Resumen Garantizar un acceso equitativo a las unidades de salud es crucial para el bienestar urbano, pero las barreras geográficas a menudo obstaculizan este acceso. Este artículo presenta GeoCNES, una herramienta de código abierto desarrollada en Python para abordar este desafío. GeoCNES se conecta al CNES y a los datos censales brasileños y aplica técnicas de geocodificación para generar automáticamente mapas interactivos que muestran la distribución de las unidades de salud y su concentración a través de mapas de calor en municipios brasileños. Los usuarios utilizan el código municipal y el tipo de unidad a analizar como parámetros, y GeoCNES recupera, geolocaliza y muestra los datos en mapas. Este artículo detalla el proceso de desarrollo, las funcionalidades y las limitaciones de GeoCNES, demostrando su aplicación en las ciudades de São Carlos-SP, Rondonópolis-MT, Chapecó-SC, Parnamirim-RN y Parauapebas-PA. Aunque se encontraron desafíos relacionados con la inconsistencia de datos, GeoCNES es capaz de mapear con éxito las unidades de salud de diferentes regiones del país y generar mapas con potencial para ayudar en la planificación urbana orientada a la equidad en la salud.

Resumo Garantir acesso equitativo a unidades de saúde é crucial para o bem-estar urbano, mas barreiras geográficas muitas vezes impedem esse acesso. Este artigo apresenta o GeoCNES, uma ferramenta de código aberto desenvolvida em Python para enfrentar esse desafio. O GeoCNES se conecta ao CNES e aos dados censitários brasileiros e aplica técnicas de geocodificação para gerar automaticamente mapas interativos que mostram a distribuição de unidades de saúde e sua concentração por meio de mapas de calor, em municípios brasileiros. Os usuários utilizam código do município e o tipo de unidade a ser analisado como parâmetros, e o GeoCNES recupera, geolocaliza e exibe os dados em mapas. Este artigo detalha o processo de desenvolvimento, funcionalidades e limitações do GeoCNES, demonstrando sua aplicação nas cidades de São Carlos-SP, Rondonópolis-MT, Chapecó-SC, Parnamirim-RN e Parauapebas-PA. Embora tenham sido encontrados desafios relacionados à inconsistência de dados, o GeoCNES é capaz de mapear com sucesso as unidades de saúde de diferentes regiões do país e gerar mapas com potencial para auxiliar no planejamento urbano voltado para a equidade na saúde.

Abstract Ensuring equitable access to healthcare facilities is crucial for urban well-being, but geographical barriers often impede this access. This paper introduces GeoCNES, an open-source tool developed in Python to address this challenge. GeoCNES establishes a connection to the Brazilian national healthcare establishments register and the census data, to process and geocoding them to automatically generate an interactive map that display the distribution of healthcare facilities and a heat map of the same facilities in Brazilian municipalities. To do so the user must enter the municipality code and facility type, then GeoCNES retrieves, geolocates, and exhibit the information in interactive maps. This paper details the development process, functionalities, and limitations of GeoCNES, demonstrating its application in the Brazilian cities of São Carlos-SP, Rondonópolis-MT, Chapecó-SC, Parnamirim-RN and Parauapebas-PA. While challenges related to data inconsistency were encountered, GeoCNES successfully maps healthcare facilities, offering valuable insights for urban planning and promoting equitable access to healthcare.

Resumen Garantizar un acceso equitativo a las unidades de salud es crucial para el bienestar urbano, pero las barreras geográficas a menudo obstaculizan este acceso. Este artículo presenta GeoCNES, una herramienta de código abierto desarrollada en Python para abordar este desafío. GeoCNES se conecta al CNES y a los datos censales brasileños y aplica técnicas de geocodificación para generar automáticamente mapas interactivos que muestran la distribución de las unidades de salud y su concentración a través de mapas de calor en municipios brasileños. Los usuarios utilizan el código municipal y el tipo de unidad a analizar como parámetros, y GeoCNES recupera, geolocaliza y muestra los datos en mapas. Este artículo detalla el proceso de desarrollo, las funcionalidades y las limitaciones de GeoCNES, demostrando su aplicación en las ciudades de São Carlos-SP, Rondonópolis-MT, Chapecó-SC, Parnamirim-RN y Parauapebas-PA. Aunque se encontraron desafíos relacionados con la inconsistencia de datos, GeoCNES es capaz de mapear con éxito las unidades de salud de diferentes regiones del país y generar mapas con potencial para ayudar en la planificación urbana orientada a la equidad en la salud. urbano desafío parámetros recupera desarrollo CarlosSP, CarlosSP Carlos SP, SP Carlos-SP RondonópolisMT, RondonópolisMT Rondonópolis MT, MT Rondonópolis-MT ChapecóSC, ChapecóSC Chapecó SC, SC Chapecó-SC ParnamirimRN Parnamirim RN ParauapebasPA. ParauapebasPA Parauapebas PA. PA Parauapebas-PA

Resumo Garantir acesso equitativo a unidades de saúde é crucial para o bem-estar urbano, mas barreiras geográficas muitas vezes impedem esse acesso. Este artigo apresenta o GeoCNES, uma ferramenta de código aberto desenvolvida em Python para enfrentar esse desafio. O GeoCNES se conecta ao CNES e aos dados censitários brasileiros e aplica técnicas de geocodificação para gerar automaticamente mapas interativos que mostram a distribuição de unidades de saúde e sua concentração por meio de mapas de calor, em municípios brasileiros. Os usuários utilizam código do município e o tipo de unidade a ser analisado como parâmetros, e o GeoCNES recupera, geolocaliza e exibe os dados em mapas. Este artigo detalha o processo de desenvolvimento, funcionalidades e limitações do GeoCNES, demonstrando sua aplicação nas cidades de São Carlos-SP, Rondonópolis-MT, Chapecó-SC, Parnamirim-RN e Parauapebas-PA. Embora tenham sido encontrados desafios relacionados à inconsistência de dados, o GeoCNES é capaz de mapear com sucesso as unidades de saúde de diferentes regiões do país e gerar mapas com potencial para auxiliar no planejamento urbano voltado para a equidade na saúde. bemestar bem estar desafio calor parâmetros recupera desenvolvimento CarlosSP, CarlosSP Carlos SP, SP Carlos-SP RondonópolisMT, RondonópolisMT Rondonópolis MT, MT Rondonópolis-MT ChapecóSC, ChapecóSC Chapecó SC, SC Chapecó-SC ParnamirimRN Parnamirim RN ParauapebasPA. ParauapebasPA Parauapebas PA. PA Parauapebas-PA

Abstract Ensuring equitable access to healthcare facilities is crucial for urban well-being, but geographical barriers often impede this access. This paper introduces GeoCNES, an open-source tool developed in Python to address this challenge. GeoCNES establishes a connection to the Brazilian national healthcare establishments register and the census data, to process and geocoding them to automatically generate an interactive map that display the distribution of healthcare facilities and a heat map of the same facilities in Brazilian municipalities. To do so the user must enter the municipality code and facility type, then GeoCNES retrieves, geolocates, and exhibit the information in interactive maps. This paper details the development process, functionalities, and limitations of GeoCNES, demonstrating its application in the Brazilian cities of São Carlos-SP, Rondonópolis-MT, Chapecó-SC, Parnamirim-RN and Parauapebas-PA. While challenges related to data inconsistency were encountered, GeoCNES successfully maps healthcare facilities, offering valuable insights for urban planning and promoting equitable access to healthcare. wellbeing, wellbeing well being, being well-being opensource open source challenge municipalities type retrieves geolocates functionalities CarlosSP, CarlosSP Carlos SP, SP Carlos-SP RondonópolisMT, RondonópolisMT Rondonópolis MT, MT Rondonópolis-MT ChapecóSC, ChapecóSC Chapecó SC, SC Chapecó-SC ParnamirimRN Parnamirim RN ParauapebasPA. ParauapebasPA Parauapebas PA. PA Parauapebas-PA encountered

RESUMEN En las últimas décadas, debido a la creciente movilidad de personas y bienes, el rápido crecimiento de los usuarios de dispositivos móviles con servicios basados en la ubicación ha aumentado la necesidad de información geoespacial. En este contexto, el posicionamiento utilizando los datos recopilados por los Sistemas Globales de Satélite de Navegación (multi-GNSS) ha ganado más importancia en el campo de la geomática. La calidad de las soluciones está relacionada, entre otros factores, con el tipo de receptor utilizado en el trabajo. Para mejorar el posicionamiento con dispositivos de bajo costo y evitar gastos adicionales del usuario, este trabajo tiene como objetivo proponer la implementación de una Red Neural Artificial (ANN) para estimar los observables del operador GPS L2. Para esto, se seleccionó un modelo de red a través de la técnica de validación cruzada (CV), se estimaron las observaciones y se analizó la precisión de las soluciones. La técnica CV demostró que un Perceptrón multicapa con cuatro capas intermedias y uno con una capa intermedia son las configuraciones más apropiadas para este problema. El procesamiento RINEX de doble frecuencia (con datos artificiales) reveló mejoras significativas. Para algunas pruebas, fue posible cumplir con las regulaciones de georreferenciación de propiedad rural del Instituto Nacional de Colonización y Reforma Agraria (INCRA). Los resultados indican, por lo tanto, que la propuesta metodológica de la presente investigación es muy prometedora para aproximar la calidad de posicionamiento accesible utilizando un receptor de doble frecuencia.

ABSTRACT In recent decades, due to the increasing mobility of people and goods, the rapid growth of users of mobile devices with location-based services has increased the need for geospatial information. In this context, positioning using data collected by the Global Navigation Satellite Systems (multi-GNSS) has gained more importance in the field of geomatics. The quality of the solutions is related, among other factors, to the receiver's type used in the work. To improve the positioning with low-cost devices and to avoid additional user expenses, this work aims to propose the implementation of an Artificial Neural Network (ANN) to estimate the GPS L2 carrier observables. For this, a network model was selected through the cross-validation (CV) technique, the observations were estimated, and the accuracy of the solutions was analyzed. The CV technique demonstrated that a Multilayer Perceptron with four intermediate layers and one with one intermediate layer are the most appropriate configurations for this problem. The dual-frequency RINEX processing (with artificial data) revealed significant improvements. For some tests, it was possible to comply with the rural property georeferencing regulations of the Brazilian National Institute of Colonization and Agrarian Reform (INCRA). The results indicate, therefore, that the methodological proposal of the present investigation is very promising for approximating the quality of positioning reachable using a dual-frequency receiver.

O correto processamento das medições GNSS, bem como a correta interpretação dos seus resultados, são fatores fundamentais para a análise da qualidade dos trabalhos de medições agrárias. Neste sentido, é importante ter em mente que, embora, os valores estatísticos indicados pela maioria dos programas de computador comerciais de processamento GNSS descrevam a credibilidade do trabalho realizado, eles não são consistentes para indicarem a confiabilidade dos valores das coordenadas processadas. Com base nessa suposição, este artigo propõe uma tabela para classificar a confiabilidade de linhas de base obtidas por meio de processamento de dados GNSS. Como dados de entrada foram utilizadas medições realizadas entre os anos 2006 e 2008, considerando diferentes estações do ano, diferentes configurações das estações RBMC e diferentes comprimentos de linhas de base. Como demonstrado, verifica-se que parâmetros, tais como, comprimentos da linha de base, solução da ambiguidade, valores PDOP e valores da precisão das coordenadas obtidas, podem ser usados como parâmetros de confiabilidade. A classificação proposta garante os requerimentos da Lei N( 10.267/2001 do Instituto Nacional de Colonização e Reforma Agrária (INCRA).

The correct data processing of GNSS measurements, as well as a correct interpretation of the results are fundamental factors for analysis of quality of land surveying works. In that sense, it is important to keep in mind that, although, the statistical data provided by the majority of commercials software used for GNSS data processing, describes the credibility of the work, they do not have consistent information about the reliability of the processed coordinates. Based on that assumption, this paper proposes a classification table to classify the reliability of baselines obtained through GNSS data processing. As data input, the GNSS measurements were performed during the years 2006 and 2008, considering different seasons of the year, geometric configurations of RBMC stations and baseline lengths. As demonstrated in this paper, parameters as baseline length, ambiguity solution, PDOP value and the precision of horizontal and vertical values of coordinates can be used as reliability parameters. The proposed classification guarantees the requirements of the Brazilian Law N( 10.267/2001 of the National Institute of Colonization and Agrarian Reform (INCRA)