Vairāk

Vai darbojas Grass7 conda vidē?

Vai darbojas Grass7 conda vidē?


Man ir Anaconda Python Distribution (Python 3.4.3 :: Anaconda 2.1.0 (64 bitu)) instalēta Ubuntu 14.04. Es gribētu izveidot conda vidi Grass 7 darbināšanai.

Lai to izdarītu, es izmantoju:

conda izveidot -n grassenv python = 2 avots aktivizēt grassenv conda instalēt wxpython

Kad es skrienuzāle70no termināļa tas atver zāles apvalku un dod ziņojumuPalaišana GUI fonā, lūdzu, uzgaidiet ...bet neatver GUI. Vai ir kāds veids, kā panākt, lai Grass strādātu conda vidē?


Ko jūs mēģināt darīt tieši tā, kāda ir jūsu operētājsistēma (Windows, Linux, Mac OS X)?

  1. Ja vēlaties izmantot zāles apvalku (zāle70), jums nav jāizveido conda vide, jazāle70ir tavā ceļā.

  2. Ja vēlaties izmantot Python moduļuszāle.skriptsvaizāle.pygrassProgrammā Anaconda/Python jums ir divi risinājumi:

    a) piezvani Anakondai no Zāles apvalka.

    no zāles.script importa kodols kā g

    b) zvaniet Grass no Anaconda apvalka: vispirms jāiestata vides mainīgie (skatiet sadaļu Darbs ar GRASS, to skaidri neuzsākot, un daudz jautājumu/atbilžu par GIS SE).

    importēt zāli.skriptu kā zāli

Nevar palaist "conda aktivizēt" no Jenkins cauruļvada

Es domāju par virtuālās vides izmantošanu kopā ar Conda savos Jenkins cauruļvados, kuriem bija nepieciešams Ansible, liekot visiem mezgliem izmantot to pašu vidi, ansible-env, lai palaistu spēļu grāmatas. Lai gan process šķiet diezgan vienkāršs, es nevaru saukt conda aktivizēt ansible-env, jo rodas šāda kļūda:

Šeit ir kods, ko izmantoju aktivizēšanai. diezgan elementāri

Es palaidu conda init -sistēmu būvēšanas mezglā kā Jenkins lietotājs un pēc tam pārstartēju. Bez izmaiņām.

Esmu pavadījis ļoti daudz laika, mēģinot meklēt Google risinājumu, taču viss, ko esmu mēģinājis, nav palīdzējis.

Ko esmu mēģinājis:

  • Mēģināja palaist sh ("conda init bash").
  • Izpildīšana. /home/jenkins/miniconda3/profile.d/conda.sh no cauruļvada.
  • Pārliecinieties, vai miniconda3 atkritumu tvertnes direktorijs ir iestatīts $ PATH.
  • Palaist dpkg-configure domuzīmi, lai pārliecinātos, ka /bin /bash ir mezgla noklusējuma apvalks.
  • Mēģināja iegūt /home/jenkins/.bashrc failu
  • Izsaucot conda izpildāmo, izmantojot absolūto ceļu.
  • Izmēģināts, izmantojot avotu ansible-env vai aktivizējot ansible-env bez conda.

Esmu diezgan pārliecināts, ka problēma ir saistīta ar šādām rindām, kas pievienotas

/.bashrc no jenkins lietotāja pēc conda init -sistēmas palaišanas, bet joprojām nav pieejams no tā paša lietotāja, kad tiek izpildīts darbs. Diemžēl esmu trāpījis pret sienu un nezinu, kurp doties.

PIEZĪME: Lūdzu, neiesakiet pāriet uz VirtuanEnv, ja vien nav konkrēta iemesla, kāpēc Conda nedarbosies ar Dženkinsu. Es zinu šo maršrutu, bet devos ar conda for. iemeslu dēļ.


Cron darbs, lai palaistu conda virtuālajā vidē

Man ir iestatīta Anaconda Python virtuālā vide, un, ja es vadu savu projektu, kamēr šī virutālā vide ir aktivizēta, viss darbojas lieliski.

Bet man ir konfigurēts cronjob, lai to palaistu katru stundu. Es pievienoju izvadi žurnālam, jo ​​tas nedarbojās pareizi.

Cronlog.log tiek parādīta šāda kļūda:

Tas liecina par to, ka cronjob kaut kā nedarbojas, ja nav aktivizēta virtuālā vide.

Lai to novērstu, failam /home/user/.bash_profile pievienoju rindu:

Tagad, kad es piesakos, vide tiek aktivizēta automātiski.

Tomēr problēma saglabājas.

Es izmēģināju vēl vienu lietu. Es mainīju cronjob (un es to izmēģināju arī bash failā, kuru izpilda cronjob), lai skaidri manuāli aktivizētu vidi katru reizi, kad tā darbojas, bet bez rezultātiem:

Protams, nekas, ko esmu mēģinājis, to nav labojis. Es tiešām neko nezinu par Linux, tāpēc varbūt ir kaut kas acīmredzams, kas man jāmaina.

Tātad, vai tomēr ir jāprecizē, ka kronjobam vajadzētu darboties neitrālā vidē?


Kā es varu palaist python skriptu, izmantojot komandrindu, izmantojot Anaconda?

Piezīme: Es esmu jauns Python lietotājs, un es nekad neesmu īsti izmantojis tādus ārējos moduļus kā zemāk uzskaitītie, tāpēc nekautrējieties man paziņot, vai ir kaut kas, ko es varētu darīt labāk, lai programma sāktu darboties.

Šobrīd strādāju ar python (2.7.x) programmu, kurai nepieciešams izmantot SciPy steku. Iepriekšējais programmas izstrādātājs izmantoja Anaconda, lai piekļūtu visiem ārējiem moduļiem. Manā gadījumā man jāspēj palaist visu programmu ar vienu komandu. Piemēram:

Tiks izpildīts myFile.py (kuram ir šādi importa faili):

Cik es saprotu, Anaconda ir IDE, kas pieprasa kodu izpildīt līdzīgi kā Visual Studios (t.i., poga "Palaist"). Tātad mans jautājums ir šāds:

Vai ir kāds veids, kā to izdarīt tieši no komandrindas?

Piezīme. Iemesls, kāpēc es norādīju Anaconda izmantošanu, nevis tikai ārējo moduļu izmantošanu, ir tāpēc, ka SciPy vietnē pastāvīgi tiek pieminēts, ka visvieglāk ir vienkārši izmantot zinātnisku python izplatīšanu, piemēram, Anaconda vai Python (x, y). Galu galā man ir labi ar jebkuru risinājumu, kas ļauj man palaist savu programmu ar iepriekš minēto importu.


Zemes seguma maiņas simulācija, izmantojot izkliedētu skaitļošanas vidi ☆

Datoru modeļi tiek izmantoti ainavu ekoloģijā, lai simulētu cilvēku lēmumu par zemes izmantošanu ietekmi uz vidi. Jāņem vērā daudzi sociālekonomiskie un ekoloģiskie faktori, kas prasa integrēt telpiski skaidrus daudznozaru datus. Zemes izmantošanas izmaiņu analīzes sistēma jeb LUCAS ir izstrādāta, lai izpētītu zemes izmantošanas ietekmi uz ainavu struktūru tādās teritorijās kā Mazās Tenesijas upes baseins Ziemeļkarolīnas rietumos un Vašingtonas štata Olimpiskā pussala. Šīs sekas ietver zemes seguma maiņu un sugu dzīvotņu piemērotību. LUCAS izmantotie karšu slāņi ir iegūti no attāli uztvertiem attēliem, skaitīšanas un īpašumtiesību kartēm, topoloģiskajām kartēm un ekonometrisko modeļu rezultātiem. Šo karšu slāņu glabāšanai, attēlošanai un analīzei tiek izmantota publiski pieejama ģeogrāfiskās informācijas sistēma (ĢIS). Paralēlā LUCAS versija (pLUCAS) tika izstrādāta, izmantojot paralēlo virtuālo mašīnu (PVM) darbstaciju tīklā, nodrošinot paātrinājuma koeficientu 10,77 ar 20 mezgliem. Paralēls modelis ir nepieciešams simulācijām lielākos domēnos vai kartēm ar daudz augstāku izšķirtspēju.


Diskusija

Šajā pētījumā tika pārbaudīts, vai objektīvi izmērītas apkārtnes veidotās vides īpašības ir saistītas ar PA vecākiem cilvēkiem, un novērtēja, vai šīs attiecības atšķiras starp tiem, kuriem ir LLOA un bez tās. Rezultāti parādīja, ka attālumi līdz konkrētiem veselības aprūpes resursiem (vispārējā prakse un fizioterapeits) un mazumtirdzniecības resursi (lielveikals) bija ciešāk saistīti ar laiku, kas pavadīts PA gados vecākiem cilvēkiem ar LLOA, nekā tiem, kuriem nav LLOA. Jo īpaši gaismas un augstas gaismas PA asociācijas ar attālumu līdz šiem īpašajiem resursiem bija spēcīgākas gados vecākiem cilvēkiem ar LLOA, salīdzinot ar viņu kolēģiem bez LLOA.

Palielinoties sāpēm un invaliditātei, spēja pielāgoties videi var samazināties un vides problēmas, piemēram, uztvertie un objektīvi lielākie attālumi līdz pakalpojumiem, var kļūt milzīgi. Tas var novest pie izvairīšanās no izaicinošām situācijām un ierobežotas PA [12, 13, 37, 38]. Mūsu rezultāti sniedz apstiprinošus pierādījumus vides elastības hipotēzei un apstiprina, ka jo mazāk kompetents indivīds, jo lielāka vides faktoru ietekme uz šo indivīdu. Asociācijas starp dažām īpašām apkaimes veidotās vides īpašībām bija spēcīgākas gados vecākiem cilvēkiem ar LLOA nekā tiem, kuriem nav LLOA. Tomēr, atšķirībā no mūsu cerībām, konstatējumi parādīja, ka objektīvi izmērīti lielāki attālumi līdz konkrētiem resursiem bija saistīti ar vairāk laika, kas pavadīts kopējai PA, vieglai PA un augstas gaismas PA vecāka gadagājuma cilvēkiem ar LLOA nekā tiem, kuriem nav LLOA. Indivīdi ar LLOA var vairāk izmantot veselības aprūpes pakalpojumus nekā tie, kuriem nav šī stāvokļa, un šīs iespējas var būt svarīgākas gados vecākiem cilvēkiem ar LLOA nekā viņu kolēģiem bez LLOA [39]. Tā rezultātā gados vecāki cilvēki ar LLOA var būt vairāk motivēti piedalīties PA, jo lielāki attālumi līdz veselības aprūpes pakalpojumiem, salīdzinot ar tiem, kuriem nav LLOA. Turklāt ģimenes ārsts varētu īpaši mudināt vecāka gadagājuma cilvēkus ar LLOA būt fiziski aktīvākiem, un tāpēc viņi vienkārši vairāk dodas uz veselības aprūpes pakalpojumiem un ikdienas mazumtirdzniecības resursiem, piemēram, lielveikaliem. Saikne starp laiku, kas pavadīts kopējai PA, un attālumus līdz konkrētiem veselības aprūpes pakalpojumiem un mazumtirdzniecības iespējām var būt spēcīgāka gados vecākiem pieaugušajiem ar LLOA nekā tiem, kuriem nav LLOA, jo personām ar LLOA var būt lielākas pūles nobraukt attālumus līdz šīm vietām īpašiem resursiem, un viņiem var būt nepieciešams vairāk laika, lai sasniegtu galamērķi. Tomēr konstatējumi neuzrāda PA atšķirības starp abām grupām.

Šis pētījums arī parādīja, ka augstāks savstarpēji savienoto ielu skaits apkaimē bija nedaudz saistīts ar vairāk laika, kas pavadīts slikta apgaismojuma PA. Šis secinājums atbilst iepriekšējiem pētījumiem [17]. Ir ierosināts, ka augstāks ielu savienojumu skaits apkaimē nodrošina vairāk ceļojuma maršrutu iespēju un atvieglo tiešu ceļošanu, kas savukārt atbalsta fizisko aktivitāti [18]. Mūsu secinājums nozīmē, ka vecāka gadagājuma pieaugušo PA varētu atvieglot, palielinot ielu savienojumu blīvumu apkārtnē. Jo īpaši vecāka gadagājuma cilvēku PA varētu uzlabot, palielinot to infrastruktūru skaitu, kas burtiski pieprasa PA, piemēram, gājēju celiņi un veloceliņi. Tomēr, interpretējot šo rezultātu, jāievēro piesardzība. Parkiem ir zems ceļu blīvums, taču tie atvieglo PA vecāka gadagājuma cilvēkiem [16]. Tomēr pašreizējā pētījumā parku klātbūtne netika ņemta vērā.

Cik mums zināms, šis ir pirmais populācijas pētījums, kas koncentrējās uz saistību starp objektīvi izmērītām PA un apkārtnes veidotās vides īpašībām gados vecākiem cilvēkiem ar un bez LLOA. Svarīgs šī pētījuma spēks ir akselerometrijas izmantošana, lai objektīvi novērtētu PA pavadīto laiku, nevis pašpaziņotus PA pasākumus. Atšķirībā no iepriekšējiem pētījumiem, kas koncentrējās tikai uz kopējo PA [6], tika veiktas detalizētas analīzes par konkrētām PA intensitātes kategorijām. Tādējādi tika parādīts, ka apkārtnes veidotās vides īpašās iezīmes jo īpaši ir saistītas ar laiku, kas pavadīts gaismas un augstas gaismas PA. Vēl viens spēks ir tas, ka PA pavadītais laiks tika savākts septiņām vai vairākām dienām lielākajai daļai dalībnieku, un tāpēc šis pētījums var patiesi atspoguļot vecāka gadagājuma cilvēku ierasto uzvedību. Iepriekšējie pētījumi par saistību starp objektīvi izmērīto PA un apbūvētās vides raksturlielumiem galvenokārt tika veikti ASV un Austrālijā [9, 10]. Šis pētījums var palīdzēt labāk izprast PA un vides attiecības gados vecākiem pieaugušajiem no Rietumeiropas iedzīvotājiem.

Ir jāatzīst arī daži ierobežojumi. Šajā pētījumā PA kategoriju robežvērtības tika balstītas uz Troiano et al. [23] un Metjūss u.c. [24]. Šie robežvērtības ir pārbaudītas pieaugušajiem. Lai gan šie robežpunkti tiek plaši izmantoti un vispārpieņemti, tie var neattiekties uz vecākiem pieaugušajiem. Ir pierādījumi, ka optimālie robežvērtības dažādās vecuma grupās var atšķirties atšķirīgu darbības modeļu, mehāniskās efektivitātes un kustību kontrastējošā rakstura dēļ dažādos dzīves posmos [40]. Šajā pētījumā netika novērtēta dalībnieku ģeogrāfiskā atrašanās vieta viņu fizisko aktivitāšu laikā, un līdz ar to trūka informācijas par PA kontekstu. Tādējādi PA pasākumi šajā pētījumā ietver arī PA, kas tika veikts mājās vai ārpus apkārtnes. Vēl viens ierobežojums bija tas, ka vidējais ceļa attālums kilometros no visiem apkārtnes iedzīvotājiem līdz konkrētam resursam tika izmantots kā starpnieks attālumam no dalībnieku mājām līdz konkrētajam resursam. Turklāt cilvēku skaits ar LLOA šajā pētījumā ir neliels, un atšķirības apdzīvotā vietā Nīderlandē ir diezgan nelielas. Šie metodiskie ierobežojumi var apgrūtināt patieso saistību lieluma noteikšanu starp objektīvi izmērītām apkārtnes veidotajām vides īpašībām un PA. Visbeidzot, šis pētījums neuzskatīja par mājokļu pašatlasi, kas varētu radīt traucējumus attiecībās starp apkārtnes iebūvētās vides īpašībām un PA. Mājokļu pašatlase ir parādība, kurā cilvēki izvēlas dzīvesvietu, pamatojoties uz savām vajadzībām un vēlmēm [41]. Varētu būt, ka cilvēki ir fiziski aktīvāki, jo apkārtne veidota vide tos aicina to darīt, taču var arī būt, ka cilvēki, kuriem patīk būt fiziski aktīviem, mēdz izvēlēties dzīvojamās apkaimes, kas veicina šīs izvēles izmantošanu.

Turpmākajos pētījumos ir jāizstrādā īpaši robežvērtības attiecībā uz PA kategorijām vecākiem pieaugušajiem, lai precīzi izmērītu PA intensitāti šajos indivīdos. Turpmākajos pētījumos ne tikai jākoncentrējas uz PA pasākumiem, kuru pamatā ir skaitļu skaits minūtē uz akselerometra y ass, jo tuvākajā laikā varētu kļūt pieejamas sarežģītākas metodes (piemēram, modeļa atpazīšana). Tas var veicināt detalizētāku PA pasākumu. Turklāt turpmākajos pētījumos par saistību starp PA un apkārtējās vides iezīmēm varētu izmantot globālās pozicionēšanas sistēmas (GPS) ierīces, lai atšķirtu PA ārpus apkaimes, PA apkārtnē un PA mājās. GPS pasākumu izmantošana var sniegt plašāku ieskatu gados vecāku pieaugušo dzīves telpas mobilitātes jomā un palīdzēt izvēlēties piemērotas jomas, lai izpētītu vides ietekmi uz PA [42]. Šis pētījums koncentrējās tikai uz PA asociācijām ar objektīvi izmērītu ielu savienojamību un attālumiem līdz konkrētiem resursiem. Turpmākie pētījumi ir nepieciešami, lai iegūtu plašāku ieskatu PA asociācijās ar citiem objektīviem apkārtnes veidotās vides aspektiem, piemēram, drošību, kā arī gājēju celiņu un veloceliņu klātbūtni un apstākļiem. Turklāt cilvēkiem ir priekšstats par apbūvēto apkārtnes vidi, kas var nebūt vienāds ar objektīvajiem mērījumiem [43]. Turpmākie pētījumi ir nepieciešami arī, lai pārbaudītu, kā apkārtnes apbūvētās vides uztvertās īpašības ir saistītas ar objektīviem mērījumiem un kā šie aspekti ir saistīti ar PA. Lai gūtu plašāku ieskatu par attiecībām starp uztvertajām un objektīvi izmērītajām apkārtnes iebūvētās vides īpašībām un PA veseliem un ar funkcionāliem traucējumiem vecāka gadagājuma pieaugušajiem, turpmākajos pētījumos līdztekus objektīviem pasākumiem varētu izmantot ‘izbraukšanas un#x02019 intervijas [44].


QGIS instalēšana

QGIS būs GIS darbvirsmas rīks, kas tiks izmantots kursa laikā. Tā ir bezmaksas un atvērtā pirmkoda programmatūra. Tas ir ļoti foršs projekts, kas ikvienam sniedz visu ĢIS analīzes spēku. Mēs apspriedīsim tā priekšrocības un trūkumus, izmantojot citus GIS darbvirsmas rīkus (piemēram, ArcGIS, GRASS, cita starpā)

Tātad, pirmais solis būs instalēt QGIS savā klēpjdatorā. Šī programmatūra ir pieejama operētājsistēmām Windows, Mac OS X, Linux un Android. Visās platformās vide ir diezgan līdzīga.

Ņemiet vērā, ka pirms QGIS instalēšanas ir jāinstalē dažas nepieciešamās pakotnes. Viss tas ir ļoti labi izskaidrots readme failā.

Nepacietīgajiem


Linda Modrela

Pozīcija: Biedrs

Lindai Modrellai ir gan bakalaura grāds uzņēmējdarbībā (grāmatvedība), gan MBA (nepilngadīgs sabiedrības veselības jomā) Oregonas štata universitātē. Pirms vēlēšanās viņa strādāja vairākus gadus veselības politikas jomā un bija arī ilggadēja Oregonas štata universitātes darbiniece. Kopš 1999. gada, kad Lindu ievēlēja par Bentonas apgabala komisāri, viņa galvenokārt pievērsusies transporta, veselības, ūdens, nodokļu politikas un pārvaldības jautājumiem.


MATERIĀLI UN METODES

Datu un pētāmās jomas apraksts.

Izpētīt telpisko sadalījumu Listerija spp., mēs izmantojām datus, kas savākti kā daļa no lielāka pētījuma, kuru apraksta Sauders (38). Īsi sakot, divu gadu laikā (2001. un 2002. gads) kopā 907 augsnes, ūdens (ieskaitot dīķus, ezerus, peļķes, upju straumes, noteces ūdeņi un purvi) un veģetācijas paraugi (ieskaitot dīķu aļģes, pūšanas baļķus) , lauka zāle, zāle, lapu atliekas un sūnas) tika savākti šādos četros Ņujorkas štata apgabalos (NYS), kas pārstāv dabisko vidi: Finger Lakes National Forest (FLNF), Adirondack Park, Catskill Park un Connecticut Hill Savvaļas dzīvnieku pārvaldības apgabals (CHWMA). Konkrēti, 2001. gadā paraugi tika iegūti, veicot divas līdz trīs vizītes katrā pētījuma teritorijā pavasarī, vasarā un rudenī, savukārt 2002. gadā katra pētāmā teritorija tika apmeklēta vienu reizi pavasarī, vasarā un rudenī. Katra parauga ģeotelpiskās atrašanās vietas dati tika savākti, izmantojot Garmin Emap rokas globālo pozicionēšanas sistēmu (GPS). Tāpat tika reģistrēts paraugu ņemšanas datums. Paraugi tika savākti sterilos Whirl-Pak maisos (Nasco, Fort Atkinson, WI), izmantojot sterilus cimdus un/vai iepriekš sterilizētas vienreizējās lietošanas plastmasas lāpstiņas vai liekšķeres. Pirms kultivēšanas paraugi tika turēti uz mitra ledus līdz 24 stundām. Visi paraugi tika kultivēti klātbūtnei Listerija ar selektīvu bagātināšanu Listerija bagātināšanas buljons (Difco, Becton Dickinson, Sparks, MD). Izolēts Listerija sugas bija šādas: L. seeligeri (67 un#x00025), L. velsimeri (24 un#x00025), L. monocytogenes (6 un#x00025), un#x0201cL. marthii” sp. nov. (jauna suga 2 %), un L. innocua (ρ %). Viss Listerija izolātus raksturoja PCR amplifikācija un stresa reakcijas gēna daļēji atvērtā lasīšanas rāmja sekvencēšana sigB un 2001. gadā savāktajiem izolātiem - mājturības gēns plaisa. Tomēr izlases lieluma ierobežojumi neļāva veikt statistisku analīzi sugu un genotipu līmenī. Sauders pētījumā bija 567 unikālas paraugu ņemšanas vietas (38). Augsnes, veģetācijas un ūdens paraugi tika savākti attiecīgi 303, 302 un 294 no šīm unikālajām vietām. Tā kā visiem vienā vietā savāktajiem paraugiem ir identisks novērojumu kopums, mēs izmantojām vienkāršu noteikumu, lai raksturotu Listerija atrašanās vietā: ar vienu pozitīvu paraugu pietika, lai atzītu atrašanās vietu par pozitīvu. Tas pats noteikums tika piemērots izolācijai Listerija no vietas augsnes, veģetācijas un ūdens slāņiem.

Telpisko datu modelēšana.

Katrai izlases vietai Sauders pētījumā (38) no viegli pieejamiem telpisko datu modeļiem mēs ieguvām potenciāli atbilstošus telpiski atsaucīgus kovariātus (sīkāka informācija un avoti, kas aprakstīti zemāk). Visi telpisko datu modeļi un GPS dati paraugu ņemšanas vietām tika importēti ArcGIS 9 (ESRI, Redland, CA), pārprogrammēti universālajā šķērsvirziena Mercator koordinātu sistēmā, 1983. gada Ziemeļamerikas datumā, nogriezti pētījuma zonā un pārklāti ar paraugu ņemšanas vietām lai iegūtu informāciju par vides faktoriem, kas saistīti ar katru paraugu ņemšanas vietu. Kopumā mēs ieguvām 77 mainīgos (definēts 1. tabulā un#x200B tabulā) 1), kurus varētu sagrupēt šādās kategorijās: augsnes īpašības, nokrišņi, apkārtējās vides temperatūra, mainīgas sasalšanas un atkausēšanas temperatūras (sasalšanas un atkausēšanas cikli), ģeogrāfiskais stāvoklis, un kalendāra laiku. Augsnes īpašību mainīgie (parādīti 1. tabulā ​ 1. tabulā) , un St Lawrence, no apkopotajiem tabulas un telpiskajiem augsnes apsekojuma ģeogrāfiskajiem (SSURGO) datiem (47). Informācija par nokrišņiem pirms paraugu ņemšanas tika iegūta no ASV vēstures klimatoloģijas tīkla dienas temperatūras, nokrišņu un sniega datiem (54). Konkrēti, katrai paraugu ņemšanas vietai tika noteikta tuvākā laika stacija ar pieejamo informāciju par nokrišņiem dienā un dienās pirms paraugu ņemšanas. Nav zināms, vai nokrišņi, kas notiek tuvāk vai tālāk pirms paraugu ņemšanas, vairāk ietekmē izolāciju Listerija no vietas. Tāpēc mēs izveidojām četrus mainīgos, kas raksturo lietus daudzumu paraugu ņemšanas dienā, kā arī 1 dienu, 2 dienas un 3 dienas pirms tam (tabula ​ (1. tabula). 1). Tā kā nokrišņu ietekme, iespējams, ilgst vairākas dienas, vidējais lietus daudzums noteiktā laika posmā var būt svarīgāks faktors, kas ietekmē izolāciju Listerija spp. no vietas. Tāpēc mēs izveidojām 10 papildu nokrišņu mainīgos, kas raksturo vidējo nokrišņu daudzumu arvien pieaugošā laika periodā pirms paraugu ņemšanas (tabula ​ (1. tabula). 1). Mūsu analīzei visi nokrišņu mērījumi tika pārvērsti no collām uz milimetriem (1 collas un#x0003d 25,4 mm). Papildus nokrišņiem tika iegūta informācija par apkārtējās vides temperatūru dienā un dienās pirms paraugu ņemšanas (54). Tomēr atkal nav skaidrs, vai minimālā, vidējā vai maksimālā dienas temperatūra visvairāk ietekmē atveseļošanos (izolāciju) Listerija spp. no vietas. Tāpat nav skaidrs, vai temperatūra dienās, kas ir tuvāk paraugu ņemšanai, vai dienās, kas ir agrāk, ir ietekmīgāka. Turklāt apkārtējās temperatūras ietekme var būt kumulatīva, un tāpēc vidējais mērījumu skaits vairākās dienās var būt labāks prognozētājs Listerija atveseļošanās. Tāpēc, ievērojot to pašu pieeju, ko izmantoja nokrišņu mainīgo atvasināšanai un nosaukšanai, mēs izveidojām 14 mainīgos lielumus katrai minimālajai, vidējai un maksimālajai diennakts apkārtējās vides temperatūrai (tabula ​ (1. tabula). 1). Mūsu analīzei visi temperatūras mērījumi tika pārvērsti no Fārenheita grādiem uz Celsija grādiem { ଌ = [(F − 32)/9] un#x000d7 5 un#x0007d. Mūs interesēja arī iesaldēšanas un atkausēšanas ciklu ietekme uz izolācijas stāvokli Listerija spp. no vietas. Iesaldēšanas un atkausēšanas ciklu rašanās tika novērtēta pēc Williams et al. (54): ja jebkurā dienā 10 dienu laikā pirms paraugu ņemšanas vai divās secīgās dienās šajā periodā minimālā diennakts temperatūra bija zemāka par 0 ଌ, bet maksimālā-virs 0 ଌ, to reģistrēja kā sasalšanas-atkausēšanas cikla rašanās. No šīs informācijas mēs izveidojām sešus 𠇏reeze-atkausēšanas cikla ” mainīgos (tabula ​ (1. tabula). 1). Mēs arī interesējāmies par to, vai paraugu ņemšanas vietas ģeogrāfiskais stāvoklis attiecībā pret kardinālajiem virzieniem, ko raksturo austrumu un ziemeļu ziemeļu ģeogrāfiskās koordinātas (izteikts metros), kaut kādā veidā ietekmēja Listerija spp. no vietas. Austrumi attiecas uz izmērīto attālumu austrumu virzienā no “ viltus austrumu ”, kas ir unikāli definēts katrā universālajā šķērsvirziena merkuratoru zonā, bet ziemeļi - uz ziemeļiem izmērīto attālumu no ekvatora. Visbeidzot, mūs interesēja, vai kalendārais laiks, kad tika savākti paraugi, un ceļu un ūdenstilpņu (ezeru, upju un strautu) tuvums kaut kādā veidā ietekmēja Listerija spp. no vietas (tabula ​ (1. tabula). 1). Lai noteiktu paraugu ņemšanas vietas tuvumu tuvākajam ceļam, mēs izmantojām ceļu datus par NYS apgabaliem, kur tika savākti paraugi, kā arī par diviem tuvējiem apgabaliem - Oneida un Clinton (45). Lai novērtētu paraugu ņemšanas vietas tuvumu tuvākajai ūdenstilpei, tika izmantoti telpiskie dati par hidrogrāfiju (31). Lai gan tas varētu būt svarīgi, nebija informācijas par atrašanās vietas pakļaušanu saules gaismai, piemēram, ziemeļi pret dienvidu nogāzi. Kā L. monocytogenes bija vienīgais patogēns Listerija sugām, kas pārstāvētas izmantotajā datu kopā, un tā pārstāvēja tikai 6 un#x00025 no visiem izolētajiem Listerija spp., netika ņemts vērā lopu un savvaļas dzīvnieku populāciju tuvums un blīvums pētījuma teritorijā.

1. TABULA.

Apskatīto mainīgo nosaukumi, apraksti, raksturojošie atribūti un mērvienības (attiecīgā gadījumā), kas sagrupēti pēc augsnes īpašībām, nokrišņiem, apkārtējās vides temperatūras, sasalšanas un atkausēšanas cikliem, ģeogrāfiskā stāvokļa un kalendārā laika a

Kategorija un mainīgā nosaukumsAprakstsAtribūta definēšanaMērvienība
Augsnes īpašības
       Loam.oilIegūts, SSURGO datu bāzē visus augsnes tipus grupējot kā smilšmāla, nevis smilšmāla augsniMāla augsnes tips
       Slope.gradientAugstuma starpība starp diviem punktiem, izteikta procentos starp diviem punktiem un parādīta kā visu SSURGO kartes vienības komponentu vidējais slīpuma gradients %
       Water.depthSeklākais dziļums mitrā augsnes slānī (ūdens slānī) gada laikā, izteikts cm no augsnes virsmas sastāvdaļām, kuru sastāvs SSURGO kartes vienībā ir vienāds ar vai lielāks par 15 un#x00025 cm
       Water.Storage.25Ūdens tilpums, ko augsne var uzglabāt norādītajā dziļumā, kas ir pieejams augiem un izteikts kā visu SSURGO kartes vienības komponentu svērtais vid.25 cmcm
       Water.Storage.50Kas attiecas uz ūdeni.Glabāšana.2550 cmcm
       Water.Storage.100Kas attiecas uz ūdeni.Glabāšana.25100 cmcm
       Water.Storage.150Kas attiecas uz ūdeni.Glabāšana.25150 cmcm
      𠀽renāžaSSURGO kartes vienības dominējošās drenāžas klases augsnes dabiskais drenāžas stāvoklis (atsaucoties uz mitro periodu biežumu un ilgumu) b
Nokrišņi
       Iegulumi.0Noteiktā dienā nokrišņu daudzumsDiena t0mm
       Ieguljumi.1Kas attiecas uz nokrišņiem.0T1 dienamm
       Iegulumi.2Kas attiecas uz nokrišņiem.0T2 dienamm
       Iegulumi.3Kas attiecas uz nokrišņiem.0T3 dienamm
       Ieguljumi.0_1Vidējais nokrišņu daudzums norādītajā periodāPeriods t0-t1mm
       Iegulumi.0_2Kas attiecas uz nokrišņiem.0_1Periods t0-t2mm
       Iegulumi.0_3Kas attiecas uz nokrišņiem.0_1Periods t0-t3mm
       Iegulumi.0_4Kas attiecas uz nokrišņiem.0_1Periods t0-t4mm
       Iegulumi.0_5Kas attiecas uz nokrišņiem.0_1Periods t0-t5mm
       Iegulumi.0_6Kas attiecas uz nokrišņiem.0_1Periods t0-t6mm
       Iegulumi.0_7Kas attiecas uz nokrišņiem.0_1Periods t0-t7mm
       Iegulumi.0_8Kas attiecas uz nokrišņiem.0_1Periods t0-t8mm
       Iegulumi.0_9Kas attiecas uz nokrišņiem.0_1Periods t0-t9mm
       Iegulumi.0_10Kas attiecas uz nokrišņiem.0_1Periods t0-t10mm
Apkārtējā temperatūra
       Temperature.L.0Minimālā dienas temperatūra norādītajā dienāDiena t0
       Temperatūra.L.1Kas attiecas uz temperatūru.L.0Diena t1
       Temperatūra.L.2Kas attiecas uz temperatūru.L.0T2 diena
       Temperatūra.L.3Kas attiecas uz temperatūru.L.0T3 diena
       Temperatūra.L.0_1Vidējā minimālā dienas temperatūra noteiktā laika periodāPeriods t0-t1
       Temperatūra.L.0_2Kas attiecas uz temperatūru.L.0_1Periods t0-t2
       Temperatūra.L.0_3Kas attiecas uz temperatūru.L.0_1Periods t0-t3
       Temperatūra.L.0_4Kas attiecas uz temperatūru.L.0_1Periods t0-t4
       Temperatūra.L.0_5Kas attiecas uz temperatūru.L.0_1Periods t0-t5
       Temperatūra.L.0_6Kas attiecas uz temperatūru.L.0_1Periods t0-t6
       Temperatūra.L.0_7Kas attiecas uz temperatūru.L.0_1Periods t0-t7
       Temperatūra.L.0_8Kas attiecas uz temperatūru.L.0_1Periods t0-t8
       Temperatūra.L.0_9Kas attiecas uz temperatūru.L.0_1Periods t0-t9
       Temperatūra.L.0_10Kas attiecas uz temperatūru.L.0_1Periods t0-t10
       Temperatūra.a.0Vidējā dienas temperatūra norādītajā dienāDiena t0
       Temperatūra.a.1Kas attiecas uz temperatūru.a.0Diena t1
       Temperatūra.a.2Kas attiecas uz temperatūru.a.0T2 diena
       Temperatūra.a.3Kas attiecas uz temperatūru.a.0T3 diena
       Temperature.a.0_1Vidējā dienas temperatūra vid. Norādītajā periodāPeriods t0-t1
       Temperature.a.0_2Kas attiecas uz temperatūru.a.0_1Periods t0-t2
       Temperatūra.a.0_3Kas attiecas uz temperatūru.a.0_1Periods t0-t3
       Temperatūra.a.0_4Kas attiecas uz temperatūru.a.0_1Periods t0-t4
       Temperatūra.a.0_5Kas attiecas uz temperatūru.a.0_1Periods t0-t5
       Temperatūra.a.0_6Kas attiecas uz temperatūru.a.0_1Periods t0-t6
       Temperatūra.a.0_7Kas attiecas uz temperatūru.a.0_1Periods t0-t7
       Temperatūra.a.0_8Kas attiecas uz temperatūru.a.0_1Periods t0-t8
       Temperature.a.0_9Kas attiecas uz temperatūru.a.0_1Periods t0-t9
       Temperatūra.a.0_10Kas attiecas uz temperatūru.a.0_1Periods t0-t10
       Temperature.H.0Maksimālā dienas temperatūra norādītajā dienāDiena t0
       Temperatūra.H.1Kas attiecas uz temperatūru.H.0T1 diena
       Temperatūra.H.2Kas attiecas uz temperatūru.H.0T2 diena
       Temperatūra.H.3Kas attiecas uz temperatūru.H.0T3 diena
       Temperatūra.H.0_1Vidējā maksimālā dienas temperatūra norādītajā periodāPeriods t0-t1
       Temperatūra.H.0_2Kas attiecas uz temperatūru.H.0_1Periods t0-t2
       Temperatūra.H.0_3Kas attiecas uz temperatūru.H.0_1Periods t0-t3
       Temperatūra.H.0_4Kas attiecas uz temperatūru.H.0_1Periods t0-t4
       Temperatūra.H.0_5Kas attiecas uz temperatūru.H.0_1Periods t0-t5
       Temperatūra.H.0_6Kas attiecas uz temperatūru.H.0_1Periods t0-t6
       Temperatūra.H.0_7Kas attiecas uz temperatūru.H.0_1Periods t0-t7
       Temperatūra.H.0_8Kas attiecas uz temperatūru.H.0_1Periods t0-t8
       Temperatūra.H.0_9Kas attiecas uz temperatūru.H.0_1Periods t0-t9
       Temperatūra.H.0_10Kas attiecas uz temperatūru.H.0_1Periods t0-t10
Iesaldēšanas un atkausēšanas cikli
      𠀿reeze.thaw.0Iesaldēšanas un atkausēšanas cikls, kas notiek norādītajā dienāDiena t0NA
      𠀿reeze.thaw.1Kas attiecas uz Freeze.thaw.0T1 dienaNA
      𠀿reeze.thaw.2Kas attiecas uz Freeze.thaw.0T2 dienaNA
      𠀿reeze.thaw.3Kas attiecas uz Freeze.thaw.0T3 dienaNA
   𠀿reeze.thaw.0_3Freeze-thaw cycle on any of the days in the specified periodPeriod t0-t3NA
   𠀿reeze.thaw.s.0_10Total no. of freeze-thaw cycles during the specified periodPeriod t0-t10NA
Geographic positions
    NorthingPosition with respect to the specified cardinal directionTo the Northm
   �stingPosition with respect to the specified cardinal directionTo the Eastm
   𠀽toroadProximity to the nearest road m
   𠀽towaterProximity to the nearest body of water m
    ParkNatural area where samples were collected NA
Calendar time
    SeasonSeason when samples were collected NA
    MonthMonth when samples were collected NA

Statistical analysis.

All statistical analyses were performed by using R (34). Independent variables were first evaluated for unconditional associations with the dependent variable (i.e., the overall, as well as soil-, vegetation-, and water-specific occurrence of Listeria) using a chi-square test for categorical data and t test for continuous data. Fisher's exact test was used when one or more of the expected cell frequencies in two-by-two tables were less than 5 and when more than 20% of the expected cell frequencies were less than 5 in larger tables. To assess whether continuous variables satisfied the normality assumption, required for application of the t test, the D'Agostino-Pearson omnibus test was performed. If a continuous variable did not satisfy the normality assumption, the Wilcoxon rank-sum test was used. Continuous variables with considerable numbers of ties (e.g., related to a common weather station) were assessed by the exact Wilcoxon rank-sum test that computes exact conditional (on the data) Lpp values and quantiles using the shift algorithm (43). Associations between independent categorical variables were tested by use of the chi-square test. Correlations between independent continuous variables were assessed based on Pearson's correlation coefficient for the normally distributed variables. Correlations between variables that did not satisfy the normality condition were assessed based on Spearman's rho coefficient. Associations between independent categorical and continuous variables were assessed by the t test, the Wilcoxon rank-sum test, or the exact Wilcoxon rank-sum test as appropriate. In the univariate analysis, Lpp 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 (Lpp ≥ 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? - Ģeogrāfiskās informācijas sistēmas

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. gads. 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). Pensilvānijas štata universitāte.

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.