کلید واژه ها:
فیلد برداری ; الگوی تحرک ؛ قرار گرفتن در معرض محیطی ؛ عدالت فضایی
۱٫ مقدمه
۲٫ کارهای مرتبط
۲٫۱٫ عدالت فضایی
۲٫۲٫ مواجهه با محیط زیست
۲٫۳٫ فیلد برداری
۳٫ روش شناسی
۳٫۱٫ فیلد برداری در سطح فردی
فرض ۱٫
فرض ۲٫
۳٫۱٫۱٫ فضای شهری را به سلول ها تقسیم کنید
۳٫۱٫۲٫ بردار و فیلد برداری را تعریف کنید
۳٫۱٫۳٫ فیلد برداری را در سطح فردی ایجاد کنید
برای ساخت یک فیلد برداری جداگانه، ابتدا تمام نقاط فعالیت یک فرد را تعیین می کنیم. سپس، همانطور که در بخش ۳٫۱٫۲ توضیح داده شد، فیلد برداری هر نقطه فعالیت را محاسبه می کنیم . از آنجایی که بردارهای متعدد در هر سلول همپوشانی دارند، در نهایت این بردارهای متعدد را با قانون جمع بردار در یک بردار جمع می کنیم تا فیلد برداری یک فرد را تشکیل دهیم. شبه کد در الگوریتم ۱ فرآیند برداری و تجمع فیلدهای برداری را برای افراد توضیح می دهد. متغیرهای ورودی در الگوریتم به صورت اسم رمز بیان میشوند: مجموعه تمام نقاط فعالیت ap_list است و نقطه فعالیت ap یکی از آنهاست، با ویژگی عرض جغرافیایی ap_lat و طول جغرافیایی ap_lon.; مجموعه ای از مرکز سلول ها (یعنی منطقه مطالعه شبکه بندی شده) cp_list است که هر نقطه مرکزی cp دارای ویژگی های عرض جغرافیایی cp_lat ، طول جغرافیایی cp_lon و شناسه نقطه نقطه است . فیلد بردار خروجی که به عنوان خروجی نامگذاری شده است شامل عرض جغرافیایی، طول و شناسه مرکز تمام سلولها و بردارهای مربوطه است.
الگوریتم ۱: ساخت فیلد برداری برای افراد |
۱: مقداردهی اولیه sum_vector ; //یک ساختار داده نمایه شده با شناسه به عنوان شاخص ۲: برای هر نقطه فعالیت ap i در ap_list ۳ را انجام دهید : ap_lat i ← ap i ‘s latitude; ۴ : ap_lon i ← ap i ’s طول جغرافیایی; ۵: برای هر نقطه مرکزی cp j در cp_list 6 را انجام دهید : cp_lat j ← cp j ‘s عرض جغرافیایی. ۷: cp_lon j ← cp j ‘s طول جغرافیایی; |
۳٫۲٫ تقاضای سفر در سطح جمعیت
در این قسمت تقاضای سفر را به صورت تجمیع تعریف کرده و روند ساخت آن را معرفی می کنیم. همانطور که در بخشهای بالا معرفی شد، ما از یک فیلد برداری برای نشان دادن تقاضای سفر در سطح فردی استفاده میکنیم و تقاضای سفر با جمعآوری تقاضاهای سفر فردی تشکیل میشود. به دلیل استقلال تصمیمات و برنامه های سفر افراد، تقاضای سفر فرد تحت تأثیر دیگران قرار نمی گیرد. بنابراین، منطقی نیست که از قانون جمع بردار برای تجمیع این فیلدهای بردار منفرد استفاده کنیم. تقاضای انباشته از اضافات اسکالر مدول برداری افراد در هر سلول محاسبه می شود. شبه کد می تواند فرآیند را روشن کند، همانطور که در الگوریتم ۲ نشان داده شده است. متغیرهای ورودی در الگوریتم به صورت نام کد بیان می شوند: vf_listبه معنی مجموعه ای از فیلدهای برداری همه افراد (یا برخی از آنها) است که فیلد برداری فرد vf یک ساختار داده نمایه شده با نمایه شناسه نقطه و با ویژگی های بردار است . همه شناسه ها در یک لیست جمع آوری می شوند، id_list . بردار دارای ویژگی های ماژول ماژول است. خروجی میدان بردارشامل طول و عرض جغرافیایی، طول و شناسه تمام مرکز سلول ها و مجموع اسکالر مربوطه است. سپس جهت های میدان برداری جمعی با قانون جمع بردار تعیین می شود. با این وجود، جمع آوری تمام امتیازات فعالیت شهروندان غیرممکن است. در این مورد، از یک پرسشنامه برای انجام یک بررسی نمونهگیری از کل شهر استفاده میکنیم و نتیجه نمونهگیری میتواند منعکس کننده شخصیت جمعیت (یا یک گروه خاص) نیز باشد.
الگوریتم ۲: ساخت فیلد بردار تقاضای سفر برای جمعیت (یا گروههای خاص) |
۱: مقداردهی اولیه خروجی //یک ساختار داده نمایه شده با id به عنوان شاخص ۲: برای شناسه هر نقطه id i در id_list ۳: برای هر فیلد برداری مجزا vf j در vf_list 4 را انجام دهید : بردار ij ← vf j ( id i )’s vector; // واکشی بردار در آن موقعیت ۵: ماژول ij ← ماژول بردار ij ; ۶: خروجی ( id i ) ← خروجی ( id i ) + ماژول ij ; //استفاده از جمع اسکالر ۷: نهایی ; ۸ : خروجی بازگشت |
۳٫۳٫ ارزیابی قرار گرفتن در معرض محیطی
با استفاده از معادله (۱) در هر سلول، یک میدان برداری جدید ایجاد می کنیم. مورد جدید هم تقاضای سفر و هم عوامل محیطی را برای مدلسازی قرار گرفتن در معرض محیطی یک گروه (یا جمعیت) خاص ادغام میکند. برای مقایسه درجه قرار گرفتن در معرض محیط بین گروه ها، مقادیر نوردهی (یعنی مدول هر میدان برداری جدید) را در همه سلول ها به عنوان یک شاخص جدید جمع می کنیم که نشانگر کل نوردهی (TEI) را نشان می دهیم. TEI نشان دهنده اثرات بر روی جمعیت است، همانطور که در رابطه (۲) نشان داده شده است:
جایی که مدول بردار جدید در مورد نوردهی در موقعیت i است. مقدار عامل محیطی در موقعیت i است. مدول بردار تقاضای سفر است. و n تعداد کل سلول ها است.
با این حال، این معیارهای ارزیابی تا حد زیادی تحت تأثیر تعداد افراد در گروه های مختلف قرار می گیرند. برای مقایسه تفاوتهای این گروهها از نظر توزیع فضایی، تأثیر تعداد افراد مختلف بر نتایج را با میانگین عملیات حذف میکنیم. میدان برداری متوسط و نشانگر نوردهی متوسط (AEI) با معادلات (۳) و (۴) نشان داده شده است:
جایی که تعداد افراد در هر گروه است. بدین ترتیب ما نقشه نوردهی میدان برداری هر گروه را بدست می آوریم و بنابراین می توانیم شباهت ها و تفاوت های آنها را به صورت بصری تجزیه و تحلیل کنیم. تفریق را می توان بین نقشه ها انجام داد تا تفاوت ها را به صورت کمی (و در نتیجه واضح تر) منعکس کند.
۴٫ مطالعه موردی
۴٫۱٫ منطقه مطالعه
۴٫۲٫ مجموعه داده و پردازش داده
۴٫۲٫۱٫ بررسی تحرک روزانه
۴٫۲٫۲٫ گزارش های COVID-19
۴٫۳٫ ساخت میدان برداری برای مدلسازی تقاضای سفر
۴٫۴٫ محاسبه قرار گرفتن در معرض همه گیری گروه ها
۵٫ نتیجه
۵٫۱٫ تقاضای سفر هر گروه اجتماعی
۵٫۲٫ ارزیابی قرار گرفتن در معرض همه گیر و مقایسه برای گروه های مختلف جمعیتی
۵٫۳٫ ارزیابی قرار گرفتن در معرض همه گیر و مقایسه در فضا
۶٫ بحث و نتیجه گیری
منابع
- براون-فاهرلندر، سی. ریدلر، جی. هرز، یو. ادر، دبلیو. وازر، م. گریز، ال. مایش، اس. کار، دی. گرلاخ، اف. بوفه، ا. و همکاران قرار گرفتن در معرض محیطی با اندوتوکسین و ارتباط آن با آسم در کودکان سن مدرسه N. Engl. جی. مد. ۲۰۰۲ ، ۳۴۷ ، ۸۶۹-۸۷۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- ساتاروگ، اس. گرت، SH; Sens، MA; سنس، DA کادمیوم، قرار گرفتن در معرض محیطی و پیامدهای سلامتی. محیط زیست چشم انداز سلامتی ۲۰۱۰ ، ۱۱۸ ، ۱۸۲-۱۹۰٫ [ Google Scholar ] [ CrossRef ]
- تمپلتون، ای. Guven، ST; هورست، سی. وسترگرن، اس. دیویدسون، ال. بالنتین، اس. مدسن، اچ. Choudhury، S. نابرابری ها و فرآیندهای هویت در بحران ها: توصیه هایی برای تسهیل پاسخ ایمن به همه گیری COVID-19. برادر J. Soc. روانی ۲۰۲۰ ، ۵۹ ، ۶۷۴-۶۸۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- ردوندو-سما، جی. ماتولیک، وی. مونته-پاسکوال، آ. de Vicente, I. مددکاری اجتماعی در طول بحران COVID-19: پاسخگویی به نیازهای فوری اجتماعی. Sustainability ۲۰۲۰ , ۱۲ , ۸۵۹۵٫ [ Google Scholar ] [ CrossRef ]
- سوجا، ای. شهر و عدالت فضایی. تف کردن عدالت ۲۰۰۹ ، ۱ ، ۱-۵٫ [ Google Scholar ]
- ویزنر، ام آر. Lowry، GV; جونز، KL; هوچلا، ام اف، جونیور؛ دی جولیو، RT; کازمن، ای. برنهارت، ES کاهش عدم قطعیت در ارزیابی قرار گرفتن در معرض محیطی، خطر، و پیامدهای اکولوژیکی نانومواد. محیط زیست علمی تکنولوژی ۲۰۰۹ ، ۴۳ ، ۶۴۵۸-۶۴۶۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ژانگ، ال. ژو، اس. کوان، نماینده مجلس؛ چن، اف. لین، آر. تأثیرات قرار گرفتن در معرض فضای سبز روزانه فردی بر سلامت بر اساس فضای فعالیت فردی و مدلسازی معادلات ساختاری. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۲۳۲۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- کوان، ام.-پی. وانگ، جی. تیبورسکی، ام. اپستاین، دی اچ. Kowalczyk، WJ; پرستون، KL عدم قطعیت در زمینه جغرافیایی رفتارهای سلامت: مطالعه قرار گرفتن مصرف کنندگان مواد در معرض استرس روانی اجتماعی با استفاده از داده های GPS. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۱۱۷۶-۱۱۹۵٫ [ Google Scholar ] [ CrossRef ]
- Coccia، M. شاخصی برای تعیین کمیت خطر زیست محیطی قرار گرفتن در معرض اپیدمی های آینده COVID-19 و عوامل ویروسی مشابه: تئوری و عمل. محیط زیست Res. ۲۰۲۰ ، ۱۹۱ ، ۱۱۰۱۵۵٫ [ Google Scholar ] [ CrossRef ]
- Rodes، CE; Kamens، RM; وینر، RW اهمیت و ویژگیهای ابر فعالیت شخصی در اندازهگیریهای ارزیابی قرار گرفتن در معرض برای آلایندههای داخلی. هوای داخلی ۱۹۹۱ ، ۱ ، ۱۲۳-۱۴۵٫ [ Google Scholar ] [ CrossRef ]
- سو، جی جی; مورلو-فروش، آر. Jesdale، BM; کایل، AD; شاماسندر، بی. جررت، ام. شاخصی برای ارزیابی نابرابری های جمعیتی در مخاطرات زیست محیطی تجمعی با کاربرد در لس آنجلس، کالیفرنیا. محیط زیست علمی تکنولوژی ۲۰۰۹ ، ۴۳ ، ۷۶۲۶-۷۶۳۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- پادیلا، سی ام؛ کیحال تالانتیکیت، دبلیو. ویرا، VM؛ روسلو، پی. لو نیر، جی. زمیرو نویر، دی. Deguen، S. کیفیت هوا و محرومیت اجتماعی در چهار منطقه کلان شهر فرانسه – تحلیل نابرابری محیطی مکانی-زمانی محلی. محیط زیست Res. ۲۰۱۴ ، ۱۳۴ ، ۳۱۵-۳۲۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- میلوویچ، آ. Niedzwiedz، CL; پیرس، جی. میلنر، جی. مکنزی، IA; Doherty، RM; Wilkinson، P. تفاوت های اجتماعی و اقتصادی و شهری-روستایی در قرار گرفتن در معرض آلودگی هوا و بار مرگ و میر در انگلستان. محیط زیست Health ۲۰۱۷ , ۱۶ , ۱۰۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- یانگ، ن. فو، آر. چائو، ی. لیو، اچ. Ma، X. ارزیابی کمی قرار گرفتن در معرض محیطی مردان زایمان در ووهان. قوس. محیط زیست اشغال کنید. Health ۲۰۲۰ , ۷۵ , ۴۴۵-۴۶۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- میلر، اچ جی; Bridwell, SA یک نظریه میدانی برای جغرافیای زمانی. ان دانشیار صبح. Geogr. ۲۰۰۹ ، ۹۹ ، ۴۹-۷۵٫ [ Google Scholar ] [ CrossRef ]
- لیو، ایکس. Yan، WY; Chow، JYJ روابط زمانی-جغرافیایی بین زمینه های برداری الگوهای فعالیت و سیستم های حمل و نقل. J. Transp. Geogr. ۲۰۱۵ ، ۴۲ ، ۲۲-۳۳٫ [ Google Scholar ] [ CrossRef ]
- لیو، ایکس. چاو جی، جی. لی، اس. نظارت آنلاین حرکت تاکسی محلی و اثرات ازدحام با استفاده از پیشبینی میدانهای برداری مبتنی بر GPS تاکسی. جی. جئوگر. سیستم ۲۰۱۸ ، ۲۰ ، ۲۵۳-۲۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- مک آلون، سی. کالینز، Á. هانت، ک. باربر، ا. بیرن، AW; باتلر، اف. کیسی، ام. گریفین، جی. لین، ای. مک اوی، دی. و همکاران دوره نهفتگی COVID-19: بررسی سیستماتیک سریع و متاآنالیز تحقیقات مشاهده ای. BMJ Open ۲۰۲۰ , ۱۰ , e039652. [ Google Scholar ] [ CrossRef ]
- تانگ، بی. شیا، اف. تانگ، اس. Bragazzi، NL; لی، کیو. سان، ایکس. لیانگ، جی. شیائو، ی. Wu, J. اثربخشی قرنطینه و انزوا روند اپیدمی COVID-19 را در مرحله نهایی شیوع فعلی در چین تعیین می کند. بین المللی ج. عفونی کردن. دیس ۲۰۲۰ ، ۹۵ ، ۲۸۸-۲۹۳٫ [ Google Scholar ] [ CrossRef ]
- Goldthorpe، JH جامعه شناسی به عنوان یک علم جمعیت . انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، ۲۰۱۶٫ [ Google Scholar ]
- ناخالص، CP; اسین، UR; پاشا، س. گراس، جی آر. وانگ، سی. Nunez-Smith، M. تفاوت های نژادی و قومی در سطح جمعیت مرگ و میر Covid-19. J. Gen. Intern. پزشکی ۲۰۲۰ ، ۳۵ ، ۳۰۹۷–۳۰۹۹٫ [ Google Scholar ] [ CrossRef ]
- کوالینا، SN; ایهناچو، یو. بارکر، جی. اسمایلی، اس ال. پنتز، MA; Wipfli، H. پیشبرد برابری نژادی و عدالت اجتماعی برای جوامع سیاه پوست در سیاست کنترل دخانیات ایالات متحده. تاب کنترل ۲۰۲۱ . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- جیان، آی.ای. لو، جی. چان، EH عدالت فضایی در برنامه ریزی فضای باز عمومی: دسترسی و فراگیری. Habitat Int. ۲۰۲۰ ، ۹۷ ، ۱۰۲۱۲۲٫ [ Google Scholar ] [ CrossRef ]
- لیو، ایکس. لین، ز. هوانگ، جی. گائو، اچ. Shi, W. ارزیابی نابرابری دسترسی به خدمات پزشکی با استفاده از داده های کارت هوشمند. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۱ , ۱۸ , ۲۷۱۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- چان، CS; Shek، KF آیا شهرهای منطقه خلیج گوانگدونگ-هنگ کنگ-ماکائو برای دانشجویان دانشگاه در هنگ کنگ جذاب هستند؟ هدایت سرمایه انسانی بالقوه از ادراک تصویر به تصمیمات مکانی. J. Place Manag. توسعه دهنده ۲۰۲۱ ، ۱۴ ، ۴۰۴-۴۲۹٫ [ Google Scholar ] [ CrossRef ]
- ایب-کارلسون، اس. Kniveton، D.; کانن، تی. به دام افتاده در زندان ذهن: مفاهیم تصمیم گیری و رفاه تحرک (غیرغیر) ناشی از آب و هوا از یک سکونتگاه غیررسمی شهری در بنگلادش. کمون پالگریو ۲۰۲۰ ، ۶ ، ۶۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- زی، ی. داناف، م. آزودو، CL; Akkinepally، AP; آتاسوی، بی. جونگ، ک. سه شادری، ر. بنآکیوا، ام. مدلسازی رفتاری خدمات تحرک درخواستی: چارچوب کلی و کاربرد برای مشوقهای سفر پایدار. حمل و نقل ۲۰۱۹ ، ۴۶ ، ۲۰۱۷–۲۰۳۹٫ [ Google Scholar ] [ CrossRef ]
- اولدن کمپ، آر. هوکس، اس. چنگیک، م. بارباروسا، وی. Burns، EE; Boxall، AB; Ragas، AM یک مدل فضایی با وضوح بالا برای پیشبینی قرار گرفتن در معرض داروها در آبهای سطحی اروپا: EPiE. محیط زیست علمی تکنولوژی ۲۰۱۸ ، ۵۲ ، ۱۲۴۹۴-۱۲۵۰۳٫ [ Google Scholar ] [ CrossRef ]
- خو، ی. جیانگ، اس. لی، آر. ژانگ، جی. ژائو، جی. آببر، س. گونزالز، MC کشف عدالت زیست محیطی در قرار گرفتن در معرض PM2.5 محیط در پکن: یک رویکرد داده های بزرگ. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۹ ، ۷۵ ، ۱۲-۲۱٫ [ Google Scholar ] [ CrossRef ]
- آهنگ، ی. چن، بی. کوان، نماینده پارلمان چگونه گسترش شهری بر قرار گرفتن مردم در معرض محیطهای سبز تأثیر میگذارد؟ مطالعه تطبیقی ۲۹۰ شهر چین جی. پاک. تولید ۲۰۲۰ ، ۲۴۶ ، ۱۱۹۰۱۸٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، جی. Kwan، MP عدم قطعیت در ارزیابی خطر COVID-19: مطالعه قرار گرفتن افراد در محیط های پرخطر با استفاده از داده های فعالیت در سطح فردی. ان صبح. دانشیار Geogr. ۲۰۲۱ ، ۱-۲۰٫ [ Google Scholar ] [ CrossRef ]
- Cartaxo، ANS; باربوسا، FIC; د سوزا برمجو، پی اچ. موریرا، MF; Prata, DN خطر قرار گرفتن در معرض COVID-19 در اکثر کشورهای آسیب دیده: یک مدل ارزیابی آسیب پذیری. PLoS ONE ۲۰۲۱ , ۱۶ , e0248075. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- کولو، اچ. Dorey, PS میزان آلودگی کووید-۱۹ در بریتانیا بر اساس واحدهای جغرافیایی: یک تخمین مبتنی بر مدل از دادههای مرگ و میر. Health Place ۲۰۲۱ , ۶۷ , ۱۰۲۴۶۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- السون، آر. دیویس، TM; دریاچه، IR; ویوانکوس، آر. بلومکوئیست، PB; چارلت، ای. Dabrera, G. توزیع مکانی-زمانی عفونت COVID-19 در انگلستان بین ژانویه و ژوئن ۲۰۲۰٫ Epidemiol. آلوده کردن ۲۰۲۱ ، ۱۴۹ ، ۱-۱۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- سلندر، جی. نیلسون، من؛ بلوم، جی. روزنلوند، ام. لیندکویست، م. نیسه، جی. پرشاگن، جی. مواجهه طولانی مدت با صدای ترافیک جاده و انفارکتوس میوکارد. اپیدمیولوژی ۲۰۰۹ ، ۲۰ ، ۲۷۲-۲۷۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- وانگ، ام. هارون، CP; مادریگانو، جی. هافمن، EA؛ آنجلینی، ای. یانگ، جی. لاین، ا. Vetterli، TM; Kinney، PL; سامپسون، PD; و همکاران ارتباط بین قرار گرفتن طولانی مدت در معرض آلودگی هوای محیط و تغییر در آمفیزم و عملکرد ریه ارزیابی شده از نظر کمی JAMA ۲۰۱۹ ، ۳۲۲ ، ۵۴۶–۵۵۶٫ [ Google Scholar ] [ CrossRef ]
- لارسن، ک. سیاه، پ. رایدز، ای. نیکول، AM; پیترز، CE استفاده از سیستم های اطلاعات جغرافیایی برای برآورد قرار گرفتن در معرض آفت کش ها در سطح جمعیت در کانادا. محیط زیست Res. ۲۰۲۰ ، ۱۹۱ ، ۱۱۰۱۰۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- موریسون، CN; بیرنز، اچ اف. میلر، کارشناسی; کانر، ای. Wiehe، SE; پونیکی، WR; Wiebe، DJ ارزیابی قرار گرفتن افراد در معرض شرایط محیطی با استفاده از اقدامات مبتنی بر سکونت، اقدامات مبتنی بر مکان فعالیت، و اقدامات مبتنی بر مسیر فعالیت. اپیدمیولوژی ۲۰۱۹ ، ۳۰ ، ۱۶۶٫ [ Google Scholar ] [ CrossRef ]
- وانگ، جی. کوان، نماینده مجلس؛ Chai، Y. روش فضایی فعالیت رشد کریستال مبتنی بر زمینه نوآورانه برای ارزیابی قرار گرفتن در معرض محیطی: مطالعه ای با استفاده از داده های مسیر GIS و GPS جمع آوری شده در شیکاگو. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۷۰۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- ژائو، پی. لیو، ایکس. شی، دبلیو. جیا، تی. لی، دبلیو. چن، ام. یک مطالعه تجربی در مورد الگوهای حرکت کالاهای درون شهری با استفاده از کلان داده لجستیک. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۳۴ ، ۱۰۸۹-۱۱۱۶٫ [ Google Scholar ] [ CrossRef ]
- تورس اوچایتا، Á. Betados/Vector_2d. GitHub. ۲۰۱۸٫ در دسترس آنلاین: https://github.com/betados/vector_2d (در ۲۶ آوریل ۲۰۲۰ قابل دسترسی است).
- بلوندل، آر. کاستا دیاس، ام. جویس، آر. Xu، X. COVID-19 و نابرابری ها. مطالعات مالی ۲۰۲۰ ، ۴۱ ، ۲۹۱-۳۱۹٫ [ Google Scholar ] [ CrossRef ]
- چه، ال. دو، اچ. چان، KW درد نابرابر: طرحی از تأثیر همهگیری COVID-19 بر اشتغال مهاجران در چین. جئوگر اوراسیا اقتصاد ۲۰۲۰ ، ۶۱ ، ۴۴۸-۴۶۳٫ [ Google Scholar ] [ CrossRef ]
- میلت، GA; جونز، AT; بنکسر، دی. بارال، س. مرسر، ال. بیرر، سی. هانرمن، بی. لانکیویچ، ای. منا، ال. کراولی، JS در حال ارزیابی اثرات متفاوت COVID-19 بر جوامع سیاه پوست. ان اپیدمیول. ۲۰۲۰ ، ۴۷ ، ۳۷-۴۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- کوان، ام.-پی. مشکل بافت جغرافیایی نامشخص ان دانشیار صبح. Geogr. ۲۰۱۲ ، ۱۰۲ ، ۹۵۸-۹۶۸٫ [ Google Scholar ] [ CrossRef ]
- ژائو، پی. کوان، نماینده مجلس؛ ژو، اس. مشکل زمینه جغرافیایی نامشخص در تجزیه و تحلیل روابط بین چاقی و محیط ساخته شده در گوانگژو. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۳۰۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Tuan، YF Space and Place: The Perspective of Experience ; انتشارات دانشگاه مینهسوتا: مینیاپولیس، MN، ایالات متحده آمریکا، ۱۹۷۷٫ [ Google Scholar ]
- کمیسیون بهداشت شهرداری گوانگژو وب سایت کمیسیون بهداشت شهرداری گوانگژو – اطلاعیه اپیدمی. کمیسیون بهداشت شهرداری گوانگژو در دسترس آنلاین: http://wjw.gz.gov.cn/ztzl/xxfyyqfk/yqtb/index.html (در ۱۰ مارس ۲۰۲۱ قابل دسترسی است).
- Thakar, V. آشکار شدن رویدادها در فضا و زمان: بینش های جغرافیایی در مورد انتشار COVID-19 در ایالت واشنگتن در مرحله اولیه شیوع. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۸۲٫ [ Google Scholar ] [ CrossRef ]
- Lbs.Amap.Com. AMap Geocoding/Reverse Geocoding API Documentation. در دسترس آنلاین: https://lbs.amap.com/api/webservice/guide/api/georegeo (در ۱۱ اوت ۲۰۲۰ قابل دسترسی است).
- توسعه دهندگان Geopandas. Geopandas/Geopandas: نسخه ۰٫۸٫۱٫ زنودو. ۲۰۲۰٫ در دسترس آنلاین: https://zenodo.org/record/3946761#.YgeXjpaxVhF (در ۱۱ اوت ۲۰۲۰ قابل دسترسی است).
- Toms، S. ArcPy و ArcGIS-Geospatial Analysis with Python . Packt Publishing Ltd.: Birmingham, UK, 2015. [ Google Scholar ]
- مشارکت کنندگان Gdal/Ogr. کتابخانه نرم افزار انتزاع داده های جغرافیایی GDAL/OGR ; بنیاد زمین فضایی منبع باز: Beaverton، OR، ایالات متحده آمریکا، ۲۰۲۱٫ [ Google Scholar ]
- لی، اچ. میلر، وی جی تأثیر نامتناسب COVID-19 بر گروه های اقلیت: نگرانی عدالت اجتماعی. جی. جرونتول. Soc. کار کنید. ۲۰۲۰ ، ۶۳ ، ۵۸۰-۵۸۴٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه