تُدرِج خريطة تسهيل التنقّل العالمية هذه أوقات السفر البري (بالدقائق) إلى أقرب مستشفى أو عيادة في جميع المناطق الواقعة بين 85 درجة شمالاً و60 درجة جنوبًا خلال عام 2019. وتشمل أيضًا وقت التنقّل "بالسير فقط"، باستخدام وسائل نقل غير آلية فقط.
تم الاستفادة من الجهود الكبيرة التي تبذلها OpenStreetMap و"خرائط Google" والباحثون الأكاديميون في جمع البيانات من أجل تجميع المجموعة الأكثر اكتمالاً من المواقع الجغرافية لمرافق الرعاية الصحية حتى الآن. تم إنشاء هذه الخريطة من خلال تعاون بين مشروع MAP (جامعة أكسفورد) وTelethon Kids Institute (بيرث، أستراليا) وGoogle وجامعة توينتي في هولندا.
يستند هذا المشروع إلى عمل سابق نشره Weiss وآخرون في عام 2018
(doi:10.1038/nature25181).
استخدم Weiss وآخرون (2018) مجموعات بيانات للطرق (تتضمّن أول استخدام على مستوى العالم لمجموعات بيانات الطرق في Open Street Map وGoogle)، والسكك الحديدية، والأنهار، والبحيرات، والمحيطات، والظروف الطبوغرافية (الميل والارتفاع)، وأنواع الغطاء الأرضي، والحدود الوطنية. تم تخصيص سرعة أو سرعات تنقّل لكل مجموعة بيانات من حيث الوقت اللازم لعبور كل بكسل من هذا النوع. بعد ذلك، تم دمج مجموعات البيانات لإنشاء "سطح احتكاك": خريطة يتم فيها تخصيص سرعة إجمالية اسمية للتنقّل لكل بكسل استنادًا إلى الأنواع التي تظهر داخل هذا البكسل. بالنسبة إلى المشروع الحالي، تم إنشاء سطح احتكاك معدَّل
لدمج التحسينات الأخيرة في بيانات الطرق ضمن OSM.
تم استخدام خوارزميات أقل تكلفة (يتم تنفيذها في Google Earth Engine وفي R للمناطق الواقعة على خطوط العرض العليا) مع سطح الاحتكاك هذا لاحتساب مدة التنقّل من جميع المواقع الجغرافية إلى أقرب منشأة رعاية صحية (من حيث الوقت). تستخدم مجموعة بيانات المرافق الصحية بيانات الموقع الجغرافي من اثنتين من أكبر قواعد البيانات العالمية: (1) بيانات OSM التي تم جمعها وإتاحتها للتنزيل على www.healthsites.io، و (2) البيانات المستخرَجة من "خرائط Google". تمت إضافة بيانات جديدة إلى مجموعات البيانات العالمية، وهي مواقع المرافق على مستوى القارات التي تم نشرها مؤخرًا في أفريقيا وأستراليا. لتسهيل المقارنات بين مصادر البيانات، تم استخدام المرافق المصنّفة كمستشفيات وعيادات فقط. تم دمج نقاط متعددة تم العثور عليها ضمن وحدة البكسل نفسها لتتطابق مع دقة التحليل المحددة من خلال التمثيل الشبكي المختار لسطح الأرض. وبالتالي، تمثّل كل بكسل في خريطة تسهيل التنقّل الناتجة أقصر وقت (بالدقائق) يمكن استغراقه للوصول من ذلك الموقع الجغرافي إلى مستشفى أو عيادة.
تكون اعتمادات مجموعة بيانات المصدر كما هو موضّح في الورقة المصاحبة.
النطاقات
حجم البكسل 927.67 متر
النطاقات
الاسم
الوحدات
الحد الأدنى
الحد الأقصى
حجم البكسل
الوصف
accessibility
دقيقة
0
41504.1
أمتار
وقت السفر إلى أقرب مستشفى أو عيادة
accessibility_walking_only
دقيقة
0
138893
أمتار
وقت السفر إلى أقرب مستشفى أو عيادة باستخدام وسائل نقل غير آلية
D.J. Weiss, A. Nelson, C.A. Vargas-Ruiz, K. Gligorić, S. Bavadekar,
E. Gabrilovich, A. Bertozzi-Villa, J. Rozier, H.S. Gibson, T. Shekel,
C. Kamath, A. Lieber, K. Schulman, Y. Shao, V. Qarkaxhija, A.K. Nandi,
S.H. Keddie, S. Rumisha, E. Cameron, K.E. Battle, S. Bhatt, P.W. Gething.
خرائط عالمية لمدّة السفر إلى المرافق الصحية Nature Medicine (2020).
تُعدّ خريطة إمكانية الوصول العالمية هذه قائمة بوقت السفر البري (بالدقائق) إلى أقرب مستشفى أو عيادة في جميع المناطق الواقعة بين 85 درجة شمالاً و60 درجة جنوبًا خلال عام 2019. ويشمل أيضًا وقت السفر "بالأقدام فقط"، باستخدام وسائل النقل غير الآلية فقط. جهود كبيرة لجمع البيانات تبذلها …
[null,null,[],[[["\u003cp\u003eThis dataset provides a global map of travel time to the nearest hospital or clinic, including both overall and walking-only travel times.\u003c/p\u003e\n"],["\u003cp\u003eThe data covers areas between 85 degrees north and 60 degrees south for the year 2019, with a resolution of 927.67 meters.\u003c/p\u003e\n"],["\u003cp\u003eThe map was created using a friction surface model and least-cost-path algorithms, incorporating data from OpenStreetMap, Google Maps, and other sources.\u003c/p\u003e\n"],["\u003cp\u003eHealthcare facility locations were sourced from healthsites.io, Google Maps, and other continental-scale datasets, focusing on hospitals and clinics.\u003c/p\u003e\n"],["\u003cp\u003eThis dataset is licensed under a Creative Commons Attribution 4.0 International License.\u003c/p\u003e\n"]]],[],null,["# Accessibility to Healthcare 2019\n\nDataset Availability\n: 2019-01-01T00:00:00Z--2020-01-01T00:00:00Z\n\nDataset Provider\n:\n\n\n [Malaria Atlas Project](https://malariaatlas.org/research-project/accessibility-to-cities/)\n\nTags\n:\n[accessibility](/earth-engine/datasets/tags/accessibility) [jrc](/earth-engine/datasets/tags/jrc) [map](/earth-engine/datasets/tags/map) [oxford](/earth-engine/datasets/tags/oxford) [population](/earth-engine/datasets/tags/population) [twente](/earth-engine/datasets/tags/twente) \n\n#### Description\n\nThis global accessibility map enumerates land-based travel time (in\nminutes) to the nearest hospital or clinic for all areas between 85\ndegrees north and 60 degrees south for a nominal year 2019. It also\nincludes \"walking-only\" travel time, using non-motorized means of\ntransportation only.\n\nMajor data collection efforts underway by OpenStreetMap, Google Maps, and\nacademic researchers have been harnessed to compile the most complete\ncollection of healthcare facility locations to date. This map was\nproduced through a collaboration between MAP (University of Oxford),\nTelethon Kids Institute (Perth, Australia), Google, and the University\nof Twente, Netherlands.\n\nThis project builds on previous work published by Weiss et al 2018\n([doi:10.1038/nature25181](https://doi.org/10.1038/nature25181)).\nWeiss et al (2018) utilised datasets for roads\n(comprising the first ever global-scale use of Open Street Map and Google\nroads datasets), railways, rivers, lakes, oceans, topographic conditions\n(slope and elevation), landcover types, and national borders. These\ndatasets were each allocated a speed or speeds of travel in terms of time\nto cross each pixel of that type. The datasets were then combined to\nproduce a \"friction surface\": a map where every pixel is allocated a\nnominal overall speed of travel based on the types occurring within that\npixel. For the current project, an updated friction surface was created to\nincorporate recent improvements within OSM roads data.\n\nLeast-cost-path algorithms (run in Google Earth Engine and, for\nhigh-latitude areas, in R) were used in conjunction with this friction\nsurface to calculate the time of travel from all locations to the nearest\n(in time) healthcare facility. The healthcare facilities dataset utilized\nlocation data from two of the largest global databases: (1) OSM data that\nwas collated and made available for download at\n[www.healthsites.io](https://www.healthsites.io/); and (2) data\nextracted from Google Maps. The global datasets were augmented with\ncontinental-scale facility locations that were recently published for\nAfrica and Australia. To facilitate comparisons between data sources, only\nfacilities defined as hospitals and clinics were used. Multiple points\nfound within the same pixel were merged to match the resolution of the\nanalysis as defined by the selected gridded representation of the Earth's\nsurface. Each pixel in the resultant accessibility map thus represents the\nmodelled shortest time (in minutes) from that location to a hospital or\nclinic.\n\nSource dataset credits are as described in the accompanying paper.\n\n### Bands\n\n\n**Pixel Size**\n\n927.67 meters\n\n**Bands**\n\n| Name | Units | Min | Max | Pixel Size | Description |\n|------------------------------|-------|-----|---------|------------|------------------------------------------------------------------------------|\n| `accessibility` | min | 0 | 41504.1 | meters | Travel time to the nearest hospital or clinic. |\n| `accessibility_walking_only` | min | 0 | 138893 | meters | Travel time to the nearest hospital or clinic using non-motorized transport. |\n\n### Terms of Use\n\n**Terms of Use**\n\nThis work is licensed under a [Creative Commons Attribution\n4.0 International License](https://creativecommons.org/licenses/by/4.0/).\n\n### Citations\n\nCitations:\n\n- D.J. Weiss, A. Nelson, C.A. Vargas-Ruiz, K. Gligorić, S. Bavadekar,\n E. Gabrilovich, A. Bertozzi-Villa, J. Rozier, H.S. Gibson, T. Shekel,\n C. Kamath, A. Lieber, K. Schulman, Y. Shao, V. Qarkaxhija, A.K. Nandi,\n S.H. Keddie, S. Rumisha, E. Cameron, K.E. Battle, S. Bhatt, P.W. Gething.\n Global maps of travel time to healthcare facilities. Nature Medicine (2020).\n\n### Explore with Earth Engine\n\n| **Important:** Earth Engine is a platform for petabyte-scale scientific analysis and visualization of geospatial datasets, both for public benefit and for business and government users. Earth Engine is free to use for research, education, and nonprofit use. To get started, please [register for Earth Engine access.](https://console.cloud.google.com/earth-engine)\n\n### Code Editor (JavaScript)\n\n```javascript\nvar dataset = ee.Image('Oxford/MAP/accessibility_to_healthcare_2019');\nvar accessibility = dataset.select('accessibility');\nvar accessibilityVis = {\n min: 0.0,\n max: 41556.0,\n gamma: 4.0,\n};\nMap.setCenter(18.98, 6.66, 2);\nMap.addLayer(accessibility, accessibilityVis, 'Accessibility');\n```\n[Open in Code Editor](https://code.earthengine.google.com/?scriptPath=Examples:Datasets/Oxford/Oxford_MAP_accessibility_to_healthcare_2019) \n[Accessibility to Healthcare 2019](/earth-engine/datasets/catalog/Oxford_MAP_accessibility_to_healthcare_2019) \nThis global accessibility map enumerates land-based travel time (in minutes) to the nearest hospital or clinic for all areas between 85 degrees north and 60 degrees south for a nominal year 2019. It also includes \"walking-only\" travel time, using non-motorized means of transportation only. Major data collection efforts underway by ... \nOxford/MAP/accessibility_to_healthcare_2019, accessibility,jrc,map,oxford,population,twente \n2019-01-01T00:00:00Z/2020-01-01T00:00:00Z \n-60 -180 85 180 \nGoogle Earth Engine \nhttps://developers.google.com/earth-engine/datasets\n\n- [](https://doi.org/https://malariaatlas.org/research-project/accessibility-to-cities/)\n- [](https://doi.org/https://developers.google.com/earth-engine/datasets/catalog/Oxford_MAP_accessibility_to_healthcare_2019)"]]
