أكثر

كيف يمكننا استرجاع قيم الفترات في وسيلة الإيضاح في R.


لدي نموذج ارتفاع مرسوم في رمز R:

مكتبة (نقطية) بيانات (بركان) ص <- مؤامرة نقطية (بركان) (r ، col = topo.colors (20))

قطعة:

كيف يمكننا استرداد قيم الفواصل الزمنية في وسيلة الإيضاح ، أي في المثال -> 100،120،140،160،180


وسيلة الإيضاح هي ملخص لقيم البيانات النقطية. لذلك ، سوف تحتاج إلى استخراج قيم البيانات النقطية ذات الصلة. يجب أن تفعل ذلك:

مكتبة (نقطية) بيانات (بركان) r = نقطية (بركان) min = minValue (r) max = maxValue (r) l = c (min: max) نتيجة = l [l ٪٪ 20 == 0]> نتيجة [1 ] 100120140160180

Spplot: طرق الرسم للبيانات المكانية ذات السمات

نسبة العرض إلى الارتفاع للمحاور المكانية الافتراضية "iso" (وحدة واحدة على المحور x تساوي وحدة واحدة على المحور y) ولكن يمكن تعيينها على قيم أكثر ملاءمة إذا كانت البيانات على سبيل المثال إذا كانت الإحداثيات هي خطوط الطول / العرض

اعتمادًا على فئة obj أو panel.polygonsplot (للمضلعات أو الخطوط) أو panel.gridplot (الشبكات) أو panel.pointsplot (Points) تستخدم لمزيد من وظائف لوحة التحكم المخصصة التي تستدعي إحدى وظائف اللوحة هذه ، ولكن اقرأ أدناه كيف يمكن أن تساعد الحجة sp.layout

NULL أو قائمة انظر الملاحظات أدناه

إذا لم يكن FALSE ، فحدد الكائنات المرسومة (تعمل حاليًا فقط مع مخططات النقاط). تسميات التعريف هي أسماء row.names لجدول السمات row.names (as.data.frame (obj)). إذا كانت TRUE ، حدد على اللوحة (1،1) للتعريف على اللوحة i ، j ، مرر القيمة c (i ، j)

اختياري قد يكون مفيدًا لرسم قيمة محولة. افتراضات على z

x + y | اسم لسمات متعددة استخدم على سبيل المثال إكسب (x)

x + y | الاسم لرسم أس المتغير z

إذا كانت FALSE ، فاستخدم مفتاح الرمز إذا كانت TRUE ، واستخدم colorkey إذا كانت قائمة مستمرة ، مثل المستوى الذي يشبه الرسم البياني ، واتبع بنية الوسيطة colorkey في levelplot (انظر أدناه للحصول على مثال)

تبرير وضع اليرقة

منطقيًا إذا تم استدعاء TRUE أو trellis.par.set ، وإلا يتم إرجاع قائمة يمكن تمريرها إلى trellis.par.set ()

ارتفاع عرض شريط المقياس 1.0

منطقيًا إذا كانت القيمة TRUE ، يتم إجراء فحص لمعرفة ما إذا كانت الصفوف أو الأعمدة الفارغة موجودة ، وتحتاج إلى العناية بها. قد يؤدي الضبط على FALSE إلى تحسين السرعة.

متجه بألوان تعبئة إذا كان المتغير المراد رسمه عاملاً ، يجب أن يكون لهذا المتجه طول مساوٍ لعدد مستويات العامل

متجه مع قيم اللون ، الافتراضي للمناطق العمودية


قياس ذاتي

تعمل جميع الرسوم البيانية والمخططات ، باستثناء الرسوم البيانية ثلاثية الأبعاد ، على تمكين القياس التلقائي تلقائيًا ، مما يعني أنها تضبط المقاييس الأفقية والرأسية لتلائم البيانات التي ترسلها إليها. بشكل افتراضي ، يتم تمكين القياس التلقائي للرسوم البيانية والمخططات. ومع ذلك ، يمكن أن يبطئ القياس التلقائي الأداء. انقر بزر الماوس الأيمن على الرسم البياني أو الرسم البياني وحدد مقياس X »AutoScale X أو مقياس Y »مقياس تلقائي Y من قائمة الاختصارات لتشغيل القياس التلقائي أو إيقاف تشغيله.

ملحوظة بالنسبة لـ Compass Plot و Error Bar Plot و Feather Plot و XY Plot Matrix ، حدد مقياس تلقائي X أو مقياس تلقائي Y من القائمة المختصرة.

استخدم أداة التشغيل أو أداة Labeling لتغيير المقياس الأفقي أو الرأسي مباشرة.

ملحوظة لا يتضمن LabVIEW المخططات المخفية عندما تقوم بمقياس محاور الرسم البياني أو المخطط تلقائيًا. إذا كنت تريد تضمين المخططات المخفية عند القياس التلقائي ، فاجعل المؤامرات المخفية شفافة بدلاً من ذلك. انقر بزر الماوس الأيمن فوق صورة الرسم البياني في وسيلة إيضاح الرسم وحدد اللون من القائمة المختصرة لتغيير لون المؤامرات.

عند تغيير حجم الرسم البياني أو الرسم البياني ، تتحرك العناصر الأخرى على الرسم البياني أو المخطط وتغيير حجمها. لتعطيل هذا السلوك بحيث يظل حجم منطقة الرسم ثابتًا ، انقر بزر الماوس الأيمن على الرسم البياني أو المخطط وحدد متقدم »موازين الضبط التلقائي من القائمة المختصرة. إذا قمت بتعطيل هذا السلوك ، فقد تتداخل المقاييس أو تتداخل مع بعضها البعض.

ملحوظة ال موازين الضبط التلقائي لا ينطبق الخيار على Compass Plot أو Error Bar Plot أو Feather Plot أو XY Plot Matrix أو الرسوم البيانية ثلاثية الأبعاد.


3.2 بناء جدول الحياة العادية

تعد معرفة بناء جدول الحياة العادية أمرًا ضروريًا في بناء جدول حياة متعدد الإنقاص. هناك عدد من الطرق المتاحة لإنشاء جدول حياة عادي باستخدام بيانات عن معدلات الوفيات الخاصة بالعمر. الطرق الأكثر شيوعًا هي تلك التي يستخدمها Reed Merrell و Greville و Keyfitz و Frauenthal و Chiang (للاطلاع على مناقشة هذه الأساليب ، انظر Namboodiri و Suchindran ، 1987).

في هذا القسم ، نقوم ببناء جدول حياة عادي مع بيانات عن معدلات الوفيات الخاصة بالعمر بناءً على طريقة بسيطة اقترحها Fergany (1971. "حول وظيفة بقاء الإنسان وبناء جدول الحياة ،" الديموغرافيا 8 (3): 331-334). في هذه الطريقة ، معدل الوفيات حسب العمر ( نمx ) إلى نسبة الموت في الفترة العمرية ( نفx ) باستخدام صيغة بسيطة:

فورمولا 1)

حيث e هو رمز الرقم الأساسي للوغاريثم الطبيعي (ثابت يساوي 2.71828182.) و n هو طول الفترة العمرية. (ملاحظة: لا تخلط بين الرمز e هنا و ex 0 مستخدم في تدوين "الحياة المتوقعة").

مرة واحدة نفx يتم حساب معدلات الوفيات الخاصة بالعمر ، ويتم حساب الأعمدة المتبقية في جدول الحياة بسهولة باستخدام العلاقات التالية:

(كما في الجدول 3.1.2 ، اضرب العمود 3 في العمود 2.)
(كما في الجدول 3.1.2 ، اطرح العمود 4 من العمود 3.)
(قسّم العمود 4 في الجدول 3.1.2 على معدل الوفيات الخاص بالعمر المقابل.
ملاحظة: الجدول 3.1.2 لم يستخدم طريقة Fergany.)
(احصل على مجاميع تراكمية للعمود 5 في الجدول 3.1.2.)
(في الجدول 3.1.2 ، قسّم العمود 6 على العمود 3.)

مثال تحويل معدل الوفيات الخاص بالعمر إلى نسبة الوفاة في الفترة العمرية

يوضح الجدول 2.5.2 من الدرس 2.5 أن معدل الوفيات حسب العمر للفئة العمرية 1-4 ( 4م1 ) بالنسبة للذكور في كوستاريكا في عام 1960 هو 00701 للشخص الواحد. (ضع في اعتبارك أن الجداول التي تعرض معدلات الوفيات الخاصة بالعمر ستعرض عادةً المعدل على أنه "عدد الوفيات لكل 1000 شخص" ، ولكن في الحسابات المستخدمة في بناء جدول حياة عادي ، يكون معدل الوفيات حسب العمر هو "عدد الوفيات للشخص الواحد.")

باستخدام الصيغة (1) من اعلى،

طريقة Fergany ، خطوة بخطوة

في هذا المثال ، نستخدم معدلات الوفيات الخاصة بالعمر من الجدول 2.5.2 من الدرس 2.5 لإكمال بناء جدول الحياة لعام 1960 من الذكور الكوستاريكيين. سوف نتبع طريقة Fergany.

الحصول على معدلات الوفيات الخاصة بالعمر. لاحظ أن معدلات الوفيات الخاصة بالعمر تكون لكل شخص (العمود 2 من الجدول 2.5.2).

تحويل معدلات الوفيات الخاصة بالعمر (نانومتر x) إلى نسبة الوفاة في الفترة العمرية ( ن فx ) القيم باستخدام الصيغة التالية (الصيغة (1) من اعلى):
، أين ن هو طول الفترة العمرية

أمثلة الخطوة 2

للفترات العمرية 0-1:
ن = 1
معدل الوفيات حسب العمر () = .07505
= 0.072303

للفترات العمرية 1-4:
ن = 4
معدل الوفيات حسب العمر () = 0.00701
= 0.027651

للفترات العمرية 5-9:
ن = 5
معدل الوفيات حسب العمر () = 0.00171
= 0.008514

للفترات العمرية 85+:
لأن كل فرد في المجتمع يموت في النهاية ، فإن نفx تم ضبط قيمة هذه الفترة العمرية على 1. ( نفx يتم دائمًا تعيين قيمة فئة مفتوحة إلى 1.)

يستخدم نفx لحساب lx القيم في العمود 3.

(ملاحظة: هذه الصيغة الحسابية سهلة التنفيذ على جدول البيانات. أول حساب ل1 والنسخ إلى الخلايا المتبقية من العمود.)

الخطوة 3 أمثلة

احسب عدد الوفيات في الفواصل العمرية () في العمود 4 على النحو التالي:

ملاحظة: في بعض الأحيان يكون من السهل تنفيذ الخطوتين 3 و 4 في وقت واحد:
اكتب أولاً = 100،000
ثم احسب:

في العمود 5 ، احسب سنوات حياة الشخص في الفترة العمرية المحددة () على النحو التالي:

(العمود 4 / معدل الوفيات حسب العمر)

الخطوة 5 مثال

في العمود 6 ، احسب سنوات حياة الشخص التراكمية بعد عمر محدد (Tx ):

(قيم الجمع في العمود 6 من عمر محدد إلى نهاية الجدول.)

الخطوة 6 أمثلة

العمود الأخير من جدول الحياة (العمود 7) هو توقع الحياة في أعمار محددة. يتم حساب هذا العمود على النحو التالي:

اكتمل بناء جدول الحياة بتنفيذ الخطوة 7.

ميزات مختارة من جدول الحياة

سنقوم بفحص بعض ميزات جدول الحياة المُنشأة ذات الصلة ببناء وتفسير جدول الحياة متعدد الإنقاصات:

1. سيساوي مجموع القيم في العمود 4 100000 (=).

2. سيكون مجموع القيم الموجودة في العمود 4 من عمر محدد مساويًا للقيمة في هذا العمر كما هو موضح في العمود 3.

على سبيل المثال:

وبالتالي ، يمكن للمرء أن يفسر على أنه العدد التراكمي للوفيات بعد عمر محدد.

3. العمر الذي يموت عنده الأشخاص في مجموعة جدول الحياة مهم أيضًا في فهمنا لنمط عمر الموت. يعطي العمود (العمود 4 من جدول الحياة) التوزيع التكراري للعمر عند الوفاة بين السكان.

سيظهر الرسم البياني لتوزيع التردد هذا النمط العمري للوفاة بين السكان. لسوء الحظ ، يتم إعطاء توزيع التردد هذا في فترات عمرية غير متساوية الطول (وفاصل زمني مفتوح في النهاية). لذلك يعد تعديل الرسم البياني للفترات العمرية غير المتكافئة أكثر ملاءمة لجدول الحياة هذا.

يوضح الشكل 3.2.1 نمط التوزيع العمري للوفيات من جدول الحياة أعلاه (الجدول 3.2.1). لاحظ أنه في هذا المثال ، يتم إغلاق الفاصل العمري المفتوح +85 عند 85-100. نسبة الوفيات في كل فئة عمرية مقسومة على طول الفترة العمرية. يتم رسم الرسم البياني عن طريق توصيل القيم في منتصف كل فترة.

الشكل 3.2.1: التوزيع العمري للوفيات لعام 1960 في كوستاريكا الذكور

يوضح الرسم البياني أن نسبة عالية من الفوج يموتون في مرحلة الطفولة. تنخفض الوفيات حتى مرحلة البلوغ المبكرة ، وترتفع حتى سن 80 ، ثم تبدأ في الانخفاض مرة أخرى في الأعمار القصوى. لاحظ أن الانخفاض الحاد في أقصى اليمين يرجع إلى قلة عدد الناجين من كبار السن في هذه الفئة من السكان.

4. يمكن أيضًا حساب العدد التراكمي للوفيات منذ بداية الحياة عن طريق جمع الأرقام المناسبة في العمود 4. على سبيل المثال ، عدد الأشخاص في المجموعة الذين يموتون قبل بلوغ سن 15 هو:

لاحظ أنه يمكن حساب هذا الرقم أيضًا على النحو التالي:

وبالتالي ، فإن نسبة الوفاة قبل بلوغ سن 15 هي:

تمرين 7

ملاحظة للطلاب: سيتطلب هذا التمرين الطويل استخدام برنامج جداول البيانات. حظا سعيدا!

استخدم البيانات الخاصة بالوفيات الخاصة بالعمر للإناث الكوستاريكيات عام 1960 من التمرين 5 لإنشاء جدول حياة باستخدام طريقة Fergany كما هو موضح أعلاه. (لقد قمت بتنزيل ملف البيانات الذي تحتاجه هنا كجزء من التمرين 5.)

ثم استخدم جدول الحياة الخاص بك للقيام بما يلي:

  1. ارسم رسومات بيانية للأعمدة والأعمدة. صف بإيجاز هذه الرسوم البيانية.
  2. ارسم رسمًا بيانيًا للتوزيع العمري للوفيات (تعديل الفترات العمرية غير المتكافئة) باستخدام العمود في جدول الحياة. علق على النمط العمري للوفيات الموضح في هذا الرسم البياني.
  3. تحقق من أن هذا هو مجموع ندx العمود من سن 65 إلى نهاية الجدول.

بمجرد الانتهاء من عملك ، قارن نتائجك بمفتاح الإجابة أدناه.

إجابات على التمارين

تمرين 6

عادةً ما يكون أصل جدول الحياة 100،000 ولكن قد يكون رقمًا مختلفًا. في أي جدول حياة عادي يمكنك دائمًا البحث لمعرفة ما هو الجذر؟

B. في الصف الأول من العمود 3. الجذر هو ببساطة عدد الأطفال حديثي الولادة لجدول الحياة. نظرًا لأن العمود 3 يعطي العدد الأولي للأشخاص في كل فترة عمرية ، فإن الصف الأول يعطي عدد الأشخاص بدءًا من العمر 0. وفي هذه الحالة ، يكون العدد 100000 ، كالمعتاد.

وفقًا للعمود 7 من الجدول 3.1.2 ، قد يتوقع أن يبلغ المولود الجديد في الولايات المتحدة في عام 1997 سن 76.5. بمجرد أن يبلغ هذا الطفل سن الخمسين ، ما هو العمر الذي يتوقع أن يبلغه؟

ج 79.7. يخبر العمود 7 ، في المتوسط ​​، عدد سنوات الحياة المتوقعة للأشخاص الذين وصلوا إلى بداية الفترة العمرية. لذلك يتوقع البالغ من العمر 50 عامًا أن يعيش 29.7 عامًا أخرى في المتوسط ​​(50 + 29.7 = 79.7).

وفقًا للجدول 3.1.2 ، من بين المولودين في الولايات المتحدة في عام 1997 والذين وصلوا إلى سن 70 ، ما هي النسبة المئوية المتوقعة للموت قبل بلوغهم سن 75؟

أ 14٪. يعطي العمود 2 نسبة الأشخاص على قيد الحياة في بداية الفترة العمرية الذين يموتون خلال الفترة العمرية. لذا فإن الشخص البالغ من العمر 70 عامًا لديه فرصة بنسبة 14365 (تقريبًا إلى 14 ٪) للوفاة خلال الفترة العمرية 70-75.

وفقًا للجدول 3.1.2 ، ما هو احتمال بقاء مولود جديد في الولايات المتحدة عام 1997 على قيد الحياة حتى سن العشرين؟

ج .986. نظرًا لأن العمود 3 يعطي عدد الأشخاص الذين بقوا على قيد الحياة حتى بداية الفترة العمرية (وصل 98،558 إلى سن 20) وأنت تعرف عدد الأشخاص الذين بدأوا (100،000) ، فإن احتمال بلوغهم سن العشرين هو 98،558 / 100،000 = .98558.

تمرين 7

استخدم البيانات الخاصة بالوفيات الخاصة بالعمر للإناث الكوستاريكيات عام 1960 من التمرين 5 لإنشاء جدول حياة باستخدام طريقة Fergany كما هو موضح أعلاه. (لقد قمت بتنزيل ملف البيانات الذي تحتاجه هنا كجزء من التمرين 5.)

ثم استخدم جدول الحياة الخاص بك للقيام بما يلي:

  1. ارسم رسومات بيانية للأعمدة والأعمدة. صف بإيجاز هذه الرسوم البيانية.
  2. ارسم رسمًا بيانيًا للتوزيع العمري للوفيات (ضبط الفترات العمرية غير المتكافئة) باستخدام ندx عمود في جدول الحياة. علق على النمط العمري للوفيات الموضح في هذا الرسم البياني.
  3. تحقق من أن هذا هو مجموع ندx العمود من سن 65 إلى نهاية الجدول.

ثم استخدم جدول الحياة الخاص بك للقيام بما يلي:

1. ارسم الرسوم البيانية للأعمدة والأعمدة. صف بإيجاز هذه الرسوم البيانية.

نسبة الأشخاص الذين يموتون خلال الفترة العمرية أعلى قليلاً في أول فترتين عمريتين ، منخفضة ومسطحة حتى سن 45 تقريبًا ، وترتفع بشكل حاد إلى حد ما بعد ذلك حتى تصل إلى 1.0 للفئة العمرية 85+.

بطبيعة الحال ، يبدأ عدد الأشخاص على قيد الحياة في بداية كل فترة في الانخفاض بسرعة أكبر في سن 45.

2. ارسم رسمًا بيانيًا للتوزيع العمري للوفيات (ضبط الفترات العمرية غير المتكافئة) باستخدام ندx عمود في جدول الحياة. علق على النمط العمري للوفيات الموضح في هذا الرسم البياني.

أعلى معدل وفيات يكون في الفترة العمرية الأولى. بعد الفترة العمرية الثانية ، تكون معدلات الوفيات منخفضة ومسطحة قبل أن تبدأ في الارتفاع عند حوالي 47.5 (نقطة منتصف الفترة العمرية) ، وتبلغ ذروتها عند 82.5. الانخفاض الحاد في الفئة العمرية الأخيرة يرجع جزئيًا إلى قلة عدد الناجين وجزئيًا لأنه فاصل زمني مفتوح. إذا استمر الجدول بفواصل زمنية مدتها خمس سنوات ، فسيبدو الانخفاض أكثر تدريجيًا.

3. تحقق من أن هذا هو مجموع ندx عمود من سن 65 حتى نهاية الجدول.


محتوى

بيانات المقاطعة

يعرض أطلس بيانات المقاطعات (www.cdc.gov/diabetes/atlas/countydata/atlas.html) خريطة للولايات المتحدة تظهر تقديرات أولية ومعدلة حسب العمر لانتشار وحدوث مرض السكري وانتشار السمنة والجسدية. الخمول حسب المقاطعة. كما يعرض بيانات عن انتشار مرض السكري والسمنة وقلة النشاط البدني حسب الجنس. في هذا الأطلس ، يمكن للمستخدم التفاعل مع الخرائط وجداول البيانات. يمكن للمستخدم تحديد مؤشر ليتم عرضه في كل من الخريطة والجدول بالنقر فوق الزر & ldquoIndicator & rdquo والاختيار من القائمة المنسدلة. تُظهر الشاشة الافتراضية جميع مقاطعات الولايات المتحدة (الشكل 1). لعرض بيانات المقاطعة حسب الولاية ، ينقر المستخدم على الزر & ldquoSelect State & rdquo لتحديد حالة من القائمة المنسدلة لجميع الولايات.

شكل 1. لقطة شاشة للعرض الافتراضي لبيانات المقاطعات الأمريكية حول مرض السكري وعوامل الخطر الخاصة به في أطلس السكري التفاعلي (www.cdc.gov/diabetes/atlas/countydata/atlas.html). [يتوفر أيضًا وصف نصي لهذا الشكل.]

يمكن فرز جدول البيانات وفقًا لأي عنوان عمود في الجدول ، بما في ذلك اسم المقاطعة واسم الولاية وقيمة المؤشر وحدود الثقة الدنيا والعليا لقيمة المؤشر وإجمالي عدد البالغين حسب المؤشر. سيتم تمييز الصف أو الصفوف المتعددة المحددة في جدول البيانات على الخريطة. وبالمثل ، إذا نقر المستخدم على مقاطعة أو عدة مقاطعات أو تحرك فوق مقاطعة في الخريطة ، فسيتم تمييز تلك المقاطعات في الجدول. يسمح الزر & ldquoLegend Settings & rdquo للمستخدم باختيار تصنيفات بيانات مختلفة (على سبيل المثال ، فترات متساوية ، فواصل مستمرة ، طبيعية ، أو مقاييس) وأعداد مختلفة من فئات البيانات (من 2 إلى 10 فئات) لعرض مؤشر. يسمح شريط الرسوم المتحركة الزمني الموجود بالقرب من أعلى صفحة الويب للمستخدم بمشاهدة الاتجاهات بمرور الوقت للولايات المتحدة واختيار أي سنة واحدة للعرض. الميزات الأخرى للأطلس هي وظائف للتكبير والتصغير ، والطباعة ، والتصدير ، والتنزيل ، وبرنامج تعليمي ، & ldquo كيفية استخدام Atlas. & rdquo

تصنيفات المقاطعة

يحتوي أطلس تصنيف المقاطعات (www.cdc.gov/diabetes/atlas/countyrank/atlas.html) على جميع ميزات الأطلس لبيانات المقاطعات. يعرض خريطة للولايات المتحدة حسب المقاطعة ويشير إلى ما إذا كانت المعدلات المعدلة حسب العمر (للمؤشر المختار) في المقاطعات مرتبة أعلى أو أقل أو لا تختلف عن المعدلات المتوسطة في الولايات المتحدة. تتوافر تصنيفات بيانات المقاطعات حول مرض السكري الذي تم تشخيصه ، والسمنة ، والخمول البدني ، ومع ذلك ، لا تتوفر الرتب لتقديرات المقاطعات لانتشار مرض السكري حسب الجنس أو للإصابة لأن معظم هذه الإجراءات لها معامل تباين أكبر من 0.3. تقديرات الرتب لها فترات ثقة كبيرة ومتغيرة بدرجة كبيرة (20). يجب مراعاة فترات الثقة هذه قبل الوصول إلى استنتاجات حول المقاطعات بناءً على الرتب. على سبيل المثال ، في عام 2010 ، احتلت مقاطعة كوك بولاية إلينوي المرتبة 1508 في معدل انتشار مرض السكري الذي تم تشخيصه. ومع ذلك ، كانت الحدود الدنيا والعليا من رتبة مقاطعة كوك هي 1224 (الشريحة المئوية الخامسة) و 1،774 (95 مئوية).

الخرائط والرسوم البيانية للحركة

الخرائط والرسوم البيانية للحركة: الخيار & ldquoAll States & rdquo

تقدم صفحة الويب & ldquoMaps and Motion Charts & mdash All States & rdquo (www.cdc.gov/diabetes/atlas/obesityrisk/atlas.html) مزيدًا من المعلومات ويكون العرض الافتراضي أكثر تعقيدًا من شاشات الأطلس الأخرى. يُظهر العرض الافتراضي (الشكل 2) 4 صور تصور البيانات في جميع الولايات الخمسين: 1) خريطة تفصيلية لانتشار مرض السكري المعدل حسب العمر (والتي يمكن تحويلها إلى عرض الجدول) ، 2) مخطط فقاعي لمرض السكري المعدل حسب العمر و انتشار السمنة ، 3) مخطط شريطي لانتشار مرض السكري المصحح حسب العمر ، و 4) رسم بياني لمتوسط ​​انتشار السكري المعدل حسب العمر في الولايات المتحدة من 1994 إلى 2010. بالإضافة إلى ذلك ، تعرض الصفحة شريطًا للرسوم المتحركة بالوقت. العرض الافتراضي لبيانات الولاية هو العرض الوطني ، ومع ذلك ، يمكن للمستخدم النقر فوق الزر & ldquoSelect Region & rdquo وعرض بيانات الحالة حسب منطقة أو قسم التعداد في الولايات المتحدة. يُظهر الرسم البياني الشريطي قيمة المؤشر بحد أدنى وأعلى للثقة لكل ولاية لكل عام. يتم التعرف على درجة عدم اليقين لكل تقدير من خلال فحص أشرطة الخطأ ، والتي تشير إلى الحدود الدنيا والعليا. على سبيل المثال ، سيكون للتقدير الدقيق فترة زمنية ضيقة. يعرض مخطط السلسلة الزمنية خط اتجاه برتقالي يمثل معدل الانتشار المتوسط ​​في الولايات المتحدة لكل عام. عندما يحرك المستخدم الماوس فوق حالة في الخريطة أو مخطط الفقاعات أو المخطط الشريطي ، يظهر خط الاتجاه لهذه الحالة ويمكن مقارنته بمتوسط ​​الولايات المتحدة.

الشكل 2. لقطة شاشة للعرض الافتراضي للخرائط ومخططات الحركة حول مرض السكري وعوامل الخطر الخاصة به لجميع الولايات في الأطلس التفاعلي لمرض السكري (www.cdc.gov/diabetes/atlas/obesityrisk/atlas.html). [يتوفر أيضًا وصف نصي لهذا الشكل.]

من خلال النقر فوق الزر ldquoPlay & rdquo على شريط الرسوم المتحركة للوقت ، يمكن للمستخدم رؤية التغييرات في مؤشر بمرور الوقت وعبر الولايات في الخريطة ، والمخطط الفقاعي ، والمخطط الشريطي. تسمح حركة الرسم البياني الفقاعي بالتحقيق في التفاعل المعقد للبيانات بين مؤشر وعامل خطر معروف ، وهو السمنة. المعلمات المحددة لبيانات مخطط الحركة الافتراضية هي كما يلي: x- المحور هو نسبة السمنة المعدلة حسب العمر ، و ذ- المحور هو معدل انتشار مرض السكري حسب العمر ، ويشير لون الفقاعة إلى فئة البيانات ، ويتناسب حجم الفقاعة مع عدد البالغين المصابين بداء السكري. على الرغم من أن x- يشير المحور دائمًا إلى السمنة ، يمكن للمستخدم تحديد مؤشر مختلف (مثل الإصابة بمرض السكري أو عدم النشاط البدني) ذ-محور.

يمكن للمستخدم تحديد حالات متعددة بالضغط باستمرار على المفتاح & ldquoControl & rdquo أثناء النقر بالماوس. سيتم تمييز تلك الحالات في جميع إطارات البيانات. تشمل الميزات الأخرى في الأطلس التكبير والتصغير والطباعة والتصدير والتنزيل والبرامج التعليمية عبر الإنترنت.

الخرائط ومخططات الحركة: the & ldquo حدد خيار State & rdquo

بالضغط على & ldquoSelect a State & rdquo (www.cdc.gov/diabetes/atlas/obesityrisk/county_statelist.html) ، يتم نقل المستخدم إلى صفحة تعرض أسماء 50 ولاية ، وبالنقر على حالة ، يكون المستخدم هو تم أخذها إلى التقديرات المعدلة حسب العمر على مستوى المقاطعة للدولة المختارة. تحتوي صفحات & ldquoSelect a State & rdquo على جميع المكونات والوظائف الموجودة في & ldquoAll States. & rdquo يشتمل الأطلس على أداة خريطة شفافة تساعد المستخدمين الذين قد يعرفون اسم مدينة ولكن ليس اسم مقاطعة. من خلال تحريك شريط التمرير الخاص بالأداة & rsquos إلى شفافية عالية ، يمكن للمستخدم العثور على المدينة على خريطة الخلفية ، ثم النقر فوق المدينة لتمييز اسم المقاطعة والمقاطعة.


3 إجابات 3

يمكنك أن تفعل شيئًا كهذا باستخدام الانحدار الكمي المتزامن مع مجموعة الدمى المقابلة للمجموعات الأربع. يسمح لك هذا باختبار وإنشاء فترات ثقة تقارن المعاملات التي تصف الكميات المختلفة التي تهتم بها.

في ما يلي مثال على لعبة حيث لا يمكننا رفض القيمة الصفرية المشتركة بأن الربع الخامس والعشرين والخامسين والخامس والسبعين لأسعار السيارات كلها متساوية في جميع مجموعات MPG الأربعة (القيمة الاحتمالية هي 0.374):

على الرغم من أنه يبدو أن هناك اختلافات كبيرة بين المجموعة 1 والمجموعات 2-4 للمقاييس الثلاثة في الرسم البياني. ومع ذلك ، هذه ليست الكثير من البيانات ، وبالتالي فإن الفشل في الرفض مع الاختبار الرسمي ربما لا يكون مفاجئًا بسبب "الصغر".

ومن المثير للاهتمام أن اختبار Kruskal-Wallis لفرضية أن 4 مجموعات من نفس السكان يرفض:

بافتراض أن منحنياتك تمثل عوامل CDF التجريبية التي تم الحصول عليها من البيانات ، فإن الطريقة المعتادة لاختبار الفرق بين أكثر من مجموعتين ستكون نوعًا من الاختبار غير البارامتري متعدد العينات المشابهة لاختبار Kolmogorov-Smirnov ، أو اختبار قائم على الرتبة اختبار ANOVA مثل اختبار Kruskal-Wallis متعدد العينات. هناك عدد من الأوراق البحثية في الأدبيات الإحصائية التي تبحث في الاختبارات غير المعيارية متعددة العينات من هذا النوع (انظر على سبيل المثال ، Kiefer 1959، Birnbaum and Hall 1960، Conover 1965، Sen 1973 للأدب المبكر). إذا خفضت إلى المقارنة الزوجية للاهتمام ، فيمكنك بالطبع استخدام الاختبارات التقليدية المكونة من عينتين.

هناك حزمة R تسمى ksamples تنفذ اختبار Kruskal-Wallis متعدد العينات وبعض الاختبارات غير البارامترية الأخرى متعددة العينات. لست على علم بحزمة تقوم باختبار KS متعدد العينات ، ولكن قد يتمكن الآخرون من توجيهك إلى موارد إضافية.

لمقارنة توزيعين في وقت واحد ("زوجي") ، من الممكن العثور على جميع نطاقات القيم التي تختلف فيها قيم CDF بشكل كبير إحصائيًا ، بينما تتحكم في معدل الخطأ العائلي (FWER) عند المستوى الذي تريده. تم وصف هذا النهج (الجديد) بالتفصيل في ورقة مجلة الاقتصاد القياسي لعام 2018 هذه ، وكذلك في مقالة مجلة ستاتا لعام 2019. كود R و Stata (والمسودات المفتوحة للمقالات وملفات النسخ المتماثل) موجودة على https://faculty.missouri.edu/

كابلاندم. كلا المقالتين تتضمن أمثلة مع بيانات حقيقية. كل شيء غير معلمي تمامًا ، و "التحكم القوي" في FWER دقيق حتى في العينات الصغيرة.


6 إجابات 6

هذا جزئيًا رد علىSashikanth Dareddy (لأنه لن يتناسب مع التعليق) وجزئيًا ردًا على المنشور الأصلي.

تذكر ما هو الفاصل الزمني للتنبؤ ، فهو فترة أو مجموعة من القيم حيث نتوقع أن الملاحظات المستقبلية ستكمن. بشكل عام ، يحتوي فاصل التنبؤ على قطعتين رئيسيتين تحددان عرضه ، وقطعة تمثل عدم اليقين بشأن المتوسط ​​المتوقع (أو معلمة أخرى) هذا هو جزء فاصل الثقة ، وقطعة تمثل تباين الملاحظات الفردية حول هذا المتوسط. فاصل الثقة قوي جدًا نظرًا لنظرية الحدود المركزية وفي حالة الغابة العشوائية ، يساعد التمهيد أيضًا. لكن الفاصل الزمني للتنبؤ يعتمد بشكل كامل على الافتراضات حول كيفية توزيع البيانات بالنظر إلى متغيرات التوقع ، وليس لـ CLT و bootstrapping أي تأثير على هذا الجزء.

يجب أن يكون الفاصل الزمني للتنبؤ أوسع حيث يكون فاصل الثقة المقابل أيضًا أوسع. الأشياء الأخرى التي قد تؤثر على عرض فاصل التنبؤ هي افتراضات حول التباين المتساوي أم لا ، يجب أن يأتي هذا من معرفة الباحث ، وليس نموذج الغابة العشوائية.

الفاصل الزمني للتنبؤ ليس منطقيًا لنتيجة قاطعة (يمكنك عمل مجموعة تنبؤ بدلاً من فاصل زمني ، ولكن في معظم الأحيان قد لا تكون مفيدة للغاية).

يمكننا أن نرى بعض المشكلات المتعلقة بفواصل التنبؤ من خلال محاكاة البيانات حيث نعرف الحقيقة الدقيقة. ضع في اعتبارك البيانات التالية:

تتبع هذه البيانات المعينة افتراضات الانحدار الخطي وهي مباشرة إلى حد ما لتناسب الغابة العشوائية. نعلم من النموذج "الحقيقي" أنه عندما يكون كلا المتنبئين صفرًا وأن المتوسط ​​يساوي 10 ، فإننا نعلم أيضًا أن النقاط الفردية تتبع توزيعًا طبيعيًا بانحراف معياري 1. وهذا يعني أن فاصل التنبؤ 95٪ يعتمد على المعرفة الكاملة لـ ستكون هذه النقاط من 8 إلى 12 (حسنًا في الواقع 8.04 إلى 11.96 ، لكن التقريب يبقيها أبسط). يجب أن يكون أي فاصل توقع تقديري أكبر من هذا (عدم وجود معلومات كاملة يضيف عرضًا للتعويض) ويتضمن هذا النطاق.

لنلقِ نظرة على فترات الانحدار:

يمكننا أن نرى أن هناك بعض عدم اليقين في الوسائل المقدرة (فاصل الثقة) وهذا يعطينا فاصلًا للتنبؤ أوسع (لكن يشمل) النطاق من 8 إلى 12.

الآن دعونا نلقي نظرة على الفاصل الزمني بناءً على التوقعات الفردية للأشجار الفردية (يجب أن نتوقع أن تكون أوسع نظرًا لأن الغابة العشوائية لا تستفيد من الافتراضات (التي نعرف أنها صحيحة بالنسبة لهذه البيانات) التي يفعلها الانحدار الخطي):

الفواصل الزمنية أوسع من فترات توقع الانحدار ، لكنها لا تغطي النطاق بأكمله. إنها تتضمن القيم الحقيقية ، وبالتالي قد تكون مشروعة كفواصل ثقة ، لكنها تتنبأ فقط بمكان المتوسط ​​(القيمة المتوقعة) ، وليس القطعة المضافة للتوزيع حول هذا المتوسط. بالنسبة للحالة الأولى حيث يكون كل من x1 و x2 صفرًا ، فإن الفواصل الزمنية لا تقل عن 9.7 ، وهذا يختلف تمامًا عن فترة التنبؤ الحقيقية التي تنخفض إلى 8. إذا قمنا بإنشاء نقاط بيانات جديدة ، فسيكون هناك عدة نقاط (أكثر من ذلك بكثير) من 5٪) الموجودة في الفترات الصحيحة وفترات الانحدار ، ولكن لا تقع في فترات مجموعة التفرعات العشوائية.

لإنشاء فاصل زمني للتنبؤ ، ستحتاج إلى وضع بعض الافتراضات القوية حول توزيع النقاط الفردية حول الوسائل المتوقعة ، ثم يمكنك أخذ التنبؤات من الأشجار الفردية (قطعة فترة الثقة التمهيدية) ثم إنشاء قيمة عشوائية من المفترض التوزيع مع هذا المركز. قد تشكل الكميات لتلك القطع المتولدة فترة التنبؤ (لكنني سأختبرها ، قد تحتاج إلى تكرار العملية عدة مرات والجمع).

فيما يلي مثال على القيام بذلك عن طريق إضافة انحرافات عادية (نظرًا لأننا نعلم البيانات الأصلية المستخدمة بشكل طبيعي) إلى التوقعات مع الانحراف المعياري بناءً على MSE المقدرة من تلك الشجرة:

تحتوي هذه الفواصل الزمنية على تلك التي تستند إلى المعرفة الكاملة ، لذا كن معقولاً. لكنهم سيعتمدون بشكل كبير على الافتراضات المقدمة (الافتراضات صالحة هنا لأننا استخدمنا معرفة كيفية محاكاة البيانات ، وقد لا تكون صالحة في حالات البيانات الحقيقية). ما زلت أكرر عمليات المحاكاة عدة مرات للبيانات التي تبدو أكثر شبهاً ببياناتك الحقيقية (ولكن تمت محاكاتها حتى تعرف الحقيقة) عدة مرات قبل الوثوق بهذه الطريقة تمامًا.


شكر وتقدير

تم تصميم هذه الورقة كجزء من ورشة عمل "سد الثغرات في الفهم العالمي للاستقرار والتعايش الإيكولوجيين" (FIGS) ، بتمويل من منحة توليفية لبرنامج UFZ ، وصناديق تكامل مشروع UFZ IP-11 ، ومختبر TULIP الفرنسي لـ التميز (ANR-10-LABX-41 ANR-11-IDEX-0002-02). تم أيضًا دعم مساهمات ATC و SH و JMC و AM ، جزئيًا ، من قبل المركز الألماني لبحوث التنوع البيولوجي التكاملي (iDiv) Halle-Jena-Leipzig بتمويل من مؤسسة الأبحاث الألمانية (FZT 118). تم دعم ML و CdM و YRZ من خلال منحة BIOSTASES المتقدمة التي يمولها مجلس البحوث الأوروبي في إطار برنامج Horizon 2020 للبحث والابتكار التابع للاتحاد الأوروبي (اتفاقية المنحة رقم 666971). تم تمويل GB من قبل مجلس البحوث السويدي (منحة VR 2017-05245) تم تمويل LGS من خلال منحة NSF EPSCoR Track 1 RII (جائزة NSF # EPS-1655726). يشكر المؤلفون أيضًا K. Thompson ومجموعات معمل Harpole و Chase في iDiv و UFZ ومجموعة معمل Hillebrand في HIFMB ، للحصول على تعليقات مفيدة حول المسودات السابقة لهذه المخطوطة. تم تمكين تمويل Open Access وتنظيمه بواسطة Projekt DEAL.


كيف يمكننا استرجاع قيم الفترات في وسيلة الإيضاح في R - Geographic Information Systems

تحليل البيانات النقطية مشابه في نواح كثيرة لتحليل المتجهات. ومع ذلك ، هناك بعض الاختلافات الرئيسية. تعتمد الاختلافات الرئيسية بين النمذجة النقطية والمتجهية على طبيعة نماذج البيانات نفسها. في كل من التحليل النقطي والمتجه ، تكون جميع العمليات ممكنة لأن مجموعات البيانات مخزنة في إطار عمل إحداثيات مشترك. يقع كل إحداثي في ​​القسم المستوي داخل كائن موجود أو بالقرب منه ، سواء كان هذا الكائن نقطة أو خطًا أو مضلعًا أو خلية نقطية.

في تحليل المتجهات ، تكون جميع العمليات ممكنة لأن المعالم في طبقة واحدة تقع حسب موضعها في علاقة صريحة بالميزات الموجودة في طبقات أخرى. المتأصل في نموذج بيانات العقدة القوسية هو chiralty ، أو اليسار واليمين للأقواس (كما هو موضح في صورة نموذج بيانات المضلع من نموذج البيانات المكانية). وكنتيجة طبيعية لذلك ، فإن الاحتواء والتداخل هما علاقات متأصلة بين الطبقات. على سبيل المثال ، توجد نقطة على إحدى الطبقات على جانب واحد من قوس في طبقة أخرى ، أو داخل أو خارج مضلع في طبقة أخرى بعد. يجعل تعقيد نموذج بيانات المتجه عمليات معقدة للغاية وتستهلك الكثير من الأجهزة.

من ناحية أخرى ، يفرض تحليل البيانات النقطية علاقاته المكانية فقط على موقع الخلية. تقوم العمليات النقطية التي يتم إجراؤها على مجموعات بيانات نقطية متعددة بإخراج قيم الخلايا التي تنتج بشكل عام عن العمليات الحسابية على أساس كل خلية على حدة. عادةً ما تكون قيمة الإخراج لخلية واحدة مستقلة عن قيمة أو موقع خلايا الإدخال أو الإخراج الأخرى. في بعض الحالات ، قيم خلايا الإخراج نكون تتأثر بالخلايا المجاورة أو مجموعات الخلايا ، كما هو الحال في الوظائف البؤرية.

البيانات النقطية مناسبة بشكل خاص للبيانات المستمرة. تتغير البيانات المستمرة بسلاسة عبر منظر طبيعي أو سطح. يتم التعامل مع الظواهر مثل التركيز الكيميائي ، والانحدار ، والارتفاع ، والجوانب في هياكل البيانات النقطية بشكل أفضل بكثير من هياكل بيانات المتجه. ولهذا السبب ، فإن العديد من التحليلات تكون أكثر ملاءمة أو ممكنة فقط مع البيانات النقطية. سيشرح هذا القسم والقسم التالي أساسيات معالجة البيانات النقطية ، بالإضافة إلى بعض الأدوات التحليلية الأكثر شيوعًا.

يمكن لـ ArcGIS التعامل مع العديد من تنسيقات البيانات النقطية. على الرغم من أنه يمكن لـ ArcGIS تحميل جميع أنواع البيانات النقطية المدعومة كصور ، ويمكن إجراء التحليل على أي مجموعة بيانات نقطية مدعومة ، فإن إخراج الوظائف التحليلية للبيانات النقطية يكون دائمًا تنسيق ArcInfo شبكات. نظرًا لأن مجموعة البيانات النقطية الأصلية في ArcGIS هي شبكة تنسيق ArcInfo ، من هذه النقطة فصاعدًا ، فإن المصطلح شبكة سيعني مجموعة البيانات النقطية الممكّنة تحليليًا.

ArcGIS 's interface to raster analysis is through the Spatial Analyst Extension. The Spatial Analyst, when loaded, provides additions to the ArcGIS GUI, including new menus, buttons, and tools. The features added to ArcGIS with the Spatial Analyst are listed here.

Grid layers are graphical representations of the ArcGIS and ArcInfo implementation of the raster data model. Grid layers are stored with a numeric value for each cell. The numeric cell values are either عدد صحيح أو floating-point. Integer grids have integer values for the cells, whereas floating-point grids have value attributes containing decimal places.

Cell values may be stored in summary tables known as Value Attribute Tables (VATs) في حدود معلومات subdirectory of the working directory. Because the possible number of unique values in floating-point grids is high, VATs are not built or available for floating-point grids.

VATs do not always exist for integer grids. VATs إرادة exist for integer grids that have:

  • a range of values (maximum minus minimum) less than 100,000 and
  • a number of unique values less than 500

It is possible to convert floating-point grids to integer grids, and vice versa, but this frequently leads to a loss of information. For example, if your data have very precise measurements representing soil pH, and the values are converted from decimal to integer, zones which were formerly distinct from each other may become indistinguishable.

شبكة zones are groups of either contiguous or noncontiguous cells having the same value.

شبكة المناطق are groups of contiguous cells having the same value. Therefore, a grid zone can be composed of 1 or more grid regions.

برغم من Raster Calculations (which will be discussed shortly) can be performed on both integer and floating-point grids, normal tabular selections are only possible on integer grids that have VATs. This is because a tabular selection is dependent on the existence of a attribute table. Those grids without VATs have no attribute tables, and are therefore unavailable for tabular selections.

Grid layer properties

Grid layer properties can be determined by viewing الخصائص.

ال جنرال لواء tab shows the Layer Name as it appears in the Table of Contents

ال مصدر tab shows the Data Source file location and a number of other pieces of information, such as the حجم الخلية, the number of صفوف و الأعمدة, the grid يكتب (Float or Integer), and the حالة (Temporary or Permanent).

ال حد tab shows the lower-left and upper-right coordinates.

ال عرض و Symbology tabs are used to alter the display of the layer.

Adding grid layers to data frames

Grid layers are added to data frames in the same manner as feature or image layers, by using the File > Add Data menu control, the Add Layer button , or by dragging from ArcCatalog. Grid data sources can be added to any ArcMap document. However, in order to load grid data sources for analysis into a data frame within the map document, the Spatial Analyst Extension must be loaded.

Also, in order to access many Spatial Analyst functions, it is necessary to add the Spatial Analyst toolbar.

If the Spatial Analyst Extension is not loaded, it is still possible to add grid data sources to a data frame, but only as simple images. Image layers cannot be queried or analyzed in any way. Image layers are usually not associated with any meaningful attribute values, other than a simple numeric value used for color mapping.

Displaying grid layers

Grid layer displays are altered in almost exactly the same manner as feature layers. Changes to the display of grid layers are done using the Legend Editor. Like polygon feature layers, shading of fills can be changed by altering the symbols of individual classes, by changing the Color Ramp, legend labels, and classification properties. One exception is that grids cannot be displayed with anything other than a solid fill symbol.

Here, the Pack Forest elevation floating-point elevation grid is displayed with in 5 equal-interval, natural breaks classes, with a gray monochromatic color scheme. نلاحظ أن لايوجد بيانات class is not included in the 5 classes.

Here the legend has been changed to a Stretched Color Ramp (an option not available for vector data).

Examining cell values in grid layer

As with vector data, to see the spread of values for a grid, view the layer properties. The histogram displays cell values on the X-axis and cell counts on the Y-axis.

For all grid layers, individual cell values can be queried using the Identify tool . Clicking on a cell for the active grid layer will display the attribute values for the layer. ال Identify Results dialog will display the name of the grid layer, the X and Y coordinates of the cell, and the cell's value.

For integer layers with VATs, it is possible to perform tabular selections. Here are all cells with an elevation between 1000 and 1500 ft. In order to make the selection it is necessary to open the VAT and perform the Select By Attributes in table Options.

As with normal feature layer selections, cells meeting the query criteria are displayed in the default selection color.

Managing grid layer files

When the Spatial Analyst performs operations that create new grids on the fly, these new grids are by default temporarily stored in the working directory. If the layer is deleted from the data frame, the grid will also be deleted from the disk. Frequently, grid queries and analyses are not formatted properly in order to obtain the desired result. The incorrect grid can be deleted from the map document, and it will also be removed from the file system (unlike shapefiles, which need to be manually deleted). After the correct result is obtained, the new temporary grid can be saved permanently. In order to make sure that newly created grids are saved, right-click and select Make Permanent. When you do save grid layers, you can choose the file system directory and the name of the layer, rather than accepting the default name and location of the dataset assigned by ArcGIS.

If there are permanently stored grids in a map document, and these are deleted from the map document, they will not be automatically deleted from the disk. If you want to delete the data source you will need to manually delete in the same manner that you manually delete shapefiles or other data sources (that is, with ArcCatalog). Be aware of this, because grid dataset files are very large in size, and can easily fill up a drive, especially a puny 128 MB removable drive.

In order to be able to copy, rename, or delete a layer, all references to the layer must be removed from the map document. Sometimes, even if the layer is removed from the data frame and the attribute table is deleted, ArcGIS "holds on" to a layer. In these cases, it becomes necessary to completely close a ArcGIS entirely before a data source can be deleted.

If you need to delete a grid data source, مطلقا use the operating system, use only ArcCatalog. Otherwise you will end up corrupting the file system by leaving "junk" data in the معلومات الدليل. Cleaning up after this requires the use of ArcInfo's command-line interface.

There are limitations for storing grid data sources you should be aware of:

No spaces in directory or file names! This is a requirement of the complete pathname to a grid data source. Here is an unacceptable pathname:

C:projectsdatagrid datasoil_loss

and an acceptable pathname

13 character limitation on grid names. Here is an unacceptable grid name:


Research involving human participants: All procedures performed in studies involving human participants were in accordance with the ethical standards of the institutional and/or national research committee and with the 1964 Helsinki declaration and its later amendments or comparable ethical standards.

Rui Li is an associate professor at the Department of Geography and Planning, State University of New York at Albany. He received his doctoral degree in Geography from The Pennsylvania State University. His main research interest is geographic information science with a special focus on the interaction among map representation, environments, and human spatial behaviors. He investigates the spatial cognition and user experiences with geospatial technologies and utilizes findings to inform the design and implementations of cognitively efficient technologies including navigation systems.


شاهد الفيديو: فكرة و وسيلة 13- تجربة الكلور شرح درس المخلع و المعمودية و نعمان السرياني للخدمات الكنسية مسيحي (شهر اكتوبر 2021).