lt.geologyidea.com
Daugiau

Skaidyti daugiakampius į * n * grupių skaičių, turinčius vienodą skaičių naudojant „ArcPy“?

Skaidyti daugiakampius į * n * grupių skaičių, turinčius vienodą skaičių naudojant „ArcPy“?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.


Viena iš mano užduočių darbui yra padalinti siuntinius į grupes. Šios grupės bus naudojamos agentams kalbėtis su nekilnojamojo turto savininkais. Tikslas yra palengvinti agento darbą, sugrupuojant vienas šalia kito esančius siuntinius, taip pat padalinti siuntinius į vienodus skaičius, kad darbas būtų paskirstytas tolygiai. Agentų skaičius gali svyruoti nuo poros iki 10+.

Šiuo metu šią užduotį atlieku rankiniu būdu, tačiau norėčiau automatizuoti procesą, jei tai įmanoma. Aš tyrinėjau įvairius „ArcGIS“ įrankius, tačiau atrodo, kad nė vienas neatitinka mano poreikių. Išbandžiau scenarijų („python“), kuris naudojasinetoli_analizėir daugiakampių parinkimas, tačiau tai gana atsitiktinis ir užtrunka amžinai, kol pasiekiu pusiau teisingą rezultatą, kurį ištaisyti užtrunka ilgiau, nei jei viską dariau rankiniu būdu nuo pat pradžių.

Ar yra patikimas būdas automatizuoti šią užduotį?

Rezultatų pavyzdys (tikiuosi be padalijimo, kurį matome geltonai):


Originalus rinkinys:

Sukurkite jo pseudokopiją (CNTRL vilkimas TOC) ir sukurkite erdvinį sujungimą su daugeliu su klonu. Šiuo atveju naudojau 500 m atstumą. Išvesties lentelė:

  1. Pašalinkite įrašus iš šios lentelės, kur PAR_ID = PAR_ID_1 - paprasta.

  2. Pakartokite lentelę ir pašalinkite įrašus, kuriuose (PAR_ID, PAR_ID_1) = (PAR_ID_1, PAR_ID) virš bet kurio įrašo. Ne taip paprasta, naudokite acrpy.

Apskaičiuokite baseino centrinius taškus (UniqID = PAR_ID). Jie yra mazgai arba tinklas. Sujunkite juos linijomis naudodami erdvinio sujungimo lentelę. Tai yra atskira tema, kuri tikrai buvo aptarta kažkur šiame forume.

Žemiau pateiktame scenarijuje daroma prielaida, kad mazgų lentelė atrodo taip:

kur MUID atkeliavo iš siuntinių, P2013 yra apibendrinimo laukas. Šiuo atveju = 1 tik skaičiavimui. [rcvnode] - scenarijaus išvestis, skirta grupės ID saugoti, lygus NODEREC iš pirmojo apibrėžto grupės/grupės mazgo.

Nuorodų lentelės struktūra su svarbiais laukais

„Times“ saugo nuorodos/krašto svorį, t. Y. Kelionės iš mazgo į mazgą kainą. Tokiu atveju lygus 1, kad kelionės į visus kaimynus kaina būtų vienoda. [fi] ir [ti] yra nuoseklus prijungtų mazgų skaičius. Norėdami užpildyti šią lentelę, ieškokite šiame forume, kaip priskirti ir iš mazgų susieti.

Scenarijus pritaikytas mano darbo stalui mxd. Turi būti pakeistas, sunkiai užkoduotas, nurodant laukų ir šaltinių pavadinimus:

importuoti archpy, pėdsakus, os, sys, laiko importavimo įrankius kaip čia scenarijusPath = os.path.dirname (os.path.realpath (__ file__)) os.chdir (scriptsPath) importuoti COMMON sys.path.append (r'C:  Vartotojai  felix_pertziger  AppData  Roaming  Python  Python27  site-package ') importuoja networkx kaip nx RATIO = int (arcpy.GetParameterAsText (0)) try: def showPyMessage (): arcpy.AddMessage (str (time.ctime () ) + " -" + pranešimas) mxd = arcpy.mapping.MapDocument ("CURRENT") theT = COMMON.getTable (mxd)

RASKITE MAZGŲ LYGNĮ

theNodesLayer = COMMON.getInfoFromTable (theT, 1) theNodesLayer = COMMON.isLayerExist (mxd, theNodesLayer)

Gaukite nuorodų sluoksnį

theLinksLayer = COMMON.getInfoFromTable (theT, 9) theLinksLayer = COMMON.isLayerExist (mxd, theLinksLayer) arcpy.SelectLayerByAttribute_management (theLinksLayer, "CLEAR_SELECTION") linksFromI = COMMONI G = nx.Graph () arcpy.AddMessage ("Nuorodų pridėjimas prie grafiko") su arcpy.da.SearchCursor (theLinksLayer, (linksFromI, linksToI, "Times")) kaip žymeklis: žymeklio eilutei: (f, t, c) = G. eilutė. pridėti_briaunį (f, t, svoris = c) del eilutė, žymeklis pasirodo = [] pops = arcpy.da.TableToNumPyArray (theNodesLayer, ("P2013")) length0 = nx.all_pairs_shortest_path_length (G) nNodes = len (pasirodo) aBmNodes = [] aBig = xrange (nNodes) host = [-1]*nNodes while True: RATIO+=-1 if RATIO == 0: break aBig = filter (lambda x: x not in aBmNodes, aBig) p = čia.com deriniai (aBig, 2) pMin = 1000000 mažas = [] a a p: S0, S1 = 0,0 i i aBig: p = pops [i] [0] p0 = ilgis0 [a [0 ]] [i] p1 = ilgis0 [a [1]] [i], jei p0

Išvesties pavyzdys 6 grupėms:

Jums reikės svetainės paketo NETWORKX http://networkx.github.io/documentation/development/install.html

Scenarijus kaip parametrą naudoja reikiamą grupių skaičių (6 pavyzdyje). Jis naudoja mazgus ir nuorodų lenteles, kad sudarytų grafiką, kurio svoris/atstumas būtų vienodas (laikas = 1). Jis atsižvelgia į visų mazgų derinį 2 ir iš viso apskaičiuoja [P2013] dviejose kaimynų grupėse. Kai pasiekiamas reikalingas santykis, pvz. (6-1)/1 iš pradžių kartojant, tęsiamas su mažesniu santykio tikslu, ty 4 ir tt iki 1. Pradiniai taškai yra labai svarbūs, todėl įsitikinkite, kad jūsų „galiniai“ mazgai yra jūsų mazgų lentelės viršuje (rūšiavimas ?) Žr. Pirmąsias 3 grupes išvesties pavyzdyje. Tai padeda išvengti „šakų pjovimo“ kiekvienos kitos kartojimo metu.

Scenarijaus pritaikymas dirbti iš „mxd“:

  1. jums nereikia importuoti BENDRO. Tai mano reikalas, kuris skaito mano aplinkos lentelę, kurioje nurodytas „NodesLayer“, „TheLinksLayer“, linksFromI, linksToI. Pakeiskite atitinkamas eilutes savo mazgų ir nuorodų sluoksnių pavadinimais.
  2. Atkreipkite dėmesį, kad lauke P2013 galima saugoti bet ką, pvz. nuomininkų skaičius arba sklypo plotas. Jei taip, galite sudėti daugiakampius į maždaug tokį patį žmonių skaičių ir pan.

Norėdami pasiekti savo tikslą, turėtumėte naudoti „Grupės analizės“ įrankį. Šie įrankiai yra puikus įrankis iš „erdvinės statistikos“ įrankių rinkinio, į kurį atkreipė dėmesį @phloem. Tačiau turėtumėte tiksliai sureguliuoti įrankį, kad jis prisitaikytų prie jūsų duomenų ir problemos. Aš sukūriau panašų scenarijų, kokį paskelbėte, ir gavau atsakymą, artimą jūsų tikslui.

Patarimas: Naudodamas „ArcGIS 10.2“, kai paleidau įrankį, jis skundėsi trūkstamu „šešių“ „python“ paketu. Taigi pirmiausia įsitikinkite, kad ji įdiegta

Žingsniai:

  1. Pridėkite lauką prie daugiakampio klasės, kad išlaikytumėte unikalią vertę
  2. Pridėkite kitą „Short“ tipo lauką su pavadinimu, pvz. „Ta pati grupė“
  3. jūs lauko skaičiuoklė, kad šiam laukui priskirtumėte 1 visoms eilutėms. tiesiog pakeiskite vieną eilutę į 2.

  4. Nustatykite „Grupės analizės“ įrankio parametrus taip:

pabandykite pakeisti parametrą „Kaimynų skaičius“, kad atitiktų jūsų poreikius.

Rezultatų momentinės nuotraukos:


iš esmės norite vienodo dydžio grupavimo metodo, kad galėtumėte ieškoti naudodami šiuos raktinius žodžius žiniatinklyje. Man yra geras atsakymas į statistiką. SE su „Python“ diegimu viename iš atsakymų. Jei esate susipažinę su „arcpy“, turėtumėte turėti galimybę jį naudoti su savo duomenimis.

Pirmiausia turite apskaičiuoti daugiakampių centro X ir Y, tada galite įvesti šias koordinates į scenarijų ir atnaujinti jų atributų lentelę naudodami .da žymeklį.


Sveiki, aš turėjau panašią problemą, kaip ir anksčiau, todėl kai ką daviau, bet niekada nepradėjau, bet aš tik galvojau

Įvesties forma

Aš galvojau, kad įvesties formoje galite sukurti tinklą

tinklas su jūsų susikirtimo įvesties forma būtų tada

Tada galite apskaičiuoti šių sklypų plotą naujai apdoroto daugiakampio viduje

Scenarijaus pradžioje norimas vienodo dydžio srities įvesties daugiakampis / n -toji suma

Tada jums reikia susieti sklypus, kad jie žinotų, kas yra pasienyje.

Tada galite pereiti per eilutės žymeklį, kad susumuotumėte siuntinius

Taisyklės yra

*Jis turi paskutinės vasaros sieną likusių siuntinių suma

Manau, kad santykių užmezgimas po siuntinių gali būti sudėtingas dalykas, bet kai tai bus padaryta, manau, kad būtų galima juos automatizuoti


Manau, kad jūsų ieškomas plėtinys yra „Districting“. Paprastai jis naudojamas rinkimams, bet taip pat ir vienodo dydžio franšizės teritorijoms. (Dydis nebūtinai reiškia vietovę, tai gali būti bet kokia demografija)

http://www.esri.com/software/arcgis/extensions/districting

http://help.arcgis.com/en/redistricting/pdf/Districting_for_ArcGIS_Help.pdf


Tai yra mano sprendimas taškiniams įvykiams. Nėra garantijų, kad jis visada veiks ...

  1. Taškinio įvykio sluoksnyje (skambučio sluoksnis1) pridėkite stulpelių x (dvigubai), y (dvigubai) ir unikaliam (ilgas sveikasis skaičius)
  2. Atidarykite 1 sluoksnio atributų lentelę. Apskaičiuokite x koordinačių tašką x, y koordinatės tašką y ir FID unikalų ID
  3. Vykdykite erdvinės statistikos įrankį> Klasterių susiejimas> Grupavimo analizė
    • nustatyti sluoksnį 1 kaip įvesties ypatybes
    • nustatyti unikalų kaip unikalų lauko ID
    • Apibrėžkite grupių skaičių (sakysime 10)
    • Analizės laukams pasirinkite x ir y
    • Norėdami pasirinkti erdvinius apribojimus, pasirinkite „NO_SPATIAL_CONSTRAINT“
    • Spustelėkite Gerai
  4. Vykdykite erdvinės statistikos įrankius> Geografinių pasiskirstymų matavimas> Mean Center
    • Pasirinkite Išvestis iš #3 kaip Įvesties funkcijų klasė
    • Pasirinkite SS_Group kaip atvejo lauką
    • Spustelėkite Gerai
  5. Atidarykite Tinklo analitikas> Vietos paskirstymo įrankis
    • Apkrovos išvestis #4 kaip įrenginiai
    • Įkelti 1 sluoksnį kaip paklausos taškus
    • Atidarykite atributus ir nustatykite
      • Problemos tipas kaip maksimaliai padidinti aprėptį
      • Galimybės pasirinkti 10 (iš 3 aukščiau)
      • Numatytasis pajėgumas kaip bendras 1 sluoksnio funkcijų skaičius, padalytas iš parinkčių, kurias reikia suapvalinti aukštyn (taigi, jei 145 funkcijos ir 10 įrenginių/sričių, nustatykite kaip 15)
      • Spustelėkite Gerai
        • Išspręskite
        • Jūsų paklausos taškai turėtų būti daugmaž tolygiai paskirstyti į 10 geografinių grupių

Pirmiausia turėsite sukurti tinklo duomenų rinkinį naudodami savo gatves. Aš išbandžiau šį siūlomą metodą ir iki šiol man sekėsi geriau tą patį daryti su grupavimu (3 veiksmas), įvesties laukams naudojant X, Y koordinates ir k-vidurkius (ne tobulas, bet greitesnis ir arčiau to, kas esu) reikia). Esu atviras kitų pastaboms ir atsiliepimams.


Taškų, skiriančių apskritimą į n lygias puses, koordinatės akmenukais

Aš bandau padalinti apskritimą į n lygias dalis, naudodamas tiesias linijas. Idėja yra gauti apskritimo apskritimo galinių taškų koordinates ir tada nubrėžti liniją.

norėdamas rasti koodrinatus, naudoju šį kodą:

Naudodamas šį „getPoints“ metodą, užpildau masyvą x [] ir y [], tada kartoju šiuos masyvus, kad nubrėžčiau linijas tarp x [i] ir y [i]

Tačiau iš aukščiau pateikto kodo apskaičiuotos vertės pasirodo keistos, žemiau yra žurnalai, spausdinantys x [] ir y [] turinį

Prašau nurodyti, ko man čia trūksta.


3 atsakymai 3

Nesu tikras, ką turite omenyje sakydamas „sudėti visą informaciją į grupę“, bet čia yra būdas gauti sąrašą su duomenų rėmeliais, suskirstytais iš jūsų pradinio duomenų rėmo, kur kiekvienas elementas yra mokinių duomenų rėmas diapazonas 10:

Manau, kad @Sacha atsakymo turėtų pakakti tam, ką turite padaryti, net jei turite daugiau nei vieną rinkinį.

Jūs aiškiai nepasakėte, kaip norite „sugrupuoti“ duomenis savo pradiniame įraše, o komentare, kuriame pridėjote antrą duomenų rinkinį, aiškiai nepasakėte, ar ketinate juos pirmiausia „sujungti“ ( „rbind“ pakaktų, kaip rekomenduojama komentare).

Taigi, čia yra keletas variantų, kurių kiekvienas yra skirtingo išsamumo ar naudingumo. Tikimės, kad vienas iš jų atitinka jūsų poreikius.


Tai šiek tiek sena, bet pagalvojau, kad panaudosiu metodą, kurį naudoju masyvo padalijimui į gabalus. „Group-Object“ galite naudoti su sukurta ypatybe:

$ grupės šiuo atveju bus „GroupInfo“ objektų rinkinys, kiekviena grupė turės lygiai 100 elementų (pasiekiama kaip $ groups [0] .Group, $ groups [1] .Group ir pan.). skaitiklį, kad išvengtumėte problemų, susijusių su scenarijaus bloku „-Property“, nes paprastas $ i ++ nerašo atgal į pradinį kintamąjį. Arba galite naudoti $ script: counter = 0 ir $ script: counter ++ ir gauti tą patį efektą be tinkinto objekto.


1 atsakymas 1

Šis klausimas yra dublikatas, žr. OP komentarą. Susietoje svetainėje įrodyta, kad yra $ n cdot2^$ leistini trikampiai. Žymiai paprastesnis įrodymas yra toks:

Yra lygiai du trikampiai $ triangle_1 $, $ triangle_$ turintys dvi kraštines $ parts P $, o likę $ n-4 $ trikampiai sudaro tvarkingą grandinę tarp jų. Šios grandinės struktūra gali būti užkoduota kaip $ $ -word, kurio ilgis $ n-4 $, papildytas $ triangle_1 $ ir $ triangle_$ galuose, taigi $ L $ (atitinkamai, $ R $) reiškia, kad atitinkamo trikampio $ dalinis P $ šonas yra kairėje (atitinkamai, dešinėje) nuo „virtualiojo stuburo“, jungiančio $ triangle_1 $ su $ triangle_$.

Pavyzdys: kai $ n = 9 $, toks kodinis žodis gali atrodyti kaip $ triangle_1 , RRLRL & gt triangle_7 $.

Turint tokį kodinį žodį, atitinkama trikampių grandinė gali būti įterpta $ n $ būdais į $ P $. Kadangi pakeitus „stuburo“ orientaciją ir tuo pačiu keičiant $ L $ ir $ R $, susidaro vienodos trikampės, turime padalinti gautą bendrą $ n cdot 2^$ iki $ 2 $, kad gautumėte reikiamą trikampių skaičių.


Išvada

Reikšmingas ryšys tarp SOM klasifikacijų ir pasirinktų ligų pagal gyventojų skaičių pakoreguotų rodiklių geografinio pasiskirstymo parodė teigiamą ryšį tarp aplinkos sąlygų ir sveikatos rezultatų, patvirtinančių ankstesnį darbą, kuriame aplinka buvo apibūdinta kaip gyventojų sveikatos veiksnys. [28, 29] Šis rezultatas suteikia stebėjimais pagrįstą konceptualių teorijų patikimumą, rodantį, kad aplinka veikia kaip sudėtinga sistema ir kad aplinka yra susijusi su lėtinių ir infekcinių ligų pasiskirstymu bendruomenės lygmens populiacijose. [3, 30, 2] Atsižvelgiant į tai, kad aplinkos sąlygos yra susijusios su sveikatos rezultatais, aplinkos kintamieji gali būti naudingi vertinant gyventojų sveikatą. Tais atvejais, kai duomenų yra nedaug, daugialypiai aplinkos vertinimai gali būti naudojami kaip praktiniai sveikatos įvertinimai. Norint nustatyti atskirų kintamųjų (ar kintamųjų grupių) indėlį, nustatyti lengvai prieinamus duomenų rinkinius ir išsamiai ištirti reikšmingo tarpinio mato kūrimą, reikia atlikti tolesnius tyrimus.


Išvados

Šis tyrimas parodo, kad bendras gyventojų ir teritorijų svoris, palyginti su kartografiniais centriniais ir paprastais arealinio svėrimo metodais bei geostatistiniu metodu, duoda tikslesnius mirtingumo įvertinimus, paverčiant mažus skaičius pagal apskritis į bendrą tikslų zonų skaičių, neatitinkantį standarto. surašymo vienetai. Skaičiuojant pagalbinius populiacijos duomenis, siekiant atsižvelgti į rizikos grupę, kartu su pasverto mirtingumo paskirstymu, kuris pašalina „viskas arba nieko“ problemą, būdingą centroidiniams metodams, paskirsto klaidas visose tyrimo zonose ir taip pagerina įvertinimus. Be to, praktikams, neturintiems geografinių erdvinių statistikų ir programinės įrangos išteklių, šis paprastesnis kartografinis metodas gali būti labiau prieinamas ir toks pat veiksmingas paverčiant apskrities lygio šaltinių skaičių į didesnes, nestandartines tikslines zonas. Ši metodika turėtų būti įdomi praktikams ir tyrėjams, apsiribojant tik palyginti didelių surašymo šaltinių vienetų, pvz., NCHS apskrities lygio mirtingumo, skaičiaus duomenų analize. Tikimės, kad pastebėsime didesnę paramą naudojant kombinuotus populiacijos ir srities įvertinimus, ypač taikant kitus kartografinius perdangos metodus.


Geriausia dieta: svarbu kokybė

„Kalorijos yra kalorijos“ yra dažnai kartojamas mitybos šūkis, o nepersivalgymas iš tiesų yra svarbi sveikatos priemonė. Tačiau nauji tyrimai rodo, kad vietoj to, kad sutelktume dėmesį tik į kalorijas, kokybė taip pat yra labai svarbi nustatant, ką turėtume valgyti ir ko vengti, kad pasiektume ir išlaikytume sveiką svorį. Užuot rinkęsi maistą, pagrįstą tik kalorijų verte, verčiau rinkitės kokybišką, sveiką maistą ir sumažinkite žemos kokybės maisto produktų kiekį.

  • Aukštos kokybės maisto produktai apima nerafinuotą, minimaliai perdirbtą maistą, pvz., daržoves ir vaisius, nesmulkintus grūdus, sveikus riebalus ir sveikus baltymų šaltinius - maisto produktus, rekomenduojamus sveikos mitybos lėkštėje.
  • Žemesnės kokybės maistas apima labai perdirbtus užkandžius, saldintus gėrimus su cukrumi, rafinuotus (baltus) grūdus, rafinuotą cukrų, keptą maistą, daug sočiųjų ir transriebalų turinčius maisto produktus ir maisto produktus, kuriuose yra daug glikemijos, pvz., bulves.

Nėra vienos „tobulos“ dietos visiems dėl individualių genų ir gyvenimo būdo skirtumų.

Kokybė yra svarbi

Vieno tyrimo metu buvo analizuojama, ar tam tikri maisto produktai labiau ar mažiau skatina svorio augimą. Šio tipo tyrimai, nagrinėjantys konkrečius maisto produktus ir gėrimus, leidžia mums suprasti, ar „kalorija yra kalorija“, ar valgant daugiau aukštesnės kokybės maisto produktų ir mažiau prastos kokybės maisto produktų, svoris gali sumažėti ir išlaikyti.

Harvardo visuomenės sveikatos mokyklos Mitybos departamento tyrėjai rodo, kad kokybė iš tikrųjų yra labai svarbi nustatant, ką turėtume valgyti, kad pasiektume ir išlaikytume sveiką svorį, ir kad sąvoka „kalorija yra kalorija“ nesako visa istorija.

  • Tyrime, kuriame dalyvavo daugiau nei 120 000 sveikų moterų ir vyrų, apimančių 20 metų, mokslininkai nustatė, kad svorio pokyčiai labiausiai susiję su bulvių traškučių, bulvių, cukraus saldintų gėrimų ir tiek perdirbtos, tiek neperdirbtos raudonos mėsos suvartojimu. Mokslininkai padarė išvadą, kad perdirbto maisto, kuriame yra daugiau krakmolo, rafinuotų grūdų, riebalų ir cukraus, vartojimas gali padidinti svorį.
  • Maistas, susijęs su svorio metimu, buvo daržovės, neskaldyti grūdai, vaisiai, riešutai ir jogurtas.
  • Mokslininkai neatmetė kalorijų svarbos, o teigia, kad aukštos kokybės maisto pasirinkimas (ir mažesnis prastos kokybės maisto vartojimas) yra svarbus veiksnys, padedantis žmonėms suvartoti mažiau kalorijų. (23)

Žiūrėkite HSPH naujienų pranešimą „Konkrečių mitybos veiksnių pokyčiai gali turėti didelės įtakos ilgalaikiam svorio padidėjimui: svorio metimo strategija, skirta tik„ mažiau valgyti, daugiau sportuoti “gali būti pernelyg supaprastinta“

Makroelementų valdymas: ar tai svarbu?

Per pastaruosius kelis dešimtmečius daugėjant maistinių medžiagų turinčių dietų-nuo mažai riebalų iki angliavandenių, diskusija apie tris pagrindinius makroelementus-angliavandenius, baltymus ir riebalus-tapo įprasta, kai kalbama apie optimalią mitybą. Mokslininkai pradėjo lyginti šias „makroelementų valdymo“ dietas viena su kita, kad nustatytų, kuri yra efektyviausia, tačiau kol kas įrodymai iš esmės nėra įtikinami.

Vienas tyrimas, paskelbtas 2007 m. JAMA, palygino keturias svorio metimo dietas, pradedant nuo mažo iki didelio angliavandenių kiekio. Šio 12 mėnesių trukmės tyrimo metu buvo stebima daugiau nei 300 antsvorio turinčių ir nutukusių moterų prieš menopauzę, atsitiktine tvarka priskiriant jas prie Atkins (labai mažai angliavandenių), Zone (mažai angliavandenių), LEARN (daug angliavandenių) arba Ornish (labai angliavandenių) dietos.

  • Po vienerių metų Atkinso dietos grupės moterų svorio kritimas buvo didesnis, palyginti su kitomis dietos grupėmis.
  • Šiame tyrime taip pat buvo nagrinėjami antriniai rezultatai, susiję su metaboliniu poveikiu (pvz., Cholesterolis, kūno riebalų procentas, gliukozės kiekis ir kraujospūdis), ir nustatyta, kad Atkinso grupės rezultatai buvo panašūs ar palankesni nei kitos dietos grupės.
  • Tarp kitų trijų dietų („Zone“, „LEARN“ ir „Ornish“) svorio netekimas reikšmingai nesiskyrė.
  • Šis tyrimas kelia klausimų apie ilgalaikį poveikį ir mechanizmus, tačiau mokslininkai padarė išvadą, kad mažai angliavandenių, daug baltymų ir daug riebalų turinti dieta gali būti laikoma įmanoma rekomendacija norint numesti svorio. (24)

Kitas tyrimas, paskelbtas žurnale „The New England Journal of Medicine“ 2009 m., Paneigė minėto tyrimo išvadas, išbandydamas keturias skirtingų tipų dietas ir pateikdamas rezultatus, rodančius panašų vidutinį svorio netekimą tarp skirtingų dietų.

  • Tyrime dalyvavo 800 žmonių per dvejus metus, priskiriant tiriamuosius vienai iš keturių dietų: mažai riebalų ir vidutinio baltymų kiekio, mažai riebalų ir baltymų, daug riebalų ir vidutinio baltymų, daug riebalų ir daug baltymų.
  • Mokslininkai padarė išvadą, kad, nepaisant makroelementų sudėties skirtumų, visos dietos sumažino svorį.
  • Tyrimas taip pat parodė, kad kuo daugiau dalyvių lankė grupines konsultacijas, tuo daugiau svorio jie numetė ir mažiau svorio atgavo. Tai patvirtina mintį, kad ne tik tai, ką valgote, yra svarbi, bet ir elgesio, psichologiniai bei socialiniai veiksniai yra svarbūs metant svorį. (25)

Papildomame tyrime, paskelbtame „The New England Journal of Medicine“ 2010 m., Buvo nagrinėjamas baltymų ir glikemijos indekso vaidmuo palaikant svorio metimą. Tyrėjai pirmiausia įgyvendino mažai kalorijų turinčią dietą, kad sumažėtų svoris, o tada ištyrė, ar baltymai ir glikemijos indeksas turėjo įtakos svorio metimui.

  • Tyrimo populiaciją sudarė beveik 800 suaugusiųjų su antsvoriu iš Europos šalių, kurie laikydamiesi mažai kalorijų dietos neteko bent 8% pradinio kūno svorio. Dalyviams buvo paskirta viena iš penkių dietų, kad būtų išvengta svorio atkūrimo per 26 savaičių laikotarpį: dieta su mažu baltymų ir glikemijos indeksu, dieta, kurioje yra mažai baltymų ir daug glikemijos indekso, daug baltymų ir mažai. glikemijos indekso dieta, daug baltymų ir didelio glikemijos indekso dieta arba kontrolinė dieta.
  • Dieta, kurioje mažai baltymų ir daug glikemijos indekso, buvo siejama su vėlesniu reikšmingu svorio atstatymu, o grupėse, kurios buvo priskirtos daug baltymų turinčiai dietai, svorio atsigavimas buvo mažesnis nei toms, kurios priskiriamos mažai baltymų turinčiai dietai, taip pat mažiau grupėms, priskirtoms dietai su mažu glikemijos indeksu, nei toms, kurios priskiriamos dietai su aukštu glikemijos indeksu.
  • Šie rezultatai rodo, kad šiek tiek padidėjęs baltymų kiekis ir šiek tiek sumažėjęs glikemijos indeksas pagerino svorio metimą. (26)

Šių trijų tyrimų rezultatai rodo, kad makroelementų mitybos metodas gali būti naudingas, tačiau tyrimai taip pat rodo, kad nors dėl tam tikros dietos vienam žmogui gali sumažėti svoris, jis gali būti neveiksmingas kitam asmeniui dėl individualių priežasčių. genų ir gyvenimo būdo skirtumai. Tiems, kurie ieško „tobulos“ dietos, tinkančios visiems, tada jos nėra! Puiki žinia ta, kad kiekvienas gali laikytis sveikos mitybos lėkštės gairių ir pasirinkti sveiką, kvapnų maistą, kad sukurtų jums tinkamiausią dietą.

Nuorodos


23. Mozaffarian, D. ir kt., Moterų ir vyrų mitybos ir gyvenimo būdo pokyčiai bei ilgalaikis svorio padidėjimas. N Engl J Med, 2011. 364 (25): p. 2392-404.
24. Gardneris, C. D. ir kt., „Atkins“, „Zone“, „Ornish“ ir „LEARN“ dietų palyginimas dėl svorio pokyčių ir susijusių rizikos veiksnių tarp antsvorio turinčių moterų prieš menopauzę: svorio netekimo tyrimas nuo A iki Z: atsitiktinių imčių tyrimas. JAMA, 2007. 297 (9): p. 969-77.
25. Sacks, F. M. ir kt., Svorio metimo dietų palyginimas su skirtingomis riebalų, baltymų ir angliavandenių sudėtimis .N Engl J Med,2009. 360 (9): p. 859-73.
26. Larsenas, T. M. ir kt., Dietos su dideliu arba mažu baltymų kiekiu ir glikemijos indeksu svorio metimui palaikyti .N Engl J Med, 2010. 363 (22): p. 2102-13.

Naudojimo sąlygos

Šios svetainės turinys skirtas švietimo tikslams ir nėra skirtas asmeninėms medicinos konsultacijoms. Jei turite klausimų dėl sveikatos būklės, turėtumėte kreiptis į savo gydytoją ar kitą kvalifikuotą sveikatos priežiūros paslaugų teikėją. Niekada nepaisykite profesionalių medicinos patarimų ir neatidėliokite jų ieškoti dėl to, ką perskaitėte šioje svetainėje. Mitybos šaltinis nerekomenduoja ir nepatvirtina jokių produktų.


Ribinės algebros užpildymo tobulinimas ir įvertinimas, siekiant nustatyti daugiakampio sankirtas

Daugiakampio sankirta yra svarbi duomenų apdorojimui geografinėse informacinėse sistemose. Didelių duomenų rinkinių atveju erdvinio indeksavimo metodai, tokie kaip R-tree, leidžia nustatyti daugiakampių sankirtas, tačiau dažnai gaunami netikslūs rezultatai. Kaip alternatyva R-medžiui iš pradžių buvo pasiūlytas patobulintas ribinės algebros užpildymo (iBAF) metodas. Tačiau jo pritaikomumą, našumą ir tikslumą reikia optimizuoti, o jo taikymo sąlygos dar turi būti atskleistos. Šis tyrimas sukuria iBAF 2.0 versiją, kad būtų galima efektyviau identifikuoti, ir įvertina skirtingų skaičiavimo intensyvumų ir programų našumą. Tiek susikertantys daugiakampiai, tiek rastrinės zonos sankryžose gali būti greitai sugrupuoti į įvesties daugiakampių rastrines ląsteles. Gautus daugiakampius galima sugeneruoti konfigūruojant daugiakampių grupes arba paverčiant zonas į vektorius. Mes naudojame sudėtingumo koeficientą CR, kuris apibrėžiamas kaip kiekvienos faktiškai kertančios grupės daugiakampių skaičiaus suma, padalyta iš bendro daugiakampių skaičiaus, kad būtų parodytas skaičiavimo intensyvumas. Svarstomi du žemės naudojimo duomenų rinkiniai, kuriuose yra 4295 ir 741 562 daugiakampiai, ir nustatome bandymų atvejus, kuriuose yra tie patys daugiakampiai su skirtingais CR. Eksperimentiniai rezultatai rodo, kad taikant topologijos tikrinimą „iBAF 2.0“ pranoksta R-medį, tačiau jo veikimas priklauso nuo daugiakampio perdangos ir ploto tarp dviejų sluoksnių skaičiavimo. Konkrečiai kalbant, „iBAF 2.0“ pasižymi didesnio efektyvumo daugiakampių ir rastrinių zonų grupavimu, kai CR viršija konkrečias ribas. Be to, geresnis mastelio keitimas pasiekiamas, palyginti su R-medžiu, kai atsižvelgiama į sudėtingų formų ir papildomų sluoksnių daugiakampius.

Tai prenumeratos turinio peržiūra, prieiga per jūsų instituciją.


6 atsakymai 6

Atidarykite tinklelio ir fiksavimo nustatymus, spustelėkite vidurio tašką

Pasirinkite savo objektą, modifikavimo skydelyje spustelėkite redaguoti poli

„Pasirinkimo“ išleidimo spustelėjimo krašte

Raskite ir spustelėkite „įterpti viršūnės mygtuką“, nukreipkite reikiamą kraštą ir spustelėkite jį

Pasirinkite objektą, kuriam norite taikyti padalijimą. Eikite į modifikavimo skydelį ir modifikatorių sąraše eikite į objekto erdvės modifikatorius. Iš sąrašo pasirinkite Subdivide. Dabar jis turėtų būti taikomas pasirinktam objektui

Radau šį įrašą per „Google“ ir maniau, kad pateiksiu išplėstinį variantų, kaip pasiekti šį rezultatą, sąrašą iš kito straipsnio šia tema. Priklausomai nuo jūsų naudojimo atvejo, čia yra kitoks požiūris, kuris pridės viršūnę arba kai kuriais atvejais pridės kelis. Tenka pripažinti, kad vieni labiau tinka nei kiti. Visi naudoja redaguojamo poli modifikatoriaus įrankių rinkinį.

1. Įdėkite „Vertex Tool“

Krašto režimu yra mygtukas „Įterpti viršūnę“. Tai daro tik tai, ką sako. Tiesiog spustelėkite kraštą, kad pridėtumėte tiek viršūnių, kiek norite. Įjunkite spragtelėjimus (idealiu atveju - vidurio tašką), kad neišprotėtumėte.

2. Prijungimo įrankis Kai naudojate krašto režimą, spustelėkite bet kuriuos du kraštus ir galite naudoti „Connect“ įrankį. Tai sukuria papildomą kraštą tarp dviejų (ar daugiau) pasirinktų kraštų. Kiekviename galiniame taške yra nauja viršūnė.

3. Greitas gabalas Greitasis pjūvis sukurs briauną dvimatėje plokštumoje (arba 3D plokštumoje, jei ji nėra projektuojama) ir sukuria naują viršūnės tašką kiekviename susikertančiame taške su kitu jūsų modelio kraštu. Ne toks metodas, kurį naudočiau, bet tikrai sukurtų papildomų viršūnių.

4. „Slice Plane“ Panašus į greitojo pjaustymo įrankį, tačiau leidžia naudoti „Gizmo“ įrankį norint koreguoti 3D erdvę iš 2D rodinio. Sukuria daug viršūnių sankirtos taškuose.

5. Tesselate įrankis Vėlgi, ne toks metodas, kurį rekomenduočiau, bet kai kuriais atvejais gali būti naudingas. „Essential“ padalija jūsų geometriją, pridėdama papildomų kraštų. Bus apribota bet kokiu pasirinktu sub-objektu (veidu ar kraštais). Naujos viršūnės yra galiniuose taškuose.