XiaoMi-AI文件搜索系统
World File Search SystemGeocoded
TerraSAR-X 和 TanDEM-X：使用雷达进行 3D 全球测绘
对于第一个指定的产品，大多数科学家要求提供具有 HRTI-3 规格的数字高程模型（图 2）。也可以选择提供具有较小柱间距但相对垂直分辨率较高的其他产品。此类产品尤其适用于陆地冰层应用。HRTI-3 DEM 产品主要在亚洲、欧洲和北美洲被要求，其次是南极洲和北极，在南美洲、非洲和澳大利亚也收到过少量要求。除了指定的 TD-X 产品外，科学家还询问了需要高分辨率 DEM 的原因。图 3 指出，最需要的是使用当前可用的 DEM 提供的更高垂直分辨率绘制地球地形图。此外，第二个重要问题是要求全球访问数据集，如图 3 所示。尽管如此，要求提供 HRTI-3 DEM 产品的科学家也希望获得所需场景的地理编码 SAR 图像、相干图和高度误差图。
社交媒体反映的创新地理
研究人员已经开始利用 Twitter 提供的新的地理定位信息来源，提供关于各种空间视角的见解，包括本地化人格特质和心脏病的地理差异（Eichstaedt 等人，2015 年；Obschonka 等人，2019 年）。同样，语言学分析利用社交媒体的大数据来揭示区域语言差异（Grieve 等人，2018 年）。本研究应用大数据分析来探索创新地理中的无形要素。我们将从美国专利商标局收集的人均专利空间聚类（Pat_Cap）与反映社交媒体讨论和围绕技术创新相关主题的“热议”的新变量进行比较。这个变量被标记为 InnoTech_Tw，基于 2014 年美国各县 8.9 亿条地理编码推文中约 89 亿个单词的语料库（有关该数据集的更多信息，请参阅 Grieve 等人，2018 年）。它被定义为美国每个县所有单词的相对频率之和，按它们与创新和技术这两个术语的余弦相似度加权，通过将 word2vec 算法应用于 300 万个单词的 300 维向量数据集而获得，该数据集在约 100 个语料库上进行训练
邻里剥夺在宫颈阴道微生物群中的作用
背景：乳酸杆菌 - 有效的子宫颈阴道菌群与自发性早产有关，在黑人个体中更为常见。在美国，持续的种族隔离导致种族差异化的邻里暴露，这可能会影响预科成果。邻里暴露在多大程度上可以解释子宫颈阴道菌群中种族差异的程度尚不清楚。目的：本研究旨在确定被定义为材料社区剥夺的邻里剥夺是否与预期的孕妇的乳酸杆菌有效的子宫颈腔微生物群有关。我们的假设是，邻里剥夺的种族差异可能解释了黑人分娩人中乳酸杆菌的较高患病率。研究设计：这项研究分析了来自孕产和微生物组的数据，这是一个前瞻性妊娠队列，该研究来自单个医院系统2013 - 2016年的产前诊所，其中先前证明了乳杆菌的宫颈颈椎菌群与自发的早产相关。这项研究的地理编码地址是从Brokamp全国社区剥夺指数中获取Census Tract社区剥夺数据，该指数使用贫困，收入，公共援助，缺乏健康保险和空置住房的加权比例。广义的线性混合模型量化了剥夺的关联与宫颈阴道微生物群，该模型对人口普查区域和潜在混杂因素的地理聚类占了占主导地位的关联。由于邻里剥夺的分布不同和宫颈阴道微生物群，种族 -
特拉华州看护者对其子女接种 COVID-19 疫苗的看法存在差异
目标：描述看护者对其子女接种 COVID-19 疫苗的看法在社会人口统计学方面的差异。方法：这是一项横断面研究，将看护者报告的数据与儿童 EHR 中的地理编码社会人口统计数据联系起来。2021 年 3 月 19 日至 4 月 16 日，特拉华州儿科医疗保健系统中接受护理的儿童的看护者被邀请完成一项关于 COVID-19 疫苗看法的调查。结果：1499 名看护者参与（18% 为黑人、11% 为西班牙裔、32% 为公共保险、12% 为农村人）。54% 的看护者打算给孩子接种疫苗，而 34% 的人不确定，12% 的人不会。幼儿看护者（aOR 3.70，CI 2.36-5.79）、黑人儿童看护者（aOR 2.11，CI 1.50-2.96）和来自弱势社区的看护者（aOR 1.59，CI 1.05-2.42）更有可能不确定且不给孩子接种疫苗。来自农村社区的看护者更有可能不给孩子接种疫苗（aOR 2.51，CI 1.56-4.05）。幼儿看护者、黑人儿童看护者和来自弱势社区的看护者中，相信疫苗安全性或有效性的看护者较少（p < 0.001），而幼儿看护者和来自农村社区的看护者中，相信孩子易患 COVID-19 或患上重症 COVID-19 风险的看护者较少（p < 0.05）。虽然大多数 (72%) 的看护者受到健康专家的影响，但有色人种社区和弱势社区的看护者较少 (p<0.001)。结论：特拉华州幼儿看护者以及有色人种社区、农村社区和弱势社区的看护者对 COVID-19 疫苗犹豫不决的程度更高。政策影响：本研究探讨了特拉华州不同社区的信念，这对于制定公共卫生信息和策略以增加这些社区的疫苗接种率非常重要。
遥感基础知识
4 校正 56 4.1 辐射校准 56 4.1.1 传感器校准的主要元素 56 4.1.1.1 绝对辐射校准 – 从辐射到 DN 并反之 56 4.1.1.2 均匀性校准 57 4.1.1.3 光谱校准 57 4.1.1.4 几何校准 58 4.1.2 校准方法 58 4.1.2.1 发射前校准 58 4.1.2.2 机载校准 59 4.1.2.3 替代校准 59 4.2 大气 – 从辐射到反射或温度\发射率 60 4.2.1 将不同日期的图像校准为类似值 62 4.2.2 内部平均相对反射率 (IARR) 63 4.2.3 平场 63 4.2.4 经验线 63 4.2.5 大气建模 64 4.2.5.1 波段透射率计算机模型 66 4.2.5.2 逐线模型 67 4.2.5.3 MODTRAN 67 4.2.5.4 太阳光谱中卫星信号的第二次模拟 – 6s 代码 69 4.2.5.5 大气移除程序 (ATREM) 70 4.2.5.6 ATCOR 72 4.2.6 图像的温度校准 73 4.2.7 材料的热性能 73 4.2.8 从热图像中的辐射中恢复温度和发射率 77 4.3 几何校正 79 4.3.1 几何配准 80 4.3.1.1 平面变换 81 4.3.1.2 多项式变换83 4.3.1.3 三角测量 83 4.3.1.4 地面控制点 84 4.3.1.5 重新采样 85 4.3.1.6 地形位移 86 4.3.2 LANDSAT – 几何特性 90 4.3.2.1 TM 几何精度 90 4.3.2.2 TM 数据处理级别 90 4.3.2.3 原始数据 90 4.3.2.4 系统校正产品 90 4.3.2.5 地理编码产品 91 4.3.2.6 级别 A – 无地面控制点 91 4.3.2.7 级别 B – 有地面控制点 91
自动处理大量图像以进行 2D/3D 建模
当分析从地面（例如固定摄像站）或地面以上（例如无人机、飞机或卫星）在同一位置收集的图像的时间序列时，没有必要对所有帧进行地理配准。与摄影测量光束法区域网平差一样，GCP 是在整个图像块的较小子集上测量的，而其他 GCP 则在它们之间和相对于它进行配准。如果使用间接地理配准技术，则使用已知 GCP 手动对一幅图像进行地理编码（该图像通常称为“主”或“参考”图像），然后手动或自动将该系列的所有其他图像与其配准。另一方面，当使用直接地理配准技术时，所有图像都已进行地理配准，只需要几个 GCP 来纠正一些残留偏差。不幸的是，这种方法不适用于任何类型的应用，例如近距离摄影测量（Luhmann 等人2014 ）。在其他情况下，它可能仅提供近似地理编码，用于实例化其他地理参考技术。这是使用无人机记录的大多数摄影测量块的情况（Colomina 和 Molina 2014；Granshaw 2018a）或用于分析卫星图像，其中直接地理编码不够准确。当需要间接地理参考方法时，假设总是需要一些外部约束，则仅在（小）图像子集上测量 GCP 然后将其余数据联合注册的选项对于减少处理时间和限制操作员工作量确实具有战略意义。因此，近年来，已经开发了几种自动化方法来实现这一目的。米兰理工大学建筑、建筑环境和建筑工程系 (DABC) 通过在通用框架内引导不同类型图像的配准过程，为这一主题做出了贡献。这可以称为运动结构摄影测量程序，将在下一节中讨论。
社交媒体和疫苗犹豫
摘要 背景 随着全球范围内 COVID-19 疫苗接种计划的日益临近，了解社交媒体上反疫苗接种活动所带来的威胁至关重要。我们在全球范围内评估社交媒体和在线外国虚假宣传活动对疫苗接种率和对疫苗安全态度的影响。 方法 我们使用大 n 跨国回归框架来评估社交媒体对全球疫苗犹豫的影响。为此，我们从两个维度对社交媒体的使用进行操作：公众使用它来组织行动（使用数字社会项目指标），以及社交媒体上关于疫苗的负面言论水平（使用 2018-2019 年全球所有地理编码推文的数据集）。此外，我们还衡量了每个国家社交媒体上外国来源的协调虚假信息行动的水平（使用数字社会项目指标）。疫苗犹豫的结果以两种方式衡量。首先，我们使用民意调查来了解每个国家有多少比例的公众认为疫苗不安全（使用 137 个国家的 Wellcome 全球监测指标）。其次，我们使用了世卫组织针对 166 个国家的年度实际疫苗接种率数据。结果我们发现，使用社交媒体组织线下行动可以高度预测人们认为接种疫苗不安全的信念，而且随着社交媒体上组织活动的增多，这种信念会日益增强。此外，外国虚假信息的盛行在预测平均疫苗接种覆盖率随时间下降方面具有高度统计和实质性意义。5 点虚假信息量表中每上升 1 点，平均疫苗接种覆盖率就会同比下降 2 个百分点。我们还发现有证据支持外国虚假信息与社交媒体上有关疫苗接种的负面活动之间的联系。外国虚假信息的实质性影响是使中位数国家的负面疫苗推文数量增加了 15%。结论社交媒体上的组织活动与公众对疫苗安全性的疑虑之间存在显著关系。此外，外国虚假宣传活动与疫苗接种覆盖率下降之间存在显著关系。
各邮政编码地区的脊髓灰质炎疫苗接种覆盖率
背景 脊髓灰质炎是一种由脊髓灰质炎病毒引起的危及生命的疾病。自 1979 年以来，脊髓灰质炎病毒传播已在美国消除，这在很大程度上要归功于成功的脊髓灰质炎疫苗接种计划。疾病控制和预防中心的 ACIP 免疫接种计划建议在 2 岁、4 岁、6-18 个月和 4-6 岁时接种四剂脊髓灰质炎疫苗。不建议 18 岁或以上的美国居民常规接种脊髓灰质炎疫苗。2022 年 6 月，纽约州罗克兰县一名未接种疫苗的成年人确诊感染脊髓灰质炎病毒。根据纽约州免疫信息系统 (NYSIIS)，截至 2022 年 8 月，60.3% 的罗克兰县儿童在 24 个月大之前已接种至少三剂脊髓灰质炎疫苗。该县卫生部门启动了补种疫苗接种工作，并促使其他司法管辖区评估其居民的脊髓灰质炎疫苗接种覆盖率。 DHS 鼓励每个人都及时接种所有疫苗。威斯康星州居民可以通过威斯康星州免疫登记处 (WIR) 查看自己或孩子的疫苗接种状况。有关威斯康星州脊髓灰质炎的更多信息，请访问 DHS 网站。为支持疫情应对工作和疫苗接种策略，威斯康星州免疫计划正在提供脊髓灰质炎覆盖率的邮政编码分析。注意：本报告中提供的数据包括抑制以确保保密性。10 个客户以下的分母已从数据集中删除。本报告基于截至 2022 年 9 月威斯康星州免疫登记处 (WIR) 的覆盖数据。除非提供者是儿童疫苗 (VFC) 和/或成人疫苗 (VFA) 计划的一部分，否则向 WIR 报告不是强制性的。自 2015 年以来，为 6-18 岁儿童接种疫苗的药剂师必须在接种疫苗后 7 天内提交免疫数据。疫苗接种覆盖率数据是使用客户的主要地址而不是接种疫苗的地点进行评估的。使用外部软件对地址进行地理编码，以评估邮政编码覆盖率。未地理编码到威斯康星州位置的邮政编码将从分析中删除。脊髓灰质炎覆盖率评估如下：24 个月大时接种 3 剂，4-6 岁时接种 3 剂，4-6 岁时接种 4 剂。
社交媒体和疫苗犹豫
摘要 背景 随着全球范围内 COVID-19 疫苗接种计划的日益临近，了解社交媒体上反疫苗接种活动所带来的威胁至关重要。我们在全球范围内评估社交媒体和在线外国虚假宣传活动对疫苗接种率和对疫苗安全态度的影响。 方法 我们使用大 n 跨国回归框架来评估社交媒体对全球疫苗犹豫的影响。为此，我们从两个维度对社交媒体的使用进行操作：公众使用它来组织行动（使用数字社会项目指标），以及社交媒体上关于疫苗的负面言论水平（使用 2018-2019 年全球所有地理编码推文的数据集）。此外，我们还衡量了每个国家社交媒体上外国来源的协调虚假信息行动的水平（使用数字社会项目指标）。疫苗犹豫的结果以两种方式衡量。首先，我们使用民意调查来了解每个国家有多少比例的公众认为疫苗不安全（使用 137 个国家的 Wellcome 全球监测指标）。其次，我们使用了世卫组织针对 166 个国家的年度实际疫苗接种率数据。结果我们发现，使用社交媒体组织线下行动可以高度预测人们认为接种疫苗不安全的信念，而且随着社交媒体上组织活动的增多，这种信念会日益增强。此外，外国虚假信息的盛行在预测平均疫苗接种覆盖率随时间下降方面具有高度统计和实质性意义。5 点虚假信息量表中每上升 1 点，平均疫苗接种覆盖率就会同比下降 2 个百分点。我们还发现有证据支持外国虚假信息与社交媒体上有关疫苗接种的负面活动之间的联系。外国虚假信息的实质性影响是使中位数国家的负面疫苗推文数量增加了 15%。结论社交媒体上的组织活动与公众对疫苗安全性的疑虑之间存在显著关系。此外，外国虚假宣传活动与疫苗接种覆盖率下降之间存在显著关系。
AIM-AHEAD RFI 响应
机器学习正在个人和人口层面使用，以支持风险分层、预测模型和诊断与治疗的决策支持。由于这些模型是根据现实世界的数据开发的，因此算法反映了当前和历史偏见，这些偏见可能会加剧种族和民族、性别认同、性取向、残疾、年龄、社会阶层和地理位置的不平等。此回应将重点关注 NIH 需要解决的数据和系统问题，以支持 AI/ML 公平研究。为了解决公平问题，NIH 需要多样化的数据来源，涵盖广泛的人口统计、社会经济和健康相关数据。这些应提供社会和经济背景以及心理社会风险因素，例如种族、年龄、性别、经济状况、既往病史、住房状况、临床接触内外的患者体验，以及充分代表人群多样性的数据。由于临床诊疗之外的数据不是以常规或标准化方式捕获的，因此在获取和管理这些高度复杂和敏感的数据方面存在重大挑战。强大的信息学方法包括：1）了解报告数据的当前状况，包括评估报告数据是否代表公平相关的努力，以及是否足以识别在这些数据上训练的算法中的偏见。2）确定和实施策略以提高现有数据的质量和完整性。这些应包括：a）持续的数据质量识别、解决和验证，以解决差距、不准确性和偏见；b）预先识别数据质量问题，以便快速分类到报告实体；c）统计估算措施以填补空白。3）跟踪这些策略的有效性以改进现有数据。4）识别新的数据来源。这些来源可能包括诊所层面的社会需求筛查、大型公共卫生队列（如国家健康和营养检查调查 (NHANES)）和监测系统（如行为风险因素监测系统 (BRFSS)）、大型研究队列研究（如美国国立卫生研究院的精准医学计划、我们所有人研究计划和国家 COVID 队列协作 (N3C)）——它们整合了参与者从不同群体收集的数据源。其他潜在来源包括移动或遥感设备和在线地理编码数据，这些数据可能提供有关公平性的宝贵见解。5) 模型评估。虽然有不断发展的分析技术来评估和解释可能反映社会偏见的算法偏见，但开发、测试和使用这些模型的研究人员需要对意外结果保持敏感，并识别数据中和训练模型的专家中的偏见。社区参与和包括那些代表性不足的人（偏见最受影响的人）的观点是必不可少的一步。