From 33d420404ec347e9d1e28e49d752087e6532a49c Mon Sep 17 00:00:00 2001 From: Quarto GHA Workflow Runner Date: Tue, 20 Aug 2024 15:53:16 +0000 Subject: [PATCH] Built site for gh-pages --- .nojekyll | 2 +- content/Hotspot_Training.html | 4 ++-- .../wsim-gldas/wsim-gldas-acquisition.html | 2 +- content/wsim-gldas/wsim-gldas-vis.html | 2 +- get-involved.html | 4 ++-- search.json | 2 +- sitemap.xml | 20 +++++++++---------- 7 files changed, 18 insertions(+), 18 deletions(-) diff --git a/.nojekyll b/.nojekyll index b31ffb8..437992d 100644 --- a/.nojekyll +++ b/.nojekyll @@ -1 +1 @@ -760da92e \ No newline at end of file +78629185 \ No newline at end of file diff --git a/content/Hotspot_Training.html b/content/Hotspot_Training.html index f4fc8cf..af5a276 100644 --- a/content/Hotspot_Training.html +++ b/content/Hotspot_Training.html @@ -4910,7 +4910,7 @@

3. Indexi

1. Marco teórico del enfoque de índice

-

La Agenda de Desarrollo Sostenible 2030 de las Naciones Unidas nos ha proporcionado un modelo para la paz y la prosperidad de las personas y el planeta, ahora y en el futuro.
Los 17 Objetivos de Desarrollo Sostenible (ODS) son los pilares principales de la Agenda que exigen una asociación global de todos los países miembros.

Este pmoduleroject toca varios ODS, más notablemente 1, 3, 6, 11 y 15.

La pobreza ha sido tradicionalmente medida por las dimensiones económicas individuales de ingreso y riqueza. Por ejemplo, la El Banco Mundial definió la línea de pobreza extrema global como un ingreso de $2,15 USD (2022) o menos por día, que se basa en las líneas de pobreza nacionales de los 15 países más pobres del mundo. Sin embargo, estos indicadores no consideran en su totalidad otras formas de pobreza no financiera que pueden ser de igual importancia.
El concepto de pobreza multidimensional abarca una visión más holística porque intenta dar cuenta de las experiencias vividas por las personas y las múltiples privaciones que enfrentan en su vida diaria más allá de sus ingresos.
 ### Ejemplos de mapeo e índices de vulnerabilidad Existen varios enfoques para determinar la vulnerabilidad espacial que utilizan una combinación de datos de observación de la Tierra (EO) y modelos estadísticos, como árboles de decisión, aprendizaje automático e inteligencia artificial. ##### 1. Wang, X.; Sutton, PC; Qi, B. Mapeo global del PIB a 1 km2 utilizando imágenes satelitales nocturnas VIIRS. Internet de ISPRS J. Geo-Inf. 2019, 8, 580. https://doi.org/10.3390/ijgi8120580 Uso de imágenes satelitales y aprendizaje automático (SIML). Luces nocturnas (NTL), datos de población y aprendizaje automático de bosques de aislamiento no supervisado (iForest ML) para eliminar datos NTL irrelevantes para mapear el PIB en 1 km2 y producir coeficientes GINI nacionales.

##### 2. Mirza, M. U., Xu, C., Bavel, B. V., Van Nes, E. H. y Scheffer, M. (2021). Desigualdad global detectada remotamente. Actas de la Academia Nacional de Ciencias, 118(18), e1919913118. https://doi.org/10.1073/pnas.1919913118 Calcula la densidad de NTL por persona en cada celda y caracteriza la desigualdad en la distribución entre conjuntos de celdas de cuadrícula calculando los coeficientes de Gini para cada conjunto.

##### 3. OFI (2018). Índice Global de Pobreza Multidimensional 2018: El panorama más detallado hasta la fecha de las personas más pobres del mundo. Informe. Iniciativa de Pobreza y Desarrollo Humano de Oxford, Universidad de Oxford. https://ophi.org.uk/multidimensional-poverty-index/ Método Alkire Foster: elige indicadores, aplica la línea de corte de “pobreza”, cuenta el número de carencias por persona, elige el número de corte de carencias para ser considerado “pobre”, cuenta el número de personas consideradas multidimensionalmente pobres.

##### 4. Chi, G., Fang, H., Chatterjee, S. y Blumenstock, J. E. (2022). Microestimaciones de riqueza para todos los países de bajos y medianos ingresos. Actas de la Academia Nacional de Ciencias, 119(3), e2113658119. https://doi.org/10.1073/pnas.2113658119 Índice de Riqueza Relativa (RWI): Combina encuestas de “verdad sobre el terreno” y SIML para entrenar un modelo que predice la pobreza.
 ##### 5. Sherman, L., Proctor, J., Druckenmiller, H., Tapia, H. y Hsiang, S. (2023). Estimaciones globales de alta resolución del índice de desarrollo humano de las Naciones Unidas utilizando imágenes satelitales y aprendizaje automático (w31044; pág. w31044). Oficina Nacional de Investigación Económica. https://doi.org/10.3386/w31044 Imágenes satelitales y aprendizaje automático (SIML) de imágenes satelitales diurnas/nocturnas y modelo de observación multitarea usando imágenes satelitales y fregaderos de cocina (MOSAIKS) que aprende la relación entre 32 fuentes de imágenes satelitales y un resultado deseado, un índice de desarrollo humano (IDH). ) para producir un resultado de HDI de mayor resolución.
 ##### 6. Centro para la Red Internacional de Información de Ciencias de la Tierra - CIESIN - Universidad de Columbia. 2022. Índice de privación relativa global en cuadrícula (GRDI), versión 1. Palisades, Nueva York: Centro de aplicaciones y datos socioeconómicos de la NASA (SEDAC). https://doi.org/10.7927/3xxe-ap97

+

La Agenda de Desarrollo Sostenible 2030 de las Naciones Unidas nos ha proporcionado un modelo para la paz y la prosperidad de las personas y el planeta, ahora y en el futuro.
Los 17 Objetivos de Desarrollo Sostenible (ODS) son los pilares principales de la Agenda que exigen una asociación global de todos los países miembros.

Este pmoduleroject toca varios ODS, más notablemente 1, 3, 6, 11 y 15.

La pobreza ha sido tradicionalmente medida por las dimensiones económicas individuales de ingreso y riqueza. Por ejemplo, la El Banco Mundial definió la línea de pobreza extrema global como un ingreso de $2,15 USD (2022) o menos por día, que se basa en las líneas de pobreza nacionales de los 15 países más pobres del mundo. Sin embargo, estos indicadores no consideran en su totalidad otras formas de pobreza no financiera que pueden ser de igual importancia.
El concepto de pobreza multidimensional abarca una visión más holística porque intenta dar cuenta de las experiencias vividas por las personas y las múltiples privaciones que enfrentan en su vida diaria más allá de sus ingresos.
 ### Ejemplos de mapeo e índices de vulnerabilidad Existen varios enfoques para determinar la vulnerabilidad espacial que utilizan una combinación de datos de observación de la Tierra (EO) y modelos estadísticos, como árboles de decisión, aprendizaje automático e inteligencia artificial. ##### 1. Wang, X.; Sutton, PC; Qi, B. Mapeo global del PIB a 1 km2 utilizando imágenes satelitales nocturnas VIIRS. Internet de ISPRS J. Geo-Inf. 2019, 8, 580. https://doi.org/10.3390/ijgi8120580 Uso de imágenes satelitales y aprendizaje automático (SIML). Luces nocturnas (NTL), datos de población y aprendizaje automático de bosques de aislamiento no supervisado (iForest ML) para eliminar datos NTL irrelevantes para mapear el PIB en 1 km2 y producir coeficientes GINI nacionales.

##### 2. Mirza, M. U., Xu, C., Bavel, B. V., Van Nes, E. H. y Scheffer, M. (2021). Desigualdad global detectada remotamente. Actas de la Academia Nacional de Ciencias, 118(18), e1919913118. https://doi.org/10.1073/pnas.1919913118 Calcula la densidad de NTL por persona en cada celda y caracteriza la desigualdad en la distribución entre conjuntos de celdas de cuadrícula calculando los coeficientes de Gini para cada conjunto.

##### 3. OFI (2018). Índice Global de Pobreza Multidimensional 2018: El panorama más detallado hasta la fecha de las personas más pobres del mundo. Informe. Iniciativa de Pobreza y Desarrollo Humano de Oxford, Universidad de Oxford. https://ophi.org.uk/multidimensional-poverty-index/ Método Alkire Foster: elige indicadores, aplica la línea de corte de “pobreza”, cuenta el número de carencias por persona, elige el número de corte de carencias para ser considerado “pobre”, cuenta el número de personas consideradas multidimensionalmente pobres.

##### 4. Chi, G., Fang, H., Chatterjee, S. y Blumenstock, J. E. (2022). Microestimaciones de riqueza para todos los países de bajos y medianos ingresos. Actas de la Academia Nacional de Ciencias, 119(3), e2113658119. https://doi.org/10.1073/pnas.2113658119 Índice de Riqueza Relativa (RWI): Combina encuestas de “verdad sobre el terreno” y SIML para entrenar un modelo que predice la pobreza.
 ##### 5. Sherman, L., Proctor, J., Druckenmiller, H., Tapia, H. y Hsiang, S. (2023). Estimaciones globales de alta resolución del índice de desarrollo humano de las Naciones Unidas utilizando imágenes satelitales y aprendizaje automático (w31044; pág. w31044). Oficina Nacional de Investigación Económica. https://doi.org/10.3386/w31044 Imágenes satelitales y aprendizaje automático (SIML) de imágenes satelitales diurnas/nocturnas y modelo de observación multitarea usando imágenes satelitales y fregaderos de cocina (MOSAIKS) que aprende la relación entre 32 fuentes de imágenes satelitales y un resultado deseado, un índice de desarrollo humano (IDH). ) para producir un resultado de HDI de mayor resolución.
 ##### 6. Centro para la Red Internacional de Información de Ciencias de la Tierra - CIESIN - Universidad de Columbia. 2022. Índice de privación relativa global en cuadrícula (GRDI), versión 1. Palisades, Nueva York: Centro de aplicaciones y datos socioeconómicos de la NASA (SEDAC). https://doi.org/10.7927/3xxe-ap97

Utiliza seis componentes indirectos del bienestar –índices de dependencia infantil, tasas de mortalidad infantil, grado de construcción del entorno, índice de desarrollo humano subnacional, Luces nocturnas 2020 y Tendencia de luces nocturnas (2012-2020)– para generar un índice global de “privación” en Resolución de 30 segundos de arco.
 ## Método de indexación y ponderación El método de Análisis de Vulnerabilidad de Hotspots se tomó prestado de la Guía paso a paso de CIESIN para el mapeo de puntos críticos de vulnerabilidad: Implementación del enfoque de índice espacial . Este método desarrolla un modelo basado en datos que permite que diversas variables nominales, ya sean absolutas, físicas, sin unidades o índices, se transformen al mismo rango y se midan comparativamente. Cada componente que se introduce primero se transforma de un rango de 0 a 100, donde 0 representa el nivel más bajo y 100 representa el nivel más alto de vulnerabilidad. Todos los componentes introducidos se ponderan en función del nivel de importancia que le otorga el usuario. Los pesos de los componentes se pueden cambiar para ajustar el modelo. Los componentes ponderados se suman y se indexan nuevamente en un solo índice de vulnerabilidad de puntos críticos (HVI).

@@ -4919,7 +4919,7 @@

1. Theoretical Framework of the Index Approach

The United Nation’s 2030 Sustainable Development Agenda has provided us a blueprint for peace and prosperity for people and the planet, now and into the future.
The 17 Sustainable Development Goals (SDGs) are the main pillars of the Agenda that call for global partnership from all member countries.

This module touches on several SDGs, most notably 1, 3, 6, 11, and 15.

Poverty has been traditionally measured by individual economic dimensions of income and wealth. For example, the World Bank defined the global extreme-poverty line as $2.15 USD (2022) income or below per day, which is based on the national poverty lines of the world’s 15 poorest countries. However, these indicators do not entirely consider other non-financial forms of poverty that may be of equal importance.
The concept of multidimensional poverty encompasses a more holistic view because it attempts to account for the lived experiences of people and the multiple deprivations they face in their daily lives beyond their incomes.

Examples of Vulnerability Mapping and Indices

-

There are several approaches to determining spatial vulnerability that use a mixture of Earth Observing (EO) data and statistical modelings such as decision trees, machine learning, and artificial intellience. ##### 1. Wang, X.; Sutton, P.C.; Qi, B. Global Mapping of GDP at 1 km2 Using VIIRS Nighttime Satellite Imagery. ISPRS Int. J. Geo-Inf. 2019, 8, 580. https://doi.org/10.3390/ijgi8120580 Using Satellite Imagery and Machine Learning (SIML). Nighttime Lights (NTL), population data, and unsupervised Isolation Forest Machine Learning (iForest ML) for removing irrelevant NTL data to map GDP at 1 sq. km and produce national GINI coefficients.

##### 2. Mirza, M. U., Xu, C., Bavel, B. V., Van Nes, E. H., & Scheffer, M. (2021). Global inequality remotely sensed. Proceedings of the National Academy of Sciences, 118(18), e1919913118. https://doi.org/10.1073/pnas.1919913118 Calculates NTL density per person in each cell and characterizes inequality in the distribution across sets of grid cells by computing Gini coefficients for each set.

##### 3. OPHI (2018). Global Multidimensional Poverty Index 2018: The Most Detailed Picture to Date of the World’s Poorest People. Report. Oxford Poverty and Human Development Initiative, University of Oxford. https://ophi.org.uk/multidimensional-poverty-index/ Alkire Foster Method: Chooses indicators, applies cut-off “poverty” line, counts the number of deprivations per person, chooses a cut-off number of deprivations to be considered “poor”, and counts the number of people considered multidimensionally poor.

##### 4. Chi, G., Fang, H., Chatterjee, S., & Blumenstock, J. E. (2022). Microestimates of wealth for all low- and middle-income countries. Proceedings of the National Academy of Sciences, 119(3), e2113658119. https://doi.org/10.1073/pnas.2113658119 Relative Wealth Index (RWI): Combines “ground-truth” surveys and SIML to train model that predicts poverty.
##### 5. Sherman, L., Proctor, J., Druckenmiller, H., Tapia, H., & Hsiang, S. (2023). Global High-Resolution Estimates of the United Nations Human Development Index Using Satellite Imagery and Machine-learning (w31044; p. w31044). National Bureau of Economic Research. https://doi.org/10.3386/w31044 Satellite Imagery and Machine Learning (SIML) of daytime/nighttime satellite imagery and Multi-task Observation using Satellite Imagery and Kitchen Sinks (MOSAIKS) model that learns the relationship between 32 sources of satellite imagery and a desired outcome, a Human Development Index (HDI) value, to produce a higher-resolution outcome of HDI.
##### 6. Center for International Earth Science Information Network - CIESIN - Columbia University. 2022. Global Gridded Relative Deprivation Index (GRDI), Version 1. Palisades, New York: NASA Socioeconomic Data and Applications Center (SEDAC). https://doi.org/10.7927/3xxe-ap97

+

There are several approaches to determining spatial vulnerability that use a mixture of Earth Observing (EO) data and statistical modelings such as decision trees, machine learning, and artificial intellience. ##### 1. Wang, X.; Sutton, P.C.; Qi, B. Global Mapping of GDP at 1 km2 Using VIIRS Nighttime Satellite Imagery. ISPRS Int. J. Geo-Inf. 2019, 8, 580. https://doi.org/10.3390/ijgi8120580 Using Satellite Imagery and Machine Learning (SIML). Nighttime Lights (NTL), population data, and unsupervised Isolation Forest Machine Learning (iForest ML) for removing irrelevant NTL data to map GDP at 1 sq. km and produce national GINI coefficients.

##### 2. Mirza, M. U., Xu, C., Bavel, B. V., Van Nes, E. H., & Scheffer, M. (2021). Global inequality remotely sensed. Proceedings of the National Academy of Sciences, 118(18), e1919913118. https://doi.org/10.1073/pnas.1919913118 Calculates NTL density per person in each cell and characterizes inequality in the distribution across sets of grid cells by computing Gini coefficients for each set.

##### 3. OPHI (2018). Global Multidimensional Poverty Index 2018: The Most Detailed Picture to Date of the World’s Poorest People. Report. Oxford Poverty and Human Development Initiative, University of Oxford. https://ophi.org.uk/multidimensional-poverty-index/ Alkire Foster Method: Chooses indicators, applies cut-off “poverty” line, counts the number of deprivations per person, chooses a cut-off number of deprivations to be considered “poor”, and counts the number of people considered multidimensionally poor.

##### 4. Chi, G., Fang, H., Chatterjee, S., & Blumenstock, J. E. (2022). Microestimates of wealth for all low- and middle-income countries. Proceedings of the National Academy of Sciences, 119(3), e2113658119. https://doi.org/10.1073/pnas.2113658119 Relative Wealth Index (RWI): Combines “ground-truth” surveys and SIML to train model that predicts poverty.
##### 5. Sherman, L., Proctor, J., Druckenmiller, H., Tapia, H., & Hsiang, S. (2023). Global High-Resolution Estimates of the United Nations Human Development Index Using Satellite Imagery and Machine-learning (w31044; p. w31044). National Bureau of Economic Research. https://doi.org/10.3386/w31044 Satellite Imagery and Machine Learning (SIML) of daytime/nighttime satellite imagery and Multi-task Observation using Satellite Imagery and Kitchen Sinks (MOSAIKS) model that learns the relationship between 32 sources of satellite imagery and a desired outcome, a Human Development Index (HDI) value, to produce a higher-resolution outcome of HDI.
##### 6. Center for International Earth Science Information Network - CIESIN - Columbia University. 2022. Global Gridded Relative Deprivation Index (GRDI), Version 1. Palisades, New York: NASA Socioeconomic Data and Applications Center (SEDAC). https://doi.org/10.7927/3xxe-ap97

Uses six proxy components of well-being –child dependency ratios, infant mortality rates, degree of the built environment, subnational human development index, Nighttime lights 2020, and Nighttime lights trend (2012-2020)– to generate a global “deprivation” index at 30-arcsecond resolution.

diff --git a/content/wsim-gldas/wsim-gldas-acquisition.html b/content/wsim-gldas/wsim-gldas-acquisition.html index 1084a34..a9e9163 100644 --- a/content/wsim-gldas/wsim-gldas-acquisition.html +++ b/content/wsim-gldas/wsim-gldas-acquisition.html @@ -4744,7 +4744,7 @@ - + diff --git a/content/wsim-gldas/wsim-gldas-vis.html b/content/wsim-gldas/wsim-gldas-vis.html index 5fe244d..d09d403 100644 --- a/content/wsim-gldas/wsim-gldas-vis.html +++ b/content/wsim-gldas/wsim-gldas-vis.html @@ -4744,7 +4744,7 @@ - + diff --git a/get-involved.html b/get-involved.html index 9480bb6..d7ef84b 100644 --- a/get-involved.html +++ b/get-involved.html @@ -4829,8 +4829,8 @@

Events

Summer 2024:

Curso Corto AmeriGEO

-

La sesión comenzará con una guía de inundaciones repentinas de la OMM. Esta sesión de formación interactiva profundiza en conceptos de evaluación de vulnerabilidad espacial. Esta sesión aprovechará el entorno del portátil JupyterHub para proporcionar una demostración interactiva utilizando métodos y herramientas estadísticas para evaluar riesgos y vulnerabilidades asociados con desastres naturales y factores socioeconómicos. Los participantes obtendrán experiencia práctica en la selección y análisis de una variedad de vulnerabilidades y aprenderán a aplicar estos conocimientos a escenarios del mundo real. Acceda a los materiales del evento [aquí.] (https://zenodo.org/records/13350477)

-

The session will begin with a WMO Flash Flood Guide. This interactive training session delves deeper into spatial vulnerability assessment concepts. This session will leverage the JupyterHub notebook environment to provide an interactive demonstration using statistical methods and tools to assess risks and vulnerabilities associated with natural disasters and socioeconomic factors. Participants will gain hands-on experience in selecting and analyzing a variety of vulnerabilities and learn how to apply this knowledge to real-world scenarios. Access the materials from the vent [here.] (https://zenodo.org/records/13350477) AmeriGEO

+

La sesión comenzará con una guía de inundaciones repentinas de la OMM. Esta sesión de formación interactiva profundiza en conceptos de evaluación de vulnerabilidad espacial. Esta sesión aprovechará el entorno del portátil JupyterHub para proporcionar una demostración interactiva utilizando métodos y herramientas estadísticas para evaluar riesgos y vulnerabilidades asociados con desastres naturales y factores socioeconómicos. Los participantes obtendrán experiencia práctica en la selección y análisis de una variedad de vulnerabilidades y aprenderán a aplicar estos conocimientos a escenarios del mundo real. Acceda a los materiales del evento aquí.

+

The session will begin with a WMO Flash Flood Guide. This interactive training session delves deeper into spatial vulnerability assessment concepts. This session will leverage the JupyterHub notebook environment to provide an interactive demonstration using statistical methods and tools to assess risks and vulnerabilities associated with natural disasters and socioeconomic factors. Participants will gain hands-on experience in selecting and analyzing a variety of vulnerabilities and learn how to apply this knowledge to real-world scenarios. Access the materials from the vent here.

ESIP 2024 Interactive Session

diff --git a/search.json b/search.json index 59eced0..9228ac8 100644 --- a/search.json +++ b/search.json @@ -186,7 +186,7 @@ "href": "get-involved.html#events", "title": "Join the NASA TOPSTSCHOOL Team", "section": "Events", - "text": "Events\n\nSummer 2024:\n\nCurso Corto AmeriGEO\nLa sesión comenzará con una guía de inundaciones repentinas de la OMM. Esta sesión de formación interactiva profundiza en conceptos de evaluación de vulnerabilidad espacial. Esta sesión aprovechará el entorno del portátil JupyterHub para proporcionar una demostración interactiva utilizando métodos y herramientas estadísticas para evaluar riesgos y vulnerabilidades asociados con desastres naturales y factores socioeconómicos. Los participantes obtendrán experiencia práctica en la selección y análisis de una variedad de vulnerabilidades y aprenderán a aplicar estos conocimientos a escenarios del mundo real. Acceda a los materiales del evento [aquí.] (https://zenodo.org/records/13350477)\nThe session will begin with a WMO Flash Flood Guide. This interactive training session delves deeper into spatial vulnerability assessment concepts. This session will leverage the JupyterHub notebook environment to provide an interactive demonstration using statistical methods and tools to assess risks and vulnerabilities associated with natural disasters and socioeconomic factors. Participants will gain hands-on experience in selecting and analyzing a variety of vulnerabilities and learn how to apply this knowledge to real-world scenarios. Access the materials from the vent [here.] (https://zenodo.org/records/13350477) \n\n\nESIP 2024 Interactive Session\nInteractive session at the Earth Science Information Partners (ESIP) July 2024 meeting, discussing SCHOOL Module 3: Disaster and Wildfires. Access the presentation materials on Zenodo here. Watch the video from this session on youtube [here.] (https://www.youtube.com/watch?v=GdPvP7Yhx2I) \n\n\n\nSpring 2024:\n\nAAG 2024 Panel Session\nPanel session at the Association of American Geographers (AAG) annual meeting, discussing the development of SCHOOL Module 2: Health, Air Quality, and Environmental Justice. \n\n\nSEDAC Open Science Workshop.\nTuesday, January 9 2024. 10 am - 4 pm Eastern Time. Comer Building Seminar Room, Lamont Campus, Columbia University, 61 Route 9W, Palisades NY 10964 workshop on Open Science hosted by the NASA Socioeconomic Data and Applications Center (SEDAC). This event is designed to provide valuable insights, practical knowledge, and collaborative opportunities for researchers who are passionate about open science and the world of data processing for research and applications at the interface of human and environmental systems.\n\n\n\nFall 2023\n\nAGU 2023\nMentors give workshops at AGU. December 11 - 15, NASA Openscapes Mentors will attend the AGU annual meeting and deliver workshops. High-level planning happens in the 2023-planning-agu GitHub repo.\n\n\nSCHOOL Water Module, Open Science Team Meeting 1\nThe first meeting for the SCHOOL Open Science Team Members was held where Open Science concepts and the Transform to Open Science (TOPS) initiative was introduced.\nWorkshop Documents\nYouTube Video (subtitulos en Español)\n\n\nWater Resources SCHOOL Workshop - I-GUIDE Forum 2023\nOctober 4-5, TOPSTSCHOOL Development Team hosted a workshop at the I-GUIDE Fourm 2023. ScienceCore Heuristics for Open Science Outcomes in Learning (SCHOOL): Water Resources Module Development.\nWorkshop Documents\nYouTube Video (subtitulos en Español)" + "text": "Events\n\nSummer 2024:\n\nCurso Corto AmeriGEO\nLa sesión comenzará con una guía de inundaciones repentinas de la OMM. Esta sesión de formación interactiva profundiza en conceptos de evaluación de vulnerabilidad espacial. Esta sesión aprovechará el entorno del portátil JupyterHub para proporcionar una demostración interactiva utilizando métodos y herramientas estadísticas para evaluar riesgos y vulnerabilidades asociados con desastres naturales y factores socioeconómicos. Los participantes obtendrán experiencia práctica en la selección y análisis de una variedad de vulnerabilidades y aprenderán a aplicar estos conocimientos a escenarios del mundo real. Acceda a los materiales del evento aquí.\nThe session will begin with a WMO Flash Flood Guide. This interactive training session delves deeper into spatial vulnerability assessment concepts. This session will leverage the JupyterHub notebook environment to provide an interactive demonstration using statistical methods and tools to assess risks and vulnerabilities associated with natural disasters and socioeconomic factors. Participants will gain hands-on experience in selecting and analyzing a variety of vulnerabilities and learn how to apply this knowledge to real-world scenarios. Access the materials from the vent here.\n\n\nESIP 2024 Interactive Session\nInteractive session at the Earth Science Information Partners (ESIP) July 2024 meeting, discussing SCHOOL Module 3: Disaster and Wildfires. Access the presentation materials on Zenodo here. Watch the video from this session on youtube [here.] (https://www.youtube.com/watch?v=GdPvP7Yhx2I) \n\n\n\nSpring 2024:\n\nAAG 2024 Panel Session\nPanel session at the Association of American Geographers (AAG) annual meeting, discussing the development of SCHOOL Module 2: Health, Air Quality, and Environmental Justice. \n\n\nSEDAC Open Science Workshop.\nTuesday, January 9 2024. 10 am - 4 pm Eastern Time. Comer Building Seminar Room, Lamont Campus, Columbia University, 61 Route 9W, Palisades NY 10964 workshop on Open Science hosted by the NASA Socioeconomic Data and Applications Center (SEDAC). This event is designed to provide valuable insights, practical knowledge, and collaborative opportunities for researchers who are passionate about open science and the world of data processing for research and applications at the interface of human and environmental systems.\n\n\n\nFall 2023\n\nAGU 2023\nMentors give workshops at AGU. December 11 - 15, NASA Openscapes Mentors will attend the AGU annual meeting and deliver workshops. High-level planning happens in the 2023-planning-agu GitHub repo.\n\n\nSCHOOL Water Module, Open Science Team Meeting 1\nThe first meeting for the SCHOOL Open Science Team Members was held where Open Science concepts and the Transform to Open Science (TOPS) initiative was introduced.\nWorkshop Documents\nYouTube Video (subtitulos en Español)\n\n\nWater Resources SCHOOL Workshop - I-GUIDE Forum 2023\nOctober 4-5, TOPSTSCHOOL Development Team hosted a workshop at the I-GUIDE Fourm 2023. ScienceCore Heuristics for Open Science Outcomes in Learning (SCHOOL): Water Resources Module Development.\nWorkshop Documents\nYouTube Video (subtitulos en Español)" }, { "objectID": "content/SCHOOL_module1_water.html", diff --git a/sitemap.xml b/sitemap.xml index 21d9aab..0e5196b 100644 --- a/sitemap.xml +++ b/sitemap.xml @@ -2,42 +2,42 @@ https://ciesin-geospatial.github.io/TOPSTSCHOOL/content/Hotspot_Training.html - 2024-08-20T15:37:53.407Z + 2024-08-20T15:51:42.438Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/content/wsim-gldas/wsim-gldas-vis.html - 2024-08-20T15:37:53.419Z + 2024-08-20T15:51:42.450Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/content/module1-water.html - 2024-08-20T15:37:53.407Z + 2024-08-20T15:51:42.438Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/index.html - 2024-08-20T15:37:53.503Z + 2024-08-20T15:51:42.534Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/dev-team.html - 2024-08-20T15:37:53.459Z + 2024-08-20T15:51:42.490Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/about.html - 2024-08-20T15:37:53.407Z + 2024-08-20T15:51:42.438Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/modules.html - 2024-08-20T15:37:53.503Z + 2024-08-20T15:51:42.534Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/get-involved.html - 2024-08-20T15:37:53.459Z + 2024-08-20T15:51:42.490Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/content/SCHOOL_module1_water.html - 2024-08-20T15:37:53.407Z + 2024-08-20T15:51:42.438Z https://ciesin-geospatial.github.io/TOPSTSCHOOL/content/wsim-gldas/wsim-gldas-acquisition.html - 2024-08-20T15:37:53.415Z + 2024-08-20T15:51:42.446Z