أكثر

هل تريد الاتصال بخطوط غير متصلة ببعضها البعض مكانيًا باستخدام FME؟


لدي ملف شكل يحتوي على سطور. لا ترتبط هذه الخطوط ببعضها البعض مكانيًا.

وبشكل أكثر تحديدًا ، يكون لنهاية أحد السلاسل إحداثي مختلف قليلاً عن بداية السطر التالي (الرقم العشري الخامس أو السادس).

هل هناك طريقة لربط هذه الخطوط معًا باستخدام FME 2014؟


يمكنك استخدام محول Snapper ، مع End Point Snapping وتفاوت قدره 6.


ستكون الطريقة غير التلقائية هي استخدام ملف العض وظيفة.

لذا حدد الميزة ثم اسحب النقطة المحددة منها إلى نقطة أخرى نشطة العض بالتأكيد. بعد ذلك حدد كلتا الميزتين واستخدم ملف دمج الميزات المحددة اختيار. الآن يجب أن يكون لديك ميزة واحدة في النهاية.

إذا لم يكن هذا حلاً بالنسبة لك ، فيرجى وصف المشكلة بمزيد من التفصيل.


هل تريد الاتصال بخطوط غير متصلة ببعضها البعض مكانيًا باستخدام FME؟ - نظم المعلومات الجغرافية

مراجعة نماذج الانتشار الوبائي وتطبيقاتها في شبكات النقل.

حلل مزايا وقيود تطبيقات نموذج انتشار الأوبئة في أنظمة النقل.

تلخيص متطلبات النمذجة الناشئة التي جلبها جائحة COVID-19.

الاتجاهات والآفاق البحثية المقترحة لنمذجة انتشار الأوبئة في شبكات النقل.


نظرة عامة على القارئ

ينتج GeoMedia Warehouse Reader ميزات FME لجميع البيانات الموجودة في ملفات Microsoft Access .mdb أو .accdb أو قاعدة بيانات Microsoft SQL Server ، باستثناء بيانات الصورة (التغطية). يفتح القارئ الاتصال بمجموعة البيانات المصدر ويقرأ GAliasTable لتحديد أسماء الجدول المناسبة لاستخدامها. بعد ذلك يقرأ جدول نوع GFeaturesTable لتحديد قائمة الجداول التي تحتوي على بيانات هندسية. يتم تعديل قائمة جداول البيانات المراد قراءتها بواسطة المعرف المحدد وأسطر DEF المحددة في ملف التعيين أو في سطر الأوامر. ثم تتم قراءة كل جدول هندسي وتتم معالجة ميزاته وإرجاعها واحدة تلو الأخرى. عند استنفاد الجدول ، يبدأ القارئ في جدول البيانات التالي في القائمة حتى تتم قراءة جميع الجداول. قد تؤدي المشكلات المتعلقة بالقراءة في الجدول إلى تخطي ميزة معينة وأحيانًا جدول كامل اعتمادًا على شدة الخطأ ، ولكن القارئ سيحاول دائمًا إجراء أكبر قدر ممكن من الترجمة.

لا يتم تعيين الأشكال الهندسية من GeoMedia بشكل دقيق لهندسات FME. سيكون لهذا التأثيرات التالية على ميزات FME الناتجة:

  • يتم تعيين المجموعات لميزة تجميعية واحدة لكل FME fm0_type بناءً على الأنواع الموجودة في المجموعة.
  • يمكن تسوية المواد المركبة متعددة المستويات إلى تداخل أبسط من المستوى الأول أو الثاني.
  • نظرًا لأن GeoMedia ليست صارمة في كتابتها ، يمكن للقارئ إنتاج بعض الميزات غير المنطقية التي قد يتم تخطيها ، على سبيل المثال ، تجميع سطر يحتوي على نقاط.

2. البث -

يمكن تصنيف تقنيات النقل الإذاعي (واحد إلى الكل) إلى نوعين:

  • البث المباشر -
    يكون هذا مفيدًا عندما يريد جهاز في إحدى الشبكات نقل دفق الحزمة إلى جميع الأجهزة عبر الشبكة الأخرى. يتم تحقيق ذلك من خلال ترجمة جميع بتات جزء معرف المضيف من عنوان الوجهة إلى 1 ، المشار إليها باسم عنوان البث المباشر في رأس مخطط البيانات لنقل المعلومات.

تستخدم شبكات التلفزيون هذا الوضع بشكل أساسي لتوزيع الفيديو والصوت.
أحد البروتوكولات المهمة لهذه الفئة في شبكات الكمبيوتر هو بروتوكول تحليل العنوان (ARP) الذي يتم استخدامه لحل عنوان IP في عنوان مادي ضروري للاتصال الأساسي.


4 MARXAN CONNECT

  1. المدخلات المكانية يسمح للمستخدمين بتحديد وتحميل وحدات التخطيط الخاصة بهم ، واختيارياً ، تحديد مناطق صريحة مكانياً لتجنبها أو التركيز عليها. قد تكون `` منطقة التجنب '' ، على سبيل المثال ، منطقة متأثرة بشدة بالأنشطة أو التهديدات غير المرغوب فيها (مثل موانئ الشحن الدولية ذات المخاطر العالية للغزو من قبل الأنواع غير المحلية) ، أو المناطق التي تعتبر مصادر محتملة للملوثات (مثل استخراج النفط) ، تدفقات الأنهار). في حالات "التجنب" هذه ، قد يرغب المرء في إعطاء الأولوية لوحدات التخطيط التي تستقبل عددًا أقل من الأفراد من مناطق التجنب هذه. على العكس من ذلك ، قد تمثل `` منطقة التركيز '' منطقة محمية موجودة ، وموائل حرجة للأنواع المهددة ، و / أو موائل مهمة أخرى للتوصيل (مثل أراضي الحضانة ، والسكان الفريدة وراثياً والتي يحتمل أن تكون ذات فائدة تكيفية) والتي تحمل قيمة لإدراجها في المكاني النهائي خطة. يمكن أن تكون مناطق التجنب والتركيز "مغلقة" أو "مغلقة" ، ولكن الوضع الافتراضي هو "الوضع الراهن" حيث يحتفظ Marxan Connect بحالة وحدة التخطيط الأصلية (أي المحددة في pu.dat).
  2. مدخلات الاتصال يسمح للمستخدمين بإدخال البيانات الديموغرافية الخاصة بهم (على سبيل المثال ، عدد الأفراد الذين ينتقلون من الموقع أ إلى ب ، انظر المسرد لأنواع البيانات [http://marxanconnect.ca/glossary.htmldata_types]) أو بيانات الاتصال القائمة على المناظر الطبيعية (مثل العزلة عن طريق المقاومة) ، إنشاء بيانات قائمة على المناظر الطبيعية ، أو إعادة قياس البيانات المستندة إلى الديموغرافية. ومع ذلك ، تتطلب إعادة قياس بيانات الاتصال معرفة عملية بالافتراضات الأساسية ، ويمكن أن تكون مشكلة (أي هل تمثل البيانات المعاد قياسها بدقة عملية الاتصال والسياق المكاني محل الاهتمام؟). لتجنب وضع افتراضات غير مناسبة (مثل الدقة ، حجم الحي ، الاستقراء) ، من الأفضل والأكثر ملاءمة جمع أو إنشاء بيانات الاتصال بدقة وحدات التخطيط. بالنسبة لاتصال المناظر الطبيعية ، يحسب Marxan Connect مقاييس الاتصال من الشبكات ، بناءً على المسافة الإقليدية أو المسارات الأقل تكلفة بين النقط الوسطى لوحدات التخطيط. ومع ذلك ، توفر حزم البرامج الأخرى مثل Circuitscape (McRae ، Shah ، & Mohapatra ، 2009) و Conefor (Saura & Torné ، 2009) حاليًا مجموعة أكثر ثراءً من الخيارات والأساليب المتخصصة. يمكن استخدام حزم البرامج هذه لإنشاء ميزات حفظ مخصصة أو مصفوفات اتصال يمكن بعد ذلك استخدام كلاهما في Marxan Connect. على سبيل المثال ، يمكن إنشاء شبكة باستخدام كثافة التيار (أي. تقدير قوة الاتصال باستخدام نظرية الدائرة الكهربائية) بين النقط المركزية لوحدة التخطيط بناءً على مقاومة المناظر الطبيعية (أي. مقاومة محددة للموئل للحركة) مع Circuitscape وإدخال مصفوفة الاتصال الناتجة في Marxan Connect لإنشاء ميزات الحفظ أو التبعيات المكانية (مثل التدفقات بين وحدات التخطيط).
  3. مقاييس الاتصال يوجه المستخدمين في اختيار اختيارهم للمقاييس لتضمين الاتصال في أولوياتهم المكانية (مثل المركزية) ، ويحسب مقاييس الاتصال المحددة ، ويحدد كيفية معالجة هذه البيانات في Marxan (على سبيل المثال كميزة حفظ أو تبعيات مكانية الشكل 2). يمكن العثور على تعريفات المقاييس التي سيتم استخدامها كميزات للحفظ (مثل التوظيف الذاتي ومركزية eigenvector) في المسرد (http://marxanconnect.ca/glossary.htmldata_formats) أو باستخدام القائمة المنسدلة في علامة التبويب لهذه الخطوة . بعد حساب المقياس الجديد ، يمكن للمستخدمين التخطي إلى خيارات الرسم للتصور.
  4. التقييم المسبق يسمح للمستخدمين بتقدير (أي إعادة ترميز البيانات المستمرة للفئات) وتحريرها وإزالتها مقاييس الاتصال المحسوبة في الخطوة السابقة. لإنشاء ميزة منفصلة ، يجب اختيار قيم الحد الأدنى والحد الأقصى الخاصة بمقياس الاتصال المستمر ، بشكل مثالي بعد التقييم البيئي أو تحليل الحساسية (Ardron et al. ، 2010). ثم يتم رسم وحدات التخطيط التي تلبي العتبة (العتبات) في ميزات فريدة تم تعيين هدف لها (الشكل 2). وبالمثل ، غالبًا ما يتم استخدام هذا النوع من إعداد العتبة مع نماذج توزيع الأنواع (Liu ، Newell ، & White ، 2016) ، حيث يتم تعيين احتمالية لحدوث الأنواع لكل وحدة تخطيط ، ويتم استخدام قيمة العتبة لتحويل بيانات الاحتمالية المستمرة هذه إلى خريطة ثنائية (الوجود مقابل الغياب أو مناسبة مقابل غير مناسبة) لتمثيل نوع معين كميزة حفظ (على سبيل المثال Minor et al. ، 2008).
  5. ملفات Marxan يسمح للمستخدمين بتصدير ملفات Marxan الجديدة (مثل puvspr.dat و spec.dat و bound.dat و pu.dat) أو إلحاق البيانات الجديدة بمجموعة موجودة من ملفات Marxan.
  6. تحليل ماركسان يسمح للمستخدمين بإنشاء ملف إدخال Marxan (أي input.dat) قبل استدعاء وتنفيذ Marxan (Ball et al. ، 2009) من Marxan Connect. انظر الإطار 1 للحصول على كتاب تمهيدي عن ماركسان.
  7. خيارات التآمر يسمح للمستخدمين برسم مقاييس الاتصال ومخرجات Marxan ، وتصدير الخرائط وملفات الأشكال التي تحتوي على المقاييس والنتائج المذكورة أعلاه. نوصي بتصور المدخلات والمخرجات بشكل متكرر ، خاصة بعد حساب المقاييس التقديرية.

كبديل لواجهة المستخدم الرسومية Marxan Connect ، نوفر أيضًا وحدة Python القائمة على سطر الأوامر ، marxanconpy (https://remi-daigle.github.io/marxanconpy/) (v1.0.0) ، والتي تحتوي على جميع وظائف واجهة المستخدم الرسومية. يمكن للمستخدمين استخدام هذا لإنشاء مهام سير عمل مرنة وقابلة للتكرار. يمكن أيضًا استخدام واجهة المستخدم الرسومية ووحدة البايثون جنبًا إلى جنب على سبيل المثال ، يمكن استخدام واجهة المستخدم الرسومية للتحليلات الاستكشافية ويمكن قراءة ملف مشروع Marxan Connect الناتج (.MarCon) في Python كملف JSON (JavaScript Object Notation) لتقديمه كأساس لسير عمل Python المستند إلى سطر الأوامر.

نحن لا نقدم إرشادات عن قصد فيما يتعلق باختيار مصادر البيانات (مثل النماذج ووضع العلامات) ، أو الأساليب المتاحة (ميزات الحفظ مقابل التبعيات المكانية) ، أو المقاييس (على سبيل المثال مركزية البينية) لأن الاختيار سيعتمد على النظام البيئي المحلي و قيود البيانات. على سبيل المثال ، فإن طريقة التبعيات المكانية لديها القدرة على استبعاد المواقع المعزولة من الحل النهائي ، اعتمادًا على معدل قوة الاتصال ، ما لم يتم تضمين هذه المواقع باستخدام طرق أخرى (على سبيل المثال ، ميزة الحفظ لموقع معزول والتي تحتوي أيضًا على عنصر فريد. الأنواع Beger، Linke، et al.، 2010). هذا الاستبعاد هو نتيجة مماثلة لنتيجة زيادة كبيرة في معدل طول الحدود. في Marxan Connect ، يمكن للمرء أن يجمع بين استخدام الاتصال كاعتمادات مكانية مع "منطقة تركيز" مغلقة (على سبيل المثال ، منطقة محمية موجودة ، أو مواقع معزولة) لإنجاز أهداف تصميم إضافية مثل تعظيم نقاط انطلاق محتملة إلى مواقع أخرى ، أو بما في ذلك الاحتياجات الخاصة بالأنواع. على العكس من ذلك ، قد توفر طريقة ميزات الحفظ تصميمًا احتياطيًا أكثر فعالية فيما يتعلق بديناميكيات السكان (White، Schroeger، Drake، & Edwards، 2014). نظرًا لأن الأدبيات التي تقارن فعالية هذه الأساليب متفرقة ، فإننا نوصي المستخدمين ببناء ومقارنة سيناريوهات الحفظ المتعددة التي تستخدم بيانات الاتصال المحلية بطرق مختلفة قبل الاستقرار على نهج ما.


النتائج والمناقشة

الوصول الرقمي: ملكية الأصول الرقمية المادية واستخدامها في كيغالي

في مؤشراتها الفردية ، حافظت قطاعات كيغالي بشكل جماعي على أداء ممتاز من حيث ملكية الهاتف المحمول كما هو موضح في 84.8 ٪ متوسط ​​درجة الوصول (الجدول 1). ملكية الكمبيوتر كانت منخفضة نسبيًا عند 13.2٪. هذا النمط من ملكية أصول تكنولوجيا المعلومات والاتصالات هو نسخة طبق الأصل من الملاحظة الموجودة في أصول الاتصالات التقليدية (الإذاعة والتلفزيون). بينما بلغ متوسط ​​النسبة المئوية للوصول إلى الراديو 73.6٪ ، كان هناك عدم تطابق مع درجة الوصول إلى التلفزيون ، والتي كانت عند مستوى منخفض نسبيًا ، 37.7٪. بطبيعتها ، يمكن أن ترتبط قضية التكلفة والطبقة الاجتماعية والاقتصادية بعدم التطابق لأن هذه الأصول ذات الملكية المنخفضة نسبيًا أكثر تكلفة من الراديو والهاتف المحمول.

ال النمط العام للتوزيع عبر الذكاء الاصطناعي لتكنولوجيا المعلومات والاتصالات ويتم التقاط المساحة في إحصائيات حاصل موقع تكنولوجيا المعلومات والاتصالات (LQICTagg) استنادًا إلى تجميع درجات القطاع في جميع أنظمة الذكاء الاصطناعي المتعلقة بمجموع كيغالي عبر جميع أنظمة الذكاء الاصطناعي. الحاشية 3 لا تزال القطاعات الأفضل أداءً في الصدارة في LQICTagg. بالإضافة إلى تحليل المؤشر الفردي ، يتيح حاصل موقع تكنولوجيا المعلومات والاتصالات فهم التركيز النسبي للأداء الرقمي العام ومن خلال توسيع قاعدة تكنولوجيا المعلومات والاتصالات الممكنة لقطاعات معينة. تعد LQs بلا أبعاد (لا توجد وحدة ملحقة ، مشتقة من النسب المئوية الأصلية لمؤشرات تكنولوجيا المعلومات والاتصالات) وتدل على توجه تكنولوجيا المعلومات والاتصالات وتخصص كل قطاع. إذا كان أداء المدينة هو 1 ، فإن النتيجة التي تفوق هذه القيمة من قبل قطاع ما من شأنها أن تميز قطاع التسجيل الأعلى بعيدًا عن الجمهور. تم تعيين هذا القطاع على أساس تكنولوجيا المعلومات والاتصالات (مع قاعدة قوية لتكنولوجيا المعلومات والاتصالات وتركيز فوق المنطقة المرجعية ، كيغالي). يمكن تصنيف هذه القطاعات على أنها منجزات (Song 2008) مما يعني في هذه الحالة أنها تمتلك قاعدة قوية لتكنولوجيا المعلومات والاتصالات ويُنظر إليها على أنها مساحات متميزة نسبية (Graham and Marvin 2001) من حيث الوصول الرقمي (الشكل 1). الحاشية 4

الأداء العام لتكنولوجيا المعلومات والاتصالات عبر القطاعات ، مُقاسًا بـ LQ للذكاء الاصطناعي المدمج ، كيغالي ، 2012.

في كيغالي ، 48.6٪ من 35 قطاعًا هي تكنولوجيا المعلومات والاتصالات الأساسية. إن المكانة المميزة لتكنولوجيا المعلومات والاتصالات لهذه القطاعات هي أن الثقافة الرقمية الناشئة والاقتصاد يمكن أن تنتشر من هذه المحاور إلى المساحات الأقل نشاطًا نسبيًا أو مناطق اللحاق بالركب ، تكنولوجيا المعلومات والاتصالات غير الأساسية ، مع LQICTagg أقل من أو يساوي 1. هذه هي غير أساسي لأنهم يفتقرون إلى الأساس الدقيق لتكنولوجيا المعلومات والاتصالات في المناطق الحضرية التي يمكن اعتبارها محاور ، حيث يمكن أن ينتشر الابتكار إلى قطاعات أخرى. تمثل هذه المجالات التي يجب أن توجه فيها جهود الانتشار (تدخلات السياسة) وفقًا لذلك ، لموازنة أي تباعد مكاني ملحوظ في الوصول الرقمي.

مجموعات تكنولوجيا المعلومات والاتصالات في كيغالي

تم تعيين مجموعات تكنولوجيا المعلومات والاتصالات المميزة في كيغالي باستخدام التحليل العنقودي للوسائل K. ساعد هذا في تجميع المدينة في مجموعة مكانية من حالات تكنولوجيا المعلومات والاتصالات ذات الخصائص المشتركة لجميع أنظمة الذكاء الاصطناعي. يلخص الجدول 2 والشكل 2 خصائص المجموعات.

مجموعات / تجمعات تكنولوجيا المعلومات والاتصالات في كيغالي 2012 ، استنادًا إلى مجموعات K-mean للذكاء الاصطناعي.

مجموعة منخفضة من تكنولوجيا المعلومات والاتصالات غير الأساسية

هذه مجموعة ضواحي تتكون بشكل أساسي من أقصى جنوب وغرب كيغالي مع قطاعين آخرين على الهامش الشمالي الشرقي: محور Gikomero-Rusororo. يجسد روسورورو المركزية النموذجية للمجموعة ، من حيث خصائص تكنولوجيا المعلومات والاتصالات لهذه المجموعة. إنها المجموعة الأقل وصولاً إلى تكنولوجيا المعلومات والاتصالات في كيغالي. جميع القطاعات في الكتلة هي تكنولوجيا المعلومات والاتصالات غير الأساسية (الجدول 2). لديه أقل ملكية لجميع مؤشرات الوصول المادي والاتصال / الاستخدام. وهو الأكثر اعتمادًا على مقاهي الإنترنت ، في حين أنه يعمل بشكل أقل في الاتصال بالمنزل والاستخدام.

مجموعة عالية من تكنولوجيا المعلومات والاتصالات غير الأساسية

هذه المجموعة هي في الأساس قطاعات غير أساسية في كيغالي تقع في الغالب في المنطقة الشمالية. العنقود في ملكية الراديو (71.5٪) والهاتف المحمول (72.6٪). ومع ذلك ، فإن ملكية الكمبيوتر منخفضة (2.9٪). تعتمد الأسر في المجموعة بشكل أكبر على اتصال الإنترنت الخارجي (غير الشخصي) (المكاتب / المدارس ومقاهي الإنترنت) أكثر من اتصال الإنترنت المنزلي. وهي مكونة من القطاعات التي تتمتع فيها نقاط الوصول الأخرى مثل حافلات الإنترنت عبر الهاتف المحمول بحضور ملحوظ نسبيًا.

مجموعة منخفضة من تكنولوجيا المعلومات والاتصالات الأساسية

هذه مجموعة أساسية وسيطة وذات أداء جيد لملكية أصول تكنولوجيا المعلومات والاتصالات واستخدامها. يتم تمييز هذه المجموعة الحدودية للمركز من خلال قطاعات مثل Gatanga و Nyamirambo وهي الأقرب إلى الخصائص المركزية لهذه المجموعة. تعني المسافة الأقصر إلى مركز الكتلة (مقياس بدون أبعاد) معرضًا أقوى أو تجسيدًا لخصائص مجموعة التركيز. وهي تحافظ على أداء مرتفع نسبيًا من حيث ملكية الأسر لأصول تكنولوجيا المعلومات والاتصالات (الوصول المادي) ، باستثناء الهاتف الثابت ، منخفضة عبر جميع المجموعات. من الجدول 2 ، تمتلك 91.3٪ من الأسر في القطاعات في هذه المجموعة هواتف محمولة ، وهو مؤشر ذروة الأداء للمجموعة. ومع ذلك ، فإن ملكية الهاتف المحمول لا تتطابق مع ملكية الكمبيوتر ، والذي يعد أيضًا مؤشرًا على أصول تكنولوجيا المعلومات والاتصالات الحديثة. هذا أيضًا على النقيض من أدائها في ملكية الراديو (74.1٪). المكاتب والمدارس هي المصادر الرئيسية للاتصال بالإنترنت واستخدامه. ومع ذلك ، فإن هذا لا ينتقص من قيمة ملكية الهاتف المحمول التي لوحظت للمجموعة ، لأن الاتصالات مثل Wi-Fi و / أو أجهزة المودم تعتمد على الهواتف المحمولة وأجهزة الكمبيوتر للتشغيل.

مجموعة أساسية عالية لتكنولوجيا المعلومات والاتصالات

يحافظ جوهر كيغالي على أعلى مستوى من الأداء عبر جميع مؤشرات أصول تكنولوجيا المعلومات والاتصالات التقليدية والاتصال الحديث. الاعتماد على مقهى الإنترنت ومواقع الاتصال الأخرى أقل نسبيًا من المساهمة من مواقع المنزل أو المكتب / المدرسة. تميزه هذه الجودة بوضوح عن المجموعات الأخرى حيث لا يزال الاتصال بالإنترنت واستخدامه في مقهى الإنترنت أعلى نسبيًا من المصادر المنزلية. وهذا يساهم في إضفاء طابع مميز من حيث ملكية الكمبيوتر بنسبة 24.3٪. يتم تمثيل هذه الكتلة من قبل قطاعات Kacyiru و Nyarugenge. تتوافق الملكية العالية للهاتف المحمول مع مستوى عالٍ من الاتصال والاستخدام في المنازل والمكاتب والمدارس ، على غرار مجموعة Low Basic-ICT. جميع القطاعات الـ 13 في هذه المجموعة هي أساسية لتكنولوجيا المعلومات والاتصالات ، في حين أن أربعة فقط من كل تسعة هي تكنولوجيا المعلومات والاتصالات الأساسية في مجموعة تكنولوجيا المعلومات والاتصالات الأساسية المنخفضة.

يشير التحليل العنقودي المقدم هنا إلى دور الجغرافيا في الوصول إلى تكنولوجيا المعلومات والاتصالات. المجموعات عالية الأداء هي النوى الجغرافية والتكتلات الاقتصادية في كيغالي على عكس المناطق الطرفية السائدة في جميع التجمعات منخفضة الأداء. ومع ذلك ، فإن المسافة إلى مركز الكتلة تمكن من التمييز داخل المجموعات. يُظهر هذا القطاعات التي تُظهر أكثر من مؤشرات وخصائص تكنولوجيا المعلومات والاتصالات المتعددة المميزة لمجموعة التركيز أكثر من غيرها ضمن نفس التجمع المكاني لتكنولوجيا المعلومات والاتصالات.

الأداء الرقمي والمتغيرات الاقتصادية المكانية

استخدمنا مصفوفة الارتباط لاستكشاف الارتباط بين المكاني-المتغير الاقتصادي والذكاء الاصطناعي الرقمي. تم التعامل مع أصول تكنولوجيا المعلومات والاتصالات كبديل لملكية المواد الاجتماعية والاقتصادية لغرض الاستكشاف الأولي للارتباط الإحصائي المتبادل بين أي زوج من أنظمة الذكاء الاصطناعي الخاصة بتكنولوجيا المعلومات والاتصالات. تم العثور على اثنين من أصول الاتصالات التقليدية (الراديو والتلفزيون) يرتبطان ارتباطًا وثيقًا ، بينما أظهر كل منهما ارتباطًا قويًا إحصائيًا بأصول تكنولوجيا المعلومات والاتصالات الحديثة ، وملكية الهاتف المحمول والكمبيوتر. هذه العلاقة أقوى بين التلفزيون وملكية أصول تكنولوجيا المعلومات والاتصالات الحديثة هذه: الهاتف المحمول والكمبيوتر (الجدول 3). هذه الملاحظة مفهومة لأن التلفزيون يرمز إلى تطور أكثر حداثة (من أصلين تقليديين) ، باهظ الثمن وذو مكانة اجتماعية أعلى. في الحصول على موارد تكنولوجيا المعلومات والاتصالات ، تمتلك القطاعات الموجودة بالفعل فوق التقنيات الحالية أيضًا أحدث أجهزة تكنولوجيا المعلومات والاتصالات. يتماشى هذا مع عملية السببية التراكمية (Myrdal 1957) حيث تستمر المناطق ذات الميزة الاجتماعية والاقتصادية الأولية في السيطرة على حصة مؤشرات التنمية الإيجابية ، بشرط استمرار آلية التوزيع الحالية. تركيز تكنولوجيا المعلومات والاتصالات أو مستخدمي الإنترنت وأسماء النطاقات هي انعكاس لتطور المدينة نحو الاقتصاد الرقمي. في هذه العملية ، ستتركز المؤشرات الإيجابية للحيوية الرقمية في المناطق المتقدمة أو النوى الحضرية التي تمتلك بالفعل ميزة تنمية اجتماعية واقتصادية ومكانية استثنائية (Zook 2001 Song 2008). عندما تستهدف آليات السوق الحالية (التي يقودها مقدمو خدمات تكنولوجيا المعلومات والاتصالات) النقاط الساخنة المجهزة اقتصاديًا بشكل أفضل ، يستمر عدم المساواة الرقمية.

ملكية الهاتف المحمول والكمبيوتر وجد أنه مرتبط باستخدام الإنترنت في المنازل والمدارس / المكاتب. في حين أنه قد لا تكون جميع الأسر المعيشية في القطاع التي تمتلك أجهزة تكنولوجيا المعلومات والاتصالات متصلة بالإنترنت وتستخدمها ، فمن الواضح أنه حيثما يكون هذا الاتصال متاحًا ، أي في المكاتب والمدارس على سبيل المثال من خلال شبكة Wi-Fi ، فإنه يتطلب من هذه الأجهزة الاتصال بها واستخدامها. وبالتالي ، فإن الوصول المادي أو ملكية مواد تكنولوجيا المعلومات والاتصالات والاتصال بالإنترنت واستخدامها يعززان بشكل متبادل. عندما تكون ملكية أصول تكنولوجيا المعلومات والاتصالات عالية وترتبط ارتباطًا وثيقًا باتصال الإنترنت في المنزل ومواقع العمل ، تصبح المقاهي الإلكترونية أقل أهمية ، كما يتضح من العلاقة العكسية بين المؤشرات الرقمية الأخرى واستخدام المقاهي الإلكترونية.

ال حالة الأسرة والنشاط الاجتماعي والاقتصادي للقطاعات مرتبطة بمؤشرات تكنولوجيا المعلومات والاتصالات (الجدول 4). تم العثور على القطاعات ذات النسبة المئوية الأعلى للأسر التي ترأسها إناث ذات أداء أقل في ملكية واستخدام تكنولوجيا المعلومات والاتصالات كما يتضح من درجة الارتباط LQICTagg المقابلة لمؤشر الأسرة الأنثوية. هذا الارتباط العكسي بين أداء تكنولوجيا المعلومات والاتصالات ووضع المرأة ينطبق أيضًا على السكان الإناث في القطاع وهو قوي إحصائيًا من حيث الأداء العام لتكنولوجيا المعلومات والاتصالات (LQICTagg). وهذا يدل على هيكل قائم على النوع الاجتماعي للوصول إلى تكنولوجيا المعلومات والاتصالات. على الرغم من أن الانحراف بين الجنسين في الوصول إلى الموارد يمكن اعتباره أمرًا عاديًا كالمعتاد خاصة في المدن في البلدان النامية ، إلا أن هذا الأمر يستحق تسليط الضوء عليه لأن الدراسات الحديثة في البلدان الأكثر تقدمًا تفترض أن الجنس أصبح ارتباطًا أقل صلة بالفجوة الرقمية (Li and Ranieri 2013). ومن ثم ، يمكننا القول أنه في المراحل الأولية من التنمية ، تكون الفجوة بين الجنسين في تكنولوجيا المعلومات والاتصالات أقوى ، ولكن هذا يميل إلى الضعف مع تحسن الوصول العام إلى تكنولوجيا المعلومات والاتصالات مع تضييق التفاوتات الاجتماعية والاقتصادية. ومع ذلك ، استندت دراسة Li and Ranieri (2013) إلى مسح مباشر ، وبما أن ردود المستخدمين تؤكد أحيانًا البيانات الرسمية أو التنافر في المعروضات ، يمكن العثور على روايات متنوعة إذا كانت البيانات المستخدمة في كيغالي قد خضعت لمسح المستخدم. تم العثور على مثل هذه الفروق الموضوعية الذاتية في دراسة حول الخدمة الحضرية ونوعية الحياة في إثيوبيا (Berhe et al. 2014).

السكان الشباب والتعليم ترتبط ارتباطًا وثيقًا وإيجابيًا بأداء تكنولوجيا المعلومات والاتصالات. تتوافق هذه النتائج مع الدراسات السابقة (Li and Ranieri 2013 Várallyai et al. 2015 Whitacre 2008). تعني النسب الأعلى من الشباب والتعليم نسبة أكبر من المواطنين الرقميين (جيل الألفية ، المولود في العصر الرقمي).

هناك علاقة عكسية بين أداء تكنولوجيا المعلومات والاتصالات و عمالة الشباب. إذا تم إجراؤها على المستويات الفردية ، فقد تدعو هذه العلاقة إلى القلق. ومع ذلك ، فإن العلاقة الموجودة في هذه الدراسة تعني أن القطاعات ذات الوصول الأفضل إلى الإنترنت تتزامن مع مستويات بطالة أعلى. في سياق العديد من المدن الأفريقية ، في هذه الحالة كيغالي ، تنخرط الضواحي والمناطق الريفية عادةً في الزراعة شبه الحضرية الوضيعة وغيرها من أنشطة دعم سبل العيش غير الرسمية سهلة البدء والتي تُعد فرص عمل. المناطق الحضرية للغاية ذات الوظائف الأكثر تقدمًا ، على الرغم من وجود عدد أكبر من السكان العاملين ، ستشكل نسبة أقل من السكان العاملين في كل قطاع أو منطقة. يمكن تكثيف ظاهرة ارتفاع مستويات البطالة في مراكز المدن من خلال استمرار جذب المهاجرين بحثًا عن الفرص الاقتصادية التي يُعتقد أنها متوفرة بكثرة في مراكز النمو الحضري ، وبالتالي زيادة الضغط على الفرص المتاحة. تصبح المشكلة معقدة لأن معظم المهاجرين الجدد إلى مدن إفريقيا جنوب الصحراء والذين يستهدفون مراكز المدن هم من ذوي المهارات المنخفضة ويظلون عاطلين عن العمل لسنوات (Hove et al. 2013). يتميز جوهر هذه المدن بجيب صغير من الناس في وظائف رفيعة المستوى ، في حين أن البعض الآخر عاطل عن العمل أو عاطل عن العمل ، في سوق العمل الحضري الذي يتم دمجه في الاقتصاد العالمي سريع الخطى والقائم على التكنولوجيا حيث نظام التعليم غير قادر لتلبية الطلب على المهارات (جرانت 2012). وهذا من شأنه أن يؤدي إلى تدهور نسبة الموظفين إلى إجمالي عدد السكان في المناطق الأساسية ، دون تجريدهم من مزاياهم التكتلية والاجتماعية والاقتصادية النسبية ، بما في ذلك التعليم ونمط الحياة والابتكار ومراكز تكنولوجيا المعلومات والاتصالات.

برغم من حالة التخطيط لديه ارتباط إيجابي قوي بأداء تكنولوجيا المعلومات والاتصالات عبر المؤشرات الرقمية ، ملكية السكن يعرض نمطًا آخر مثيرًا للاهتمام. تميزت القطاعات الحضرية العالية ، والتي سجلت مستويات أعلى من أداء تكنولوجيا المعلومات والاتصالات ، بنسب أعلى من المستأجرين وتميز محيط كيغالي الأقل تحضرًا بنسبة أعلى من ملكية المنازل. الحاشية 5 يمكن تفسير ذلك. المسكن من القش في منطقة الضواحي ، بغض النظر عن الجودة (شكلي أو غير ذلك من السكن) يتم احتسابه كملكية منزل. ومن ثم ، في حين أن نسبة عالية من الأسر الأفقر نسبيًا في المناطق الطرفية من كيغالي قد تمتلك منازل منخفضة الجودة وغير رسمية ، فإن نسبة عالية من الأسر المجهزة بتكنولوجيا المعلومات والاتصالات الأفضل تعليماً وذات الدخل الأعلى ستكون مستأجرين في منازل جيدة التخطيط. على غرار نسبة العاطلين عن العمل إلى إجمالي السكان ، فإن نسبة ملكية المستأجر أعلى في قلب مدينة كيغالي حيث يكون الوصول إلى تكنولوجيا المعلومات والاتصالات أعلى. يتوافق هذا النمط مع NISR (2015) حيث تم الإبلاغ عن أن نسبة أصحاب المنازل 28.2 و 60.2٪ في المناطق الحضرية والريفية على التوالي ، مع ما يعادل نسبة الإيجار 67٪ (الحضر) و 32.9٪ (الريف). من وجهة نظر ال التكتل الحضري والبنية التحتية يرتبط ارتباط الوصول إلى تكنولوجيا المعلومات والاتصالات ، وحصة سكان المناطق الحضرية في القطاعات ، وحصة إجمالي السكان ، وعدد مدارس ما بعد المرحلة الابتدائية (بدائل لمراكز الابتكار) ، وتحسين إمدادات المياه والكهرباء بارتباطات إيجابية. ترتبط الكهرباء (النسبة المئوية للأسر الموصلة بالكهرباء في القطاعات) وإمدادات المياه المحسنة ارتباطًا وثيقًا بالنفاذ إلى تكنولوجيا المعلومات والاتصالات للقطاعات ، على الرغم من أن عدد المدارس ما بعد الابتدائية وحصة إجمالي السكان تحافظ على ارتباط ضعيف بأداء قطاعات تكنولوجيا المعلومات والاتصالات (الجدول 4).

نظرًا للارتباطات المتعددة للوصول إلى تكنولوجيا المعلومات والاتصالات التفاضلية التي تم استكشافها ، تم تطبيق تحليل المكونات الرئيسية (PCA) لتقليل البيانات من أجل تحديد العوامل الرئيسية للتوزيع. تم إرجاع أربعة مكونات كممثلين مناسبين وكافيين للنمط المرصود (الجدول 5). ترتبط الكهرباء أقوى ارتباط بالمكون 1 ، تشغيل الشباب مع المكون 2 ، حصة إجمالي السكان مع المكون 3 وحالة التخطيط (نسبة القطاع المخطط) المكون 4. على الرغم من أن تجميع العوامل كان جيدًا ، إلا أن العامل الأكثر ارتباطًا بكل مكون هو تم اختيارهم كممثلين نموذجيًا (الجدول 6).

بالنظر إلى هذا النمط من الارتباط التمثيلي ، تم استنتاج المتغيرات الاجتماعية والاقتصادية والمكانية للوصول إلى تكنولوجيا المعلومات والاتصالات الممثلة تفسيريًا على أنها الفئات التالية: البنية التحتية (ممثلة بالكهرباء) ، هيكل الأسرة / النشاط الاجتماعي الاقتصادي (يمثله عمالة الشباب) ، التكتل الحضري القوة (حصة إجمالي السكان) وحالة التخطيط / الاستيطان / إجراءات الإسكان (نسبة القطاع المخطط لها). تم استخدام هذه العوامل الرئيسية في المقام الأول في السياق التفسيري للكشف عن أسماء العوامل المجهولة إحصائياً ومنحها (الجدول 6). مراقبة الارتباطات مع المتغيرات الأخرى في المكون الرئيسي تتحقق من صحة التسمية (Pacione 2001).

الأداء العام للقطاعات في كيغالي كما هو مبين في حواشي موقع تكنولوجيا المعلومات والاتصالات ، يظهر التجميع المكاني المميز للقطاعات بناءً على أداء تكنولوجيا المعلومات والاتصالات والارتباط نمط تطوير تكنولوجيا المعلومات والاتصالات بما يتوافق مع نموذج السببية التراكمية الكلاسيكي (Myrdal 1957). هذا هو النمط الملحوظ في كيغالي. وتعني عوامل التقسيم الأقوى (الخصائص الاجتماعية والاقتصادية التفاضلية مثل الكهرباء غير المتكافئة مكانيًا ، وحالة التعليم والتخطيط) أن المراكز فقط ستتطور إلى محاور رئيسية لتكنولوجيا المعلومات والاتصالات قائمة على المعرفة بينما تظل الأطراف ضعيفة وأقل نشاطًا في تكنولوجيا المعلومات والاتصالات. ومع ذلك ، فإن انتشار تكنولوجيا المعلومات والاتصالات يعني زيادة احتمالات تطور الأطراف ، وبالتالي الاتجاه نحو التقارب والتكامل المحكم للاقتصاد الرقمي. ومع ذلك ، فإن النظام الإيكولوجي لتكنولوجيا المعلومات والاتصالات غير المجمّع تمامًا ، حيث يستهدف مقدمو الخدمات فقط محاور تكنولوجيا المعلومات والاتصالات أو المساحات الرقمية المتميزة ، يفتقر إلى المتطلبات اللازمة لتقليص الفجوة الرقمية ، مع كل ما يترتب عليها من عدم المساواة الاجتماعية والاقتصادية والمكانية. ومن ثم ، يصبح التدخل السياسي حاسمًا لاستئصال العوامل المتباينة من تحول الآثار التراكمية.


كيف بدأ كل شيء

بالنسبة لي ، يبدأ الأمر دائمًا على أنه مرح وليس عمل. في يوم شتوي جميل ، جلبت لي رسالة Slack في القناة "العامة" رابطًا إلى الكاميرا التي تواجه موقع البناء حيث سيفتح مكتب Safe Software الجديد اللامع أبوابه لجميع Safers قريبًا.

بعد بعض البحث في html خلف عنوان url الأصلي (http://184.68.143.58:2424/view/viewer_index.shtml؟id=17039) ، اكتشفت عنوانًا يعرض صورة JPEG بسيطة. يمكننا بسهولة استرداد الصور من مواقع الويب باستخدام HTTPCaller أو ImageFetcher. مع مساحة عمل تتكون من أربعة محولات ، تعيش في FME Cloud وتعمل وفقًا للجدول الزمني كل 10 دقائق ، حصلت على أداة لتجميع البيانات من الكاميرا.

لسنوات ، استخدمت ImageMagick ، ​​والذي يمكننا تشغيله باستخدام SystemCaller ، لصنع الرسوم المتحركة. باستخدام الكاميرا الحية ، نمت مجموعتي بسرعة إلى آلاف وعشرات الآلاف من الصور - لم يعد إنشاء ملف GIF خيارًا قابلاً للتطبيق بعد الآن.

بعد بحث سريع ، اكتشفت أداة FFmpeg ، وهي أداة مفتوحة المصدر لمعالجة بيانات الفيديو والصوت. بدا وكأنه مطابق تمامًا لبرنامج FME ، برنامج معالجة البيانات.


الموجودات

في الفقرات التالية نقدم نتائج تحليلنا ونناقش النتائج الرئيسية التي توصلنا إليها. ندرس كلاً من التقييم القائم على الفقر لانعدام الأمن الغذائي والتقييم الأكثر قوة الذي يشمل أيضًا البطالة وحالات الإيجار (مقابل ملكية المنزل) ونناقش الآثار المترتبة على تحديد المناطق التي قد تكون محرومة من قبل مواقع توزيع المساعدات الغذائية.

تقييم الأمن الغذائي الذي يركز على الفقر

الشكل 1 يصور مستويات الفقر حسب منطقة التعداد في SCC. الشريحة الخمسية التي تمثل تلك المناطق الأقل فقرًا تضم ​​2-12٪ من السكان عند أو أقل من 200٪ من مستوى الفقر الفيدرالي ، في حين أن الشريحة الخمسية التي تحتوي على مناطق تعداد ذات أعلى مستويات فقر تتراوح بين 44.6 و 78.2٪ من السكان عند أو أقل. مستوى 200٪. نحن لا نقوم بتضمين المنطقة الجبلية في الجزء الشرقي من المقاطعة ذات الكثافة السكانية المنخفضة جدًا والقليلة السكان. تتركز المناطق التي تعاني من أعلى مستويات الفقر على طول الطريق السريع US 101 الذي يمتد من الركن الجنوبي الشرقي إلى الجزء الشمالي الغربي من المحافظة. تتوافق هذه المناطق مع المناطق ذات الدخل الأقل في سان خوسيه وسانتا كلارا وصنيفيل وماونتين فيو وبالو ألتو. هناك أيضًا مجموعة كبيرة من مناطق التعداد منخفضة الدخل في ما يُعرف باسم East San Jose ، والتي تتمركز بالقرب من تقاطع الطريق السريع US 101 والطريق السريع 680 (انظر الشكل 1).

(مصادر تعداد الولايات المتحدة ، تقديرات ACS لمدة 5 سنوات 2010-2014)

مستويات الفقر ، عن طريق التعداد السكاني في مقاطعة سانتا كلارا. الخريطة في أ يوضح موقع SCC في ولاية كاليفورنيا. المنطقة السكانية الكبيرة منخفضة الكثافة الموضحة في ب تم حذفه من التحليل اللاحق.

يضيف الشكل 2 مواقع نقاط للمخازن ومطابخ الحساء. من الواضح أن مواقع توزيع الغذاء هذه تتركز في شرق سان خوسيه ، وهي أيضًا منطقة فقر عالية. مواقع المساعدة الغذائية أكثر انتشارًا في مناطق أخرى من المقاطعة. توضح الأنماط المكانية في هذا الشكل أن التوزيع الحالي لمواقع المساعدة الغذائية يبدو أنه يلبي الحاجة المتوقعة في مناطق واسعة من المقاطعة. يضيف الشكل 2 مناطق عازلة بطول ميل واحد حول مواقع توزيع الأغذية ، مما يساعد على تقييم مدى جودة خدمة مناطق الفقر الأكبر من خلال المواقع التي تقدم المساعدة الغذائية

(مصادر التعداد الأمريكي لبنك الحصاد الثاني للأغذية لعام 2010 في مقاطعة سانتا كلارا ومقاطعتا سان ماتيو 2013)

Map of SCC poverty levels and food assistance distribution sites with buffer zones, by Census Tract.

For the most part, we observe that people living in the areas with the highest poverty levels live in close proximity to food assistance distribution centers. In Fig. 3, we develop an analysis that focuses on high poverty census tracts, defined as those in which more than 22% live below 200% of the FPL. These census tracts represent about 24% of those in the county, and most of them (61.1%) have good access (shaded in blue) or at least some access (pink) to a food distribution site. If we extend this combined poverty and proximity analysis to all 371 census tracts in the county, including those with lower poverty rates, we find that 85% of SCC is either well served by food assistance distribution locations or has relatively low poverty rates.

The maps in Figs. 2 and 3 offer guidance to decision makers at the food bank and those who distribute food to the needy. To identify potentially underserved populations, we focused on urban census tracts that are both high-poverty and low access (see Fig. 3 for areas shaded in yellow or pink). In all of the rural census tracts, significantly less than 20% of the population lives farther than 10 miles away from a food distribution site, suggesting that the rural census tracts are currently well served based on the criteria for rural census tracts. However, areas of potential need persist in urban areas. We calculated that 38% of the low-income census tracts had low access to SHFB food assistance. This suggests that there is a need for greater access to food distribution in these areas of the county.

Furthermore, our study identified several potentially underserved regions using the poverty-based food insecurity assessment (see Fig. 3). These regions include the southern US 101 corridor near the cities of Gilroy and Morgan Hill, as well as a generally contiguous group of census tracts that lie west of Interstate 880 and State Road 17 extending from the northern central border of the county in the city of Santa Clara to west San Jose and the intersection of State Roads 85 and 17. A third potentially underserved area can be found in the northern portion of the county often referred to as East San Jose, which is generally east of Interstate 680 and US 101. Also, in the northwestern part of SCC between 101 and 280, an area that has a relatively high concentration of low-income people with no food assistance site nearby is located in Palo Alto. Although East Palo Alto is one of the well-known high-poverty and low-employment areas in the Bay Area (Benner and Karner 2016), this result could also be influenced by the “Stanford anomaly,” suggesting that some, if not many, of the low-income members of the community are students, who may have additional support from relatives or elsewhere. It is interesting to note that food pantries have recently opened on many university campuses across the US (Nellum 2015).

(Sources Own calculation using US Census, ACS 5-year estimates 2010–2014 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

High poverty and low access areas. High poverty is defined as census tracts (CT) with 22.2% or more of the population at or below 200% of the FPL (see Fig. 1). The map includes high poverty tracts only. Low access indicates 67% or more of the CT area is outside of the 1-mile buffer around food assistance distribution locations Some access indicates 66 to 34% of the census tract area is outside of the 1-mile buffer around food assistance distribution locations. Good access indicates 33% or less of the CT area is outside of the 1-mile buffer around food assistance locations.

Food insecurity index assessment

After conducting the poverty-based analysis, we developed the Food Insecurity Index (FII) and mapped the results of this alternative approach. The progression of Figs. 1 and 2 explains the steps involved in developing this index, shown in Fig. 4. The intermediate steps included mapping unemployment and renter-occupied units. The spatial pattern in unemployment rates is broadly similar to poverty rates, with higher concentrations in southern SCC and East San Jose. Housing costs are extremely high and rising in this region, making the situation especially difficult for those in low-wage jobs who are seeking affordable housing as displacement becomes increasingly common (Benner and Karner 2016).

(Sources Own calculation using US Census, ACS 5-year estimates 2010–2014 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

Food Insecurity Index and the location of food assistance distribution sites.

In Figs. 4 and 5, we show the results of the FII using the weights in Eq. 1. As expected, the patterns broadly follow the poverty map, with concentrations in central and eastern San Jose and the southern part of SCC however, the ranges of values of the FII are lower than the poverty only map. The census tract-based assessment identifying the high food insecurity and low access areas (Fig. 5) shows that most areas of high food insecurity have good access to food distribution sites (areas shaded in blue). We calculated that 27% of the census tracts in SCC have high food insecurity levels (index scores > 16%), and that 58% of the high FII tracts have either good access or some access. The remaining 42% of the areas have high food insecurity levels and low access (shaded in purple). These areas of concern include the poverty/high food insecurity corridor that is west of Interstate 880/Highway 17, as well as several areas north of 101 and in East Palo Alto.

(Sources Own calculation using US Census, ACS 5-year estimates 2010–2014 US Census 2010 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

High Food Insecurity Index Scores and low food assistance access areas. High food insecurity in this context refers to census tracts in which we estimate that 16.7% of more of the population is food insecure (USDA 2015).

Comparison of poverty and food insecurity index approaches

The areas of greatest food assistance need, i.e. high levels of food insecurity and low access, identified by both the FII and the poverty approach share significant spatial overlap (see Fig. 6), although these two metrics produce slightly different estimates regarding the total number of people who are potentially food insecure in SCC. This overlap can be explained by the fact that poverty is the largest factor in the FII (see Eq. 1). In addition to poverty, the two other variables in the FII, unemployment (weighted at 40% of the index score) and renter-occupied units (weighted at 10%), were strong enough so that several additional potentially high-need areas omitted by the poverty-only approach were identified (see the purple tracts in Fig. 5 between State Road 85 and Interstate 880 in northern SCC). Both rapid assessment approaches are useful for identifying areas of potential concern, but more research is needed using household surveys to validate the approaches before either approach becomes a standard proxy for estimating the total percent or number of food insecure people.

(Sources Own calculation using data from US Census, ACS 5-year estimates 2010–2014 Second Harvest Food Bank of Santa Clara and San Mateo Counties 2013)

Comparison of Food Insecurity Index versus poverty assessment. This is an overlay analysis that compares the areas of high poverty and low access versus areas with high FII scores and low access.

The poverty-only calculation draws from the 200% FPL US Census ACS 5-year estimates data from 2010 to 2014 and finds that 23.2% or 422,004 people in SCC live below the FPL and potentially food insecure. Our FII calculation finds that the average rate of food insecurity is 19.3% in SCC. Feeding America calculations use the Gundersen (2015) formula to estimate food insecurity levels. They report that in 2013, 12.1% of the population in SCC was food insecure representing 219,110 people, and in 2011 the calculated rate was 13.4% (Feeding America 2015).

Although the USDA publishes periodic national studies that use household surveys to measure food insecurity (Coleman-Jensen et al. 2014), we could not find readily available government data that measures and maps the total number of food insecure people at the county, city, and census tract-level in the US. A recently published USDA study drew on a representative sample of more than 42,000 households and found that food insecurity rates in California averaged 13.5% from 2012 to 2014, down from 16.2% measured from 2009 to 2011, but still higher than the 2002–2004 average of 12.4% (Coleman-Jensen et al. 2014: 21). The USDA’s direct measures of food insecurity rates in California from 2012 to 14 are slightly below Feeding America’s calculation of 15% in 2013 (Feeding America 2015). The calculation using 200% of the FPL suggests that food insecurity rates could be significantly above those calculated by Feeding America or those measured by USDA’s survey and then generalized to the county level. Our simple FII also yields estimates that are roughly 4% above the Feeding America estimate, while the poverty-only calculation is about 8% higher.

Although there are differences in the calculated magnitude of the challenge, the primary goal of this rapid assessment method is to identify areas of potential need. We believe that the patterns of local food insecurity at the census tract-level found using the rapid assessment tools proposed in this study are similar to those calculated by Feeding America if data were available using a finer scale. However, it will be important to use the USDA survey questions during different years and with multiple populations to further test and refine this approach. One key difference between the metrics proposed for this screening method and the Gundersen et al. (2014 2015) approach is the degree of emphasis or numerical weight placed on poverty levels. The Gundersen et al. models include other important variables, such as unemployment and home ownership however, their increasingly sophisticated models potentially decrease the influence of poverty rates on predicted food insecurity levels. Recent research using the US Census poverty measure, which includes estimates for the cost of living, finds that California has some of the highest poverty rates in the US (Short 2014). More research is needed to assess how these circumstances influence local determinants of food insecurity, as well as continued work that examines ways in which supplemental food assistance could help keep children and others out of more severe forms poverty and high levels of food insecurity (Anderson et al. 2014).

Broader implications

In addition to contributing to a dialogue about mapping and shared data that document the local determinants and patterns of food insecurity, we argue that this rapid assessment approach can be useful for food banks and charities that coordinate direct food assistance sites and want to ensure they are effectively targeting areas of greatest need. We shared earlier versions of the maps that identify high poverty and low access census tracts (see Figs. 2, 3) with food bank managers, leading to a discussion of how well the food needs of low-income populations were met by current food assistance distribution sites. One immediate result was the addition of another food distribution site in the southern portion of the county. Second Harvest plans to continue working directly with the food assistance providers to encourage them to locate distribution sites in the areas with the greatest unmet needs.

Despite moderate economic growth at the national level, the question of access to food assistance distribution sites by food insecure households remains a pressing one, because the economic gains have not been evenly distributed. The determination of where to locate food assistance sites is complex, especially in large cities or counties where the low-income population is not neatly situated in one or a few densely populated areas. In our research, we found that the highest poverty areas, which were also the most densely populated, had the highest concentration of food assistance sites. However, other high poverty areas, which were less densely populated, had lower levels of access to food assistance distribution sites e.g., several areas in south SCC, especially parts of Gilroy, and a cluster of census tracts located west of Interstate 880 extending from the northern central border of the County west San Jose (see Fig. 5). These areas appear to pose the biggest challenge to food assistance providers. A recently published report confirmed our study’s focus on poverty and our findings regarding the importance of additional food assistance in South SCC, finding that the “geographic distribution of homelessness corresponds roughly with the distribution of poverty in SCC, noting that homeless residents are concentrated at the center and south end of the County—in San Jose and Gilroy,” and that “Services provided by nonprofit agencies appear to be unevenly distributed, with a below average level of services provided to homeless residents of Gilroy” (Flaming et al. 2015, p. 3).

In the case of food banks, which, in the US, provide the food but do not distribute directly to the clients, the issue of ensuring convenient access and communicating directly with those in need is even more difficult, because they are one step removed from those they serve. The use of GIS can provide insight into the distribution of the impoverished population and the density of that population within census tracts. By overlaying the food distribution sites, we can provide decision makers with easily interpreted visual maps that can be used to evaluate whether their client population has convenient access to the services they offer. This allows managers to see the “big picture” as it relates to the spatial location of food distribution, and is an alternative to separately collecting information and evaluating individual areas to assess their clients’ needs and the services provided.


Background & Summary

Reliable infrastructure networks form the backbone of a prosperous modern economy, with electricity networks providing a central role in helping to deliver health, education, and other infrastructure services. However, 11% of the global population still lacks access to a reliable electricity supply 1 with lower income countries disproportionately represented. Burundi, for instance, still has over 90% of the population without electricity access. In response, Sustainable Development Goal 7 (SDG 7) calls for universal access to affordable, reliable, and modern energy services by 2030 2 . Achieving this goal is similarly important in achieving other SDGs 3,4,5 and as such requires a coordinated effort – not only in the targeted expansion of electricity networks, but also towards increases in renewable energy share of the global energy mix and improved network resilience. To measure the joint global progress on achieving SDG 7, detailed spatial information on the current locations and properties of electricity infrastructure is essential.

Physical assets, such as generation plants, transmission networks (typically higher voltage lines used for the bulk movement of electricity), distribution networks (typically lower voltage lines for distributing electricity from transmission networks to end consumers), substations (for transforming between voltages), and related assets are important to assess the practicalities of connecting isolated communities to wider transmission networks. While more developed countries and their infrastructure owners/operators could be expected to hold suitably complete inventories and geospatial datasets, many lower-income countries data on infrastructure and planned investments are often outdated or incomplete 6 . This makes it difficult for government bodies and utility companies to plan for extending, strengthening, and modifying their electricity networks. Even in advanced economies, where this network data may exist, it can be difficult to find it in an open and standardized way. Projects such as OpenStreetMap have greatly democratized access to geospatial data generally 7 , and while there have been significant efforts on collating data on electricity generation infrastructure 8 , and high voltage transmission lines in OpenGridMap 9 , a globally consistent database of medium and lower voltage distribution networks still lag. Reasons for this can be attributed to the significantly larger number of distribution infrastructure owners/operators required to contribute data (compared to transmission operators which are often national scale bodies), non-existent datasets in GIS-ready formats, restricted public access for security reasons, and the difficulties in digitizing from openly available aerial photographs, whether this be due to the generally smaller overhead line structures or the fact cables are often buried in many urban centers.

In addition to the physical assets, the geospatial locations of electrified settlements within each country is often still unknown. To fill this gap, several studies have developed methods to map these locations and compute accessibility metrics when combined with high-resolution population maps. However, applications have largely been focused on country or sub-continental scales 10,11,12 . While these methods are showing great promise, a globally consistent approach and map of accessibility is still lacking which can ultimately aid development and planning efforts in attaining SDG 7.

In response, we present the first composite map of the global power grid using publicly available open data – generated through the new open-source tool gridfinder 13 , based on work by Rohrer at Facebook: https://code.fb.com/connectivity/electrical-grid-mapping. This tool applies multiple filtering algorithms to night-time light imagery to identify locations most likely to be producing light from electricity. These light sources (target-locations) are then connected to known electricity networks through a least-cost routing algorithm following roads and known distribution lines (adopted from OpenStreetMap). This results in connected networks at two voltage levels we define as high voltage (HV, >70 kV) and medium voltage (MV, 10–70 kV). The dataset shows 97% of the global population reside within 10 km of electricity lines of >10 kV, where the vast majority of those over 10 km being across Sub-Saharan Africa.

The dataset is validated two-fold. Firstly, against 16 electricity networks across 14 countries representing the range of World Bank income groupings: High, Upper-Middle, Lower-Middle, and Low. Across an equal-area grid (edge length 15 km), we compare observed and gridfinder delineated networks to show a predictive accuracy of 75%. Secondly, we evaluate the effectiveness of the dataset in predicting accessibility with respect to income groups, human development index (HDI), and investment requirements as commonly reported in the literature and used as key reporting metrics.

A further accompanying dataset is presented representing the density of low voltage (LV) infrastructure, herein defined as below 1 kV. The small geographic scale and prevalence of buried LV cables push the boundaries of satellite imagery detecting abilities. To create this dataset we therefore turn to spatial heuristics to create a weighted layer of electricity access rate by applying an algorithm calibrated to national urban and rural accessibility statistics.

Results of this study pave the way for improved efforts in electricity modelling and planning. Although only predictive, this standardized global dataset of transmission, distribution and low-voltage lines will be a valuable starting point for electrification planners and researchers in several fields, such as assessing social inequalities 14 , estimating exposure to natural hazards 15 , and quantifying electricity infrastructure roll-out requirements 12,16 . An important limitation is that this dataset does not attempt to replicate actual network configurations or precise structures, as would be needed for electrical modelling such as power flow modelling this was seen as out of scope, and is unlikely to be possible at a global scale with current data sources. The use of open data now allows anyone to freely use or develop this tool (see Code Availability) further to model the power network for any location, as we have demonstrated for the entire globe.


4 Answers 4

Invariance means that you can recognize an object as an object, even when its appearance يختلف in some way. This is generally a good thing, because it preserves the object's identity, category, (etc) across changes in the specifics of the visual input, like relative positions of the viewer/camera and the object.

The image below contains many views of the same statue. You (and well-trained neural networks) can recognize that the same object appears in every picture, even though the actual pixel values are quite different.

Note that translation here has a specific meaning in vision, borrowed from geometry. It does not refer to any type of conversion, unlike say, a translation from French to English or between file formats. Instead, it means that each point/pixel in the image has been moved the same amount in the same direction. Alternately, you can think of the origin as having been shifted an equal amount in the opposite direction. For example, we can generate the 2nd and 3rd images in the first row from the first by moving each pixel 50 or 100 pixels to the right.

One can show that the convolution operator commutes with respect to translation. If you convolve $f$ with $g$ , it doesn't matter if you translate the convolved output $f*g$ , or if you translate $f$ or $g$ first, then convolve them. Wikipedia has a bit more.

One approach to translation-invariant object recognition is to take a "template" of the object and convolve it with every possible location of the object in the image. If you get a large response at a location, it suggests that an object resembling the template is located at that location. This approach is often called template-matching.

Invariance vs. Equivariance

Santanu_Pattanayak's answer (here) points out that there is a difference between translation invariance and translation equivariance. Translation invariance means that the system produces exactly the same response, regardless of how its input is shifted. For example, a face-detector might report "FACE FOUND" for all three images in the top row. Equivariance means that the system works equally well across positions, but its response shifts with the position of the target. For example, a heat map of "face-iness" would have similar bumps at the left, center, and right when it processes the first row of images.

This is is sometimes an important distinction, but many people call both phenomena "invariance", especially since it is usually trivial to convert an equivariant response into an invariant one--just disregard all the position information).


شاهد الفيديو: Parcours dexcellence Ismail avec la FME (شهر اكتوبر 2021).