Более

Запускаете Grass7 в среде conda?

Запускаете Grass7 в среде conda?


У меня есть дистрибутив Anaconda Python (Python 3.4.3 :: Anaconda 2.1.0 (64-разрядная версия)) установлен на Ubuntu 14.04. Я хотел бы создать среду conda для запуска Grass 7.

Для этого я использовал:

conda create -n grassenv python = 2 source активировать grassenv conda install wxpython

Когда я бегутрава70из терминала он открывает Grass Shell и выдает сообщениеЗапуск Графический интерфейс в фоновом режиме, подождите…но не открывает графический интерфейс. Есть ли способ заставить Grass & работать в среде conda?


Что именно вы пытаетесь сделать и какая у вас операционная система (Windows, Linux, Mac OS X)?

  1. Если вы хотите использовать оболочку Grass (трава70), вам не нужно создавать среду conda, еслитрава70на вашем пути.

  2. Если вы хотите использовать модули Pythonтрава. сценарийилитрава. пиграссв Anaconda / Python у вас есть два решения:

    а) вызовите Anaconda из оболочки Grass.

    из grass.script импортировать ядро ​​как g

    б) вызовите Grass из оболочки Anaconda: сначала вы должны установить переменные среды (см. Работа с GRASS без его явного запуска и многие вопросы / ответы по GIS SE).

    импортировать grass.script как grass

Невозможно запустить `conda activate` из конвейера Jenkins

Я думал об использовании виртуальных сред с Conda в моих конвейерах Jenkins, которые нуждались в Ansible, поскольку все узлы использовали одну и ту же среду ansible-env для запуска playbooks. Хотя процесс кажется довольно простым, я не могу вызвать conda activate ansible-env, потому что это приводит к следующей ошибке:

Вот код, который я использую для активации. довольно простой

Я запустил conda init --system на узле сборки от имени пользователя Jenkins, а затем перезагрузился. Без изменений.

Я потратил много времени, пытаясь найти решение в Google, но все, что я пробовал, не сработало.

Что я пытался:

  • Пытался запустить sh ("conda init bash") в конвейере.
  • Выполнение. /home/jenkins/miniconda3/profile.d/conda.sh из конвейера.
  • Убедитесь, что каталог bin для miniconda3 установлен в $ PATH.
  • Выполните dpkg-configure dash, чтобы убедиться, что / bin / bash является оболочкой по умолчанию на узле.
  • Пытался найти файл /home/jenkins/.bashrc
  • Вызов исполняемого файла conda по абсолютному пути.
  • Пробовал использовать исходный ansible-env или активировать ansible-env без conda.

Я почти уверен, что проблема связана со следующими строками, добавленными в

/.bashrc пользователя jenkins после запуска conda init --system, но все еще недоступен для того же пользователя во время выполнения задания. К сожалению, я уперся в стену и не знаю, что делать дальше.

ПРИМЕЧАНИЕ: Пожалуйста, не предлагайте переходить на VirtuanEnv, если нет конкретной причины, по которой Conda не будет работать с Jenkins. Я знаю об этом маршруте, но выбрал Conda для. причины.


Задание cron для запуска в виртуальной среде conda

У меня настроена виртуальная среда Anaconda Python, и если я запускаю свой проект, когда эта виртуальная среда активирована, все работает отлично.

Но у меня есть cronjob, настроенный на его запуск каждый час. Я отправил вывод в журнал, потому что он работал некорректно.

Я получаю эту ошибку в журнале cronlog.log:

Это указывает на то, что задание cron каким-то образом не запускает файл без активации виртуальной среды.

Чтобы исправить это, я добавил строку в файл /home/user/.bash_profile:

Теперь, когда я вхожу в систему, среда активируется автоматически.

Однако проблема не устранена.

Я попробовал еще кое-что. Я изменил задание cron (и я также пробовал это в файле bash, который запускается cronjob), чтобы явно вручную активировать среду каждый раз, когда она запускается, но безрезультатно:

Конечно, ничто из того, что я пробовал, не исправило. Я действительно ничего не знаю о Linux, так что, возможно, мне нужно что-то очевидное изменить.

Итак, есть ли способ указать, что задание cron должно выполняться в виртуальной среде?


Как я могу запустить скрипт python с помощью Anaconda из командной строки?

Примечание: я новичок в Python, и я никогда не использовал внешние модули, подобные перечисленным ниже, поэтому не стесняйтесь сообщить мне, есть ли что-то, что я мог бы сделать лучше, чтобы моя программа заработала и работала.

В настоящее время я работаю с программой python (2.7.x), которая требует использования стека SciPy. Предыдущий разработчик программы использовал Anaconda для доступа ко всем внешним модулям. В моем случае мне нужно иметь возможность запускать всю программу с помощью одной команды. Например:

Выполнит myFile.py (который имеет следующий импорт):

Насколько я понимаю, Anaconda - это IDE, которая требует, чтобы вы выполняли код аналогично Visual Studios (то есть с помощью кнопки «Выполнить»). Итак, мой вопрос:

Есть ли способ сделать это прямо из командной строки?

Примечание. Причина, по которой я указываю использование Anaconda вместо использования самих внешних модулей, заключается в том, что на веб-сайте SciPy постоянно упоминается, что проще всего использовать научный дистрибутив Python, такой как Anaconda или Python (x, y). В конечном счете, меня устраивает любое решение, которое позволяет мне запускать мою программу с указанным выше импортом.


Моделирование изменения земного покрова с использованием распределенной вычислительной среды ☆

Компьютерные модели используются в ландшафтной экологии для моделирования воздействия решений человека о землепользовании на окружающую среду. Необходимо учитывать многие социально-экономические, а также экологические факторы, что требует интеграции пространственно четких междисциплинарных данных. Система анализа изменений в землепользовании или LUCAS была разработана для изучения воздействия землепользования на структуру ландшафта в таких областях, как бассейн реки Маленький Теннесси в западной части Северной Каролины и Олимпийский полуостров в штате Вашингтон. Эти эффекты включают изменение земного покрова и пригодность среды обитания видов. Слои карт, используемые LUCAS, основаны на изображениях дистанционного зондирования, картах переписи и владения, топологических картах и ​​выходных данных эконометрических моделей. Общедоступная географическая информационная система (ГИС) используется для хранения, отображения и анализа этих слоев карты. Параллельная версия LUCAS (pLUCAS) была разработана с использованием параллельной виртуальной машины (PVM) в сети рабочих станций, обеспечивающей коэффициент ускорения 10,77 с 20 узлами. Параллельная модель необходима для моделирования в более крупных областях или для карт с гораздо более высоким разрешением.


Обсуждение

В этом исследовании изучали, связаны ли объективно измеренные характеристики застроенной жилой среды с ОТ у пожилых людей, и оценивали, различались ли эти отношения между людьми, имеющими и не имеющими LLOA. Результаты показали, что расстояние до конкретных медицинских ресурсов (терапевт и физиотерапевт) и розничных магазинов (супермаркет) сильнее связано со временем, проведенным на ПА у пожилых людей с LLOA, чем у людей без LLOA. В частности, ассоциации света и высокой освещенности PA с расстояниями до этих конкретных ресурсов были сильнее у пожилых людей с LLOA по сравнению с их коллегами без LLOA.

По мере того, как боль и инвалидность становятся более серьезными, способность адаптироваться к окружающей среде может уменьшаться, а экологические проблемы, такие как предполагаемое и объективно большее расстояние до услуг, могут стать непреодолимыми. Это потенциально может привести к избеганию сложных ситуаций и ограничению ФА [12, 13, 37, 38]. Наши результаты предоставляют некоторые подтверждающие доказательства гипотезы экологической послушности и подтверждают, что чем менее компетентен человек, тем больше влияние факторов окружающей среды на него. Связи между некоторыми специфическими характеристиками среды, построенной по соседству, были сильнее у пожилых людей с LLOA, чем у людей без LLOA. Однако, в отличие от наших ожиданий, результаты показали, что объективно измеренные большие расстояния до конкретных ресурсов были связаны с большим количеством времени, затрачиваемым на общую PA, легкую PA и высокую освещенность PA пожилыми людьми с LLOA, чем людьми без LLOA. Лица с LLOA могут больше пользоваться услугами здравоохранения, чем те, у кого нет этого заболевания, и эти услуги могут быть более важными для пожилых людей с LLOA, чем для их сверстников без LLOA [39]. Как следствие, пожилые люди с LLOA могут быть более мотивированы участвовать в PA из-за большего расстояния до медицинских услуг по сравнению с людьми без LLOA. Кроме того, врач общей практики может особенно рекомендовать пожилым людям с LLOA быть более физически активными и, как следствие, они просто больше ходят в медицинские учреждения и повседневные магазины розничной торговли, такие как супермаркеты. Связь между временем, затраченным на общее PA, и расстояниями до конкретных медицинских услуг и возможностями розничной торговли может быть сильнее у пожилых людей с LLOA, чем у тех, у кого нет LLOA, потому что для людей с LLOA может потребоваться больше усилий, чтобы преодолеть расстояния до этих определенных ресурсов, и им может потребоваться больше времени, чтобы добраться до места назначения. Однако результаты не показывают различий в PA между обеими группами.

Это исследование также показало, что более высокая частота соединяющихся улиц в районе незначительно значимо связана с большим количеством времени, проводимого на PA при слабом освещении. Этот вывод согласуется с предыдущими исследованиями [17]. Было высказано предположение, что более высокая скорость уличного движения в районе обеспечивает больше вариантов маршрута и облегчает прямое путешествие, что, в свою очередь, поддерживает физическую активность [18]. Наше открытие предполагает, что PA пожилых людей может быть облегчено за счет увеличения плотности уличных связей в районе. В частности, охранную охрану пожилых людей можно улучшить за счет увеличения количества инфраструктур, которые буквально требуют наличия охранной помощи, например пешеходных дорожек и велосипедных дорожек. Однако следует соблюдать осторожность при интерпретации этого результата. В парках невысокая плотность дорог, но они способствуют развитию системы охраны здоровья у пожилых людей [16]. Однако в данном исследовании наличие парков не рассматривалось.

Насколько нам известно, это первое популяционное исследование, в котором основное внимание уделялось связи между объективно измеренными характеристиками PA и характеристиками среды, построенной по соседству, у пожилых людей с LLOA и без них. Важным преимуществом этого исследования является использование акселерометрии для объективной оценки времени, потраченного на PA, вместо самооценки PA. В отличие от предыдущих исследований, которые фокусировались только на общей PA [6], подробный анализ был выполнен по конкретным категориям интенсивности PA. Таким образом, было показано, что специфические характеристики застроенной среды микрорайона, в частности, связаны со временем, затрачиваемым на световую и яркую подсветку. Еще одна сильная сторона - то, что время, потраченное на PA, было собрано в течение семи или более дней для большинства участников, и поэтому это исследование может действительно отражать привычное поведение пожилых людей. Предыдущие исследования взаимосвязи между объективно измеренными характеристиками ООПТ и искусственной средой в основном проводились в США и Австралии [9, 10]. Это исследование может способствовать лучшему пониманию взаимоотношений между PA и окружающей средой у пожилых людей из общей популяции в Западной Европе.

Также следует признать некоторые ограничения. В этом исследовании пороговые значения для категорий PA были основаны на Troiano et al. [23] и Matthews et al. [24]. Эти пороговые значения были исследованы у взрослых. Хотя эти пороговые значения широко используются и общеприняты, они могут не применяться к пожилым людям. Имеются данные о том, что оптимальные пороговые значения могут различаться для разных возрастных групп из-за разных моделей активности, механической эффективности и контрастного характера движений на разных этапах жизни [40]. В этом исследовании географическое положение участников во время их физической активности не оценивалось, и, следовательно, информация о контексте ПА отсутствовала. Таким образом, меры PA в этом исследовании также включают PA, которая проводилась дома или за пределами района. Еще одно ограничение заключалось в том, что среднее расстояние в километрах от всех жителей района до определенного ресурса использовалось в качестве прокси для расстояния от дома участников & # x02019 до этого конкретного ресурса. Кроме того, количество людей с LLOA в этом исследовании невелико, а различия в среде застройки района в Нидерландах довольно незначительны. Эти методологические ограничения могут затруднить определение истинного размера связи между объективно измеренными характеристиками застроенной окружающей среды района и ООПТ. Наконец, это исследование не рассматривало самостоятельный выбор жилья как фактор, влияющий на взаимосвязь между характеристиками застроенной среды района и охраняемой недвижимостью. Самостоятельный выбор места жительства - это явление, когда люди выбирают, где жить, исходя из своих потребностей и предпочтений [41]. Может случиться так, что люди более физически активны, потому что окружающая среда, построенная по соседству, приглашает их к этому, но также может случиться так, что люди, которые любят быть физически активными, склонны выбирать жилые районы, способствующие реализации этого предпочтения.

В будущих исследованиях необходимо разработать конкретные пороговые значения категорий ПА для пожилых людей, чтобы точно измерить интенсивность ПА у этих людей. Дальнейшие исследования должны быть сосредоточены не только на измерениях PA, которые основаны на количестве отсчетов в минуту по оси Y акселерометра, поскольку в ближайшем будущем могут появиться более сложные методы (например, распознавание образов). Это может способствовать более детальному измерению PA. Кроме того, в будущих исследованиях ассоциаций между PA и характеристиками окружающей среды, построенной по соседству, можно было бы использовать устройства глобальной системы позиционирования (GPS), чтобы различать PA за пределами района, PA в районе и PA дома. Использование GPS-измерений может дать больше информации о сфере мобильности в жизненном пространстве пожилых людей и поможет выбрать подходящие области для изучения влияния окружающей среды на PA [42]. Это исследование было сосредоточено только на ассоциациях PA с объективно измеренной связью улиц и расстояниями до определенных ресурсов. Дальнейшие исследования необходимы для получения более глубокого понимания ассоциаций PA с другими объективными аспектами застроенной окружающей среды микрорайона, такими как безопасность, наличие и состояние пешеходных дорожек и велосипедных дорожек. Кроме того, у людей действительно есть представления о застроенной окружающей среде, которые могут не соответствовать объективным измерениям [43]. Дальнейшие исследования также необходимы для изучения того, как воспринимаемые характеристики застроенной среды квартала связаны с объективными измерениями и как эти аспекты связаны с PA. Чтобы получить более полное представление о взаимосвязи между воспринимаемыми и объективно измеренными характеристиками окружающей среды, построенной по соседству, и PA у здоровых и функционально слабых пожилых людей, в будущих исследованиях можно использовать интервью, наряду с объективными измерениями [44].


Установка QGIS

QGIS будет инструментом GIS Desktop, который будет использоваться во время курса. Это бесплатное программное обеспечение с открытым исходным кодом. Это очень крутой проект, в котором каждому доступна вся мощь ГИС-анализа. Мы обсудим его плюсы и минусы по сравнению с другими инструментами GIS Desktop (например, ArcGIS, GRASS и другими).

Итак, первым шагом будет установка QGIS на ваш ноутбук. Это программное обеспечение доступно для Windows, Mac OS X, Linux и Android. На всех платформах среда очень похожа.

Обратите внимание, что вам необходимо установить некоторые необходимые пакеты перед установкой QGIS. Все очень хорошо объяснено в файле readme.

Для нетерпеливых


Линда Модрелл

Позиция: Член

Линда Модрелл имеет степень бакалавра в области бизнеса (бухгалтерский учет) и степень магистра делового администрирования (несовершеннолетний в области общественного здравоохранения) Университета штата Орегон. Она несколько лет проработала в сфере здравоохранения, прежде чем баллотироваться на выборную должность, а также долгое время работала в Университете штата Орегон. С 1999 года, когда Линда была избрана комиссаром округа Бентон, она в основном занималась вопросами транспорта, здравоохранения, водоснабжения, налоговой политики и управления.


МАТЕРИАЛЫ И МЕТОДЫ

Описание данных и области исследования.

Для изучения пространственного распределения Листерия spp., мы использовали данные, собранные в рамках более крупного исследования, описанного Саудерсом (38). Вкратце, за двухлетний период (2001 и 2002 гг.) Было взято в общей сложности 907 проб почвы, воды (включая пруды, озера, лужи, речные потоки, сточные воды и болота) и растительности (включая водоросли прудов, гниющие бревна). , полевая трава, трава, опавшие листья и мох) были собраны в следующих четырех областях в штате Нью-Йорк (NYS), представляющих природную среду: Национальный лес Фингер-Лейкс (FLNF), парк Адирондак, парк Катскилл и холм Коннектикут. Зона управления дикой природой (CHWMA). В частности, в 2001 г. образцы собирались в ходе двух-трех посещений исследуемой территории в течение весны, лета и осени, тогда как в 2002 г. каждая изучаемая территория посещалась один раз весной, летом и осенью. Данные о геопространственном местоположении для каждого образца были собраны с помощью портативной системы глобального позиционирования (GPS) Garmin Emap. Также фиксировалась дата взятия пробы. Образцы собирали в стерильные пакеты Whirl-Pak (Nasco, Fort Atkinson, WI) с использованием стерильных перчаток и / или предварительно стерилизованных одноразовых пластиковых шпателей или совков. Перед культивированием образцы выдерживали на влажном льду до 24 часов. Все образцы культивировали на наличие Листерия с селективным обогащением Листерия обогащающий бульон (Difco, Becton Dickinson, Sparks, MD). Изолированные Листерия виды были следующие: L. seeligeri (67 & # x00025), L. welshimeri (24 & # x00025), L. monocytogenes (6 & # x00025), & # x0201cL. marthii& # x0201d sp. ноя (новый вид 2 & # x00025) и L. innocua (& # x0003c1 & # x00025). Все Листерия Изоляты охарактеризованы с помощью ПЦР-амплификации и секвенирования частичной открытой рамки считывания гена стрессового ответа. sigB а для изолятов, собранных в 2001 г., ген домашнего хозяйства зазор. Однако ограничения размера выборки не позволили провести статистический анализ на уровне видов и генотипов. В исследовании Sauders было 567 уникальных мест отбора проб (38). Пробы почвы, растительности и воды были собраны в 303, 302 и 294 из этих уникальных мест соответственно. Поскольку все образцы, собранные в одном месте, имеют идентичный набор наблюдений, мы применили простое правило, чтобы охарактеризовать присутствие Листерия в местоположении: одного положительного образца было достаточно, чтобы считать местоположение положительным. То же правило применялось для изоляции Листерия из почвы, растительности и водных слоев местности.

Моделирование пространственных данных.

Для каждого выбранного местоположения в исследовании Саудерса (38) мы получили потенциально релевантные пространственно привязанные ковариаты (детали и источники, описанные ниже), описывающие местную экологию, из легко доступных моделей пространственных данных. Все модели пространственных данных и данные GPS для точек отбора проб были импортированы в ArcGIS 9 (ESRI, Redland, CA), перепроецированы в универсальную поперечную систему координат меркатора, North American Datum 1983 г., привязаны к области исследования и наложены на места отбора проб. для получения информации о факторах окружающей среды, связанных с каждым местом отбора проб. Всего мы получили 77 переменных (определенных в Таблице 1), которые можно сгруппировать по следующим категориям: свойства почвы, осадки, температура окружающей среды, чередование температур замерзания и оттаивания (циклы замораживания-оттаивания), географическое положение, и календарное время. Переменные свойств почвы (показанные в таблице 1) были получены для 13 округов штата Нью-Йорк, где проводился отбор проб, а именно: Шайлер, Сенека, Гамильтон, Томпкинс, Грин, Делавэр, Салливан, Ольстер, Эссекс, Фултон, Франклин, Херкимер. , и Св. Лаврентия, из скомпилированных таблично-пространственных данных Soil Survey Geographic (SSURGO) (47). Информация об осадках до сбора образцов была получена из данных о суточной температуре, осадках и снеге США Исторической климатологической сети (54). В частности, для каждого участка отбора проб определялась ближайшая метеостанция с доступной информацией об осадках в день и дни до сбора проб. Неизвестно, оказывает ли осаждение, происходящее ближе или дальше до сбора образца, большее влияние на выделение Листерия с места. Поэтому мы создали четыре переменные, описывающие количество дождя в день сбора пробы, а также за 1, 2 и 3 дня до него (Таблица №200B (Таблица1). 1). Поскольку эффект осадков, вероятно, длится несколько дней, среднее количество дождя за определенный период времени может быть более важным фактором, влияющим на изоляцию Листерия виды с места. Поэтому мы создали 10 дополнительных переменных осадков, описывающих среднее количество осадков в течение постоянно увеличивающегося временного окна до сбора образцов (Таблица №200B (Таблица1). 1). Для нашего анализа все измерения осадков были переведены из дюймов в миллиметры (1 дюйм & # x0003d 25,4 мм). Помимо осадков, была получена информация о температуре окружающей среды в день и дни до сбора образцов (54). Однако, опять же, неясно, влияет ли минимальная, средняя или максимальная дневная температура больше на восстановление (изоляцию) Листерия виды с места. Кроме того, неясно, имеет ли большее значение температура в дни, близкие к отбору образца, или в дни более ранние. Кроме того, влияние температуры окружающей среды может быть кумулятивным, и поэтому среднее значение измерений за несколько дней может быть лучшим прогнозом для Листерия восстановление. Поэтому, следуя тому же подходу, который использовался для получения и наименования переменных осадков, мы создали по 14 переменных для каждой из минимальной, средней и максимальной дневной температуры окружающей среды (Таблица №200B (Таблица1). 1). Для нашего анализа все измерения температуры были преобразованы из градусов Фаренгейта в градусы Цельсия & # x0007b & # x000b0C & # x0003d [(F & # x02212 32) / 9] & # x000d7 5 & # x0007d. Нас также интересовало влияние циклов замораживания-оттаивания на статус изоляции Листерия виды с места. Возникновение циклов замораживания-оттаивания оценивалось по данным Williams et al. (54): если в любой день в течение 10-дневного периода перед взятием образца или в любые два последовательных дня в течение этого периода минимальная дневная температура была ниже 0 ° C, а максимальная была выше 0 ° C, это регистрировалось как возникновение цикла замораживания-оттаивания. На основе этой информации мы создали шесть переменных & # x0201cfreeze-thaw cycle & # x0201d (Таблица & # x200B (Table1). 1). Нас также интересовало, влияет ли географическое положение места отбора проб по сторонам света, описываемое географическими координатами восток и север (выраженные в метрах), на изоляцию Листерия виды с места. Восток относится к измеренному на восток расстоянию от & # x0201cfalse easting, & # x0201d, которое однозначно определяется в каждой универсальной поперечной зоне меркатора, в то время как северное положение относится к измеренному на север расстоянию от экватора. Наконец, нас интересовало, влияет ли календарное время сбора образцов и близость к дорогам и водоемам (озерам, рекам и ручьям) на изоляцию Листерия виды из местоположения (Таблица & # x200B (Таблица1). 1). Чтобы определить близость места отбора проб к ближайшей дороге, мы использовали дорожные данные для округов штата Нью-Йорк, где были собраны пробы, а также для двух близлежащих округов, Онейда и Клинтон (45). Пространственные данные гидрографии (31) использовались для оценки близости места отбора проб к ближайшему водоему. Хотя это потенциально актуально, не было информации о воздействии солнечного света на место, например, северный или южный склон. В виде L. monocytogenes был единственным патогенным Листерия видов, представленных в используемом наборе данных, и поскольку он представляет только 6 & # x00025 всех изолированных Листерия spp., близость и плотность популяций домашнего скота и диких животных в районе исследования не учитывались.

ТАБЛИЦА 1.

Имена, описания, определяющие атрибуты и единицы измерения (где применимо) рассматриваемых переменных, сгруппированных по свойствам почвы, осадкам, температуре окружающей среды, циклам замораживания-оттаивания, географическому положению и календарному времени. а

Категория и имя переменнойОписаниеОпределение атрибутаЕдиница измерения
Свойства почвы
& # x02003 & # x02003 & # x02003 & # x02003Loam.soilПолучено путем группировки всех типов почв в базе данных SSURGO как суглинистые, а не суглинистые почвы.Тип почвы суглинок
& # x02003 & # x02003 & # x02003 & # x02003Slope.gradientРазница в высоте между двумя точками, выраженная в процентах между двумя точками и отображаемая как взвешенный средний градиент уклона всех компонентов в единице карты SSURGO & # x00025
& # x02003 & # x02003 & # x02003 & # x02003Water.depthНаименьшая глубина до влажного слоя почвы (грунтовых вод) в течение года, выраженная в см от поверхности почвы для компонентов, состав которых в единице карты SSURGO равен или превышает 15 & # x00025 см
& # x02003 & # x02003 & # x02003 & # x02003Хранение воды.25Объем воды, который может хранить почва на заданной глубине, доступный для растений, выраженный как средневзвешенное значение всех компонентов в блоке карты SSURGO.25 смсм
& # x02003 & # x02003 & # x02003 & # x02003Хранение воды.50Что касается хранения воды.2550 смсм
& # x02003 & # x02003 & # x02003 & # x02003Хранение воды.100Что касается хранения воды.25100 смсм
& # x02003 & # x02003 & # x02003 & # x02003Хранение воды.150Что касается хранения воды.25150 смсм
& # x02003 & # x02003 & # x02003 & # x02003 ДренажСостояние естественного дренирования почвы (с учетом частоты и продолжительности влажных периодов) доминирующего класса дренажа для блока карты ССУРГО. б
Атмосферные осадки
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0Количество дождя в указанный деньДень t0мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.1Что касается осадков.0День t1мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.2Что касается осадков.0День t2мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.3Что касается осадков.0День t3мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_1Среднее количество осадков за указанный периодПериод t0-t1мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_2Что касается осадков.0_1Период t0-t2мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_3Что касается осадков.0_1Период t0-t3мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_4Что касается осадков.0_1Период t0-t4мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_5Что касается осадков.0_1Период t0-t5мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_6Что касается осадков.0_1Период t0-t6мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_7Что касается осадков.0_1Период t0-t7мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_8Что касается осадков.0_1Период t0-t8мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_9Что касается осадков.0_1Период t0-t9мм
& # x02003 & # x02003 & # x02003 & # x02003Precipitation.0_10Что касается осадков.0_1Период t0-t10мм
Окружающая температура
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0Минимальная дневная температура в указанный деньДень t0& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.1Что касается температуры.L.0День t1& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.2Что касается температуры.L.0День t2& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003 Температура.L.3Что касается температуры.L.0День t3& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_1Среднее значение минимальной дневной температуры в указанный периодПериод t0-t1& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_2Что касается температуры.L.0_1Период t0-t2& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_3Что касается температуры.L.0_1Период t0-t3& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_4Что касается температуры.L.0_1Период t0-t4& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_5Что касается температуры.L.0_1Период t0-t5& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_6Что касается температуры.L.0_1Период t0-t6& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_7Что касается температуры.L.0_1Период t0-t7& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_8Что касается температуры.L.0_1Период t0-t8& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_9Что касается температуры.L.0_1Период t0-t9& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.L.0_10Что касается температуры.L.0_1Период t0-t10& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0Средняя дневная температура в указанный деньДень t0& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003 Температура.a.1Что касается температуры. A.0День t1& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003 Температура.a.2Что касается температуры. A.0День t2& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003 Температура.a.3Что касается температуры.a.0День t3& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_1Средняя дневная температура за указанный периодПериод t0-t1& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_2Что касается температуры.a.0_1Период t0-t2& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_3Что касается температуры.a.0_1Период t0-t3& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_4Что касается температуры.a.0_1Период t0-t4& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_5Что касается температуры.a.0_1Период t0-t5& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_6Что касается температуры.a.0_1Период t0-t6& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_7Что касается температуры.a.0_1Период t0-t7& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_8Что касается температуры.a.0_1Период t0-t8& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_9Что касается температуры.a.0_1Период t0-t9& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.a.0_10Что касается температуры.a.0_1Период t0-t10& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0Максимальная дневная температура в указанный деньДень t0& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003 Температура.H.1Что касается температуры.H.0День t1& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003 Температура.H.2Что касается температуры.H.0День t2& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003 Температура.H.3Что касается температуры.H.0День t3& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_1Среднее значение максимальной дневной температуры в указанный периодПериод t0-t1& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_2Что касается температуры.H.0_1Период t0-t2& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_3Что касается температуры.H.0_1Период t0-t3& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_4Что касается температуры.H.0_1Период t0-t4& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_5Что касается температуры.H.0_1Период t0-t5& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_6Что касается температуры.H.0_1Период t0-t6& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_7Что касается температуры.H.0_1Период t0-t7& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_8Что касается температуры.H.0_1Период t0-t8& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_9Что касается температуры.H.0_1Период t0-t9& # x000b0C
& # x02003 & # x02003 & # x02003 & # x02003Temperature.H.0_10Что касается температуры.H.0_1Период t0-t10& # x000b0C
Циклы замораживания-оттаивания
& # x02003 & # x02003 & # x02003 & # x02003Freeze.thaw.0Цикл замораживания-оттаивания, происходящий в указанный деньДень t0NA
& # x02003 & # x02003 & # x02003 & # x02003Freeze.thaw.1Что касается Freeze.thaw.0День t1NA
& # x02003 & # x02003 & # x02003 & # x02003Freeze.thaw.2Что касается Freeze.thaw.0День t2NA
& # x02003 & # x02003 & # x02003 & # x02003Freeze.thaw.3Что касается Freeze.thaw.0День 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 Northм
   �stingPosition with respect to the specified cardinal directionTo the Eastм
   𠀽toroadProximity to the nearest road м
   𠀽towaterProximity to the nearest body of water м
    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 т 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 т 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) п 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 т test, the Wilcoxon rank-sum test, or the exact Wilcoxon rank-sum test as appropriate. In the univariate analysis, п 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 (п ≥ 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? - Географические информационные системы

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). Государственный университет Пенсильвании.

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.


Смотреть видео: Anaconda Tutorial 2019 - Python Virtual Environment Manager