Suite

Délimiter un bassin versant à grande échelle ?


Je voudrais faire une délimitation des bassins versants au niveau national/régional (en utilisant les données SRTM-90).

J'ai expérimenté avec r.watershed (GRASS 6.4.3) mais il est tombé quand j'ai essayé de faire de gros trucs.

J'ai essayé r.terraflow (GRASS 6.4.3) mais je ne sais pas vraiment ce que je fais avec ça… Cela semble assez ancien alors peut-être qu'il y a quelque chose de mieux ces jours-ci ?

Pas de chance avec ArcGIS pour les gros trucs (mais disponible pour moi si quelqu'un a une solution utilisant ce logiciel).

Quelqu'un peut-il recommander des outils pratiques pour les grands projets de délimitation des bassins versants ?


J'ai un immense respect pour GRASS et l'algorithme r.tarraflow et je suis sûr qu'avec suffisamment d'efforts, vous seriez en mesure de le faire fonctionner pour cette application. Mais comme alternative, je développe un SIG multiplateforme gratuit et open source appelé Whitebox Geospatial Analysis Tools (télécharger ici). Voici un exemple d'utilisation pour le traitement hydrologique de données DEM massives. En utilisant le Récupérer les données SRTM outil, j'ai pu télécharger toutes les tuiles SRTM de 3 secondes d'arc pour les îles britanniques, les mosaïquer en un seul DEM de 13 201 x 14 401 726 Mo en 10 minutes environ.

J'ai ensuite utilisé le Dépressions de brèche (rapide) sur le DEM, qui a effectué la correction hydrologique, le calcul du raster de direction d'écoulement D8, et l'étape d'accumulation d'écoulement. Il a fallu environ 8 minutes pour effectuer cette analyse sur mon Macbook Pro (2,8 GHz, 16 Go de RAM).

J'ai effectué un seuillage simple pour extraire les principaux flux britanniques (et les vectoriser à des fins d'affichage :

Voici les bassins versants pour chaque exutoire de la couche des réseaux hydrographiques :

Du début du processus de téléchargement du SRTM à la carte finale du bassin versant, il m'a fallu environ 35 minutes de traitement. Cela aurait probablement pris moins de temps mais j'ai dû préparer le dîner là-bas aussi ;) Comme pour tout, votre kilométrage variera en fonction de votre système. Lorsque vous traitez de très gros rasters, c'est une bonne idée d'avoir 16 à 64 Go de RAM et un SSD est également un atout majeur. Pour plus de détails, ce lien décrit le processus d'extraction des bassins versants des DEM à l'aide de Whitebox GAT. Certes, les îles britanniques ne sont pas une masse continentale particulièrement grande; si j'avais eu plus de temps j'aurais aimé faire le Brésil juste pour le fun !

ÉDITER

washmaps ont mentionné dans leur commentaire ci-dessus qu'ils étaient intéressés par l'extraction du bassin du Nil. J'ai donc pensé que j'allais expérimenter pour voir si je pouvais effectuer cette analyse. Le téléchargement des tuiles 640 SRTM de 3 secondes d'arc a pris 19 minutes en utilisant le Récupérer les données SRTM dans Whitebox et 18 minutes supplémentaires pour créer une mosaïque homogène composée de 38 401 lignes par 22 801 colonnes, soit un peu plus de 875 000 000 pixels. Le DEM a une taille de 3,26 Go. Remplir les trous NoData a pris 4 minutes. J'ai ensuite effectué une correction hydrologique à l'aide du Dépressions de brèche (rapide) outil, qui a pris 49 minutes 8 secondes. J'ai réalisé après coup que j'aurais dû exécuter un algorithme de remplissage de dépression après la première brèche également, mais il était trop tard. Le calcul de la grille de direction d'écoulement D8 a pris 3 minutes, et l'opération d'accumulation de débit subséquente a pris 4 minutes 14 secondes. Enfin, l'extraction du bassin versant d'un point du delta du Nil a pris 2 heures et 9 minutes. Encore une fois, tout cela utilisait mon Macbook Pro 13 pouces dual core 2,8 GHz avec 16 Go de RAM et un SSD.

Et bien sûr, dès que j'ai vu le bassin versant (polygone marron sur la carte), j'ai réalisé que j'aurais dû télécharger des données plus au sud du lac Victoria et à l'ouest au Soudan (cette frontière est évidemment le bassin du Nil). Eh bien, en tant que preuve de concept, en utilisant un équipement assez standard, cela démontre que Whitebox GAT peut être utilisé pour délimiter des bassins versants à grande échelle.

METTRE À JOUR

Tout simplement parce que je ne peux jamais laisser les choses partiellement terminées, j'ai décidé d'utiliser mon poste de travail et de faire le travail correctement.

Le bassin versant est (presque) terminé et le réseau de cours d'eau est le réseau extrait par DEM. Voici un long profil du Nil (bien que j'aurais dû convertir la distance en m) :


Détails du produit :

Genre : Zones tampons (Gestion de l'écosystème)
Auteur : Timothée Aunan
Éditeur :
Libérer : 2005
Fichier : 14 pages
ISBN-13 : MINN:31951D02695247S

#1 eBook gratuit en [pdf] [kindle] [epub] [tuebl] [mobi] [audiobook], #1 Nouvelle version 2020 >>


Délimiter un bassin versant à grande échelle ? - Systèmes d'information géographique

Département du Centre, Haïti, a été à l'origine d'une épidémie majeure de choléra au cours de la période 2010-2019. Bien qu'aucune délimitation spatiale à petite échelle ne soit officiellement disponible, notre objectif était d'analyser les déterminants du choléra au niveau local et d'identifier les localités prioritaires nécessitant des interventions. Après avoir estimé les limites probables de 1 730 localités à l'aide des polygones de Voronoi, nous avons cartographié 5 322 cas suspects de choléra signalés entre janvier 2015 et septembre 2016 par localité ainsi que des variables environnementales et socioéconomiques. Un regroupement hiérarchique sur les composantes principales a mis en évidence 2 classes à haut risque de choléra : les localités proches des rivières et des sources d'eau non améliorées (ratio d'incidence standardisé 1,71, IC à 95 % 1,02-2,87 p = 0,04) et les localités urbaines avec des marchés (ratio d'incidence standardisé 1,69, 95 % IC 1,25-2,29 p = 0,0006). Nos analyses ont permis d'identifier et de caractériser les domaines où les efforts devraient être concentrés pour réduire la vulnérabilité au choléra et à d'autres maladies d'origine hydrique. Ces méthodes pourraient être utilisées dans d'autres contextes.

Haïti a connu une épidémie de choléra importante et durable qui a débuté en octobre 2010. L'épidémie a pris naissance dans le département du Centre dans un hameau abritant un camp de casques bleus des Nations Unies, puis a contaminé le fleuve Artibonite et la plaine côtière (1,2). Entre 2010 et 2019, >820 000 cas suspects de choléra et 9 792 décès ont été signalés (3). Cependant, depuis février 2019, aucun décès suspect n'est survenu et aucun résultat de test positif n'a été signalé sur >1 000 échantillons prélevés sur des patients atteints de diarrhée aqueuse aiguë.

Contamination fécale de l'eau, des aliments ou des mains par des souches toxigènes de la bactérie Vibrio cholerae O1 est le mode commun de transmission du choléra. Le Plan National pour l'Élimination du Choléra, lancé par le Ministère de la Santé Publique et de la Population (MSPP) en Haïti et co-écrit par la Direction Nationale de l'Eau Potable et de l'Assainissement d'Haïti (La Direction Nationale de l'Eau Potable et de l'Assainissement [DINEPA]), est maintenant dans sa troisième phase, axée sur le renforcement de l'accès à l'eau potable et à l'assainissement (4,5). Il est vital de réduire la vulnérabilité de la population au choléra et à d'autres maladies d'origine hydrique au niveau communautaire. Cependant, avec les contraintes de ressources limitées, les zones géographiques à risque les plus pertinentes doivent être priorisées pour des interventions durables d'assainissement et d'hygiène de l'eau (WaSH).

Des études antérieures ont effectué des analyses spatiales au niveau communal, mais les données à une échelle plus fine sont limitées. Une cartographie à haute résolution est nécessaire pour comprendre les modèles de transmission hétérogènes et pour adapter des stratégies d'intervention spécifiques au niveau communautaire (69). Bien qu'une étude précédente d'Allan et al. (6) a fourni des cartes de l'origine des patients atteints de choléra au niveau sous-communal pour le département voisin de l'Artibonite, ces cartes sont encore à une échelle relativement grande, démontrant des sections communales accueillant 10 000 à 30 000 personnes. Cette étude a signalé des sections voisines au sein de la même commune avec des différences claires dans le risque relatif de choléra dans un modèle en mosaïque, soulignant la nécessité d'une enquête plus approfondie au niveau de la localité pour guider les interventions WASH. Cependant, la cartographie des localités rurales en Haïti est clairsemée et aucune délimitation spatiale n'a été établie, présentant un défi pour identifier les microspots avec des cas récurrents et analyser les facteurs associés (6). Une étude précédente a collecté des données spatiales à petite échelle en Haïti en utilisant des vidéos spatiales pour les enquêtes sur le choléra, cependant, elle était limitée aux zones intra-urbaines et n'incluait pas de données sur les cas (10).

Des études antérieures mettent en évidence les défis de la collecte de données spatiales à petite échelle en Haïti, avec des informations officielles limitées sur les établissements informels (1012). Notre objectif était d'analyser les déterminants spatiaux du choléra et d'identifier les localités prioritaires nécessitant des interventions de prévention dans le Département du Centre en Haïti. Nous avons choisi le département du Centre car il était à l'origine de l'épidémie et avait une forte incidence de choléra qui a persisté pendant plusieurs années.

Méthodes

Conception et cadre de l'étude

Figure 1. Carte topographique d'Haïti et de ses départements, mettant en évidence le département du Centre (contour rouge). L'altitude augmente du vert clair au vert foncé. L'encart montre Haïti par rapport aux continents voisins.

Figure 2. Détails géographiques et démographiques du Département du Centre, Haïti. A) Aperçu des 12 communes du département, principales aires urbaines, trame d'altitude, rivières, routes et position des marchés. B) Contour du polygone et.

Nous avons mené une étude d'observation écologique au niveau de la localité (hameau) dans le département du Centre, Haïti (Figure 1), qui couvre une superficie de 3 487 km 2 , est >80% rural, et en 2015 avait une population de 746 236 (13). Le centre est subdivisé administrativement en 12 cantons civils, appelés communes, dont chacun a une aire urbaine (figure 2, panneau A). Chaque commune est subdivisée en sections communales, la plus petite unité administrative officielle, qui comprend plusieurs centaines de localités. Les localités sont des ensembles de résidences et constituent la plus petite unité spatiale culturellement utilisée pour définir le lieu de résidence des populations rurales. Cependant, le nombre, l'orthographe et les délimitations des localités rurales ne sont pas officiellement établis, et seules une géolocalisation et des populations estimées sont disponibles (14).

Les plus grandes villes du Centre sont Hinche et Mirebalais. Le centre a une altitude moyenne de 447 m (plage de 84 à 1 820 m) et est situé au nord-est des chaînes de montagnes des Montagnes Noires et des Montagnes de Trou d'Eau et au sud du Massif du Nord. Des centaines de rivières et ruisseaux fournissent des sources d'eau naturelles dans le département.

Matériaux

Nous avons obtenu la liste des cas anonymisés des cas suspects de choléra au Centre entre janvier 2015 et septembre 2016 auprès du MSPP. La liste des cas fournissait la localité de résidence de chaque patient et a été collectée par la Direction Départementale de la Santé du MSPP pour guider les interventions ciblées zone-cas menées par les équipes de réponse rapide (15). Tous les identifiants de patients ont été supprimés précédemment.

La cartographie des localités rurales en Haïti est incomplète (6). Nous avons collecté les coordonnées du système de positionnement global (GPS) pour chaque localité à partir de visites sur le terrain par des équipes d'intervention mobiles, des visites sur le terrain des auteurs ou des photos satellite et à partir de référentiels géographiques, y compris l'Institut haïtien de statistique et d'informatique (http://ihsi.ht /publication_cd_atlas.htm), Index Mundi (https://www.indexmundi.com), OpenStreetMap (https://www.openstreetmap.org), Google Earth (https://earth.google.com) et Google Maps (https://www.google.fr/maps). Nous avons vérifié les coordonnées GPS par rapport aux données officielles du Centre National d'Information Géospatiale (CNIGS), lorsqu'elles sont disponibles. Une validation supplémentaire des données a été effectuée en utilisant des techniques de cartographie participative informatisées pour intégrer les informations spatiales des parties prenantes de la communauté locale dans chaque commune, individuellement ou en petits groupes. Ces parties prenantes comprenaient des professionnels de la santé locaux des équipes d'intervention mobiles, des techniciens WASH et du personnel du gouvernement local. Nous avons vérifié et unifié les noms de localités et utilisé des techniques de cartographie visuelle assistée par imagerie satellitaire pour valider les coordonnées GPS estimées. Ce processus a permis d'assurer la cohérence avec la connaissance locale du terrain et d'identifier les incohérences, ce qui était vital pour les zones rurales sans accès routier.

Dans le cadre d'un projet collaboratif financé par World Vision (https://www.worldvision.org), la DINEPA et l'organisation non gouvernementale partenaire Haiti Outreach (https://www.haitioutreach.org) ont collecté un inventaire des sources d'eau et fourni un GPS se coordonne en visitant chaque point d'eau et en validant les données avec les partenaires locaux (16) (Figure 2, panneau B). Les sources d'eau ont été classées comme améliorées ou non améliorées selon le Programme conjoint de surveillance pour l'assainissement et l'hygiène de l'approvisionnement en eau (17,18).

Nous avons obtenu l'emplacement des rivières, des routes et de l'altitude pour le Centre à partir du CNIGS (Figure 2, panneau A). Nous avons obtenu l'historique des précédentes campagnes de vaccination orale contre le choléra par section communale auprès du MSPP (Figure 2, panneau B). Nous avons géolocalisé les marchés lors d'enquêtes de terrain dans le Centre.

Nous avons calculé les polygones de Voronoi à partir des coordonnées ponctuelles estimées pour chaque localité. Ces polygones, ou diagrammes de proximité, se composent de tous les emplacements plus proches de la coordonnée du point de localité que de toute autre coordonnée de point, fournissant des limites estimées. Nous avons utilisé les polygones de Voronoï comme base pour toutes les variables afin de maintenir la cohérence des unités spatiales et de réduire le biais d'agrégation. Nous avons estimé le nombre de maisons par polygone en utilisant un fichier de formes de détection de maisons par satellite du CNIGS et des cartes complétées en utilisant Google Earth et OpenStreetMap. Nous avons multiplié le nombre de maisons par le nombre moyen de membres du ménage dans la zone pour estimer la population et les taux d'incidence dans chaque localité (13). Les distances entre chaque maison et une source d'eau non améliorée, une source d'eau améliorée, une rivière et une route ont été calculées et moyennées pour chaque polygone. L'altitude moyenne a été calculée pour chaque polygone en utilisant une analyse de terrain raster et arrondie au mètre le plus proche.

Analyses statistiques

Nous avons évalué les variables pour la distribution normale en utilisant des histogrammes, des graphiques quantile-quantile et le test de Shapiro-Wilk. Pour les variables continues non distribuées normalement, nous avons calculé la médiane et l'intervalle interquartile (IQR) pour les variables catégorielles, nous avons calculé les nombres et les pourcentages. Nous avons classé les variables continues, y compris l'altitude et les distances à une route, à une source d'eau améliorée, à une source d'eau non améliorée et à une rivière, en utilisant les informations des quartiles et des histogrammes pour former 4 classes. Nous avons effectué des tests statistiques non paramétriques univariés en utilisant le test de rang de Kruskal-Wallis et les coefficients de corrélation de Spearman sur l'incidence du choléra et les variables environnementales. Nous avons effectué une analyse spatiale pour la détection des points chauds à l'aide de SatScan (https://www.satscan.org).

Nous avons effectué une analyse non supervisée en plusieurs étapes pour classer les localités en fonction de leurs caractéristiques environnementales et spatiales. Le regroupement hiérarchique sur les principales composantes d'une analyse des correspondances multiples (ACM) a été détaillé précédemment (19,20) nous avons utilisé ces données pour classer les quartiers des villes d'Haïti (12). La première étape est une MCA, qui est une méthode exploratoire qui considère la relation entre les variables et réduit les ensembles de données complexes en moins de dimensions (21). Nous avons effectué l'ACM en utilisant les variables catégorielles originales et les variables continues classées. Les variables actives comprenaient la présence d'un marché, l'emplacement urbain ou rural, le statut vaccinal et la zone moyenne : altitude, distance à une route, distance à une source d'eau améliorée, distance à une source d'eau non améliorée et distance à une rivière. Nous n'avons retenu les informations quantitatives qu'à titre de variables supplémentaires et ne les avons pas utilisées dans la détermination des composantes principales. Pour réduire le bruit basal et assurer une classification plus stable, nous avons retenu les principales composantes qui résumaient 95 % des données. Nous avons effectué une classification ascendante hiérarchique sur les coordonnées des 16 premières composantes principales, qui ont fourni des classes indépendantes du nombre de cas de choléra. Ensuite, nous avons comparé ces classes à des cas de choléra dans un modèle additif général (GAM) avec une distribution quasi-Poisson. Pour l'autocorrélation spatiale, nous avons effectué des tests de Moran I sur le nombre de cas et les résidus GAM. Pour modéliser la dépendance spatiale, nous avons testé un GAM tendance-surface, en ajustant l'emplacement géographique en utilisant des splines bidimensionnelles sur les coordonnées de latitude et de longitude, comme démontré précédemment (2224). Nous avons pris en compte l'augmentation de la population en utilisant un décalage de la population logarithmique et en estimant les ratios d'incidence standardisés (SIR) pour chaque classe. Nous avons considéré p<0,05 statistiquement significatif.

Nous avons utilisé QGIS version 2.14.3 (QGIS Development Team, http://qgis.osgeo.org) comme système d'information géographique (SIG) pour la cartographie. Nous avons effectué toutes les analyses statistiques en utilisant R version 3.3.0 (R Foundation for Statistical Computing, https://www.r-project.org). Nous avons utilisé le package FactoMineR dans R pour l'analyse de classification (19) et mgcv pour les GAM, avec des critères de validation croisée généralisés pour lisser les estimations de paramètres et la fonction gam.check pour vérifier les graphiques résiduels (22,25).

Toutes les données sont restées anonymes sans identifiant de patient, conformément aux directives éthiques nationales et internationales (26). L'approbation éthique a été obtenue du Comité National de Bioéthique d'Haïti, MSPP (référence n° 1516-73).

Résultats

Figure 3. Incidence estimée des cas suspects de choléra pour 10 000 personnes pour chaque localité du département du Centre, Haïti, janvier 2015-septembre 2016.

Au total, 5 322 cas suspects de choléra ont été enregistrés dans le Centre entre janvier 2015 et septembre 2016, et 1 730 localités ont été identifiées et cartographiées. La taille médiane de la localité était de 1,77 km 2 (IQR 1,15–2,58 km 2 ) et la population médiane de 300 (IQR 153–530) personnes. Parmi 1 730 localités, 689 (40 %) avaient > 1 cas suspect de choléra (Tableau 1). Le rapport d'incidence médian pour toutes les localités était de 0 (IQR 0-61,9) pour 10 000 personnes. L'incidence variait de 0 à 6 050,9/10 000 personnes 25 localités avaient une incidence >1 000/10 000 personnes (Figure 3). En analyse univariée, les variables catégorielles statistiquement significatives pour l'incidence étaient l'altitude, la distance à une source d'eau non améliorée, la distance à une source d'eau améliorée, la distance à la route, la distance à une rivière, la présence d'un marché, l'emplacement rural ou urbain (p<0,0001) , et la vaccination contre le choléra (p<0,0001 pour toutes les variables) (tableau 1).

Regroupement hiérarchique sur les composants principaux

Figure 4. Analyse de classification des localités concernant les variables environnementales basée sur le regroupement hiérarchique sur les principales composantes de l'analyse des correspondances multiples, Département du Centre, Haïti. A) dendrogramme de cluster démontrant la division des localités en.

Figure 5. Localités du département du Centre, Haïti, cartographiées selon le regroupement hiérarchique sur l'analyse de la classification des composantes principales. L'analyse de classification a déterminé 2 grandes classes à faible risque : les localités de classe 1 étaient éloignées et à plus haute altitude.

Le regroupement hiérarchique sur MCA a fourni 4 classes différentes de localités (tableau 2, annexe, figure 1), démontrant différentes caractéristiques environnementales et spatiales, que nous avons cartographiées (figures 4, 5). Les variables catégorielles qui caractérisent le mieux le découpage en 4 classes étaient la distance à une rivière, la présence d'un marché, l'altitude, la distance à une source d'eau non améliorée, l'emplacement urbain ou rural et la distance à une route (p<0,0001 pour tous).

La classe 1 (n = 621) était le plus fortement associée au fait d'être loin d'une rivière, à haute altitude et loin d'une route (tableau 2). Les localités de classe 1 étaient également éloignées et plus éloignées que la moyenne des sources d'eau non améliorées (médiane 576 m) et des sources d'eau améliorées (médiane 1 213 m), n'avaient pas de marchés, étaient rurales et avaient plus de personnes vaccinées.

La classe 2 (n = 941) était associée à une distance moyenne de la rivière et aux altitudes les plus basses (tableau 2). Les localités de classe 2 étaient également associées au fait d'être à une distance moyenne d'une route, de n'avoir aucun marché, d'être rurales et d'avoir plus de personnes non vaccinées. Ces localités rurales intermédiaires étaient légèrement plus proches que la distance moyenne à la fois des sources d'eau améliorées (médiane 712 m) et des sources d'eau non améliorées (médiane 439 m) et des distances inférieures à la moyenne à une route (médiane 390 m).

La classe 3 (n = 61) était plus particulièrement associée à la proximité des rivières (<200 m) et des sources d'eau non améliorées (<150 m). Les localités de classe 3 avaient également des distances inférieures à la moyenne par rapport à une route (médiane de 210 m).

La classe 4 (n = 77) était la plus fortement associée aux marchés et aux localités urbaines. Ces localités étaient plus proches que la moyenne de sources d'eau non améliorées (médiane 347 m) et améliorées (médiane 338 m) et à une distance inférieure à la moyenne d'une route (médiane 135 m).

Figure 6. Comparaison des facteurs de risque de choléra les plus fortement associés entre 2 classes à haut risque, Département du Centre, Haïti. Les facteurs de risque les plus fortement associés aux cas suspects de choléra étaient la distance <200.

En prenant la classe 1 comme référence et en tenant compte des coordonnées géographiques et de la population, nous avons utilisé un quasi-Poisson GAM pour comparer les classes et estimer les SIR (tableau 2 annexe). Le modèle a confirmé l'incidence du choléra statistiquement significativement plus élevée dans la classe 3 (SIR 1,71, IC à 95 % 1,02-2,87 p = 0,0425) et la classe 4 (SIR 1,69, IC à 95 % 1,25 à 2,29 p = 0,0006). Nous avons constaté que la classe 2 présentait un risque légèrement accru de choléra par rapport à la classe 1, avec un SIR de 1,28 (IC à 95 % 0,96–1,71), bien que cette différence ne soit pas statistiquement significative au seuil de 5 % (p = 0,0896) (Figure 6 ).

Discussion

Notre analyse a identifié 2 classes principales de localités à plus haut risque de choléra : les localités proches des deux rivières (<200 m) et des sources d'eau non améliorées (<150 m) et les localités urbaines avec des marchés. Ces critères sont des moyens simples d'identifier les localités à haut risque pour les interventions à la source au sein d'un grand département comme le Centre. Nous avons identifié un total de 138 localités à haut risque, représentant 8% de toutes les localités.

La réduction de la vulnérabilité de la population aux maladies diarrhéiques dans un environnement à faibles ressources présente des défis complexes, qui ont été confondus dans le Centre par la vaste zone géographique et le terrain difficile. La priorisation des stratégies sur un nombre facilement identifiable de sources et de localités pourrait avoir des implications pour la prévention des épidémies de choléra en Haïti et ailleurs. Alors que des recherches antérieures ont souligné l'importance des données au niveau de la commune axées sur les interventions WASH (27), nous soulignons l'importance d'une cartographie à petite échelle et d'utiliser l'unité spatiale la plus logique au niveau opérationnel. La cartographie des localités du département du Centre n'était pas disponible auparavant, rendant impossible l'analyse des listes de cas. La cartographie réalisée dans cette étude ouvre des portes pour une analyse plus approfondie liée au choléra et à d'autres problèmes de santé. En outre, le choléra peut être considéré comme un indicateur de la vulnérabilité aux maladies d'origine hydrique, et cibler ces localités à haut risque peut prévenir d'autres épidémies.

La distribution des cas de choléra semble être liée à des schémas géographiques, spécifiquement liés à l'hygiène de l'environnement et à la contamination des sources d'eau (28). Des études antérieures ont démontré une association substantielle entre le choléra et les populations vivant à proximité des plans d'eau (2932), des lacs (28,33,34), et des rivières et à la densité des rivières (32). L'augmentation de l'altitude a été inversement liée à la distribution du choléra (35). Cependant, en raison de l'hétérogénéité géographique, la relation entre les facteurs environnementaux n'explique pas entièrement la répartition du choléra en Haïti. La compréhension de la causalité environnementale entre les sources d'eau et le choléra est compliquée par les difficultés d'échantillonnage des rivières et des sources d'eau et les défis pour déterminer si ces sources sont des réservoirs pérennes ou des sources temporaires d'agents pathogènes (36,37). D'autres études ont mis en évidence l'évolution des préférences et des comportements des populations locales vis-à-vis du type d'accès à l'eau (38,39). Par ailleurs, à côté de la proximité des facteurs environnementaux, le rôle des mouvements de population et des facteurs sociaux dans la détermination spatiale du choléra doit être pris en compte (28,40).

Conformément à nos résultats, les enquêtes précédentes sur les épidémies de choléra ont signalé des points chauds à proximité de marchés très fréquentés (9,12) et les routes principales (32,41), en supposant le rôle de la mobilité de la population dans la création de pôles de transmission du choléra par voie fécale-orale (9,29). Ces caractéristiques sociales et environnementales doivent être prises en compte lors de l'examen des déterminants spatiaux du choléra dans une région. Cela renforce l'idée que le contexte compte. Nos résultats mettent en évidence 2 classes à haut risque différentes et mettent en évidence les facteurs hétérogènes entre les localités, même au sein d'une même section communale. Nous ne pouvons pas indiquer une seule variable claire à haut risque, mais avons plutôt noté des modèles de risque en fonction du contexte socio-environnemental de chaque localité. Notre étude complète la littérature en utilisant cette approche adaptative contextualisée à une échelle fine à l'échelle d'un département, pas seulement limitée aux petites zones urbaines, comme vu précédemment (9,12).

De nombreuses raisons peuvent expliquer un risque accru de choléra dans les localités avec des marchés (9). Le flux important et régulier de personnes augmente le risque de contact avec des cas de choléra. En outre, les mauvaises conditions sanitaires des marchés augmentent le risque en raison de l'élimination inadéquate des déchets, du manque de points de lavage des mains, de l'absence ou de la mauvaise qualité des systèmes de drainage et des normes d'hygiène médiocres des stands de nourriture et des latrines, le cas échéant. Les zones de défécation à l'air libre ont été mises en évidence près du marché de Mirebalais comme source de choléra (42). Cependant, l'association aux marchés pourrait être confondue par la proximité géographique des centres de traitement, qui sont tous deux souvent situés dans des zones urbaines où une concentration de patients malades facilite la transmission du choléra via la contamination des aliments et de l'eau.

Nos résultats mettent en évidence l'importance de la distance à une route dans les deux classes à haut risque. La distance routière <150 m était statistiquement associée de manière significative à la classe 3 (p<0.0006) et à la classe 4 (p<0.0001). Ce constat peut être interprété de 2 manières. Premièrement, il confirme que le choléra se propage par les mouvements de population le long des routes principales. Cependant, les principaux nœuds de transport relient également les localités et les centres de traitement. Par conséquent, les cas provenant de localités plus facilement accessibles par la route sont également plus susceptibles d'être notifiés. Nous avons utilisé les distances moyennes estimées d'une localité à une route comme indicateur accessible de la mobilité de la population, mais d'autres informations pourraient être utilisées, telles que le temps de trajet jusqu'à la ville la plus proche (43). Les informations sur la mobilité réelle de la population en utilisant les données des téléphones portables pourraient être un outil prometteur pour examiner la propagation spatiale et améliorer les stratégies de préparation aux épidémies (40).

Il est à noter que l'association avec la distance à une source d'eau améliorée n'était pas un facteur décisif dans la classification. L'augmentation de la distance d'une source d'eau améliorée était davantage associée à la classe à faible risque 1, mais les sources d'eau non améliorées étaient également à une distance médiane plus élevée. De plus, la proximité d'une source d'eau améliorée était associée à la classe à haut risque 4. Ce résultat suggère que la présence de sources d'eau améliorées dans une localité pourrait ne pas prévenir complètement les maladies diarrhéiques à moins que toutes les autres sources potentielles ne soient prises en compte pour les améliorations WASH. Un approvisionnement en eau amélioré devrait être disponible dans un aller-retour de 30 minutes, selon les objectifs de développement durable post-2015 (18), mais cette disponibilité ne peut pas améliorer l'incidence du choléra si une source d'eau non améliorée est encore utilisée pour des raisons d'accessibilité et d'abordabilité. Notre étude au niveau de la localité n'a pas considéré les méthodes individualisées ou domestiques de collecte ou de traitement de l'eau potable car aucun réseau d'eau courante n'est disponible en dehors des villes et ceux dans les villes ne fonctionnent pas tout le temps. Au lieu de cela, nous avons étudié la distance d'une maison à une source d'eau, y compris les rivières, en moyenne pour l'ensemble de la localité. Cependant, cette variable sur l'accessibilité géographique pourrait être confondue par une contamination ultérieure lors du voyage ou du stockage.

Notre étude démontre la faisabilité d'une analyse géographique à petite échelle sur une vaste zone, principalement rurale, pour étudier l'incidence et l'épidémiologie spatiale du choléra en relation avec les caractéristiques socio-environnementales et les sources d'eau. Nous avons utilisé une approche locale intégrant l'expertise d'experts locaux de la santé et de l'assainissement pour définir une liste de localités et une documentation complète des sources d'eau. Notre approche présente des avantages potentiels pour de futures études par des chercheurs en santé publique et dans d'autres disciplines.

Comme cela peut être courant dans les environnements à ressources limitées avec plusieurs utilisateurs, la liste des cas a nécessité un long processus de nettoyage des données. Les limites de la liste de cas incluent les données manquantes possibles de patients qui ne se sont pas rendus dans des centres de santé. Cependant, nous pensons que la liste des cas a fourni les informations les plus complètes disponibles et des détails impressionnants compte tenu des contraintes de réglage.

Comme démontré dans des études précédentes, notre étude de terrain corrobore que le risque de choléra est associé à des facteurs socioéconomiques et environnementaux entrelacés et met en évidence les marchés situés à proximité des plans d'eau et des routes dans les quartiers à forte densité, tels que Mirebalais (29), comme facteurs de risque. En analysant un large éventail de variables, sans présomption préalable sur leur relation ou leur corrélation, nous avons pu mener une analyse exploratoire en utilisant l'ACM. Cette analyse a permis d'inclure de nombreuses variables malgré la colinéarité et la classification des dimensions réduites dans un modèle multivarié pour décrire les déterminants spatiaux du choléra.

Une limite de notre étude était le manque d'informations concernant la gestion des excréments, un facteur de risque prédisposant reconnu (29,44). Nous avons tenté de récupérer ces informations en identifiant l'emplacement des latrines municipales, mais les activités hétérogènes d'élimination des excréments rendent ce processus futile car la défécation à l'air libre est une pratique courante (45). Une enquête récente auprès de 13 405 ménages en Haïti rapporte que seulement 31% des ménages ont des toilettes améliorées et non partagées dans les zones urbaines, 43% ont de telles commodités, mais la moitié (23%) se trouvent dans les zones rurales (45). Une autre limitation est que le GAM de surface de tendance ne traite pas complètement l'autocorrélation spatiale en lissant les coordonnées spatiales, cependant, il prend en compte les tendances des données géographiques. Néanmoins, la GAM tendance-surface est une méthode reconnue pour modéliser la dépendance spatiale dans la partie systématique du modèle (2224). De plus, nous n'avons pas pu intégrer d'analyses temporelles en raison du délai relativement court (1 seule saison sèche). Par conséquent, nous ne pouvons pas expliquer tous les facteurs associés à l'incidence du choléra, en particulier le mouvement du choléra entre les localités. De plus, l'analyse géographique n'a pas pu intégrer les informations météorologiques, qui ne sont pas disponibles au niveau de la localité. Cependant, notre objectif n'était pas de modéliser l'incidence et la dynamique de transmission du choléra, ce qui a déjà été étudié (4650). Au lieu d'identifier des modèles de risque individuels, nous avons utilisé une analyse de classification pour réduire les dimensions de nombreuses variables corrélées afin de définir des profils de risque à l'échelle locale dans une vaste zone touchée par le choléra. Notre étude fournit des informations pour guider les stratégies visant à réduire la vulnérabilité aux maladies diarrhéiques dans un cadre réaliste, en tenant compte du contexte social et environnemental.

En l'absence de cas confirmés de choléra en Haïti depuis février 2019, l'accent en cette période post-épidémique doit être mis sur la réduction de la vulnérabilité de la population d'Haïti au choléra et aux autres maladies diarrhéiques. Our results highlight different typologies of risk at the locality level across a department, defining high risk by access to unimproved water sources and presence of markets in urban localities. Focusing hygiene awareness and prevention strategies in localities with known high-risk factors can help concentrate limited resources and improve efficiency in the fight against future cholera and other waterborne disease epidemics in Haiti and elsewhere.

Dr. Griffiths is an academic general practitioner at the Aix-Marseille University, France. Her research interests include medical statistics and epidemiology.


Delineation for Surface Water Sources

For surface water sources, water systems identify the land area in the watershed upstream of an intake. The source water protection area (SWPA) boundary generally is described using a topographic map connecting the highest points uphill of the drinking water intake from which overland flow drains to the intake.

A Geographic Information System (GIS) or a topographic map can be used to delineate watershed areas upstream of a drinking water intake facility. In large watersheds, water systems may elect to divide SWPAs into segments or zones, identifying smaller high-priority sub-watersheds for more focused assessment. These may include areas closest to the intake, where contamination sources are more likely to affect source water quality, as well as other, more distant areas that contain significant contaminant sources. Water systems use various methods to delineate surface water-based SWPAs, such as:


Delineating large scale watershed? - Systèmes d'information géographique

Effectuer une substitution de lecteur

Effectuer une substitution de lecteur pour créer les lecteurs virtuels L et M.

Start ArcGIS and open a new map document

    Delete everything from your removable drive.

    Met le Current Workspace, Scratch Workspace, et Output Extent as below:

Watershed Delineation

Creating a depressionless DEM

It is important to start with an elevation grid that has no depressions.

    Open the ArcToolbox toolset Spatial Analyst Tools > Hydrology. This is where the surface hydrology tools are located.

Pendant que la grille se remplit, ce qui peut prendre quelques minutes, vous voudrez peut-être vous divertir avec l'oignon.

Note the difference in the lowest elevation value in the legend sink cells in the original data set have been filled in.

It is important to have a depressionless DEM for all subsequent hydrological analyses. Areas of internal drainage can cause problems later in the watershed delineation process.

  1. Ouvrez le Flow Direction outil.
    1. The input surface is the Fill_dem1 grid.
    2. The output raster should be set to C:UsersNetIDDocumentArcGISFlowDir_fill1 (the default)

    Direction of flow must be known for each cell, because it is direction of flow that determines the ultimate destination of water flowing across the surface.

      Ouvrez le Flow Accumulation outil.

    1. Set the input flow direction raster (FlowDir_fill1) to the output of the last task.
    2. Set the output raster to C:UsersNetIDDocumentArcGISFlowAcc_flow1 (default name).

      Change the symbology method to classifié. Use 2 classes.

    Now the cells that are displayed in red have the flow of at least 5000 upstream cells flowing through them. This translates to an upstream area of 11.5 acres. 5000 cells * (100 ft^2 / cell) * (1 ac / 43560 ft^2) = 11.5 ac.

    You should also see that the DEM-generated drainage network looks somewhat like the vector streams, although if you look at details you will see where the data sets do not line up.


    Flow accumulations are important because they allow us to locate cells with high cumulative flow. Pour points doit be located in cells of high cumulative flow, or the resultant watersheds will be very small.

    Create watershed outlet ("pour") points

      Create a new point shapefile in ArcCatalog (M:hydropour_points copy the coordinate system parameters from one of the other Pack Forest data sets).

    Western point: note the position of 27 Creek (the stream network in the center of this image of the data frame). The watershed we are creating is just west of 27 Creek's confluence with the Mashel River. At that location, there is no stream in the vector data.


    Eastern point: this watershed (Little Mashel) is east of 27 Creek. The pour point is upstream of the confluence on the Little Mashel River.

    You must zoom in quite a way to do this, otherwise your pour point may not be located within a high-flow pathway!
    If your points are not in a high-flow pathway, move them before proceeding.

    If the Analysis Extent and cell size do not match an existing layer, there may be problems of registration between the pour grid and the other grids necessary to delineate watersheds. Therefore, it is always a good idea to set your cell size and analysis extent relative to an existing grid layer.

    Delineating watersheds

      Ouvrez le Bassin versant outil. Note that one of the options for the input data (as shown below) is the point feature dataset (pour_points). DO NOT USE THE POINTS!!Selecting a point feature dataset will work in theory, but there is no way to verify your point features will fall in a high-flow pathway. That is the reason for the conversion to raster in the previous step. It is recommended to have converted the points to a grid first, which verifies that the pour point locations are in the high-flow pathway.

    1. Select the flow direction grid as the input flow direction raster.
    2. Select the raster version of the pour points as the input raster.
    3. Accept the other defaults.

    These two large grid zones represent the areas upstream from the selected pour points. The western pour point defines the entire watershed system (both grid zones). The basin to the south and east is really a sub-basin of the larger system. Its pour point is upstream of the western pour point.

    Automatically delineating watersheds

    Compare your manual method with an automated method.

      Ouvrez le Bassin outil.
        Select the previously created flow direction grid.

      The automatically delineated watersheds are defined by pour points at the edge of the grid.

      You have just let ArcGIS automatically generate a series of watersheds. Automatic watershed delineation is easy, but does not give you the control to create basins specifically for pour points of your own selection. For this reason, the manual method is used almost exclusively.

      Calculating flow length

      Flow length shows the distance water will need to travel across the grid.

      1. Ouvrez le Flow Length outil.
        1. The input raster is the flow direction grid created earlier.
        2. Use defaults for the other controls.

        This shows the flow length to the ultimate pour point for each cell. Suppose you want the flow length to the closest downstream high-flow pathway, rather than to the ultimate outlet. This is possible, using flow length with a weighting grid.

        "make a new grid where the flow accumulation cells have a value greater than or equal to 5000 in value, make those output cells null where the flow accumulation cells are less than 5000 in value, make the output cells have a value of 1"

        Raster to vector conversion (stream network as line shape)

        Raster data sets can represent drainage networks (e.g., the flow accumulation cells that have at least 5000 upstream cells). When making maps that present the results of watershed delineation you may want to show the grid-based flow network instead of, or in addition to, the vector stream network, especially if the two flow networks do not agree.

          First, create a grid that represents only high-flow (5000 +) cells. This is also done in the Raster Calculator, similar to what was done in the last step.

        1. The input stream raster is the result of the last calculation.
        2. The input flow direction raster is the flow direction grid that was made before.

        Watershed visualization

        The last step for this lesson will be to visualize the watersheds created earlier with other data.


        Delineation and Evaluation of Hydrologic-Landscape Regions in the United States Using Geographic Information System Tools and Multivariate Statistical Analyses

        Hydrologic-landscape regions in the United States were delineated by using geographic information system (GIS) tools combined with principal components and cluster analyses. The GIS and statistical analyses were applied to land-surface form, geologic texture (permeability of the soil and bedrock), and climate variables that describe the physical and climatic setting of 43,931 small (approximately 200 km 2 ) watersheds in the United States. (The term “watersheds” is defined in this paper as the drainage areas of tributary streams, headwater streams, and stream segments lying between two confluences.) The analyses grouped the watersheds into 20 noncontiguous regions based on similarities in land-surface form, geologic texture, and climate characteristics. The percentage of explained variance (R-squared value) in an analysis of variance was used to compare the hydrologic-landscape regions to 19 square geometric regions and the 21 U.S. Environmental Protection Agency level-II ecoregions. Hydrologic-landscape regions generally were better than ecoregions at delineating regions of distinct land-surface form and geologic texture. Hydrologic-landscape regions and ecoregions were equally effective at defining regions in terms of climate, land cover, and water-quality characteristics. For about half of the landscape, climate, and water-quality characteristics, the R-squared values of square geometric regions were as high as hydrologic-landscape regions or ecoregions.

        Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


        Development of a Geospatial Data-Based Methodology for Stormwater Management in Urban Areas Using Freely-Available Software

        Intense urbanisation, combined with climate change impacts such as increased rainfall intensity, is overloading conventional drainage systems, increasing the number of combined sewer overflow events and making treatment plants outdated. There is a need for better urban planning, incorporating stormwater and flood management design in order to accurately design urban drainage networks. Geographic Information System (GIS) tools are capable of identifying and delineating the runoff flow direction, as well as accurately defining small-sized urban catchments using geospatial data. This study explores the synergies between GIS and stormwater management design tools for better land-use planning, providing a new methodology which has the potential to incorporate hydraulic and hydrological calculations into the design of urban areas. From data collection to final results, only freely available software and open platforms have been used: the U.S. EPA Storm Water Management Model (SWMM), QGis, PostgreSQL, PostGIS, SagaGIS, and GrassGIS. Each of these tools alone cannot provide all the necessary functionalities for large-scale projects, but once linked to GISWATER, a unique, fast, efficient, and accurate work methodology results. A case study of a newly urbanised area in the city of Gijón (northern Spain) has been utilised to apply this new methodology.

        Mots clés: GIS GISWATER LID OSGeo SDI Stormwater BMP SuDS green infrastructure land-use planning lidar data.

        Déclaration de conflit d'intérêts

        The authors declare no conflict of interest.

        Les figures

        Study catchment at the final…

        Study catchment at the final stage of development, Gijón, Asturias (Spain).

        The schematic workflow of this…

        The schematic workflow of this project. SDI: Spatial Data Infrastructure.

        DME with basins and drainage…

        DME with basins and drainage network obtained from hydrological calculations ( Upper image…

        Modelling based on Voronoi polygons…

        Modelling based on Voronoi polygons for the whole study area ( Upper image…


        Delineating large scale watershed? - Systèmes d'information géographique

        Accurately identifying the boundary of a watershed is one of the most fundamental and important steps in any hydrological assessment. Representative applications include defining a study area, predicting overland flow, estimating groundwater infiltration, modeling pollutant accumulation and wash-off rates, and evaluating effectiveness of pollutant mitigation measures. The United States Environmental Protection Agency (USEPA) Total Maximum Daily Load (TMDL) program, the most comprehensive water quality management program in the United States (US), is just one example of an application in which accurate and efficient watershed delineation tools play a critical role. For example, many impaired water bodies currently being addressed through the TMDL program drain small coastal watersheds with relatively flat terrain, making watershed delineation particularly challenging. Most of these TMDL studies use 30-meter digital elevation models (DEMs) that rarely capture all of the small elevation changes in coastal watersheds, leading to errors not only in watershed boundary delineation, but in subsequent model predictions (such as watershed runoff flow and pollutant deposition rate predictions) for which watershed attributes are key inputs. Manually delineating these low-relief coastal watersheds through the use of expert knowledge of local water flow patterns, often produces relatively accurate (and often more accurate) watershed boundaries as compared to the boundaries generated by the 30-meter DEMs. Yet, manual delineation is a costly and time consuming procedure that is often not opted for. There is a growing need, therefore, particularly to address the ongoing needs of the TMDL program (and similar environmental management programs), for software tools which can utilize high resolution topography data to more accurately delineate coastal watersheds. Here, we address this need by developing pyLIDEM (python LIdar DEM), a python-based tool which processes bare earth high-resolution Light Detection and Ranging (LIDAR) data, generates fine scale DEMs, and delineates watershed boundaries for a given pour point. Because LIDAR data are typically distributed in large sets of predefined tiles, our tool is capable of combining only the minimum number of bare earth LIDAR tiles required to delineate a watershed of interest. Our tool then processes the LIDAR data into Triangulated Irregular Networks, generates DEMs at user- specified cell sizes, and creates the required files needed to delineate watersheds within ArcGIS. To make pyLIDEM more accessible to the modeling community, we have bundled it within an ArcGIS toolbox, which also allows users to run it directly from an ArcGIS platform. We assess pyLIDEM functionality and accuracy by delineating several impaired small coastal watersheds in the Newport River Estuary in Eastern North Carolina using LIDAR data collected for the North Carolina Flood Mapping Program. We then compare the pyLIDAR-based watershed boundaries with those generated manually and with those generated using the 30-meter DEMs, and find that the pyLIDAR-based boundaries are more accurate than the 30-meter DEMs, and provide a significant time savings compared to manual delineation, particularly in cases where multiple watersheds need to be delineated for a single project.


        StreamStats: Streamflow Statistics and Spatial Analysis Tools for Water-Resources Applications

        StreamStats provides access to spatial analytical tools that are useful for water-resources planning and management, and for engineering and design purposes. The map-based user interface can be used to delineate drainage areas, get basin characteristics and estimates of flow statistics, and more. Available information varies from state to state.

        StreamStats Application

        StreamStats is a Web application that provides access to an assortment of Geographic Information Systems (GIS) analytical tools that are useful for water-resources planning and management, and for engineering and design purposes. The map-based user interface can be used to delineate drainage areas for user-selected sites on streams, and then get basin characteristics and estimates of flow statistics for the selected sites anywhere this functionality is available. StreamStats users also can select the locations of U.S. Geological Survey data-collection stations, shown as triangles on the StreamStats map, and get flow statistics and other information for the stations. The types of flow statistics that are available vary from state to state. A variety of additional tools are available for discovering information about streams and the activities along them.

        StreamStats works within Web browser software on personal computers and mobile devices, and is best viewed using the latest versions of Internet Explorer, Microsoft Edge, Chrome, or Firefox. The browser must allow HTML5 asynchronous script execution. The application is being continually improved and expanded. The ActiveNews/Status link will provide notices of any new enhancements.

        StreamStats Documentation

        Users should familiarize themselves with StreamStats documentation before trying to use the application. StreamStats documentation, and links to it, consists of:

        • A general description of how StreamStats works
        • Definitions of basin characteristics and streamflow statistics that appear in StreamStats outputs
        • Descriptions of how to use the StreamStats Web Services and the Batch Processor tool
        • Links to public presentations and articles on StreamStats
        • A USGS Fact Sheet that briefly describes the application
        • A StreamStats version 4 users' manual

        Additional documentation can be accessed through use of the About et Aider buttons in the black banner above the map in StreamStats. The page that appears after clicking on the About button includes three tabs. Le About the Project tab provides a brief description of StreamStats. Le State/Regional Info tab provides (1) a description of the streamflow statistics that can be estimated by use of regression equations for the state that the user has selected, (2) citations for the reports that include the equations, (3) notes and cautions that are specific to using StreamStats for that state, (4) a link to information about the geospatial data used to implement the state, and (5) information about the agencies that cooperated with the USGS to implement the application. Le Nouvelles tab provides access to a list of notes that describe recent and older changes to StreamStats. Le Aider button on the user interface provides access to the users’ manual, a list of frequently-asked questions and answers, and a form that users can fill out to request support or submit comments to the StreamStats development team.


        Discussion

        This study, from an angle of promoting the equity between hospital demand and supply, incorporated census data with hospital data for developing an approach to produce the census-derived HSAs in Florida as compared to that produced with only patient visit data. A large geographical disparity in hospital resource allocation was observed across HSAs. Also, a strong positive correlation between the numbers of hospital discharges and the population was found at ZIP code level. Despite being a by-product during the development of the HSA delineation approach, this finding is of equal importance to the spatial heterogeneity in per capita share of hospital capacity. Such a high correlation can substantially facilitate affordable population estimation, especially in non-census years. Although the 5-year population estimates at the CT and BG levels became available through the American Community Survey in 2005, they were still derived from Census population counts and thus remained limited in temporal resolution and accuracy (especially in less populated areas). Given an inherent relationship between patients and the population, the increasingly available patient data annually in the USA (e.g., SID, State Ambulatory Surgery and Services Databases, State Emergency Department Databases) could be potentially utilized to pursue the annual population estimates with higher accuracy.

        The skeleton of this delineation method consists of iterative spatial intersection, computation, neighbor searching, and network analysis, which have been greatly supported and facilitated by GIS and could be easily automated. The census data and GIS have been used together to advance many aspects of population and health research (Jia et al. 2014, 2016 Jia and Gaughan 2016 Luo and Wang 2003) however, no efforts have been made to delineate or improve the HSAs for specific purposes, such as monitoring the equity of hospital resources between supply and demand (a surplus of beds, if not considering operation costs and physician and nurse workforce, could cause an overutilization of hospital services as stated in Roemer’s Law (Shain and Roemer 1959)).

        This method has two major advantages over the previous approaches of HSA delineation (Center for Evaluative Clinical Sciences 1999 Jia et al. 2015, 2017a, b Jia 2016 Klauss et al. 2005). First, previous approaches produce HSAs that usually contain multiple hospitals in one unit, which creates a higher level of difficulty in assigning responsibility for variation to individual hospitals due to lack of the HSA managers who can coordinate all hospitals within an HSA and manage the HSA as a whole. The census-derived approach seeks to form as many separate HSAs with as few hospitals within each HSA as possible, where each hospital could have its own HSA as long as it serves the highest percentage of patients in its ZIP code. This greatly reduces unnecessary complexities when focus is on the population-related demand for healthcare resources (e.g., hospital beds, physicians), which may interest relevant stakeholders and contribute to planning and optimization of hospital resource allocation and healthcare policy-making.

        Second, previous approaches fail to consider unrecorded flows and potential demand within HSAs (Brown and Hincks 2008). More often than not, besides the largest percentage of discharges from a certain hospital to a given ZIP code, the percentage of the remaining discharges in that ZIP code from other hospitals may still be considerable. For example, imagine a ZIP code where 51% of discharges are from one hospital and 49% are from other(s). Previous approaches only consider the largest percentage and simply assign all discharges in that ZIP code to the hospital which discharges only 51% of patients, which would result in the biased estimation of patient numbers within HSAs. Such bias may propagate its ways into evaluation of local hospital resource allocation as multiple hospitals in one HSA could complicate assigning the responsibility to each hospital, resulting in inappropriate intervention and policy making. The census-derived approach enables BGs, used as ancillary data, to split up that ZIP code into multiple intersected zones and assigns each intersected zone to the nearest hospital (or adjacent HSA). Therefore, boundaries of the census-derived HSAs should be less subject to fluctuations over time than of HSAs based on patient travel flows, which might present only a transient reflection of unknown demand at a certain point in time.

        Although a value of 50% has been used as a minimum cutoff percentage (of discharges) in previous delineation methods for assigning a ZIP code to a hospital (Jia et al. 2015 Jia 2016 Klauss et al. 2005), a one-size-fits-all cutoff value remains debatable. In this study, whether the largest percentage was twice the second largest percentage of discharges from a different hospital determined whether a ZIP code would be assigned to the hospital discharging the largest percentage of its patients. Such a relative and unconstrained cutoff percentage could further prevent bias caused by assigning a ZIP code with comparative percentages of discharges from different hospitals to only one hospital. This provides more flexibility at different locations than an absolute and one-size-fits-all percentage.


        Voir la vidéo: Délimitation des bassins versants et reclassification automatique des cours deau sur ArcGIS (Octobre 2021).