This article synthesizes two GIS-based accessibility measures into one framework, and applies the methods to examining spatial accessibility to primary health care in the Chicago ten-county region. The floating catchment area (FCA) method defines the service area of physicians by a threshold travel time while accounting for the availability of physicians by their surrounded demands. The gravity-based method considers a nearby physician more accessible than a remote one and discounts a physician's availability by a gravity-based potential. The former is a special case of the latter. Based on the 2000 Census and primary care physician data, this research assesses the variation of spatial accessibility to primary care in the Chicago region, and analyzes the sensitivity of results by experimenting with ranges of threshold travel times in the FCA method and travel friction coefficients in the gravity model. The methods may be used to help the US Department of Health and Human Services and state health departments improve designation of Health Professional Shortage Areas.

This paper presents an enhancement of the two-step floating catchment area (2SFCA) method for measuring spatial accessibility, addressing the problem of uniform access within the catchment by applying weights to different travel time zones to account for distance decay. The enhancement is proved to be another special case of the gravity model. When applying this enhanced 2SFCA (E2SFCA) to measure the spatial access to primary care physicians in a study area in northern Illinois, we find that it reveals spatial accessibility pattern that is more consistent with intuition and delineates more spatially explicit health professional shortage areas. It is easy to implement in GIS and straightforward to interpret.

This research considers both spatial and nonspatial factors in examining accessibility to primary healthcare in Illinois. Spatial access emphasizes the importance of geographic barrier between consumer and provider, and nonspatial factors include nongeographic barriers or facilitators such as age, sex, ethnicity, income, social class, education and language ability. The population and socioeconomic data are from the 2000 Census, and the primary care physician data for the same year are provided by the American Medical Association. First, a two-step floating catchment area method implemented in Geographic Information Systems is used to measure spatial accessibility based on travel time. Secondly, the factor analysis method is used to group various sociodemographic variables into three factors: (1) socioeconomic disadvantages, (2) sociocultural barriers and (3) high healthcare needs. Finally, spatial and nonspatial factors are integrated to identify areas with poor access to primary healthcare. The research is intended to develop an integrated approach for defining Health Professional Shortage Areas (HPSA) that may help the US Department of Health and Human Services and state health departments improve HPSA designation.

The accurate identification of different restoration stages of degraded alpine meadow patches is essential to effectively curb the deterioration trend of ‘Heitutan’ (areas of severely degraded alpine meadows in western China). In this study, hyperspectral imaging (HSI) and machine learning techniques were used to develop a method for accurately distinguishing the different restoration stages of alpine meadow patches. First, hyperspectral images representing the four restoration stages of degraded alpine meadow patches were collected, and spectral reflectance, vegetation indexes (VIs), color features (CFs), and texture features (TFs) were extracted. Secondly, valid features were selected by competitive adaptive reweighted sampling (CARS), ReliefF, recursive feature elimination (RFE), and F-test algorithms. Finally, four machine learning models, including the support vector machine (SVM), k-nearest neighbor (KNN), random forest (RF), and extreme gradient boosting (XGBoost), were constructed. The results demonstrated that the SVM model based on the optimal wavelengths (OWs) and prominent VIs achieved the best value of accuracy (0.9320), precision (0.9369), recall (0.9308), and F1 score (0.9299). In addition, the models that combine multiple sets of preferred features showed a significant performance improvement over the models that relied only on a single set of preferred features. Overall, the method combined with HSI and machine learning technology showed excellent reliability and effectiveness in identifying the restoration stages of meadow patches, and provided an effective reference for the formulation of grassland degradation management measures.

Abstract Background Nurses face disproportionately high rates of suicidal ideation and non-suicidal self-injury (NSSI). The role of workplace violence, loneliness, and depressive symptoms in exacerbating these issues is poorly understood. This study aims to explore these relationships to inform interventions for improving nurses’ mental health. Methods A cross-sectional study involving 1,774 Chinese nurse staff selected through convenient sampling methods was conducted. Workplace violence, depressive symptoms, and loneliness were assessed using the Chinese versions of the Workplace Violence Scale (WVS), the 9-item Patient Health Questionnaire (PHQ-9), and a three-item loneliness scale, respectively. Participants completed self-report questionnaires anonymously to ensure adherence to ethical standards. Statistical analysis utilized structural equation modeling (SEM) to examine the intricate relationships among variables, thereby elucidating the impact of workplace violence, loneliness, and depressive symptoms on nurses’ suicidal ideation/NSSI outcomes. Results Nurse staff 165 (7.8%) were reported different level of suicidal ideation and 139 (7.8%) participants were reported different level of NSSI. And the final model of workplace violence on suicidal ideation shown a good model fit index (CMIN/DF = 3.482 NFI = 0.969 CFI = 0.977 TLI = 0.955 RFI = 0.938, RMSEA = 0.037 SRMR = 0.035). The pathway of workplace violence to loneliness (β = 0.163, P < 0.001), the indirect effect of workplace violence on suicidal ideation via loneliness and depressive symptoms were 0.100 (95%CI = 0.085, 0.121), the indirect effect of loneliness on suicidal ideation via depressive symptoms were 0.128 (95%CI = 0.100, 0.158). Similarly, the final model of workplace violence on NSSI shown a good model fit index (CMIN/DF = 3.482 NFI = 0.967 CFI = 0.976 TLI = 0.953 RFI = 0.935, RMSEA = 0.037 SRMR = 0.034), the pathways of workplace violence to NSSI (β = 0.115, P < 0.001), the indirect effect of workplace violence on NSSI via loneliness and depressive symptoms were 0.075 (95%CI = 0.055, 0.096), the indirect effect of loneliness on NSSI via depressive symptoms were 0.102 (95%CI = 0.076, 0.130). Conclusion Our study unveils the role of workplace violence in nurses’ suicidal ideation and NSSI, mediated by loneliness and depressive symptoms. Interventions targeting workplace violence are crucial for nurses’ well-being, potentially reducing loneliness and depressive symptoms and lowering the risk of suicidal ideation and NSSI. However, further research is needed to explore additional mediators and pathways, employing longitudinal designs to establish causality and develop tailored interventions for nurses affected by workplace violence.