortuga (USFWS 2015).

En el Área Natural de Investigación de Tortugas del Desierto ∼5,6 km al sur en el Valle de Fremont, las cercas para excluir los vehículos recreativos y el pastoreo protegieron con éxito a las poblaciones de tortugas de dos fuentes de mortalidad y degradación del hábitat, pero no de enfermedades infecciosas y depredación por cuervos comunes (Berry et al.2014). Esta área natural tuvo mayores densidades de tortugas (10,2 adultos / km 2) que en terrenos privados (3,7 adultos / km 2) o la unidad de hábitat crítico en Fremont Valley (2,4 adultos / km 2).

Independientemente de las decisiones de gestión para el área de estudio, la EPMWA adyacente con elevaciones de 850 a 1598 m tiene el potencial de ser un refugio contra las altas visitas, los vehículos y la degradación del hábitat, así como el posible cambio climático (Cook et al.2015 Allen et al.2018 Sarhadi et al.2018). La intensidad del signo de la tortuga fue mayor a lo largo del límite de EPMWA, lo que indica que las poblaciones podrían ser más grandes en EPMWA. Los modelos han demostrado que es probable que las tortugas se encuentren en elevaciones más altas en climas más cálidos (Barrows 2011 Barrows et al. 2016). La supervivencia futura en EPMWA dependerá de la viabilidad de la población, minimizando las fuentes de mortalidad y degradación del hábitat causadas por el hombre, y la gravedad de las sequías futuras. Aunque G. agassizii tiene adaptaciones fisiológicas y de comportamiento para sobrevivir en los desiertos, los períodos prolongados de sequía sin agua o forraje y las temperaturas extremas desafiarán la persistencia de las poblaciones en áreas de hábitat que de otro modo serían adecuadas (Turner et al. 1984 Henen et al. 1998 Berry et al. 2002 Longshore et al. al.2003).


Resumen

Las condiciones históricas y del vecindario son factores importantes en la dinámica de la tierra. Sin embargo, los modelos que incorporan explícitamente dependencias espaciales y temporales enfrentan desafíos en cuanto a disponibilidad de datos, metodología y computación. En esta investigación, la dinámica a nivel de parcela se investiga utilizando la base de datos de impuestos geocodificada Auditor & # x27s para el condado de Delaware, Ohio, incluidas 73,560 parcelas durante el período 1990-2012. Se utiliza un modelo autologista espacio-temporal binario (STARM), que incorpora el espacio y el tiempo y sus interacciones, para investigar la dinámica a nivel de parcela. Los resultados muestran que el modelo es capaz de capturar los impactos de las condiciones contemporáneas e históricas de los vecindarios alrededor de las parcelas, así como los efectos de otras variables como las distancias a varias instalaciones e infraestructuras, las participaciones del uso de la tierra agrícola y residencial dentro de un círculo de radio de media milla. y la densidad de población y las expectativas de crecimiento a nivel de tramo censal.


2 respuestas 2

Debe usar STRING_AGG () para agregar los valores de texto y un enfoque posible (basado en el intento de la pregunta) es la siguiente declaración. La agregación de los nombres de las tareas es para cada elemento de la matriz Object JSON:

Necesitas usar la función STRING_AGG (), que se aplica a la versión de base de datos SQL Server 2017 y posteriores, junto con la siguiente expresión GROUP BY como

El uso de WITHIN GROUP (ORDER BY TaskName) es opcional, si no desea realizar un pedido, puede eliminar esa parte de la función como se muestra en la siguiente demostración:


Métodos

Área de estudio

El estudio se realizó en Ghana, como se muestra en la Fig. 1. Sin embargo, debido a que LF parece estar localizada en el norte y sur de Ghana, el área de estudio se subdividió solo para incluir áreas altamente endémicas en estas dos zonas. Para investigar los factores de riesgo en las dos zonas altamente endémicas y cómo se comparan con el resultado de todo el país, se realizaron tres análisis zonales: a nivel nacional (CW), NZ y SZ. El área considerada como SZ en este estudio incluyó distritos que se encuentran a lo largo de la sabana costera, la selva tropical y una parte de la región de bosque húmedo semicaducifolio de Ghana, mientras que Nueva Zelanda comprende la sabana de Sudán y una parte de la sabana de Guinea.

Mapa de Ghana que muestra los distritos incluidos en las dos zonas de estudio, NZ y SZ sombreados en gris. (Este mapa fue generado por autores con el software ArcGIS V.10.6 (ESRI, Redlands, CA, EE. UU.) Y no se requieren permisos para publicarlo)

Nueva Zelanda se encuentra en la zona ecológica seca de Guinea Savannah [32] con un clima subsaheliano compuesto por una estación húmeda y otra seca. La temporada de lluvias se extiende de abril a octubre, con una precipitación media anual de aproximadamente 1365 mm. De manera similar, la estación seca se subdivide en Harmattan desde noviembre hasta mediados de febrero y la estación seca y calurosa desde mediados de febrero hasta abril. Las temperaturas mensuales oscilan entre 20 ° C y 40 ° C.

Por el contrario, la ZZ se encuentra dentro de la zona ecológica de selva alta de la subregión de África occidental, con hebras de manglares [11] y muchos humedales. El clima en esta región es tropical, caracterizado por dos lluvias estacionales distintivas, una importante entre abril y junio y una menor que ocurre entre septiembre y octubre. La humedad relativa es generalmente alta, con un promedio de 75 a 85% en las estaciones lluviosas y de 70 a 80% en las estaciones secas. La temperatura media más alta es de 34 ° C, mientras que la más baja es de 20 ° C.

Datos de prevalencia de LF

Datos sobre mf Los casos en Ghana se obtuvieron de artículos publicados en revistas revisadas por pares ([2]: [22]). Los datos que abarcan desde 2000 hasta 2014 contenían información sobre el año en que se recolectaron las muestras, el número de años de MDA, el número de personas examinadas y el número de mf casos positivos registrados para cada comunidad de estudio. En total, se encuestaron 430 comunidades para detectar infecciones por LF como parte de una encuesta de evaluación de la transmisión en Ghana. Los detalles de este conjunto de datos fueron descritos por Biritwum et al. [2]. Las ubicaciones espaciales de estas comunidades se extrajeron de múltiples fuentes, incluyendo Google Earth Pro, Open Street Map, directorio de ciudades y pueblos (base de datos mundial) y base de datos de los proyectos de registro de tarjetas de la Autoridad Nacional de Identificación de Ghana. La Figura 2 muestra un mapa de la distribución espacial de mf casos en Ghana (Fig. 2a), Nueva Zelanda (Fig. 2b) y SZ (Fig. 2c).

mf casos para las comunidades encuestadas de 2000 a 2014 (el amarillo indica ausencia y el rojo indica presencia), a) CW, b) NZ yc) Zonas SZ. (Este mapa fue generado por autores con el software ArcGIS V.10.6 (ESRI, Redlands, CA, EE. UU.) Y no se requieren permisos para publicarlo)

Fuente de datos geoambientales y climatológicos

Para identificar la combinación de variables explicativas que crean un entorno adecuado para la transmisión de la filariasis linfática, se obtuvieron predictores de cobertura terrestre, socioeconómicos y climáticos de varios conjuntos de datos de teledetección. El Índice de Vegetación Mejorado (EVI) se generó a partir de la imagen satelital del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS), específicamente MOD13Q1 v006 [30]. Estos datos se generan cada 16 días a una resolución espacial de 250 m.

Del proyecto de exploración de la tierra de United States Geological Surveys (USGS) (nosotros [39]), se derivó un dataset ráster de elevación producido por Shuttle Radar Topography Mission (SRTM) y la covariable Slope. Además, Landsat 7 ETM + 1 nivel 1 a una resolución de 30 × 30 m de menos del 1% de cobertura de nubes se descargó del mismo sitio para la clasificación de Uso del suelo / Cobertura del suelo (LULC).

Para determinar las áreas rurales y en su mayoría pobres en Ghana, se utilizó como proxy la emisividad de la luz nocturna de 2000 a 2014 capturada por el instrumento del sistema de exploración de líneas operativa [16]. Este instrumento mide la radiación visible e infrarroja emitida durante la noche. Los valores van de 0 a 62, lo que representa una emisividad indetectable y una emisividad máxima, respectivamente. Se ha demostrado que la emisividad de la luz nocturna se correlaciona con el desarrollo económico en las regiones subnacionales de los países en desarrollo [5]. Otra variable socioeconómica utilizada fue la prevalencia de viviendas con mejor agua potable y saneamiento, suficiente superficie habitable y construcción duradera en África subsahariana [38]. La prevalencia de viviendas construidas con materiales terminados es mayor en áreas urbanas que en áreas rurales, mostrando 84 y 34% de mejora, respectivamente.

Las variables de precipitación y temperatura se descargaron de la base de datos WorldClim [41]. Este conjunto de datos proporciona un conjunto de capas climáticas globales obtenidas por interpolación de conjuntos de datos de estaciones meteorológicas distribuidos por todo el mundo. Otras covariables utilizadas en los SDM con detalles sobre las fuentes se proporcionan en la Tabla 1. Las cuadrículas de entrada se volvieron a muestrear a una resolución espacial común de 1 km 2 utilizando un remuestreo bilineal para el análisis realizado con datos de CW. Por el contrario, se utilizó una resolución más fina de 250 m 2 para NZ y SZ para capturar información detallada [40]. Las capas ráster se coaccionaron con la misma extensión de límite para permitir el apilamiento para el análisis. La manipulación y el procesamiento de ráster se llevaron a cabo utilizando un paquete de ráster en R V.3.5.3 y diseños de mapas finales creados con el software ArcGIS V.10.6 (ESRI, Redlands, CA, EE. UU.).

Selección de variables y desarrollo de modelos

Para identificar el conjunto óptimo de covariables para incluir en los modelos de distribución de especies, las variables se agruparon en tres categorías: cobertura del suelo, variables socioeconómicas y climáticas [29]. En cada grupo se adoptó una prueba de colinealidad variable con el método de diagnóstico del factor de inflación de varianza (VIF). Dado que no existen criterios formales para decidir cuándo un VIF es demasiado grande, un valor de corte genérico de VIF Se utilizó ≥ 10 [8]. Este enfoque reduce cualquier colinealidad potencial y efectos de confusión de modo que para pag - 1 variables independientes,

dónde ( _i ^ 2 ) es el coeficiente de determinación obtenido al ajustar un modelo de regresión para el Ia variable independiente en el otro pag - 2 variables independientes. Después de la comprobación de colinealidad, solo Bio1 (temperatura media anual) tuvo un problema de colinealidad.

Contribución relativa variable

Después de eliminar las variables fuertemente correlacionadas, el rango de variables que influyen en la ocurrencia de mf, se identificaron mediante árboles de regresión potenciados (BRT). Este método extrae conocimientos y técnicas de las tradiciones estadísticas y de aprendizaje automático. La ventaja de este método sobre los demás es su fuerte desempeño predictivo y la identificación consistente de las variables e interacciones relevantes. Aquí, la probabilidad de mf ocurrencia, y = 1, en una comunidad muestreada con covariables X, se da como pag(y = 1| X). Estos modelos de probabilidad a través de una función logit F(X) = pag(y = 1| X).

Analíticamente, la regularización de BRT implica la optimización conjunta del número de árboles (Nuevo Testamento), tasa de aprendizaje (lr) y la complejidad del árbol (tc). El número óptimo de árboles se estimó mediante el método predeterminado de validación cruzada (CV) de diez veces [15]. Con bastante lento lr de 0.01, las estimaciones de CV de Nuevo Testamento son fiables y cercanos a los de datos independientes. Para asegurar el modelado de posibles interacciones entre predictores, un tc de 5 fue seleccionado. A tc de 1 se ajusta a un modelo aditivo, mientras que un tc de 2 se ajusta a un modelo con hasta interacciones bidireccionales, y así sucesivamente [15]. Se ha demostrado que la estocasticidad mejora el rendimiento del modelo, y las fracciones en el rango de 0 · 5–0 · 75 han dado mejores resultados para las respuestas de presencia-ausencia [15]. Por lo tanto, a partir de ahora se utilizó una fracción de bolsa de 0 · 75 y una estructura de error de Bernoulli.

La importancia relativa de las variables se calculó midiendo el número de veces que se selecciona una variable predictora para dividir y se pondera mediante la mejora al cuadrado del modelo como resultado de cada división, luego se determina un promedio de todos los árboles [20] . Expresando en términos matemáticos, la influencia relativa, (< hat> _j ) de las variables de entrada Xj para una colección de árboles de decisión (< left <_m right >> _ 1 ^ M ), viene dada por

dónde METRO es el número de iteraciones. La influencia relativa (o contribución) de cada variable se escala para que la suma se sume a 100, y los números más altos indican una influencia más fuerte en la respuesta. Se estableció un umbral del 10% por debajo del cual se considera que una variable no tiene una contribución sustancial al modelo [33]. Las variables que aportaron menos del 10% en ambas zonas de estudio fueron EVI, DEM, temperatura máxima superficial terrestre nocturna, Bio19, Bio18, temperatura máxima superficial terrestre diurna, LULC, temperatura superficial terrestre media y mínima nocturna. Además de las variables anteriores, Bio17, la distancia a un cuerpo de agua interior, la densidad de población y la temperatura media de la superficie terrestre durante el día también tuvieron una contribución de menos del 10% en la zona norte, mientras que las viviendas mejoradas, Bio12 y la temperatura mínima de la superficie terrestre durante la noche tuvieron un efecto negativo. contribución insignificante al modelo para la zona sur.

Selección de modelo

Seis clases de modelos, es decir, modelos lineales generalizados (GLM) [31], splines de regresión adaptativa multivariante (MARS) [19], redes neuronales artificiales (ANN) [21], modelos impulsados ​​generalizados (GBM) [15], bosques aleatorios (RF ) [4], y la envolvente de rango de superficie (SRE) [3] se probaron utilizando el paquete Biomod2 en R [36]. De estos, Random Forest y GBM fueron los modelos de mejor rendimiento para estos datos y, por lo tanto, se utilizaron para modelar y predecir entornos adecuados para LF. Se realizaron cientos (100) ejecuciones del modelo para cada algoritmo de forma iterativa, y los valores de evaluación de cada ejecución se almacenaron y luego se promediaron para hacer que el resultado final sea más sólido. La evaluación del modelo se realizó con base en el área bajo la curva de características operativas del receptor (ROC). This measures the ability of the final ensemble model to fit the presence-absence data and predict across unsampled locations.


Published by Emerald Publishing Limited. This article is published under the Creative Commons Attribution (CC BY 4.0) licence. Anyone may reproduce, distribute, translate and create derivative works of this article (for both commercial and non-commercial purposes), subject to full attribution to the original publication and authors. The full terms of this licence may be seen at http://creativecommons.org/licences/by/4.0/legalcode

As soon as live music activities ceased following the outbreak of the COVID-19 pandemic, actual measurement of live music's impact gained in prominence. Studies on live music's sociocultural and economic relevance were vital for this sector in order to qualify for government support and to understand the financial consequences of the lockdown (see for example: HoC, 2020 Musicians Union, 2020 and, UK Music, 2020). These types of studies build on a long history of public and private research on live music. Over the last decades, the attention to measuring cultural activities had already grown because of evidence-based policymaking and the calls on cultural organisations to prove their relevance to society (Gielen et al., 2014 O'Brien, 2010). These measures are expected to legitimise the investment of public resources such as subsidies and spaces (Getz et al., 2017 Wall, 2008).

This paper sets out to compare different methodologies for measuring live music's values and to explore the different motivations amongst a range of organisations engaged in that work. In doing so, we focus on popular styles of live music, while acknowledging that the boundaries between popular music and, for example, classical music are not always easy to draw. We understand live music as events “in which musicians (including DJs) provide music for audiences and dancers gathering in public places where the music is the principal purpose of that gathering” (Webster et al., 2018, p. 115). The values of these events concern their potential impact and benefits for people, communities and places. This includes, among others, social, cultural and economic values. The actors involved in measuring the values of live music include not only those involved with the business of music, but local and national government agencies and policy makers and also companies such as property developers linked to business planning. While the number of studies measuring live music's impact is growing, theoretical and methodological reflection is missing. By comparing the motivations and methodologies of different actors, we gain a better understanding of how different ways of measuring live music affect policymaking and conceptions of what live music is and should be. We aim to build bridges between diversified organisations to help them to understand the limitations, challenges and opportunities of their approaches, and where they may benefit from a cross-contamination of methodologies.

This paper presents measuring live music's impact as a complex, multi-faceted phenomenon. We argue that measuring live music is not a neutral activity, but itself constructs a vision on how live music ecologies should function. If live music ecologies are understood as the network of people and organisations enabling musical performances, this implies that those actors who engage in measuring live music are actors in this ecology. In fact, data-derived services (e.g. Songkick, Skiddle) engage in live music measurement as part of their business models. Measurements of live music activity feedback into how live music ecologies function and are organised. For example, when measures emphasise the economic impact of live music, it is likely that policymaking will be directed towards these economic goals. Furthermore, if particular methodologies are incomplete in their measurements, this could lead to oversights in decision-making.

The paper consists of three sections. First, we examine how live music is measured by discussing a range of methodologies (e.g. mapping, censuses and economic impact studies) and data sources (i.e. qualitative and quantitative). Second, we explore who does the measuring, distinguishing actors in the fields of industry, academia and policy. Third, we present a model to compare different approaches, reflecting on their commonalities, tensions and gaps. This model can serve as a resource for those planning new research projects on the impact of live music. We conclude by discussing potential new methodologies and approaches to measuring live music's impact. We draw on the experiences of measuring live music gained in projects from the Netherlands and UK: Staging Popular Music (POPLIVE), [1] Birmingham Live Music Project (BLMP) [2] and the UK Live Music Census [3].


5 Research and Management Implications

While summarizing the best current knowledge of factors driving variability in thermal regimes, our models also provide a foundation for future improvements as monitoring data and GIS coverages improve. Our model will be useful in (1) producing regional maps of thermal regimes characterized both by summer median temperatures and daily range [Maheu et al., 2015 ], (2) predicting reference condition in the absence of anthropogenic impacts, and (3) identifying critical thermal refugia. As evidenced by our outlier analysis (section 2.2), these models are sufficiently accurate to allow managers to identify aberrant temperature regimes related to discharges. We intend to use these maps in conjunction with regional fish monitoring data to examine potential impacts of development on fish communities, as well as the influence of moderating factors. While our current analyses focused on characterization of reference (or impacted) condition at a static point in time, in the future we will expand our approach to evaluate landscape factors affecting the thermal sensitivity of streams. This will allow us to model combined scenarios of land use and climate change to evaluate and prioritize alternative mitigation strategies for minimizing impacts.


Ver el vídeo: Adding XY Data to ArcGIS