Más

¿Haciendo referencia a la capa en la Tabla de contenido usando ArcPy?

¿Haciendo referencia a la capa en la Tabla de contenido usando ArcPy?


Estoy buscando la mejor manera de hacer referencia a una capa en el TOC usando arcpy y, si es posible, es diferente a lo siguiente:

mxd = arcpy.mapping.MapDocument ("ACTUAL") df = arcpy.mapping.ListDataFrames (mxd) [0] capas = arcpy.mapping.ListLayers (df)

Capas de referencia:

mylayer1 = capas [0] mylayer2 = capas [1]…

Resulta que, en algunos casos, es posible que no conozca el índice en la lista [0], 1, etc ... así que necesito hacer referencia a él usando otros identificadores.

En versiones anteriores, solía hacer referencia a la capa primero como un archivo en el disco, luego agregar la capa en el TOC y, por último, hacer referencia a ella usando la misma variable. Sin embargo, en versiones como la 10.2, no funciona y necesito hacer referencia de otras formas, pero la forma explicada en el ejemplo anterior no me convence. Otros ejemplos, como los que se explican en la siguiente publicación, son útiles en algunos casos (haga clic aquí para ver un ejemplo, pero creo que debería haber una forma más simple que no requiera estructuras de bucle ...

Entonces, ¿hay una mejor manera?


Aquí está la documentación de ListLayers

ListLayers (map_document_or_layer, {wildcard}, {data_frame})

Puede utilizar un comodín si conoce el nombre de la capa.

mxd = arcpy.mapping.MapDocument ("CURRENT") df = arcpy.mapping.ListDataFrames (mxd) [0] road_layer = arcpy.mapping.ListLayers (mxd, "Road", df) [0] river_layer = arcpy.mapping. ListLayers (mxd, "River", df) [0]

Donde "Río" o "Carretera" es el nombre de la capa en la tabla de contenido.


Hay una amplia variedad de formas de referenciar capas dentro de una tabla de contenido. Consulte las distintas propiedades de capa disponibles. Por ejemplo, si desea buscar una capa por su nombre, realice suListLayersy luego hacer uso de unif lyr.name == "mylayer":declaración en tuporlazo.


ListLayers siempre devuelve un objeto de lista de Python incluso si solo se devuelve una capa. Para devolver un objeto Layer, se debe usar un valor de índice en la lista (por ejemplo, lyr = arcpy.mapping.ListLayers (mxd) [0]). Los bucles for de una lista proporcionan un mecanismo sencillo para recorrer cada elemento de una lista (por ejemplo, for lyr en arcpy.mapping.ListLayers (mxd):).

Cuando se trabaja con archivos de capa, el parámetro data_frame no debe usarse porque los archivos de capa no admiten marcos de datos, de ser así, se ignorará. La función Layer () es para hacer referencia a archivos de capa (.lyr) almacenados en el disco.

Las capas de grupo se tratan como capas. Los valores de índice se generan simplemente de arriba a abajo, tal como aparecen en la tabla de contenido o como aparecerían en un archivo de capa. Lo mismo se aplica si una capa de grupo está dentro de otra capa de grupo. Un documento de mapa con una sola capa de grupo con tres capas dentro de ella devolverá una lista de Python de cuatro objetos de capa, siendo la capa de grupo la primera. Una forma de determinar si una capa está dentro de una capa de grupo es interrogar la propiedad longName. El nombre largo de una capa incluirá el nombre de la capa de grupo como parte del nombre.

Los comodines se utilizan en la propiedad del nombre y no distinguen entre mayúsculas y minúsculas. Una cadena comodín de "so *" devolverá una capa con el nombre Suelos. Los comodines se pueden omitir en la sintaxis de secuencias de comandos simplemente pasando una cadena vacía (""), un asterisco (*) o ingresando comodines = Ninguno, o nada en absoluto si es el último parámetro opcional en la sintaxis.

Es posible que haya capas en un documento de mapa o archivo de capa que tengan el mismo nombre. Si ese es el caso, es posible que sea necesario utilizar otras propiedades para aislar una capa específica. Propiedades como la descripción de una capa o la fuente de datos de una capa se pueden usar para hacer esto. Es ideal que todas las capas de un documento de mapa o al menos de una capa tengan un nombre exclusivo.


Agregar capas de mapa

Hay varias formas de agregar capas de mapa. Cada uno de ellos está cubierto aquí.

Agregar un conjunto de datos

Para crear una nueva capa de mapa, simplemente agregue un conjunto de datos a su mapa, globo terráqueo o escena 3D. Hay algunas formas de agregar conjuntos de datos:

    Usando el botón Agregar datos—Haga clic en el botón Agregar datos y navegue hasta el conjunto de datos deseado. Luego selecciónelo y agréguelo a su mapa.

Cuando usa el botón Agregar datos en ArcMap por primera vez en una nueva sesión, regresa automáticamente a la última ubicación desde la que agregó datos. Al desmarcar Volver a la última ubicación utilizada cuando el cuadro de diálogo Agregar datos se usó por primera vez en la pestaña General del cuadro de diálogo Opciones de ArcMap, el cuadro de diálogo Agregar datos se establecerá de forma predeterminada en el nivel superior del árbol del catálogo. Esto mejora el rendimiento del comando Agregar datos porque no tiene que esperar mientras se vuelve a conectar a la unidad de red, la ubicación de la base de datos o el servidor SIG al que accedió en su sesión anterior. Para abrir el cuadro de diálogo Opciones de ArcMap, haga clic en Personalizar & gt Opciones de ArcMap.

Consulte Usar la búsqueda en ArcGIS para obtener más información.

Agregar varios conjuntos de datosPuede seleccionar y agregar varios conjuntos de datos a la vez resaltando todos los conjuntos de datos deseados en lugar de uno solo al agregarlos.

Cuando desmarca la opción Hacer visibles las capas recién agregadas de forma predeterminada en la pestaña General del cuadro de diálogo Opciones de ArcMap, las nuevas capas que agregue aparecerán en la tabla de contenido, pero no se activarán automáticamente (dibujadas en el mapa). Por ejemplo, si está trabajando con conjuntos de datos grandes que pueden tomar mucho tiempo para dibujar, puede ser bueno desmarcar esta casilla para que pueda establecer propiedades antes de activar la capa en la tabla de contenido. Abra el cuadro de diálogo haciendo clic en Personalizar & gt Opciones de ArcMap.

Agregar datos de ArcGIS Online

Puede agregar datos y capas que la comunidad de ArcGIS publica y comparte en línea. Consulte Agregar datos desde ArcGIS en línea para obtener más información.

Establecer la simbología de la capa

Cuando crea una nueva capa agregando un conjunto de datos, la capa se dibujará utilizando un conjunto predeterminado de propiedades de dibujo. Entonces, uno de sus primeros pasos será establecer la simbología de la capa y otras propiedades de visualización.

Consulte Acerca de la visualización de capas para obtener más información.


Mapeo de desechos marinos en las comunidades costeras de Belice: desarrollo de una línea de base para comprender la distribución de desechos en las playas utilizando sistemas de información geográfica

El monitoreo de los desechos marinos (también conocidos como desechos marinos) es un paso esencial en el proceso para erradicar los peligros ecológicos en los ecosistemas marinos causados ​​por los humanos. Este estudio examina los desechos marinos en el país caribeño de Belice utilizando sistemas de información geográfica (GIS) para desarrollar (1) una biblioteca de datos detallada para usar en unidades y tabletas del Sistema de Posicionamiento Global (GPS) portátiles con aplicaciones de mapeo móvil para su implementación en el campo y (2) un portal de mapeo en línea disponible gratuitamente para compartir datos con los beliceños para alentar los esfuerzos futuros de ciencia ciudadana. Se apuntó a cuatro comunidades diversas, desde pueblos más grandes y más poblados hasta pueblos más pequeños en el centro y sur de Belice: San Pedro, Caye Caulker, Punta Gorda y Monkey River. El trabajo de campo se llevó a cabo durante 1 mes, durante el cual se recopilaron puntos de datos en levantamientos de 50 m seguidos de limpieza y remoción de escombros. Las características de nuestra base de datos incluyen material, cantidad, artículo, marca y condición. Se registraron más de 6000 piezas de escombros en GIS para su análisis adicional, y se retiraron 299 galones de escombros de las costas de Belice. La forma más abundante de escombros observada fue el plástico (comúnmente botellas) en todos los lugares. El plástico representó el 77,6% de todos los elementos de escombros observados. A través de GIS, se documentó una comprensión instantánea detallada de los patrones de escombros en múltiples entornos en Belice. Las colaboraciones continuas con organizaciones locales en Belice han demostrado un gran interés y utilidad para tales enfoques de SIG en el análisis y manejo de desechos marinos. Los datos, la metodología, las representaciones visuales y la plataforma de mapeo en línea resultantes de esta investigación son un primer paso para apoyar directamente la defensa y las políticas de la comunidad local de Belice, al tiempo que contribuyen a estrategias institucionales más amplias para abordar los problemas de los desechos marinos en el Caribe.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


KeepFromToc ayuda a suprimir las entradas de TOC para tales listof comandos:

Gracias a Martin Scharrer, presté más atención a la clase de memorias como fuente del problema.

Un examen más detenido de las memorias README revela que tableofcontents * es una solución. Parece lógico, todo lo que quiero ocultar se queda con la estrella.

Tuve un problema similar, pero con la clase de artículo. Ninguna de las soluciones anteriores funciona para esta clase, por lo que después de mucha búsqueda utilicé el consejo de Martin anterior y busqué en la clase de artículo y descubrí que simplemente no puedo usar tableofcontents, y en su lugar uso:

Esto no crea una sección para la tabla de contenido, por lo que el problema desaparece.

Pensé que publicaría esto aquí en caso de que alguien más tenga un problema similar.


PREFACIO

Una serie de temas recurrentes y preocupantes se inmiscuyen cada vez más en las vidas comparativamente cómodas de muchos de nosotros: hambruna, degradación ambiental, cambio climático, desertificación, pobreza, desigualdad, presiones demográficas, etc. En cierto sentido, este estudio trata sobre todas estas cosas. En la raíz de muchos de los problemas se encuentra la incapacidad de las personas para mantenerse por sí mismas al nivel más básico, es decir, proporcionar un medio adecuado para producir alimentos suficientes.

La proliferación de la producción de pescado bien puede ser parte de la solución a este problema. La mayoría de los lectores de este estudio sabrán que en algunas zonas del mundo, especialmente en Asia oriental y sudoriental, las formas intensivas y extensivas de cría de peces han tenido éxito durante un período muy largo. Se han hecho intentos para replicar este éxito en otros lugares, pero estos esfuerzos han tenido sorprendentemente poco impacto, excepto donde la acuicultura se ha iniciado en una forma intensiva y altamente comercial. Por lo tanto, en gran parte del mundo en desarrollo, incluso donde la producción de pescado tiene un gran potencial para mejorar, sigue existiendo una dependencia dominante de los productos pesqueros importados cuyos orígenes son principalmente de la disminución de las capturas de peces silvestres.

Una de las barreras tanto para aumentar la producción pesquera como para mejorar los procesos de difusión de las técnicas acuícolas ha sido la falta de datos y métodos para optimizar los lugares de producción. Una razón de esto es que, en general, no hemos comprendido el papel significativo que desempeñan las variaciones espaciales, ya sea en factores físicos, económicos o sociales, en el éxito de una empresa de producción. Este estudio es un intento de mostrar cómo se pueden utilizar dos tecnologías emergentes rápidamente para acelerar en gran medida y hacer más eficientes los procesos de optimización de la ubicación, y cómo las tecnologías pueden permitir un examen completo de los muchos factores espacialmente variables que podrían afectar o controlar producción de pescado.

El estudio está escrito principalmente para una variedad de personal en los departamentos de pesca, tanto en los países desarrollados como en desarrollo. Sin embargo, dado que cubre una gran cantidad de material relevante para la teledetección (RS) y los sistemas de información geográfica (SIG), entonces podría ser valioso para, entre otros, geógrafos, agricultores, analistas de ubicación y para cualquier persona interesada en promover, aprender o enseñar sobre estas dos tecnologías emergentes. Hemos dirigido el estudio a un nivel de pregrado, aunque podría ser seguido fácilmente por una audiencia más amplia, ya que nos esforzamos deliberadamente por evitar la jerga innecesaria y esas muchas siglas que son tan queridas en el mundo de la teledetección y la informática. También hemos proporcionado más lecturas básicas sobre áreas particularmente importantes cubiertas por el guión. Aunque somos conscientes de que el estudio, en algunas partes, pronto quedará obsoleto, confiamos en que muchas de las ideas principales gozarán de una relevancia a más largo plazo, y que una pequeña cantidad de investigación juiciosa pronto podría compensar el hecho de que la implementación científica nos ha superado.

Después de una breve introducción, que establece el escenario tanto de la importancia de aumentar la producción pesquera como de asegurar y optimizar los sitios para esta producción, el Capítulo 2 explica, en diversos grados de detalle, los factores que controlan la producción pesquera tanto en la acuicultura como en la pesca continental. Ambientes. Se identifican y discuten un gran número de funciones de producción, principalmente físicas y económicas. Antes de que pueda ocurrir una optimización espacial de la producción, es necesario obtener datos relevantes. En el Capítulo 3, detallamos las técnicas de recopilación para obtener datos tanto primarios como secundarios y sugerimos que, cuando estos datos falten o sean inadecuados, se puedan utilizar datos & ldquoproxy & rdquo. Sin embargo, una de las principales fuentes de datos, la teledetección, recibe un capítulo completo (No 4), ya que es probable que los datos obtenidos sean de suma importancia cuando se están considerando las ubicaciones en gran parte del mundo en desarrollo, es decir, donde los datos espaciales tradicionales puede ser inexistente. Además, los datos RS se pueden proteger fácilmente en una forma digitalizada favorable. Damos algunos antecedentes de la teoría y la historia de RS, analizamos diferentes satélites y sistemas de detección y cubrimos brevemente algunos de los procedimientos de procesamiento de datos. Luego examinamos algunos de los usos prácticos y potenciales de RS, además de los métodos para adquirir y usar las imágenes necesarias. El Capítulo 5 analiza en profundidad las fuentes cartográficas tradicionales que se han utilizado en el análisis de la ubicación, examinando primero los mapas topográficos y temáticos en general, y luego cómo los mapas temáticos pueden utilizarse específicamente para proporcionar información útil para la optimización de la ubicación en la acuicultura. o la pesca continental, o como fuente de datos de entrada para SIG. En el Capítulo 6 examinamos los SIG con cierto detalle, mostrando primero su evolución y desarrollo y luego pasando por una descripción paso a paso de cómo funciona el sistema y los requisitos necesarios para este funcionamiento en términos de hardware y software. También mostramos los beneficios y problemas del uso de SIG y las consideraciones necesarias que se deben tener antes de adoptar un SIG. Concluimos con una variedad de estudios de casos que tienen como objetivo mostrar aplicaciones tanto de RS como de SIG a la acuicultura y la pesca continental.

Los hipervínculos a sitios de Internet que no pertenecen a la FAO no implican ningún respaldo oficial ni responsabilidad por las opiniones, ideas, datos o productos presentados en estos lugares, ni garantizan la validez de la información proporcionada. El único propósito de los enlaces a sitios que no pertenecen a la FAO es indicar más información disponible sobre temas relacionados.


Kelsey Kaszas - Sistemas de información geográfica (GIS)

Redbox es un quiosco independiente de DVD y Blu-Ray que se puede encontrar en varias tiendas minoristas y supermercados. Mi objetivo es determinar si existe una conexión entre la carrera y las áreas de servicio de redbox.


El objetivo de esta tarea de clase era aprender a usar la extensión Network Analyst en ESRI ArcGIS. Se utiliza un análisis de red en una capa de calles para determinar las zonas de servicio y las rutas más cortas. Lo más importante acerca de cómo funciona un análisis de red es que utiliza la distancia de Manhattan (Fig. 2) para medir en lugar de la distancia euclidiana (Fig. 1). La diferencia es que una distancia euclidiana es lineal, por ejemplo, un punto con un círculo de radio de 1 milla alrededor. La distancia de Manhattan es mejor para un análisis de red porque se basa en carreteras, un área de servicio debe basarse en la accesibilidad.

Mi objetivo era ver si existe una conexión entre la carrera y las áreas de servicio de redbox. Para hacer esto, utilicé datos del censo del 2000 del condado de Los Ángeles. Usé la capa & # 8220Tracts & # 8221 del Censo que incluye datos raciales y de población. Luego cargué el shapefile de puntos de Redbox en el analista de red siguiendo estos pasos:

Esto generará zonas de servicio de 1 milla para cada unidad Redbox. Luego realicé una unión espacial con la capa de tractos para determinar el desglose demográfico de las zonas de servicio de Redbox. Resumí el número de negros, blancos, hispanos, asiáticos y otros en las zonas de servicio de Redbox y para todo Los Ángeles. Luego calculé los porcentajes de cada carrera en las zonas de servicio de Redbox y los resté del desglose demográfico de referencia del condado de Los Ángeles. Los resultados muestran que las unidades Redbox tienen un 5% más de probabilidades de encontrarse en áreas dominadas por blancos y un 3% menos de probabilidades de encontrarse en áreas dominadas por hispanos. En conclusión, no hay una diferencia significativa en el desglose demográfico de las zonas de servicio de Redbox y el desglose demográfico del condado de Los Ángeles.

También creé este segundo mapa que muestra un primer plano de las zonas de servicio de Redbox en South Bay (Manhattan Beach, Hermosa Beach y Redondo Beach. Este mapa está destinado a mostrar cómo se ven las zonas de servicio a una escala más pequeña.

Datos de Redbox: http://geocommons.com/overlays/239760 (conjunto de datos derivado de la fusión de las características de 'Total de recaudaciones brutas del IRS (en miles), EE. UU. Por estado, año fiscal 2008' en 'Ubicaciones de quiosco de Redbox')

Los datos de ubicación de Redbox se pueden descargar como KML (Google Earth), shapefile u hoja de cálculo (CSV).


Fondo

El logro de los Objetivos de Desarrollo Sostenible (ODS) adoptados por la Asamblea General de las Naciones Unidas requerirá sistemas de salud más fuertes, bien financiados y con mejor personal, con elementos fundamentales que incluyen sistemas de información de salud dinámicos (SIS) para monitorear el progreso en el sector. El Plan Estratégico del Sector de la Salud de Tanzania señala la necesidad de un SIS más sólido, uno que respalde el intercambio de datos y la interoperabilidad, definido como la capacidad dentro del sistema para compartir y usar datos de dos o más sistemas para mejorar su uso en todos los niveles del sistema de salud. [1, 2]. Estas mejoras se alinean con el marco de la Organización Mundial de la Salud (OMS) de SIS como un bloque de construcción fundamental del sistema de salud y la promoción de datos confiables y oportunos para informar las políticas, los programas y la toma de decisiones individuales, y guiar la distribución eficiente de los recursos [3,4 , 5].

De manera óptima, un sistema de información sanitaria incluye datos sobre el personal sanitario, los sistemas financieros, las visitas de los clientes, los productos básicos, la vigilancia de enfermedades, los datos de registros vitales y otra información relacionada con la salud a nivel de las instalaciones y la comunidad para facilitar la planificación, identificar lagunas y respaldar la toma de decisiones. y priorizar los recursos [2, 6]. Los datos de estos sistemas a menudo separados se recopilan y gestionan a través de múltiples formularios, utilizando herramientas digitales y / o en papel, en los sistemas de salud públicos y privados. Los datos de estos sistemas a menudo se recopilan y almacenan utilizando diferentes protocolos y formatos y, como resultado, son difíciles de compartir o comparar.

Una capa de interoperabilidad que admita el intercambio de datos a través de múltiples dominios y sistemas de información independientes es una herramienta fundamental para liberar el poder de los datos en sistemas de información de salud cada vez más digitalizados. Desarrollar un sistema interoperable y armonizar la estrategia general de atención de la salud de un país de manera manejable y sostenible requiere una arquitectura estructurada [7, 8]. La Arquitectura Empresarial (EA) es un enfoque estratégico para mapear las funciones comerciales y los flujos de información existentes y futuros que se ha demostrado que ayuda a los planificadores a decidir cómo integrar y compartir datos entre diferentes sistemas y entre ubicaciones, de modo que los flujos de información se alimenten y respalden a un mayor , entorno de redes más conectado.

EA ya es utilizado por gobiernos y empresas de todo el mundo, y se utilizó en Tanzania para definir la estructura operativa y de gobierno de SIS nacional, optimizar e integrar aplicaciones técnicas, programas de red y ubicaciones, determinar la capacidad de expansión necesaria y estandarizar procesos [3]. Tanzania también ha apoyado las mejores prácticas internacionales, como adherirse y promover los Principios para el desarrollo digital, nota al pie 1, mientras desarrolla su SIS nacional. EA encaja en los planes del país para desarrollar un sistema integral de eSalud.

Este artículo describe una asociación (2014-2019) entre el Ministerio de Salud, Desarrollo Comunitario, Género, Ancianos y Niños de Tanzania (MOHCDGEC) y el Programa de Supervivencia Materna e Infantil (MCSP) de la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID) para desarrollar un , sistema de información sanitaria interoperable para mejorar los resultados sanitarios al permitir el intercambio de datos entre programas a través de una capa de interoperabilidad. El Ministerio dirigió las actividades de este proyecto, denominado Proyecto de Intercambio de Información Sanitaria de Tanzania (Tz-HIE), con el apoyo de MCSP y otros socios. Nota al pie 2 El HIE está operando actualmente y está funcionando en cinco dominios de datos relacionados con la salud, y está siendo administrado por el departamento de Tecnología de la Información y la Comunicación (TIC) del MOHCDGEC. A continuación, describimos el proceso que condujo al desarrollo y la implementación temprana del sistema.

Construyendo el sistema de información sanitaria de Tanzania

Durante más de 15 años, la República Unida de Tanzania se ha centrado en diseñar e implementar un SIS de rutina sólido que recopila e informa datos en múltiples dominios del sistema de salud. Las actividades que apoyan este objetivo incluyen la implementación del Software de Información de Salud del Distrito (DHIS2), el fortalecimiento de la vigilancia de enfermedades infecciosas y la incorporación de la gestión de recursos humanos en los sistemas digitales [9,10,11,12,13,14]. La Estrategia de eSalud del Ministerio para 2013-2018 se centró en el establecimiento de estándares, reglas y protocolos de eSalud para el intercambio y la protección de la información, y registros integrales de establecimientos de salud, proveedores y clientes. En el Plan de estrategia del sector de la salud para 2015-2020, el MOHCDGEC se comprometió a lograr la interoperabilidad y “el rápido desarrollo de las TIC para mejorar los procesos administrativos, el registro y la comunicación entre pacientes y clientes” [15].

En 2005, el MOHCDGEC comenzó a trabajar con USAID | Proyecto DELIVER y otros socios para mejorar la logística de información sanitaria nacional y fortalecer la capacidad humana y el diseño de sistemas. Este trabajo condujo a la implementación del Integrated Logistic System Gateway, un sistema de informes móviles diseñado para aumentar la visibilidad de los datos logísticos y mejorar la disponibilidad del producto, y posteriormente el Sistema de Información de Gestión Logística electrónica (eLMIS), que aumenta la visibilidad de la cadena de suministro en todos los niveles del sistema. [16,17,18]. Otra información de salud rutinaria y no rutinaria se recopiló a través de encuestas de hogares (como las encuestas demográficas y de salud), bases de datos administrativas y de establecimientos de salud, censos y datos de registro de eventos vitales, el marco integrado de vigilancia y respuesta de enfermedades para la vigilancia de enfermedades transmisibles y dispositivos móviles. tecnología para la recopilación de datos sobre inmunizaciones y enfermedades tropicales desatendidas [19,20,21,22].

Durante la última década, el uso de tecnologías móviles (mHealth), registros médicos electrónicos (EMR) en hospitales, herramientas de toma de decisiones médicas y otros sistemas de seguimiento relacionados con la salud para la evaluación de enfermedades infecciosas, prestación de servicios comunitarios, servicios de extensión, y ha aumentado la identificación y priorización de necesidades [19,20,21,22].

Sin embargo, en Tanzania, como en otros lugares, estas herramientas no siempre se han vinculado de manera efectiva con los datos generales de SIS, lo que ha provocado la duplicación del trabajo, errores en la calidad de los datos debido a la transmisión manual y un uso inadecuado de los datos. En Tanzania, la falta de intercambio electrónico de datos obstaculizó la prestación de servicios y debilitó los vínculos entre los componentes del sistema de información sanitaria [23, 24, 25, 26]. La interoperabilidad limitada también disminuyó la accesibilidad, la compatibilidad y el intercambio de información entre las fuentes de datos alojadas en universidades, consejos profesionales, organizaciones no gubernamentales, el MOHCDGEC, Nota al pie 3 y los Ministerios de Educación y Finanzas, lo que resultó en brechas de datos crónicas y oportunidades perdidas para usar nuevos y prácticas, herramientas y enfoques prometedores.

Para abordar estas brechas, el gobierno de Tanzania y sus socios examinaron varias redes globales que ayudan a los países a desarrollar marcos y diseños comunes, e implementar su arquitectura e interoperabilidad. Una de esas redes es AeHIN (Asia eHealth Information Network — https: //www.asiaehealthinformationnetwork.org/), que promueve el uso de las TIC en Asia y utiliza el programa “Mind the GAPS (gramoovernance aarquitectura paggestión de programas, y sestándares) ”para apoyar a los países. Otra comunidad de práctica que apoya la arquitectura y la interoperabilidad basada en estándares en el sector de la salud es OpenHIE (Open Health Information Exchange — https: //ohie.org/), que ha desarrollado varios recursos en torno a la arquitectura, la funcionalidad del sistema y los estándares de HIS, y proporciona acceso a varias soluciones digitales de código abierto que están disponibles para que los países las adopten y aprendan.

Para avanzar hacia la interoperabilidad en todo el sistema de atención médica, el MOHCDGEC empleó el enfoque de cinco pasos de AeHIN. Estos permitieron la incorporación de una capa de interoperabilidad en el desarrollo e implementación de un intercambio integrado de información de salud (TZ-HIE). El trabajo en Tanzania también enfatizó dos prioridades más: la mejora del uso de datos y el desarrollo de capacidades para la sostenibilidad adoptando un enfoque GAPS-CU (capacidad y uso) (ver en la Figura 1 y detalles en el texto posterior):


Reconocimiento del estado de transporte por sensores de teléfonos inteligentes que utilizan la red neuronal Deep Bi-LSTM

Se han utilizado teléfonos inteligentes para reconocer diferentes estados de transporte. Sin embargo, los estudios actuales se centran en la velocidad del objeto, que solo se basa en el sensor GPS en lugar de considerar otros sensores adecuados y factores de aplicación reales. En este estudio, proponemos un método novedoso que considera estos factores de manera integral para mejorar el reconocimiento del estado del transporte. La estructura de red neuronal profunda Bi-LSTM (memoria bidireccional a largo plazo a corto plazo), el modelo de fuente colectiva y el sistema de aprendizaje profundo TensorFlow se utilizan para clasificar los estados de transporte. Mientras tanto, los datos capturados por los sensores de acelerómetro y giroscopio del teléfono inteligente se utilizan para probar y ajustar el modelo de red neuronal Bi-LSTM profunda, lo que facilita la transferencia del modelo a los teléfonos inteligentes y realiza el reconocimiento en tiempo real. Los resultados experimentales muestran que este estudio logra la clasificación de la actividad de transporte con una precisión de hasta el 92,8%. El modelo de la red neuronal profunda Bi-LSTM se puede utilizar para otros campos de series de tiempo, como el reconocimiento de señales y el análisis de acciones.

1. Introducción

El uso de datos de sensores para reconocer diferentes tipos de estado de movimiento o actividades físicas ha atraído una gran atención en los últimos años [1, 2]. La detección del estado del transporte se puede considerar como una especie de tarea de reconocimiento del estado, y los datos del estado del transporte pueden ser capturados por sensores de teléfonos inteligentes. Los teléfonos inteligentes están equipados con potentes sensores como acelerómetro, giroscopio, presión y magnetómetro. Debido a la popularidad de los teléfonos inteligentes, se pueden obtener volúmenes de datos potencialmente enormes y se puede recuperar información significativa de estos sensores. En el proceso de entrenamiento de la red neuronal, el método tradicional de adquisición de datos no puede mejorar la tasa de reconocimiento del modelo debido a la cantidad y calidad de los datos. Para obtener más información, proponemos un modo de crowdsourcing [3] para recopilar los datos del estado del transporte. El modo de crowdsourcing puede proporcionar datos potentes, fiables y enriquecidos para mejorar la tasa de reconocimiento.

En el campo del reconocimiento del estado del transporte, muchos estudios han empleado sensores como GPS (Global Position System) y acelerómetros y también han utilizado el GIS (Geographic Information System) para detectar los modos de transporte. En muchos estudios de casos, el sensor GPS se utiliza como parte integral para capturar la ubicación y la velocidad. Aunque los resultados son alentadores, el GPS no es un sensor apropiado para el reconocimiento del estado del transporte. Porque en muchos sitios, hay edificios altos que afectan la señal del GPS y provocan una falla en el posicionamiento del GPS. Algunas situaciones son inevitables, como personas que cruzan el túnel, entran al edificio y toman el metro, lo que impide que funcione el sensor GPS. Para obtener muchos datos de movimiento válidos, usamos un sensor de giroscopio y un sensor de acelerómetro que pueden resolver los problemas anteriores del GPS.

El problema del reconocimiento del transporte se aborda mediante el uso de análisis de macrodatos, tecnología de hardware y software mejorada y modelos comerciales en la nube. Las técnicas de aprendizaje profundo para el análisis de datos tienen un rendimiento excelente en muchos campos, como el reconocimiento de imágenes, el reconocimiento de voz, el procesamiento de audio y el procesamiento del lenguaje natural. Hay muchos modelos de arquitectura de aprendizaje profundo de código abierto, como Caffe, Theano, Thorch y TensorFlow. TensorFlow es el sistema de aprendizaje de inteligencia artificial (IA) de segunda generación de Google [4]. Fue diseñado desde cero para ser una buena solución de aprendizaje profundo para plataformas móviles y podría integrarse fácilmente en teléfonos inteligentes Android a través de la interfaz Java.

Hay muchos tipos de modelos de redes neuronales, construidos mediante técnicas de aprendizaje profundo, como el codificador automático, la máquina de Boltzmann restringida, las redes de creencias profundas, CNN (red neuronal convolucional) y RNN (red neuronal recurrente). Este estudio examina algunos problemas centrales a la hora de elegir sensores adecuados, seleccionar varias estructuras de redes neuronales y técnicas de aprendizaje profundo. Posteriormente, también se considera la aplicación del modelo de red neuronal y el modo de crowdsourcing al mundo real.

El resto de este estudio está organizado de la siguiente manera. En la Sección 2, se presentan los trabajos relacionados. La Sección 3 establece el modelo de red neuronal y propone el método para elegir una mejor red neuronal. La sección 4 presenta el resultado experimental y la sección 5 concluye este estudio y discute sus limitaciones.

2. Obras relacionadas

Se han propuesto muchos algoritmos para el reconocimiento del estado de transporte, como SVM (máquina de vectores de soporte), árboles de decisión, bosque aleatorio, red de creencias bayesianas y red neuronal.

Bolbol y col. [5] introdujo un marco que se probó mediante el uso de datos GPS de grano grueso basados ​​en la clasificación SVM. Sin embargo, tomó mucho tiempo calcular los datos del GPS, obtener algunos parámetros y usar SVM para clasificar los estados. Además, este método dependía de los datos del GPS, y si la señal del GPS no era estable, los datos del GPS ejercerían una influencia negativa en los resultados de la clasificación. Las mismas cuestiones también se presentaron en [6, 7]. Zhang y col. [6] utilizó la entropía de permutación de la velocidad como una característica para la detección del estado de transporte y utilizó ELM (máquina de aprendizaje extremo) para distinguir diferentes transportes. Si bien la velocidad de aprendizaje de ELM fue más rápida que la de los algoritmos tradicionales de aprendizaje en red de alimentación directa, los resultados experimentales no fueron mejores.

Shafique y Hato [8] compararon SVM, AdaBoost, árbol de decisión y bosques aleatorios para clasificar el estado de transporte. Aunque estos resultados experimentales fueron mejores, las limitaciones de estos artículos fueron que los datos fueron recopilados por la instalación especial y el dispositivo no pudo recopilar más datos a la vez. Stenneth y col. [9] propuso un método para inferir un modo de transporte basado en el sensor GPS del dispositivo móvil y el conocimiento de la red de transporte subyacente. While this method used a GPS sensor and the speed of the object to classify the states, it could not recognize the motion state of the object.

Lari and Golroo [10] adapted random forest to analyze the collected data in order to distinguish transportation states. However, this method also relied on the GPS data, especially the speed of the object, if GPS tracking accuracy was not guaranteed, it does not perform well. Shafique and Hato [11] also adapted random forest to classifying the smartphone data among various modes. In that study, the GPS sensor and accelerometer sensor were used to collect data, and the age and gender of tested people were also used as features in classification. In spite of good recognition results, there was an existing problem of the trip segment.

Feng and Timmermans [12] used a Bayesian belief network model to infer transportation states and activity episodes simultaneously and compared the performance of three different groups of sensor data (GPS data only, accelerometer data only, and the combination of GPS and accelerometer data). In addition, it proposed the use of recorded real-time speed and distance in the case of missing data. Xiao et al. [13] identified travel modes using a Bayesian network, four features were extracted to construct the Bayesian network, and two targeted features were added to improve the mode identification performance. Byon and Liang [14] used neural network-based artificial intelligence to identify the mode of transportation, which detected the patterns of the distinct physical profile of each mode. It was also found that the route-specific neural network classifier performed better than the general neural network classifier.

According to the literature above, deep learning and machine learning techniques have been successfully applied in transportation state recognition. However, most of these studies used GPS sensor data as the only source of data to recognize states, which means that the speed of the object determines the result of classification, rather than considering other suitable sensors and real-world status. Based on the above analysis, we propose using the deep Bi-LSTM neural network for classification and collecting raw sensor data from the sensors of acceleration and the gyroscope built in a smartphone. Furthermore, we adopt deep learning methods that can automatically learn the features from a particular dataset that includes a training set and test set [15]. The TensorFlow system is used to construct the model and train and test the neural network architecture. The model is transferred into an Android smartphone for validation. The validation process optimizes the model structure and collects more information, which could improve the accuracy of experimental results.

3. Metodología

3.1. Configuración experimental

The experiments probed a smartphone attached to the waist to collect the sensor data during six common transport states. The main steps of transportation recognition are shown in Figure 1. First, two kinds of sensor data were collected by developing a smartphone application or using other applications in the App store. Then, the data were filtered to remove random noise during the preprocessing phase. After that, the data were divided into blocks of the same size so that various features could be extracted. It was vital to extract the most discriminative features that can distinguish different transport states. Next step, the neural network was trained until certain recognition accuracy was achieved. Finally, the model was transferred to the smartphone to test real-time situation by the smartphone application program.

In this study, six types of transport state are defined, namely, BIC (bicycling), BUS (bus), RUN (running), STI (statics), SUB (subway), and WAL (walking), as shown in Table 1. People performed six states wearing a smartphone on the waist, making sure the monitor of the smartphone is facing out the steps are as shown in Figure 2. The sensor data, which are the signals obtained by applying acceleration and angular velocity, were collected by a HUAWEI P9 smartphone and a XIAOMI smartphone at 50 Hz sampling rate.


I just found a possible work-around for the original question. It isn't elegant, but it may work.

In each of your section headings (ie, in the text, which are then used to generate the TOC automatically), add a tab and the page number. You have to type in the page number manually, and I'm pretty sure it doesn't pay to get too fancy with placement, adjusting tab stops, etc.

Now, if you refresh the TOC, you get the page number separated from the heading by a tab. (When I tried to adjust the tab stops in the TOC, I got various errors.)

If you don't want the page numbers to appear next to the headings in the body of the document, highlight them there and change the text color to the background color of the document (usually white). The numbers are still there, and will still show up in the TOC, but you can't see them elsewhere.

Unfortunately, the page numbers won't flow as you edit the document, so do this just before final publication.

Again, not elegant -- not in appearance or in process -- but if you must have physical page numbers in a printed document, it should do the trick.