Daha çox

Conda mühitində Grass7 çalışır?

Conda mühitində Grass7 çalışır?


Anaconda Python Dağıtımım var (Python 3.4.3 :: Anaconda 2.1.0 (64 bit)) Ubuntu 14.04 -də quraşdırılmışdır. Grass 7 -ni işlətmək üçün bir conda mühiti yaratmaq istərdim.

Bunu etmək üçün istifadə etdim:

conda yaratmaq -n çəmən python = 2 mənbə çəmənliyi aktivləşdirmək wxpython qurmaq

Qaçandaot 70terminaldan Grass Shell açılır və bir mesaj verirBaşlayır Arxa planda GUI, zəhmət olmasa gözləyin…lakin GUI açmır. Ot əldə etməyin və bir conda mühitində işləməyin bir yolu varmı?


Əməliyyat sisteminiz (Windows, Linux, Mac OS X) tam olaraq nə etməyə çalışırsınız?

  1. Ot qabığını istifadə etmək istəyirsinizsə (ot 70), əgər bir conda mühiti yaratmağa ehtiyac yoxdurot 70yolunuzdadır.

  2. Python modullarından istifadə etmək istəyirsinizsəot.scriptvə yaot.pigrassAnaconda/Pythonda iki həll yolunuz var:

    a) Ot qabığından Anaconda çağırın.

    g.script -dən idxal nüvəsi g kimi

    b) Anaconda qabığından Grass -a zəng edin: əvvəlcə ətraf mühit dəyişənlərini təyin etməlisiniz (açıq şəkildə başlamadan GRASS ilə işləmək və GIS SE -də bir çox suallara/cavablara baxın).

    çəmən idxal etmək.script olaraq ot kimi yazmaq

Jenkins boru kəmərindən `conda activate` işə salınmadı

Bütün qovşaqların oyun kitablarını işə salmaq üçün eyni mühitdən istifadə edərək, Ansible-ə ehtiyacı olan Jenkins boru kəmərlərimdə Conda ilə virtual mühitdən istifadə etməyi düşündüm. Proses olduqca irəlidə görünsə də, aşağıdakı səhvlə nəticələndiyi üçün conda activate ansible-env-ə zəng edə bilmirəm:

Aktivləşdirmək üçün istifadə etdiyim kod budur. olduqca əsas

Jenkins istifadəçisi olaraq qurma qovşağında conda init -sistemi işə saldım və sonra yenidən başladım. Dəyişiklik yoxdur.

Google -un həllini axtarmağa çox vaxt sərf etdim, amma sınadığım hər şey nəticə vermədi.

Nə cəhd etdim:

  • Boru kəmərində sh ("conda init bash") işləməyə çalışdım.
  • İcra olunur. /home/jenkins/miniconda3/profile.d/conda.sh boru kəmərinin içindən.
  • Miniconda3 üçün bin qovluğunun $ PATH -da qurulduğundan əmin olun.
  • /Bin /bash düyündəki standart qabıq olduğundan əmin olmaq üçün dpkg-konfiqurasiya edin.
  • /Home/jenkins/.bashrc faylını əldə etməyə çalışdım
  • Mütləq yolla condanın icra edilə bilən adlandırılması.
  • Mənbə ansible-env istifadə etməyə çalışdım və ya consa olmadan ansible-env aktivləşdirdim.

Əminəm ki, məsələ əlavə olunan aşağıdakı sətirlərlə əlaqəlidir

jenkins istifadəçisinin /.bashrc conda init -sistemi işə saldıqdan sonra, lakin bir iş işləyərkən yenə də həmin istifadəçidən əldə edilə bilməz. Təəssüf ki, divara vurdum və buradan hara gedəcəyimi bilmirəm.

QEYD: Zəhmət olmasa Condanın Jenkins ilə işləməyəcəyinin xüsusi bir səbəbi olmadıqda VirtuanEnv -ə keçməyi təklif etməyin. Mən bu marşrutu bilirəm, amma conda üçün getdim. səbəblər.


Conda virtual mühiti altında işləmək üçün cron işi

Anaconda Python Virtual Ətrafım qurmuşam və bu virutal mühit aktiv olarkən layihəmi icra etsəm hər şey əla işləyir.

Ancaq hər saatda işləməsi üçün konfiqurasiya edilmiş bir cronjobum var. Çıxış düzgün işləmədiyi üçün onu bir günlüyə köçürdüm.

Bu xətanı cronlog.log -da alıram:

Bu, cronjobun bir şəkildə virtual mühitin aktivləşdirilmədən işləməməsinin göstəricisidir.

Bunu düzəltmək üçün /home/user/.bash_profile faylına bir xətt əlavə etdim:

İndi daxil olanda mühit avtomatik olaraq aktivləşir.

Ancaq problem davam edir.

Daha bir şeyi sınadım. Ətraf mühiti hər dəfə işlədikdə açıq şəkildə əl ilə aktivləşdirmək üçün cronjobu dəyişdirdim (və bunu cronjobun işlədiyi bash faylında da sınadım):

Əlbəttə ki, sınadığım heç bir şey düzəltmədi. Həqiqətən linux haqqında heç nə bilmirəm, buna görə də dəyişməli olduğum açıq bir şey var.

Beləliklə, cronjobun virutal bir mühitdə işləməli olduğunu ifadə etmək varmı?


Komanda satırından Anaconda istifadə edərək bir python skriptini necə işlədə bilərəm?

Qeyd: Python üçün yeniyəm və heç vaxt aşağıda sadalananlar kimi xarici modulları heç istifadə etməmişəm, buna görə də proqramımı işə salmaq üçün daha yaxşı edə biləcəyim bir şey varsa mənə bildirməkdən çəkinməyin.

Hal -hazırda SciPy yığınının istifadəsini tələb edən bir python (2.7.x) proqramı ilə işləyirəm. Proqramın əvvəlki tərtibçisi bütün xarici modullara daxil olmaq üçün Anaconda -dan istifadə edirdi. Mənim vəziyyətimdə bütün proqramı tək bir əmrlə işlədə bilməliyəm. Misal üçün:

MyFile.py (aşağıdakı idxalı olan) icra edəcək:

Anladığım kimi, Anaconda, Visual Studios -a bənzər bir şəkildə kod icra etməyinizi tələb edən bir IDE (yəni "Çalış" düyməsinə). Yəni sualım budur:

Bunu birbaşa əmr satırından etməyimin bir yolu varmı?

Qeyd: Yalnız xarici modulları istifadə etmək əvəzinə Anaconda istifadə etməyimi göstərməyimin səbəbi, SciPy saytında Anaconda və ya Python (x, y) kimi elmi bir python paylamasından istifadə etməyin ən asan olduğunu qeyd etməkdir. Nəhayət, proqramımı yuxarıda göstərilən idxallarla işləməyimə imkan verən hər hansı bir həll yolundadır.


Paylanmış hesablama mühitindən istifadə edərək torpaq örtüyünün dəyişdirilməsinin simulyasiyası ☆

Kompüter modelləri landşaft ekologiyasında insanların torpaqdan istifadə qərarlarının ətraf mühitə təsirini simulyasiya etmək üçün istifadə olunur. Bir çox sosial -iqtisadi və ekoloji faktorlar nəzərə alınmalıdır ki, bu da məkan baxımından açıq multidisiplinar məlumatların inteqrasiyasını tələb edir. Land-Use Change Analysis System və ya LUCAS, Şimali Karolinanın qərbindəki Little Tennessee çayı hövzəsi və Vaşinqton əyalətinin Olimpiya Yarımadası kimi ərazilərdə torpaq istifadəsinin landşaft quruluşuna təsirini öyrənmək üçün hazırlanmışdır. Bu təsirlərə torpaq örtüyünün dəyişməsi və növlərin yaşayış yerlərinin uyğunluğu daxildir. LUCAS -ın istifadə etdiyi xəritə təbəqələri uzaqdan algılanan görüntülərdən, siyahıyaalma və mülkiyyət xəritələrindən, topoloji xəritələrdən və ekonometrik modellərin çıxışlarından əldə edilir. Bu xəritə qatlarını saxlamaq, göstərmək və təhlil etmək üçün ictimai bir coğrafi məlumat sistemi (GIS) istifadə olunur. LUCAS -ın (pLUCAS) paralel versiyası, 20 qovşaq ilə 10,77 sürətləndirmə əmsalı verən iş stansiyaları şəbəkəsində paralel virtual maşın (PVM) istifadə edilərək hazırlanmışdır. Paralel model daha böyük sahələrdə simulyasiyalar və ya daha yüksək qətnaməyə malik xəritələr üçün lazımdır.


Müzakirə

Bu iş, obyektiv olaraq ölçülmüş məhəllə mühitinin xüsusiyyətlərinin yaşlı insanlarda PA ilə əlaqəli olub olmadığını araşdırdı və bu əlaqələrin LLOA olan və olmayanlar arasında fərqləndiyini qiymətləndirdi. Nəticələr, xüsusi sağlamlıq qaynaqları (ümumi praktik və fizioterapevt) və pərakəndə satış mənbələrinə (supermarket) olan məsafələrin, LLOA olmayan yaşlılara nisbətən LLOA olmayanlara nisbətən PA -ya sərf olunan vaxtla daha sıx əlaqəli olduğunu göstərdi. Xüsusilə, bu xüsusi qaynaqlara olan məsafələri olan işıq və yüksək işıqlı PA birlikləri LLOA olmayan yaşlı insanlarda LLOA olmayan həmkarları ilə müqayisədə daha güclü idi.

Ağrı və əlillik daha da şiddətləndikcə, ətraf mühitə uyğunlaşma qabiliyyəti azalda bilər və xidmətlərə qarşı hiss olunan və obyektiv olaraq daha böyük məsafələr kimi ətraf mühit problemləri çətinləşə bilər. Bu potensial olaraq çətin vəziyyətlərin və məhdudlaşdırılmış PA -nın qarşısını almağa səbəb ola bilər [12, 13, 37, 38]. Əldə etdiyimiz nəticələr ətraf mühitə uyğunluq hipotezi üçün bəzi dəstəkləyici sübutlar təqdim edir və fərdin nə qədər səriştəli olmadığı, ətraf mühit faktorlarının həmin şəxsə təsirinin daha çox olduğunu təsdiqləyir. Bəzi xüsusi məhəllə qurulmuş ətraf mühit xüsusiyyətləri arasındakı əlaqələr LLOA olmayan yaşlı insanlarda LLOA olmayanlara nisbətən daha güclü idi. Lakin, gözləntilərimizin əksinə olaraq, tapıntılar, müəyyən mənbələrə obyektiv olaraq ölçülən daha böyük məsafələrin LLOA olan yaşlı insanlar tərəfindən LLOA olmayanlara nisbətən ümumi PA, yüngül PA və yüksək işıqlı PA üçün daha çox vaxt sərf edildiyini göstərdi. LLOA olan şəxslər, sağlamlıq xidmətlərindən şərti olmayanlara nisbətən daha çox istifadə edə bilərlər və bu imkanlar LLOA olmayan yaşlı insanlar üçün LLOA olmayan həmkarlarına nisbətən daha əhəmiyyətli ola bilər [39]. Nəticədə, LLOA olan yaşlı insanlar, LLOA olmayanlara nisbətən səhiyyə xidmətlərinə daha böyük məsafələrdə PA -da iştirak etmək üçün daha çox motivasiya ola bilərlər. Bundan əlavə, ümumi pratisyen, xüsusilə LLOA olan yaşlı insanları daha fiziki cəhətdən aktiv olmağa təşviq edə bilər və nəticədə daha çox sağlamlıq xidmətlərinə və supermarketlər kimi gündəlik pərakəndə satış mənbələrinə gedər. Ümumi PA -ya sərf olunan vaxt və xüsusi səhiyyə xidmətlərinə olan məsafələr və pərakəndə satış imkanları arasındakı əlaqə, LLOA olmayan yaşlılara nisbətən LLOA olmayanlara nisbətən daha güclü ola bilər, çünki LLOA olan şəxslərin bu məsafələri qət etməsi daha böyük bir səy ola bilər. Xüsusi mənbələr və təyinatlarına çatmaq üçün onlara daha çox vaxt lazım ola bilər. Bununla birlikdə, tapıntılar hər iki qrup arasında PA -da fərqlər göstərmir.

Bu araşdırma, eyni zamanda, bir məhəllə daxilində daha çox bir-birinə bağlanan küçələrin aşağı işıqlı PA-ya daha çox vaxt sərf etməsi ilə əhəmiyyətli dərəcədə əlaqəli olduğunu göstərdi. Bu tapıntı əvvəlki araşdırmalara uyğundur [17]. Bir məhəllə daxilində daha yüksək küçə əlaqələrinin daha çox səyahət marşrutu seçimləri təmin etdiyi və birbaşa səyahət etməyi asanlaşdırdığı və bu da öz növbəsində fiziki aktiv olmağı dəstəklədiyi irəli sürülmüşdür [18]. Araşdırmamız, yaşlı insanların PA -nın qonşuluqdakı küçə əlaqələrinin sıxlığını artırmaqla asanlaşdırılacağını nəzərdə tutur. Xüsusilə, ayaq yolları və velosiped zolaqları kimi sözün əsl mənasında PA tələb edən infrastrukturların sayını artırmaqla yaşlı insanların PA -sı yaxşılaşdırıla bilər. Bu nəticəni şərh edərkən diqqətli olmaq lazımdır. Parklar aşağı yol sıxlığına malikdir, lakin yaşlı insanlarda PA -nı asanlaşdırır [16]. Ancaq bu araşdırmada parkların mövcudluğu nəzərə alınmadı.

Bildiyimizə görə, bu, LLOA olan və olmayan yaşlı insanlarda obyektiv olaraq ölçülmüş PA ilə qonşuluqda qurulmuş ətraf mühit xüsusiyyətləri arasındakı əlaqələrə yönəlmiş ilk əhaliyə əsaslanan araşdırmadır. Bu işin əhəmiyyətli bir gücü, öz-özünə bildirilən PA tədbirləri əvəzinə PA-ya sərf olunan vaxtı obyektiv qiymətləndirmək üçün accelerometry-dən istifadə etməkdir. Yalnız ümumi PA [6] üzərində aparılan əvvəlki tədqiqatlardan fərqli olaraq, müəyyən PA intensivliyi kateqoriyalarında ətraflı təhlillər aparılmışdır. Beləliklə, məhəllənin qurduğu mühitin spesifik xüsusiyyətlərinin, xüsusən də işıq və yüksək işıqlı PA-ya sərf olunan vaxtla əlaqəli olduğu göstərildi. Digər bir güc, PA -ya sərf olunan vaxtın əksər iştirakçılar üçün yeddi və ya daha çox gün üçün toplanmasıdır və buna görə də bu araşdırma həqiqətən də yaşlı insanların vərdiş davranışlarını əks etdirə bilər. Obyektiv olaraq ölçülmüş PA ilə qurulmuş mühit xüsusiyyətləri arasındakı əlaqəyə dair əvvəlki araşdırmalar əsasən ABŞ və Avstraliyada aparılmışdır [9, 10]. Bu araşdırma, Qərbi Avropanın ümumi əhalisindən yaşlı yetkinlərdə PA-ətraf mühit əlaqələrinin daha yaxşı anlaşılmasına kömək edə bilər.

Bəzi məhdudiyyətlər də qəbul edilməlidir. Bu işdə PA kateqoriyalarının kəsilmə nöqtələri Troiano et al. [23] və Matthews et al. [24]. Bu kəsmə nöqtələri yetkinlərdə araşdırılmışdır. Bu kəsilmə nöqtələri geniş istifadə olunsa da və ümumiyyətlə qəbul olunsa da, yaşlı insanlar üçün tətbiq olunmaya bilər. Fərqli fəaliyyət nümunələri, mexaniki səmərəlilik və fərqli həyat mərhələlərində hərəkətlərin ziddiyyətliliyi səbəbindən, optimal kəsmə nöqtələrinin fərqli yaş qrupları üçün dəyişə biləcəyinə dair sübutlar var [40]. Bu araşdırmada fiziki fəaliyyətləri zamanı iştirakçıların coğrafi mövqeyi qiymətləndirilməmiş və bu səbəbdən də PA -nın konteksti haqqında məlumatlar yoxdur. Bu işdəki PA tədbirləri, evdə və ya məhəllənin xaricində həyata keçirilən PA -nı da əhatə edir. Başqa bir məhdudiyyət, bir məhəllənin bütün sakinlərinin müəyyən bir mənbəyə qədər olan km yollarının orta məsafəsinin iştirakçıların evindən o xüsusi mənbəyə olan məsafəsi üçün bir proxy olaraq istifadə edilməsidir. Bundan əlavə, bu araşdırmada LLOA olan insanların sayı azdır və Hollandiyada qonşuluqda qurulan mühitdəki dəyişiklik çox azdır. Bu metodoloji məhdudiyyətlər, obyektiv olaraq ölçülmüş məhəllə mühitinin xüsusiyyətləri ilə PA arasındakı əlaqələrin əsl ölçüsünü ölçməyi çətinləşdirə bilər. Nəhayət, bu tədqiqat, məhəllənin özünəməxsus seçimini məhəllənin qurduğu ətraf mühit xüsusiyyətləri ilə PA arasındakı əlaqəni qarışdırıcı hesab etmədi. Mənzilin öz seçimi, insanların ehtiyaclarına və üstünlüklərinə əsasən harada yaşamağı seçdikləri bir fenomendir [41]. İnsanlar daha çox fiziki cəhətdən daha aktiv ola bilərlər, çünki qonşuluqda qurulmuş mühit onları buna dəvət edir, lakin fiziki cəhətdən aktiv olmağı sevən insanlar bu seçim üçün əlverişli yaşayış məhəllələri seçməyə meylli ola bilərlər.

Gələcək tədqiqatlarda, bu fərdlərdə PA intensivliyini dəqiq ölçmək üçün yaşlılar üçün PA kateqoriyalarına aid xüsusi kəsilmə nöqtələri hazırlanmalıdır. Yaxın gələcəkdə daha mürəkkəb metodların (məsələn, nümunənin tanınması) əldə oluna biləcəyi üçün gələcək tədqiqatlar yalnız bir akselerometrin y oxundakı dəqiqələrin sayına əsaslanan PA tədbirlərinə yönəlməməlidir. Bu, PA -nın daha ətraflı ölçülməsinə kömək edə bilər. Bundan əlavə, PA ilə qonşuluqda qurulan mühitin xüsusiyyətləri arasındakı əlaqələrə dair gələcək araşdırmalar, məhəllənin xaricindəki PA -da, məhəllədəki PA -da və evdə PA -da fərqləndirmək üçün Qlobal Mövqe Sistemi (GPS) cihazlarından istifadə edə bilər. GPS tədbirlərinin istifadəsi yaşlı insanların həyat məkanı hərəkətliliyi sahəsində daha çox anlayış təmin edə bilər və ətraf mühitə PA təsirlərini öyrənmək üçün uyğun sahələri seçməyə kömək edə bilər [42]. Bu tədqiqat yalnız obyektiv olaraq ölçülmüş küçə bağlantısı və müəyyən mənbələrə olan məsafə ilə PA birliklərinə yönəldi. Gələcək tədqiqat, PA -nın məhəllə ətraf mühitinin təhlükəsizlik, piyada yollarının və velosiped yollarının mövcudluğu və şərtləri kimi digər obyektiv aspektləri ilə daha dərindən tanış olmaq üçün lazımdır. Əlavə olaraq, insanlar obyektiv ölçülərə bərabər ola bilməyən qurulmuş qonşuluq mühiti haqqında təsəvvürlərə malikdirlər [43]. Qonşuluqda qurulan mühitin qəbul edilən xüsusiyyətlərinin obyektiv ölçülərlə necə əlaqəli olduğunu və bu aspektlərin PA ilə necə əlaqəli olduğunu araşdırmaq üçün gələcək tədqiqatlara da ehtiyac var. Sağlam və funksional cəhətdən qüsurlu yaşlı yetkinlərdə algılanan və obyektiv şəkildə ölçülən məhəllə mühitinin xüsusiyyətləri ilə PA arasındakı əlaqəni daha yaxşı başa düşmək üçün gələcək tədqiqatlar obyektiv tədbirlərlə yanaşı, ‘o ilə birlikdə ’ müsahibələrindən də istifadə edə bilər [44].


QGIS quraşdırılır

QGIS, kurs zamanı istifadə ediləcək GIS Desktop vasitəsi olacaq. Pulsuz və açıq mənbə proqramdır. Hər kəs üçün GIS analizinin bütün gücünü gətirən çox gözəl bir layihədir. Digər GIS Desktop alətləri (məsələn, ArcGIS, GRASS və s.)

Beləliklə, ilk addım dizüstü kompüterinizə QGIS qurmaq olacaq. Bu proqram Windows, Mac OS X, Linux və Android üçün mövcuddur. Bütün platformalarda mühit olduqca oxşardır.

QGIS qurmadan əvvəl bəzi tələb olunan paketləri qurmalı olduğunuzu unutmayın. Readme faylında hər şey çox yaxşı izah edilmişdir.

Səbirsiz olanlar üçün


Linda Modrell

Vəzifə: Üzv

Linda Modrell, həm Oregon Dövlət Universitetində Biznes (Mühasibat) üzrə BS, həm də MBA (cəmiyyət sağlamlığında kiçik) dərəcəsinə malikdir. Seçkili vəzifəyə başlamazdan əvvəl bir neçə il sağlamlıq siyasətində çalışdı və eyni zamanda uzun müddət Oregon Dövlət Universitetində çalışdı. Linda Benton İlçe Komissarı seçildiyi 1999 -cu ildən bəri əsasən nəqliyyat, sağlamlıq, su, vergi siyasəti və idarəçilik məsələlərinə diqqət yetirir.


MATERİALLAR VƏ METODLAR

Məlumat və təhsil sahəsinin təsviri.

Fəza paylanmasını öyrənmək Listeriya spp., Sauders (38) tərəfindən təsvir edilən daha böyük bir araşdırmanın bir hissəsi olaraq toplanan məlumatlardan istifadə etdik. Qısaca olaraq, 2 illik müddət ərzində (2001 və 2002), cəmi 907 nümunə torpaq, su (gölməçələr, göllər, gölməçələr, çay axınları, axan sular və bataqlıqlar daxil olmaqla) və bitki örtüyü (gölmə yosunları, çürüyən kütüklər daxil olmaqla) , tarla otu, ot, yarpaq zibili və yosun) New York əyalətində (NYS) təbii mühiti təmsil edən aşağıdakı dörd sahədə toplandı: Finger Lakes National Forest (FLNF), Adirondack Park, Catskill Park və Connecticut Hill Vəhşi Təbiət İdarəetmə Bölgəsi (CHWMA). Xüsusilə, 2001 -ci ildə, nümunələr yaz, yaz və payız boyunca hər bir tədqiqat sahəsinə iki -üç dəfə ziyarət edilməklə, 2002 -ci ildə isə hər bir tədqiqat sahəsi yaz, yaz və payızda bir dəfə ziyarət edilmişdir. Hər bir nümunə üçün coğrafi məkan məlumatları Garmin Emap əl qlobal yerləşdirmə sistemi (GPS) ilə toplandı. Nümunə toplama tarixi də qeyd edildi. Nümunələr steril əlcəklər və/və ya əvvəlcədən sterilizasiya olunmuş birdəfəlik plastik spatulalar və ya qaşıqlar istifadə edərək steril Whirl-Pak torbalarına (Nasco, Fort Atkinson, WI) yığılmışdır. Nümunələr, kulturadan əvvəl 24 saata qədər yaş buz üzərində saxlanılır. Bütün nümunələr varlığı üçün kultivasiya edilmişdir Listeriya tərkibində seçmə zənginləşdirmə ilə Listeriya zənginləşdirmə suyu (Difco, Becton Dickinson, Sparks, MD). İzolyasiya olunmuş Listeriya növləri belə idi: L. Seeligeri (67 %), L. welshimeri (24 %), L. monositogenlər (6 %), “L. Martii” sp. nov (yeni bir növ 2 %) və L. məsum (ρ %). Hamısı Listeriya izolatlar PCR gücləndirilməsi və stress cavab geninin qismən açıq oxu çərçivəsinin sıralanması ilə xarakterizə olunurdu siqB və 2001 -ci ildə toplanan izolatlar üçün ev qulluğu genidir boşluq. Bununla birlikdə, nümunə ölçüsü məhdudiyyətləri, növ və genotip səviyyələrində statistik təhlilləri istisna etdi. Sauders tədqiqatında 567 unikal nümunə götürmə yeri var idi (38). Bu unikal yerlərdən 303, 302 və 294 -də torpaq, bitki örtüyü və su nümunələri toplandı. Eyni yerdə toplanan bütün nümunələr eyni müşahidələr toplusunu paylaşdığından, varlığını xarakterizə etmək üçün sadə bir qayda tətbiq etdik. Listeriya bir yerdə: bir pozitiv nümunə bir yeri pozitiv hesab etmək üçün kifayət idi. Eyni qayda izolyasiya üçün də tətbiq edildi Listeriya bir yerin torpağından, bitki örtüyündən və su qatlarından.

Məkan məlumatlarının modelləşdirilməsi.

Sauders tədqiqatında (38) hər bir seçilmiş yer üçün, mövcud olan məkan məlumat modellərindən yerli ekologiyanı təsvir edən potensial olaraq əlaqəli kosmik istinad kovariatları (aşağıda təsvir olunan detallar və mənbələr) əldə etdik. Nümunə götürmə yerləri üçün bütün məkan məlumat modelləri və GPS məlumatları ArcGIS 9 -a (ESRI, Redland, CA) idxal edildi, universal transvers merkator koordinat sisteminə, 1983 -cü il Şimali Amerika Datumuna köçürüldü, tədqiqat sahəsinə kəsildi və nümunə götürmə yerləri ilə örtüldü. hər bir seçmə yeri ilə əlaqəli ətraf mühit amilləri haqqında məlumat əldə etmək. Ümumilikdə 77 dəyişən əldə etdik (Cədvəl və#x200B Cədvəl 1-də müəyyən edilmişdir) 1) aşağıdakı kateqoriyalara bölünə bilər: torpaq xassələri, yağıntılar, mühitin temperaturu, dəyişən donma və ərimə temperaturları (donma-ərimə dövrləri), coğrafi mövqe, və təqvim vaxtı. Torpaq xassələri dəyişənləri (Cədvəl ​ Cədvəl 1 -də göstərilmişdir) 1) nümunə götürülən 13 NYS əyaləti üçün, yəni Schuyler, Seneca, Hamilton, Tompkins, Greene, Delaware, Sullivan, Ulster, Essex, Fulton, Franklin, Herkimer və St. Lawrence, tərtib edilmiş cədvəl və məkan Torpaq Araşdırması Coğrafi (SSURGO) məlumatlarından (47). Nümunə toplanmadan əvvəl yağıntılar haqqında məlumatlar ABŞ Tarixi Klimatologiya Şəbəkəsindən Gündəlik Temperatur, Yağış və Qar Verilərindən alınmışdır (54). Xüsusilə, hər bir nümunə götürmə yeri üçün, nümunə götürülən gün və günlərdəki yağıntılar haqqında mövcud məlumatları olan ən yaxın hava stansiyası. Nümunə toplanmadan əvvəl daha yaxın və ya daha çox yağan yağışın izolyasiyaya daha çox təsiri olub -olmadığı bilinmir Listeriya bir yerdən. Buna görə nümunə toplandığı gün, həmçinin 1 gün, 2 gün və 3 gün əvvəl yağışın miqdarını təsvir edən dörd dəyişən yaratdıq (Cədvəl ​ (Cədvəl1). 1). Yağışların təsiri bir neçə gün davam edə biləcəyi üçün, bir müddət ərzində yağan yağışların miqdarı təcrid olunmağa təsir edən daha əhəmiyyətli bir faktor ola bilər. Listeriya spp. bir yerdən. Buna görə də, nümunə toplanmadan əvvəl daim artan bir zaman aralığında yağıntıların orta miqdarını təsvir edən 10 əlavə yağış dəyişənləri yaratdıq (Cədvəl ​ (Cədvəl1). 1). Analizimiz üçün bütün yağış ölçüləri düymdən millimetrə (1 düym = 25.4 mm) çevrildi. Çöküntüyə əlavə olaraq, nümunənin toplanmasından bir gün əvvəl və bir neçə gün əvvəl ətraf mühitin temperaturu haqqında məlumat əldə edilmişdir (54). Yenə də minimum, orta və ya maksimum gündəlik temperaturun bərpa olunmasına (təcrid olunmasına) ən çox təsir edib -etmədiyi aydın deyil Listeriya spp. bir yerdən. Ayrıca, nümunə toplanmasına yaxın günlərdə və ya daha uzaq günlərdə temperaturun daha təsirli olub olmadığı aydın deyil. Bundan əlavə, mühit istiliyinin təsiri kümülatif ola bilər və buna görə də bir neçə gün ərzində edilən orta ölçmələr daha yaxşı bir proqnoz ola bilər. Listeriya bərpa. Buna görə də, yağış dəyişənlərini çıxarmaq və adlandırmaq üçün istifadə olunan eyni yanaşmanı izləyərək, minimum, orta və maksimum gündəlik mühit istiliyinin hər biri üçün 14 dəyişən yaratdıq (Cədvəl ​ (Cədvəl1). 1). Analizimiz üçün bütün temperatur ölçüləri Fahrenheit dərəcələrindən Selsi və#x0007b ଌ = [(F − 32)/9] × 5 } dərəcələrinə çevrildi. Dondurma-ərimə dövrlərinin təcrid vəziyyətinə təsiri ilə də maraqlandıq Listeriya spp. bir yerdən. Donma-ərimə dövrlərinin meydana gəlməsi Williams et al. (54): nümunə götürmədən əvvəlki 10 günlük müddət ərzində hər hansı bir gündə və ya bu müddət ərzində ardıcıl olaraq iki gün ərzində minimum gündəlik temperatur 0 ଌ-dən aşağı olarkən, maksimum 0 ଌ-dən yuxarı olarsa, bu donma-ərimə dövrünün baş verməsi. Bu məlumatlardan altı 𠇏riz-ərimək dövrü və#x0201d dəyişən yaratdıq (Cədvəl ​ (Cədvəl1). 1). Bir nümunə götürmə yerinin şərq və şimal coğrafi koordinatları ilə təsvir olunan (metrlərlə ifadə olunan) kardinal istiqamətlərə görə coğrafi mövqeyinin təcrid olunmasına hər hansı bir təsiri olub -olmaması ilə də maraqlandıq. Listeriya spp. bir yerdən. Şərq, hər bir universal transvers merkator zonasında özünəməxsus şəkildə təyin olunan �lse şərqdən şərqə doğru ölçülmüş məsafəni, şimal isə ekvatordan şimala doğru ölçülmüş məsafəni ifadə edir. Nəhayət, nümunələrin toplandığı təqvim vaxtının və yollara və su obyektlərinə (göllərə, çaylara və axınlara) yaxınlığın təcrid olunmasına hər hansı bir təsiri olub -olmadığı maraqlandı. Listeriya spp. bir yerdən (Cədvəl ​ (Cədvəl1). 1). Nümunə götürmə yerinin ən yaxın yola yaxınlığını müəyyən etmək üçün nümunələrin toplandığı NYS əyalətləri və yaxınlıqdakı iki əyalət, Oneida və Clinton üçün yol məlumatlarından istifadə etdik (45). Nümunə götürmə yerinin ən yaxın su obyektinə yaxınlığını qiymətləndirmək üçün hidroqrafiyaya dair məkan məlumatları (31) istifadə edilmişdir. Potensial olaraq əhəmiyyətli olsa da, yerin günəş işığına, məsələn, şimala və cənub yamacına məruz qalması haqqında heç bir məlumat yox idi. Kimi L. monositogenlər yeganə patogen idi Listeriya istifadə olunan məlumat dəstində təmsil olunan növlər və bütün təcrid olunmuşlardan yalnız 6 𥀂 -ni təmsil edir Listeriya spp., tədqiqat sahəsindəki heyvandarlıq və vəhşi heyvan populyasiyalarının yaxınlığı və sıxlığı nəzərə alınmadı.

Cədvəl 1.

Torpaq xassələri, yağıntılar, ətraf mühitin temperaturu, donma-ərimə dövrləri, coğrafi mövqe və təqvim vaxtına görə qruplaşdırılan nəzərdən keçirilən dəyişənlərin adları, təsvirləri, müəyyənedici atributları və ölçü vahidləri (tətbiq edildikdə) a

Kateqoriya və dəyişən adıTəsvirAtributun təyin edilməsiÖlçü vahidi
Torpağın xüsusiyyətləri
        Köpük torpağıSSURGO verilənlər bazasındakı bütün torpaq növlərini çəmən torpaq deyil, çəmən torpaq kimi qruplaşdıraraq əldə edilirÇəmən torpaq növü
        Yamac.gradientİki nöqtə arasındakı faizlə ifadə olunan və SSURGO xəritəsinin vahidindəki bütün komponentlərin ortalamalı yamac gradienti olaraq göstərilən iki nöqtə arasındakı yüksəklik fərqi. %
       Su.dərinliyiSSURGO xəritəsi vahidindəki tərkibi 15 % -ə bərabər olan və ya ondan artıq olan komponentlər üçün torpaq səthindən sm olaraq ifadə olunan il ərzində yaş torpaq qatına (su tablasına) qədər olan ən dayaz dərinlik sm
       Su.Saqlama.25Torpağın göstərilən dərinliyə qədər saxlaya biləcəyi su miqdarı bitkilər üçün əlçatandır və SSURGO xəritə vahidindəki bütün komponentlərin ağırlıqlı ortalaması olaraq ifadə edilir.25 smsm
       Su.Saqlama.50Suya gəlincə. Depolama.2550 smsm
       Su.Saqlama.100Suya gəlincə. Depolama.25100 smsm
       Su.Saqlama.150Suya gəlincə. Depolama.25150 smsm
      𠀽renajSSURGO xəritə qurğusu üçün dominant drenaj sinifinin torpağın təbii drenaj vəziyyəti (nəm dövrlərinin tezliyinə və müddətinə istinadən) b
Yağış
       YağışGöstərilən gündə yağış yağdıGün t0mm
        Yağış.1Yağışlara gəlincəGün t1mm
       Yağış.2Yağışlara gəlincəGün t2mm
       Yağış.3Yağışlara gəlincəGün t3mm
       Yağış.0_1Göstərilən müddət üçün orta yağıntıT0-t1 dövrümm
       Yağışlar0_2Yağışlara gəlincəT0-t2 dövrümm
       Yağış 0_3Yağışlara gəlincəT0-t3 dövrümm
       Yağış 0_4Yağışlara gəlincəT0-t4 dövrümm
       Yağış 0_5Yağışlara gəlincəT0-t5 dövrümm
       Yağış 0_6Yağışlara gəlincəT0-t6 dövrümm
       Yağış.0_7Yağışlara gəlincəT0-t7 dövrümm
       Yağış 0_8Yağışlara gəlincəT0-t8 dövrümm
       Yağış 0_9Yağışlara gəlincəT0-t9 dövrümm
       Yağış 0_10Yağışlara gəlincəT0-t10 dövrümm
Ətraf temperaturu
       Sıcaklıq.L.0Göstərilən gündə minimum gündəlik temperaturGün t0
       Sıcaklıq.L.1Temperatura gəldikdəGün t1
       Sıcaklıq.L.2Temperatura gəldikdəGün t2
       Sıcaklıq.L.3Temperatura gəldikdəGün t3
       Sıcaklıq.L.0_1Göstərilən müddətdə minimum gündəlik tempin ortT0-t1 dövrü
       Sıcaklıq.L.0_2Temperatura gəlincə.L.0_1T0-t2 dövrü
       Sıcaklıq.L.0_3Temperatura gəlincə.L.0_1T0-t3 dövrü
       Sıcaklıq.L.0_4Temperatura gəlincə.L.0_1T0-t4 dövrü
       Sıcaklıq.L.0_5Temperatura gəlincə.L.0_1T0-t5 dövrü
       Sıcaklıq.L.0_6Temperatura gəlincə.L.0_1T0-t6 dövrü
       Sıcaklıq.L.0_7Temperatura gəlincə.L.0_1T0-t7 dövrü
       Sıcaklıq.L.0_8Temperatura gəlincə.L.0_1T0-t8 dövrü
       Sıcaklıq.L.0_9Temperatura gəlincə.L.0_1T0-t9 dövrü
       Sıcaklıq.L.0_10Temperatura gəlincə.L.0_1T0-t10 dövrü
       Sıcaklıq.a.0Göstərilən gündə orta gündəlik temperaturGün t0
       Sıcaklıq.a.1Temperatura gəldikdə. A.0Gün t1
       Sıcaklıq.a.2Temperatura gəldikdə. A.0Gün t2
       Sıcaklıq.a.3Temperatura gəldikdə. A.0Gün t3
       Sıcaklıq.a.0_1Göstərilən dövrdə gündəlik orta tempin ortT0-t1 dövrü
       Sıcaklıq.a.0_2Temperatura gəldikdə. A.0_1T0-t2 dövrü
       Sıcaklıq.a.0_3Temperatura gəldikdə. A.0_1T0-t3 dövrü
       Sıcaklıq.a.0_4Temperatura gəldikdə. A.0_1T0-t4 dövrü
       Sıcaklıq.a.0_5Temperatura gəldikdə. A.0_1T0-t5 dövrü
       Sıcaklıq.a.0_6Temperatura gəldikdə. A.0_1T0-t6 dövrü
       Sıcaklıq.a.0_7Temperatura gəldikdə. A.0_1T0-t7 dövrü
       Sıcaklıq.a.0_8Temperatura gəldikdə. A.0_1T0-t8 dövrü
       Sıcaklıq.a.0_9Temperatura gəldikdə. A.0_1T0-t9 dövrü
       Sıcaklıq.a.0_10Temperatura gəldikdə. A.0_1T0-t10 dövrü
       Sıcaklıq.H.0Göstərilən gündə maksimum gündəlik temperaturGün t0
       Sıcaklıq.H.1Temperatura gəldikdəGün t1
       Sıcaklıq.H.2Temperatura gəldikdəGün t2
       Sıcaklıq.H.3Temperatura gəldikdəGün t3
       Sıcaklıq.H.0_1Göstərilən müddətdə maksimum gündəlik temperaturun ortT0-t1 dövrü
       Sıcaklıq.H.0_2Temperatura gəlincə.H.0_1T0-t2 dövrü
       Sıcaklıq.H.0_3Temperatura gəlincə.H.0_1T0-t3 dövrü
       Sıcaklıq.H.0_4Temperatura gəlincə.H.0_1T0-t4 dövrü
       Sıcaklıq.H.0_5Temperatura gəlincə.H.0_1T0-t5 dövrü
       Sıcaklıq.H.0_6Temperatura gəlincə.H.0_1T0-t6 dövrü
       Sıcaklıq.H.0_7Temperatura gəlincə.H.0_1T0-t7 dövrü
       Sıcaklıq.H.0_8Temperatura gəlincə.H.0_1T0-t8 dövrü
       Sıcaklıq.H.0_9Temperatura gəlincə.H.0_1T0-t9 dövrü
       Sıcaklıq.H.0_10Temperatura gəlincə.H.0_1T0-t10 dövrü
Donma-ərimə dövrləri
      𠀿reeze.thaw.0Göstərilən gündə baş verən donma-ərimə dövrüGün t0NA
      𠀿reeze.thaw.1Freeze.thaw.0 -a gəldikdəGün t1NA
      𠀿reeze.thaw.2Freeze.thaw.0 -a gəldikdəGün t2NA
      𠀿reeze.thaw.3Freeze.thaw.0 -a gəldikdəGün t3NA
   𠀿reeze.thaw.0_3Freeze-thaw cycle on any of the days in the specified periodPeriod t0-t3NA
   𠀿reeze.thaw.s.0_10Total no. of freeze-thaw cycles during the specified periodPeriod t0-t10NA
Geographic positions
    NorthingPosition with respect to the specified cardinal directionTo the Northm
   �stingPosition with respect to the specified cardinal directionTo the Eastm
   𠀽toroadProximity to the nearest road m
   𠀽towaterProximity to the nearest body of water m
    ParkNatural area where samples were collected NA
Calendar time
    SeasonSeason when samples were collected NA
    MonthMonth when samples were collected NA

Statistical analysis.

All statistical analyses were performed by using R (34). Independent variables were first evaluated for unconditional associations with the dependent variable (i.e., the overall, as well as soil-, vegetation-, and water-specific occurrence of Listeria) using a chi-square test for categorical data and t test for continuous data. Fisher's exact test was used when one or more of the expected cell frequencies in two-by-two tables were less than 5 and when more than 20% of the expected cell frequencies were less than 5 in larger tables. To assess whether continuous variables satisfied the normality assumption, required for application of the t test, the D'Agostino-Pearson omnibus test was performed. If a continuous variable did not satisfy the normality assumption, the Wilcoxon rank-sum test was used. Continuous variables with considerable numbers of ties (e.g., related to a common weather station) were assessed by the exact Wilcoxon rank-sum test that computes exact conditional (on the data) P values and quantiles using the shift algorithm (43). Associations between independent categorical variables were tested by use of the chi-square test. Correlations between independent continuous variables were assessed based on Pearson's correlation coefficient for the normally distributed variables. Correlations between variables that did not satisfy the normality condition were assessed based on Spearman's rho coefficient. Associations between independent categorical and continuous variables were assessed by the t test, the Wilcoxon rank-sum test, or the exact Wilcoxon rank-sum test as appropriate. In the univariate analysis, P values of 𢙀.05 were considered statistically significant. Correction for multiple comparisons was not performed because of the exploratory character of the research to make sure that all important associations were identified. If more than one independent variable was associated with the dependent variable of interest at the 5% level, these variables were tested in a multivariable LR and CT. When two or more of the independent variables applicable for multivariable modeling were correlated, among the variables that had the most significant relationship with the dependent variable, the one that led to the greatest change in deviance in LR was retained in the LR and CT. Usually, this was the preferred discriminating factor in CT. Multivariable modeling was carried out on a subset of data, with complete observations on variables chosen to be included in the full LR model to assure a fair comparison between the LR and CT methods. The presence of spatial patterns in the Listeria spp. isolation data was analyzed by examination of the nearest-neighbor distance.

Correlation analysis indicated that weather variables, including 14 variables grouped under the rainfall set, 42 variables describing ambient temperatures (14 variables for each of the minimum, average, and maximum daily temperature measurements), and 6 variables describing freeze-thaw cycles, were highly correlated. Therefore, the 62 weather-related variables were subjected to a principal component analysis (PCA) to examine whether the three weather variables (precipitation, ambient temperatures, and freeze-thaw cycles) do in fact emerge. Because variables were measured in different units, prior to PCA, the data were standardized by subtracting the mean and dividing by the standard deviation, i.e., we performed an eigenanalysis of the correlation matrix. The number of meaningful components to retain was determined based on the proportion of variance accounted and the interpretability criteria (16). According to the proportion of variance accounted criterion, only components accounting for ϥ% of the total variance were retained. According to the interpretability criteria, (i) there had to be at least three variables with major loadings on each retained component (a general rule of thumb for a value of a loading that designates a useful signal is ଐ.2 to 0.35 [35]) and (ii) the rotated pattern had to demonstrate “simple structure.” Here, loading is a correlation coefficient between a variable and its principle component, while “simple structure” means that (a) most variables have relatively high factor loadings on only one component and near zero loadings on the other components and (b) most components have relatively high factor loadings for some variables and near zero loadings for the remaining variables.

The results of PCA were utilized in two scenarios. In the first scenario, weather variables loading on the same principal component were individually tested in univariate analysis and, among those statistically significantly associated with the dependent variable, one variable was chosen for the multivariable LR and CT modeling (as explained above). In the second scenario, weather variables in each retained principal component were substituted by a single continuous variable containing the predicted factor (component) scores. These variables were subject to univariate analysis and, where appropriate, used in the multivariable LR and CT modeling instead of all of the actual weather variables in the principal component.

The multivariable LR models were selected through an automatic stepwise regression (the “stepAIC” function in the MASS package) (49) based on the Akaike information criterion while obeying the principle of marginality. When applicable, the selected model was further simplified by extracting nonsignificant terms (P ≥ 0.05), starting with the most complex one. Each term deletion was followed by a likelihood ratio test. The assumption of a linear relationship between continuous explanatory variables and outcome was assessed by adding a quadratic term (the explanatory variable squared) to the model (9). When the quadratic term was found to be significant, the applicability of other polynomials was explored. An assessment of how the models fit the data was determined by using the Le Cessie-van Houwelingen-Copas-Hosmer test. Collinearity was investigated by calculating variance inflation factors (VIFs) for each of the explanatory variables in the multivariable model. To reduce high collinearity (VIF values of 㸐 and a mean of the VIFs considerably larger than 1) (4), one or more continuous variables in the model were centered (by subtracting the mean of the variable). Then the centered version of the variable was used in the model. An LR model can account for spatial autocorrelation in the data by inclusion of a spatial dependence variable and is then formally called an autologistic regression model (28). To assure a fair comparison with CT, which cannot directly consider spatial dependence in the data, we focused on analysis of the nonspatial LR models that did not consider spatial dependence. However, for the final nonspatial LR models that considered the actual weather variables (i.e., not the predicted component scores from PCA), variograms of the residuals were examined for evidence of spatial autocorrelation and the models were modified by inclusion of an autocovariate term. These autologistic regression models were analyzed to assess whether capturing spatial dependency in an LR model would change parameter estimates and their significance as well as the predictive performance of these models.

CT were built using the rpart package (44). The Gini index was used as a measure of node impurity. In pruning the tree to its optimal size, we used 10-fold cross-validation to choose the tree with the smallest misclassification error based on the 𠇁 − standard error” (1 − SE) rule. Microbial cultures used to detect a pathogen in an environmental sample usually have a very high specificity (meaning that there are very few if any false positive [FP] isolation results) and low sensitivity (meaning that many negatives are actually false negative [FN] results). Consequently, all the positives in the data set are most likely to be truly positive, while many negatives may in fact be FN. To account for that, FN were penalized more than FP costs of an FN and FP were set to 4 and 1, respectively. These costs produced trees with at least two nodes and were chosen through a trial-and-error method.

Testing the predictive performance of LR and CT.

To compare models produced by two different statistical methods, one would need a common criterion. This criterion must be unbiased and independent of the method used to develop a particular model (48). Comparing CT with LR is difficult because none of the error rates and goodness-of-fit statistics computed by the methods satisfy these requirements. The solution is to compare the models on the basis of their predictive accuracy, that is, the ability to correctly classify new cases in an independent test data set (48). However, we did not have the luxury of a large data set that could be divided into learning and independent test data sets. Therefore, predictive performance of the LR and CT was assessed on the same set of 10 subsamples of data through a 10-fold cross-validation and compared on two statistics, sensitivity and specificity. The outcome values predicted from a CT are dichotomous and could be easily summarized in a confusion matrix, from which sensitivity and specificity could be easily computed. However, the values predicted from an LR model vary continuously between 0 and 1. To dichotomize results of an LR model, a cutoff value is required. Choosing 0.5 as the cutoff is reasonable only if the prior probabilities of class 1 and class 0 are the same in the population of interest and if the costs of an FP and FN are the same (48). However, in our data sets, neither of the conditions was met. To account for the low sensitivity and high specificity of microbial cultures (and the corresponding high number of FN and low number of FP) and to assure comparability with the CT method, costs of an FN and FP were set to 4 and 1, respectively. Using these class-conditional misclassification costs, costs were estimated over the full range of possible cutoffs obtained from 10-fold cross-validation. The cutoff with the lowest associated misclassification cost was considered optimal and was used to dichotomize the LR output so that the confusion matrix could be constructed and sensitivity and specificity could be calculated. Because both LR and CT models were evaluated on the same data sets, Linnet and Brandt's test, an adaptation of McNemar's test for comparison of correlated proportions, was applied to test whether an observed difference in the test performances was statistically significant (25). Positive and negative isolates were divided into four groups according to the combined predictions of the two classifiers, LR and CT (Fig. ​ (Fig.1). 1 ). Then, the test statistic was

where . The null hypothesis of no difference between LR and CT was rejected if the absolute value of z exceeded 1.96 (two-sided test 2α = 0.05). If the Linnet and Brandt's test showed a statistically significant difference between LR and CT, two separate McNemar's tests were conducted to test the null hypotheses of equal sensitivities (from the “Listeria present” cross-tabulation in Fig. ​ Fig.1) 1 ) and specificities (from the “Listeria absent” cross-tabulation in Fig. ​ Fig.1) 1 ) obtained for the two classifiers (LR and CT).

Cross-tabulations of isolation results (Listeria absent and Listeria present) for Linnet and Brandt's test to compare the predictive performance of any two classifiers A and B (e.g., LR and CT models). 𠇀” indicates a negative isolation result, and 𠇁” indicates a positive one. b′ is the number of negative samples classified correctly by classifier B and classified falsely by classifier A and conversely for c′ samples. Analogous reasoning applies to the positive samples.


Running Grass7 in conda environment? - Coğrafi İnformasiya Sistemləri

Within today s high-powered computer environment, geographic information systems (GIS) argue for the digital map to be a basic descriptive tool of all demographers. Digital maps enable spatial relationship portrayals with great ease, and help uncover clues from geographic map patterns that remain hidden when geographic data are presented solely in tabular forms. Spatial analysis, with special reference to spatial statistics, is the companion of these maps. But presently demography lacks theories depicting why geography matters for demographic outcomes, for the most part having only rather simple interregional accounting types of models. A first step in such theory formulation involves going from population maps as a descriptive tool for demographers to employing geographic variation and local contexts as explanatory variables for demographic outcomes. Demographers have devoted considerable effort to conceptualizing time s contribution to such outcomes, in terms of, for example, age, period, cohort individual, family, and historical time. But no real analogy exists in demographic thinking for the role of geographic space, beyond impacts of migration. Accounting for geographic space effects at least should reflect the collective influence of individuals living in geographic units, and the configuration of these units, on individual demographic outcomes (i.e., neighborhood effects). After all, geographic location is not randomly assigned or selected, but rather is a matter of individual constrained choice.

The goal of this course is to further promote the growing popularity of GIS and spatial analysis in demography by treating spatial analytical approaches involving demographic data that are geographically referenced. Relevant issues to be addressed include: the role of geographic scale, spatial heterogeneity, spatial autocorrelation/dependency, and the specification and estimation of spatial models. Software to be used includes: MINITAB, R, GeoBUGS, and GRASS.

This five-day course will begin on Monday, November 28, and will end on Friday, December 2. On each day there will be a lecture from 9 a.m. to 12 noon, and a lab session from 2 to 5 p.m.

Day 1:
- review of multivariate statistics for georeferenced data
- review of materials in Sweeney s CSISS introductory course

Day 2:
- spatial and space-time autocorrelation
- selected implementation demonstrations in MINITAB, R

Day 3:
- auto-models
- geostatistical models

Day 4:
- spatial autocorrelation in generalized linear models (emphasis on Poisson, logistic, binomial models)
- applications to China census data

Day 5:
- Bayesian modeling with GeoBUGS
- identifying hot spots in the geographic distribution of old age

The course is explicitly aimed at the needs of non-statisticians and non-mathematicians. Nevertheless some willingness and interest in dealing with formulas, data and computers is necessary. Basic applied univariate and multivariate statistical knowledge is required. Familiarity with GIS is preferable, although basic GIS functionality will be reviewed during the labs.

Each student is to have a georeferenced demographic dataset in which s/he is interested, and with which s/he will perform spatial analyses throughout the duration of the course. A short report (i.e., 10-15 pages, including graphics) will be required, by the end of the course, in which concepts presented in the lectures must be utilized, and spatial analysis tools developed during the labs must be employed.

Reading material will be made available during the course.

Bivand, R. 2002. Spatial econometrics functions in R: Classes and methods, J. of Geographical Systems. 4: 405-421.

Bivand, R., and A. Gebhardt. 2000. Implementing functions for spatial statistical analysis using the R language, J. of Geographical Systems. 2: 307-317.

Goodchild, M. and D. Janelle (eds.). 2003. Spatially Integrated Social Science: Examples in Best Practice. NY: Oxford University Press.

GRASS GIS: http://grass.itc.it/grass60/

Matthews, S. 2003. GIS and spatial demography, GIS Resource Document 03-63 (GIS-RD-03-63). Pennsylvania Dövlət Universiteti.

Population Research and Policy Review: forthcoming special issue on "spatial demography"

Population, Space and Place: 1995 to present.

Rogers, A. 1971. Matrix Models in Urban and Regional Analysis. San Francisco, CA: Holden-Day.

Woods, R., and P. Rees (eds.). 1986. Population Structures and Models: Developments in Spatial Demography. London: Allen and Unwin.