نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

چکیده

این مطالعه با استفاده از یک ترانسکت جغرافیایی در مکزیک مرکزی، با شیب ارتفاعی/اقلیمی، اما یکنواختی در شرایط اجتماعی-اقتصادی در میان مکان‌های مورد مطالعه، کاربرد سه محصول پرکاربرد سنجش از دور (RS) را برای پیوند شرایط آب و هوایی با فراوانی محلی ارزیابی می‌کند. ناقل پشه ویروس دنگی، Aedes aegypti ( Ae. aegypti ). اقدامات حشره‌شناختی مشتق‌شده از میدان شامل تخمین‌هایی برای درصد محل‌های با حضور Ae بود. شفیره aegypti و فراوانی Ae. مصریشفیره در هر محل داده‌های مربوط به فراوانی پشه از بررسی‌های میدانی با داده‌های RS مطابقت داده شد و برای همبستگی تجزیه و تحلیل شد. مقادیر دمای روزانه سطح زمین در روز و شب (LST) از تصاویر طیف رادیومتر تصویربرداری با وضوح متوسط ​​(MODIS)/آکوا بدون ابر در چهار هفته قبل از بررسی میدانی به دست آمد. تجمع بارندگی تخمین زده شده توسط ماموریت اندازه‌گیری باران گرمسیری (TRMM) برای چهار هفته قبل از بررسی میدانی محاسبه شد. ارتفاع با استفاده از مدل رقومی ارتفاع (DEM) برآورد شد. همبستگی قوی بین فراوانی پشه و LST شبانه مشتق از RS، ارتفاع و بارندگی در امتداد شیب ارتفاع / آب و هوا پیدا شد. این یافته ها نشان می دهد که داده های RS را می توان برای پیش بینی Ae استفاده کرد. مصریفراوانی، اما مطالعات بیشتری برای تعریف شرایط اقلیمی و اقتصادی-اجتماعی مورد نیاز است که تحت آن همبستگی‌های مشاهده شده در اینجا اعمال می‌شود.
کلید واژه ها: 

مودیس ; TRMM _ DEM ; آبی ; سنجش از دور ؛ ارتفاع ; پشه ؛ بارندگی ؛ درجه حرارت

 

چ

1. مقدمه

تغییرات محیطی که به طور بالقوه بر محدوده های جغرافیایی یا فراوانی محلی ناقل های بندپایان که عوامل بیماری های عفونی را منتقل می کنند، از جمله نگرانی های مهم مرتبط با آب و هوا هستند [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ]. انجمن های گزارش شده در ادبیات نشان می دهد که متغیرهای مرتبط با آب و هوا را می توان برای پیش بینی فراوانی محلی و پتانسیل گسترش ناقلان بندپایان، مانند پشه ها یا کنه ها استفاده کرد [ 7 ، 8 ، 9 ، 10 ،]. از آنجایی که بررسی های میدانی هم پرهزینه و هم زمان بر هستند، فناوری سنجش از دور (RS) به طور فزاینده ای برای تخمین مناسب بودن زیستگاه برای انواع گونه های ناقل استفاده می شود [ 11 ، 12 ، 13 ، 14 ]. دما و بارندگی پارامترهای آب و هوایی مورد توجه ویژه هستند، زیرا هم بر توزیع زیستگاه ناقل مناسب و هم بر پتانسیل تکثیر ناقل محلی تأثیر می‌گذارند. اگرچه ارتفاع زمین به شدت با دما مرتبط است، جزایر گرمایی شهری ممکن است در مطالعات انجام‌شده در محیط‌های شهری، تفاوت‌های جزئی در ارتباط بین فراوانی برداری و پارامترهای آب و هوایی ایجاد کنند. بنابراین، ارتفاع در میان متغیرهای مورد علاقه برای این مطالعه گنجانده شده است. Aedes Aegypti (Ae. aegypti )، ناقل اولیه پشه ویروس‌های تب دنگی و تب زرد و ناقل مهم ویروس چیکونگونیا برای انسان در محیط‌های شهری، در محیط‌های شهری بسیار فراوان است [ 15 ].
دنگی یکی از مهم ترین بیماری های ویروسی منتقله از طریق پشه در مناطق نیمه گرمسیری و گرمسیری است، با یک تخمین از بار آلودگی جهانی به حدود 390 میلیون عفونت ویروسی و نزدیک به 100 میلیون مورد با تظاهرات بیماری در سال، بیش از سه برابر برآورد شده توسط سازمان بهداشت جهانی [ 16]. اگرچه حضور و فراوانی ناقل پشه به شدت تحت تأثیر محیط اطراف خانه انسان است (به عنوان مثال، دسترسی به ظروف نگهدارنده آب که به عنوان مکان های رشد لارو عمل می کنند و امکان نفوذ به خانه ها برای گاز گرفتن در داخل خانه)، این موارد نیز تحت تأثیر قرار می گیرند. متغیرهای هواشناسی مانند دما، بارندگی، رطوبت و تابش خورشیدی. چندین مطالعه به رابطه بین تغییرات آب و هوا یا آب و هوا و بروز موارد بیماری دنگی پرداخته اند [ 17 ، 18 ، 19 ، 20 ، 21 ، 22 ، 23 ، 24 ، 25 ، 26 ، 27 ،28 ]. با این حال، چنین روابطی ممکن است تحت تأثیر عوامل دیگری مانند قرار گرفتن انسان در معرض پشه ها و شدت انتقال ویروس قرار گیرد [ 29 ].
قدرت ارتباط بین پارامترهای آب و هوایی مبتنی بر RS و فراوانی برداری ممکن است توسط وضوح فضایی محصولات ماهواره‌ای که آزادانه در دسترس هستند و بیشتر مورد استفاده قرار می‌گیرند محدود شود [ 7 ]]. شرایط محیطی و اجتماعی-اقتصادی می تواند در فواصل 10-100 متری به شدت تغییر کند. بنابراین، مدل‌های فضایی طراحی‌شده برای تخمین حضور بردار و فراوانی توسعه‌یافته در سطح منطقه‌ای یا ایالتی نمی‌توانند به‌طور قابل اعتمادی برای پیش‌بینی‌های ریسک مربوط به محلی کاهش یابند. برای توسعه مدل‌هایی برای پیش‌بینی حضور و فراوانی بردار در مقیاس محلی (جامعه یا محله) با استفاده از ورودی‌های محیطی مبتنی بر RS، نیاز به نظارت مداوم بر شرایط محیطی محلی اخیر با تصاویر RS است که می‌تواند تفاوت‌های بین جوامع یا محله‌های مجاور را متمایز کند. مطالعه حاضر آزمایش می‌کند که آیا سه محصول زیست‌محیطی مبتنی بر RS که به طور گسترده مورد استفاده قرار می‌گیرند، می‌توانند آن تفاوت‌ها را در سطح محلی تشخیص دهند، علی‌رغم داشتن وضوح‌های فضایی مساوی یا بزرگ‌تر از 90 متر.Ae. مصری در مقیاس محلی برای یک ترانسکت جغرافیایی تقریباً 330 کیلومتری از طریق جاده، مربوط به مساحت تقریباً 245 کیلومتری (غربی- شرقی) در 98 کیلومتری (شمال-جنوبی) در مرکز مکزیک، ما ارتباط بین حضور و فراوانی مرحله زندگی شفیرگی را توصیف می کنیم. از Ae. مصر و شرایط محیطی برآورد شده از محصولات RS، از جمله دمای سطح زمین (LST)، بارندگی، خواص سطح زمین و ارتفاع.

2. روش شناسی

2.1. سایت مطالعه

این مطالعه از سایت های یک مطالعه قبلی منتشر شده [ 30 ] در مورد وقوع Ae استفاده کرد. aegypti در امتداد شیب ارتفاعی بین وراکروز در سطح دریا و پوئبلا در بیش از 2000 متر در مکزیک مرکزی ( شکل 1 ). سایت‌ها از گروه‌هایی از خانه‌ها با درآمد کم تا متوسط ​​و حیاط‌های کوچک تا متوسط ​​تشکیل شده‌اند که بین ۱۲ جامعه در امتداد شیب ارتفاعی توصیف‌شده توزیع شده‌اند.

2.2. بررسی میدانی داده های پشه

داده های Ae. فراوانی شفیرگ مصری از بررسی های میدانی انجام شده در شهرهای کوردوبا، اوریزابا، ریو بلانکو، سیوداد مندوزا، آکلتزینگو، مالتراتا، پوئبلا سیتی و آتلیککو از 11 ژوئیه تا 20 اوت 2011 و از شهرهای کواتپک، 23 و پروته ایجاد شد. مرداد و 1 شهریور همان سال. تقریباً 50 محل مطالعه برای هر یک از 12 جامعه مورد بررسی قرار گرفت. این مکان ها در 3-4 خوشه فضایی مجزا در هر جامعه قرار داشتند. روش‌های انتخاب مکان برای بررسی، جمع‌آوری پشه‌های نابالغ (لارو و شفیره) از ظروف نگهدارنده آب در داخل و خارج از محوطه، پرورش بعدی برای بزرگسالان و شناسایی گونه‌ها و در نهایت، تخمین فراوانی شفیره برایAe. aegypti در سایت های مورد مطالعه قبلا توسط Lozano-Fuentes [ 30 ] توصیف شده است. حدود 73 درصد از شفیره‌های جمع‌آوری‌شده با موفقیت در بزرگسالان پرورش داده شدند و به گونه‌ها شناسایی شدند، در حالی که این رقم برای لاروهای جمع‌آوری‌شده تنها 16 درصد است. در نتیجه، ما فقط بر برآوردهای قوی تر برای فراوانی شفیره تمرکز می کنیم.
Ijgi 03 00732 g001 1024
شکل 1. منطقه مورد مطالعه با مکان های جوامع در مکزیک مرکزی در رابطه با ارتفاع، همانطور که توسط مدل ارتفاع رقومی (DEM) ماموریت توپوگرافی رادار شاتل (SRTM) برآورد شده است.

2.3. داده های سنجش از راه دور

2.3.1. اسکنر مادون قرمز مرئی (VIRS)

داده‌های بارندگی با محصول 3B42 V7 که از حسگر اسکنر مادون قرمز مرئی (VIRS) روی ماهواره TRMM بدست آمده و از سیستم تجسم و تحلیل آنلاین TRMM (TOVAS) [ 31 ] بازیابی شد، برآورد شد. این سیستم توسط مرکز خدمات اطلاعات و داده های علوم زمین ناسا گودارد نگهداری می شود. داده های 3B42 V7 مناطق گرمسیری و نیمه گرمسیری بین 50 درجه شمالی و 50 درجه جنوبی را با وضوح زمانی روزانه تنظیم شده از وضوح زمانی 3 ساعته و وضوح مکانی 0.25 درجه در 0.25 درجه، تقریباً معادل 27 کیلومتر در مطالعه را پوشش می دهد. منطقه ( شکل 2). TRMM یک ماموریت مشترک بین سازمان ملی هوانوردی و فضایی ایالات متحده (ناسا) و آژانس اکتشافات هوافضای ژاپن (JAXA) است که در 27 نوامبر 1997 به فضا پرتاب شد و برای اندازه گیری میزان بارندگی برای تحقیقات آب و هوا و آب و هوا طراحی شد. داده ها با استفاده از نرم افزار ArcMap 10.2 پردازش شدند. نشان داده شده است که TRMM تغییرپذیری بارندگی را در بازه های زمانی ماهانه به طور منطقی بازتولید می کند که مشابه مقیاس های زمانی چهار هفته ای مورد استفاده در این مطالعه است [ 32 ].
Ijgi 03 00732 g002 1024
شکل 2. ماموریت اندازه گیری باران گرمسیری (TRMM)، تصویر 3B42 V7 در 29 اوت 2011.

2.3.2. طیف رادیومتر تصویربرداری با وضوح متوسط ​​(MODIS)

داده های MODIS از وب سایت Reverb/Echo NASA EOS Data and Information System (EOSDIS) [ 33 ] دانلود شد و با استفاده از ابزار بازپروری MODIS (MRT) و نرم افزار ArcMap 10.2 پردازش شد. بر روی ماهواره‌های Terra و Aqua، MODIS یکی از ابزارهای مورد استفاده برای سیستم مشاهده زمین (EOS) بوده است، یک برنامه بین‌المللی ناسا، که به نوبه خود جزء کلیدی شرکت علوم زمین ناسا است [ 34 ]. Terra و Aqua که در 18 دسامبر 1999 (Terra) و 4 مه 2002 (Aqua) راه اندازی شدند، برای نظارت بر بسیاری از شرایط جو، زمین، اقیانوس ها، بیوسفر و کرایوسفر طراحی شده اند، اگرچه کانون آنها به ترتیب روی زمین و مشاهدات اقیانوس است. 35]. هر دو ماهواره دارای مدارهای همزمان خورشیدی هستند که در زمان محلی تقریبی 10:30 صبح و 22:30 در مورد Terra و در 1:30 بعد از ظهر و 1:30 بامداد برای Aqua، در مسیر شمالی و جنوبی از استوا عبور می کنند. ، به ترتیب.
تخمین LST از محصول MODIS سطح زمین و دمای تابش (MYD11A1) از ماهواره Aqua است. این محصول مقادیر دما و انتشار در هر پیکسل را ارائه می دهد. اندازه‌گیری‌های MYD11A1 به همراه تمام داده‌های تولید شده از حسگرهای حمل‌شده توسط Aqua را می‌توان در طول دو روز برای کل کره زمین به‌دست آورد [ 35 ]. محصول روزانه MYD11A1 دارای وضوح مکانی 1 کیلومتر است ( شکل 3 ). مطالعات قبلی نشان داده‌اند که محصولات MODIS LST عموماً در 1± K در مقایسه با اندازه‌گیری‌های دمای درجا ، برای مکان‌ها و شرایط مختلف، دقیق بوده‌اند [ 36 ، 37 ].

2.3.3. ماموریت توپوگرافی رادار شاتل (SRTM)

انتظار می رود که به شدت با دمای محیط مرتبط باشد، ارتفاع به عنوان یک پروکسی بالقوه برای دما مورد بررسی قرار گرفت. ارتفاع از طریق مدل دیجیتالی ارتفاع (DEM) از SRTM، یک همکاری بین ناسا و آژانس تصویربرداری و نقشه برداری ملی (NIMA) وزارت دفاع ایالات متحده برآورد شد [ 38 ]. با وضوح 90 متر در استوا ( شکل 1 )، SRTM برای تولید DEM از سطح زمین تقریباً بین عرض های جغرافیایی 60 درجه شمالی و 56 درجه جنوبی طراحی شد. در یک پرواز 11 روزه در سراسر جهان بر روی شاتل فضایی Endeavour، این ماموریت در 22 فوریه 2000 تکمیل شد. داده های این مطالعه از وب سایت Global Data Explorer [ 39 ] دانلود شد.]، که توسط سازمان زمین شناسی ایالات متحده (USGS) و مرکز بایگانی فعال توزیع شده فرآیندهای زمینی ناسا (LPDAAC) نگهداری می شود.
Ijgi 03 00732 g003 1024
شکل 3. ترکیبی از 7 روز از تصاویر LST روز (MYD11A1) از آگوست 2011.

2.4. رویه تطبیق داده ها

برآوردهای مبتنی بر بررسی میدانی برای Ae. فراوانی شفیرگ مصری از 607 محل مورد بررسی در سطح جامعه و خوشه از طریق دو رویکرد با برآورد: (1) درصد محل‌ها با حضور Ae جمع‌آوری شد. شفیره Aegypti ; و (2) میانگین فراوانی Ae. مصریشفیره در هر محل هر دو نوع تخمین برای فراوانی شفیره با داده‌های RS که از محل مکان‌های مربوطه به دست می‌آید مطابقت داده شد و به طور مشابه، در سطح جامعه و خوشه جمع‌آوری شد. داده‌های RS داده‌های روزانه را برای LST (شب و روز)، بارندگی و ارتفاع ارائه می‌کنند. مقادیر همسان داده‌های RS به‌صورت زیر محاسبه شد: LST شبانه از میانگین داده‌های LST بدون ابر شبانه برای 29 شب قبل از بررسی محاسبه شد. همین روند برای داده های LST در طول روز تکرار شد، با این تفاوت که میانگین در 28 روز قبل از روز نظرسنجی به اضافه روز بررسی محاسبه شد. پس از حذف روزهای ابری، میانگین تعداد روزهای با داده های روزانه مورد استفاده برای به دست آوردن مقادیر متوسط ​​LST 7.9 برای LST شبانه و 6.8 برای LST در روز بود. برآوردهای RS از بارندگی با استفاده از مقدار انباشته در طول دوره شامل روز بررسی به اضافه 28 روز قبل محاسبه شد. هیچ محاسبه خاصی برای داده های ارتفاع مورد نیاز نیست، زیرا اینها تصویری از داده های DEM پرواز سال 2000 هستند. هر مجموعه از جفت‌های همسان بین فراوانی شفیره و LST (روز و شب)، بارندگی و ارتفاع برای همبستگی در هر دو سطح تجمع تجزیه و تحلیل شد: جامعه و خوشه، با استفاده از روش SAS 9.3 proc corr.
ما همچنین با استفاده از یک دوره دو هفته‌ای به جای یک دوره چهار هفته‌ای قبل از بررسی‌های صحرایی پشه‌ها آزمایش کردیم، و در همه موارد، همبستگی بین داده‌های آب و هوایی و حضور/ فراوانی پشه کمتر بود (داده‌ها نشان داده نشده است). یک دوره بیش از چهار هفته مورد تجزیه و تحلیل قرار نگرفت، زیرا هیچ بهبودی توسط Lozano-Fuentes و همکاران مشاهده نشد. [ 30 ] هنگام تجزیه و تحلیل برای همبستگی‌های مشابه، اما با استفاده از داده‌های دمایی درجا از ایستگاه‌های هواشناسی HOBO (Onset Computer Corporation، Bourne، MA، ایالات متحده آمریکا) و بارش از مجموعه داده‌های مرکز پیش‌بینی آب و هوا (CMORPH).

3. نتایج

جدول 1 مقادیر جمع آوری شده در هر جامعه را برای: (1) درصد محل با حضور Ae خلاصه می کند. شفیره aegypti ; و (2) میانگین فراوانی شفیره در هر محل، همراه با مقادیر RS جمع شده مربوطه برای متغیرهای آب و هوایی LST (شب و روز)، بارندگی و ارتفاع. جدول با کاهش فراوانی میانگین تخمینی Ae مرتب شده است. شفیره مصری در هر محل. در مجموع، میانگین عدد 3.8 Ae. شفیره Aegypti در محل مورد بررسی قرار گرفت. درصد کلی اماکن با حضور Ae. شفیره aegypti 19.44 درصد بود. Perote، جامعه در بالاترین ارتفاع (2400 متر) از 12 جامعه مورد مطالعه، تنها جامعه ای بود که هیچ Ae در آن وجود نداشت. مصریپیدا شدند. همانطور که توسط Lozano [ 30 ] با استفاده از مجموعه داده های مشابه گزارش شده است، این مورد در مورد لاروها نیز وجود داشت. به طور کلی، درصد کمتری از حضور و مقادیر میانگین فراوانی برای Ae. aegypti در مکان های خنک تر و خشک تر در ارتفاعات بالاتر رخ می دهد.
جدول
جدول 1. برآورد فراوانی Aedes aegypti ، بر اساس جامعه مورد مطالعه، در رابطه با متغیرهای آب و هوا و ارتفاع.

3.1. همبستگی بین متغیرهای آب و هوایی تخمین زده شده RS

خلاصه ای از تحلیل همبستگی متغیرهای برآورد شده RS با یکدیگر در جدول 2 ارائه شده است. یک همبستگی قابل توجه واضح بین مقادیر تخمینی elevation و LST هنگام استفاده از داده های LST شبانه، هم در سطح جامعه و هم در سطح خوشه شناسایی شد. با این حال، این رابطه در هر دو سطح تجمع در هنگام استفاده از داده‌های LST در طول روز معنی‌دار نبود. ارتفاع به طور معنی داری و معکوس با بارش تخمین زده شده در هر دو سطح تجمع، جامعه و خوشه همبستگی داشت. علاوه بر این، همانطور که انتظار می‌رفت، بین تخمین‌های LST برای شب و روز در هر دو سطح مقیاس همبستگی مثبت و معنی‌داری وجود داشت. در نهایت، برای هر یک از سطوح تجمع، ارتباط معنی‌داری بین بارش تخمینی و LST تنها با LST شبانه شناسایی شد، اما نه با LST در روز.
جدول
جدول 2. خلاصه همبستگی های اسپیرمن در بین متغیرهای آب و هوایی تخمین زده شده RS.
Ijgi 03 00732 g004 1024
شکل 4. قطعات در سطح جامعه. روابط بین: ( الف ) LST شبانه و درصد تخمینی محل (“محل”) با شفیره Aedes aegypti حاضر. ( ب ) LST شبانه و میانگین تخمینی تعداد شفیره در هر محل. ( ج ) ارتفاع و درصد تخمینی از محل‌هایی که شفیره وجود دارد. ( د ) ارتفاع و میانگین تخمینی تعداد شفیره در هر مکان. ( ه ) بارندگی تخمینی و درصد تخمینی مکانهایی که شفیره وجود دارد. ( و ) بارش تخمینی و میانگین تخمینی تعداد شفیره در هر محل.

3.2. همبستگی بین متغیرهای آب و هوایی تخمین زده شده توسط RS و حضور و فراوانی پشه

در سطح جامعه و خوشه، جدول 3 نتایج همبستگی بین متغیرهای آب و هوایی برآورد شده RS و هر دو اندازه گیری Ae را خلاصه می کند. جمعیت مصری : درصد اماکن با حضور Ae. aegypti pupae و به معنای فراوانی Ae. شفیره مصری در هر محل. LST شبانه برآورد شده توسط MODIS با درصد خانه‌های دارای Ae همبستگی مثبت و معنی‌داری داشت . aegypti pupae یا میانگین فراوانی Ae. شفیره aegypti در هر محل در جامعه ( شکل 4a,b) و سطح خوشه (نمودار نشان داده نشده است). به طور مشابه، ارتفاع تخمین زده شده از طریق SRTM یک همبستگی معنی دار، اگرچه معکوس با درصد محل با حضور Ae نشان داد. aegypti pupae یا مقدار متوسط ​​Ae. شفیره aegypti در هر محل در هر دو سطح تجمع، جامعه ( شکل 4 ج، د) و خوشه (نمودار نشان داده نشده است). همبستگی مثبت و معنی داری بین بارش تخمین زده شده توسط TRMM و درصد محل با حضور Ae مشاهده شد. aegypti pupae یا به معنای فراوانی Ae. شفیره aegypti در هر محل در جامعه ( شکل 4e,f) و سطح خوشه (نقشه نشان داده نشده است). هیچ ارتباطی بین LST روز برآورد شده توسط MODIS و درصد محل با حضور Ae مشاهده نشد. aegypti pupae یا به معنای فراوانی Ae. شفیره aegypti در هر محل در هر سطحی از تجمع (قطعه ها نشان داده نشده اند).
جدول
جدول 3. خلاصه همبستگی های اسپیرمن بین متغیرهای آب و هوایی تخمین زده شده توسط RS و فراوانی شفیره Aedes aegypti .

4. بحث

ارتباط بین رویدادهای آب و هوایی شدید و شیوع پشه [ 40 ، 41 ]، و همچنین دینامیک فصلی فراوانی پشه با واسطه آب و هوا [ 42 ] در ادبیات برای Ae گزارش شده است. مصری . اگرچه نوسانات آب و هوای فصلی تا حد زیادی می تواند نوسانات درون سالانه فراوانی Ae را توضیح دهد. مصری ، مطالعات انجام شده در مقیاس محلی و بنابراین، در شرایط آب و هوایی بسیار مشابه، تفاوت‌هایی را در فراوانی بردار در میان مکان‌های شهری مجاور نشان داده‌اند [ 42 ، 43 ، 44 ]]. این احتمالاً منعکس کننده تأثیر تغییرات انسانی در محیط های شهری است که این پشه ترجیح می دهد در آن ساکن شود [ 42 ، 44 ]. با استفاده از یک طرح مطالعه که از یک ترانسکت جغرافیایی با شرایط اجتماعی-اقتصادی مشابه در مناطق بررسی میدانی خاص بهره می‌برد، یک تحلیل مقطعی قبلی با استفاده از این مجموعه داده برای فراوانی Ae. داده های آب و هوای مصر و درجا نیز ارتباط معنی داری را بین فراوانی پشه و متغیرهای آب و هوا (دما یا بارندگی) و ارتفاع گزارش کردند [ 30]. یکنواختی در شرایط اجتماعی-اقتصادی در مناطق مورد مطالعه خاص این فرصت را به حداقل می‌رساند تا تأثیر منابع انسانی تنوع را به حداقل برساند، در حالی که در همان زمان متغیرهای ارتفاع و آب و هوا را تقریباً در یک نقطه زمانی مطالعه می‌کنند. مطالعه حاضر بیشتر بر روی چنین مزایایی با تمرکز خاص بر روی آزمایش کاربرد محصولات پرکاربرد RS برای کشف ارتباط آب و هوا با Ae سرمایه گذاری می کند. فراوانی مصری در مقیاس محلی.
با وجود وضوح فضایی نسبتاً درشت 1 کیلومتر برای LST شبانه و تقریباً 26 کیلومتر برای بارندگی، همبستگی قوی بین داده‌های محصول MYD11A1 یا 3B42 V7، به ترتیب، و فراوانی محلی Ae پیدا شد. شفیره مصری برعکس، نتایج برای LST در طول روز دلگرم کننده نبود. Honório و همکاران [ 45 ] یک رابطه خطی مثبت بین فراوانی پشه و دمای محیط در محدوده 18 درجه سانتیگراد تا 24 درجه سانتیگراد نشان داد. نویسندگان هیچ گونه تغییری در فراوانی Ae تشخیص ندادند . مصری بالاتر از این آستانه دما. علاوه بر این، آیزن و همکاران. [ 46] یک رابطه خطی مثبت بین دمای آب و سرعت توسعه برای Ae نابالغ گزارش کرد. مصر بین 15 تا 30 درجه سانتیگراد. در آن مطالعه، دمای صفر رشد پایین‌تر برای تخم‌ها و Ae نابالغ در محدوده 10 تا 14 درجه سانتی‌گراد برآورد شد . aegypti و دمای بالای صفر رشد در محدوده 38 درجه سانتیگراد تا 42 درجه سانتیگراد. جالب است بدانید که در مطالعه ما، میانگین سطح خوشه LST در روز از 27.5 درجه سانتیگراد تا 40.7 درجه سانتیگراد متغیر بود در حالی که LST شبانه از 7.8 درجه سانتیگراد تا 24.2 درجه سانتیگراد بود که شامل محدوده همبستگی مثبت گزارش شده توسط Honório et . al. [ 45 ] و تا حدی با آنچه که توسط آیزن و همکاران گزارش شده همپوشانی داشت . [ 46]. کار اضافی برای ارزیابی همبستگی بین فراوانی Ae مورد نیاز است. داده‌های aegypti و RS برای طیف وسیع‌تری از دماها نسبت به بررسی در مطالعه حاضر، به‌ویژه برای دماهای انتهایی بالاتر. مشابه نتایج ما با داده‌های RS، روابط خطی مثبت با LST شبانه، اما نه با LST در روز، در مدل‌های پیش‌بینی مالاریا مشاهده شد [ 47 ].
همانطور که از همبستگی مثبت قوی بین فراوانی Ae انتظار می رود. aegypti و شب LST، همچنین یک همبستگی قوی، اما منفی بین فراوانی پشه و ارتفاع وجود دارد. به طور کلی، یک رابطه منفی بین ارتفاع و دما [ 48 ] انتظار می رود. با این حال، در مورد ما، این فقط در هنگام در نظر گرفتن LST شب تشخیص داده شد، اما نه در هنگام در نظر گرفتن LST روز. در واقع، LST در روز فقط با LST شبانه مرتبط بود و با هیچ متغیر دیگری، از جمله ارتفاع، ارتباط نداشت. این ممکن است مربوط به پوشش ابری بیشتر در طول روز نسبت به شب باشد، همانطور که با میانگین کمتر تعداد تصاویر بدون ابر موجود در داده های LST در روز (تصاویر 6.8، شکل 3) پیشنهاد می شود.) در مقایسه با 7.9 تصویر موجود برای داده های LST شبانه. اثر حداقل دما ممکن است یکی دیگر از عوامل موثر باشد. لوزانو-فوئنتس و همکاران [ 30 ] میانگین حداقل دمای روزانه و میانگین حداقل دمای روزانه زمستان را از میان پارامترهای آب و هوایی با ارتباط بالقوه برای زیست شناسی Ae شناسایی کرد. مصری . اگرچه مطالعه ما این پارامترهای خاص را در نظر نگرفت، اما ممکن است که حداقل دما (که در داده های LST شبانه ما رخ می دهد) به طور کلی ممکن است نقش مهمی در زیست شناسی Ae داشته باشد. مصری .
در نهایت، یک همبستگی قوی بین درآمد متوسط ​​خانواده و دمای سطح در طول روز، با همبستگی بسیار ضعیف تر در شب گزارش شده است [ 49 ]. مناطق خاص (به عنوان مثال ، محله های درون جوامع) مورد استفاده در این مطالعه با معیارهای شهری بودن خانه های کم درآمد تا متوسط ​​شهری با حیاط های کوچک تا متوسط ​​انتخاب شدند. محل مطالعه اغلب دارای پوشش گیاهی قابل توجهی بود، و مشخص است که دمای برگ و سایر ویژگی های رویشی یک جنبه اصلی مربوط به دمای شهری است [ 50 ]]. اگرچه، این احتمال وجود دارد که عوامل درآمدی در تفاوت های شناسایی شده بین LST در طول روز و شب نقش داشته باشند، چنین احتمالی در مطالعه ما مشهود نیست، زیرا بسیاری از جوامع ما کوچک بودند و به احتمال زیاد بر اثر جزیره گرمایی شهری همانطور که شناسایی شد تأثیری نداشتند. در جعبه شبکه 1 کیلومتر × 1 کیلومتر.
در حالی که می توان همبستگی مثبت بین بارش تخمینی RS و فراوانی Ae را توضیح داد. مصری از نظر پر شدن ظروف بیشتر با آب باران (یا برخی از ظروف دارای حجم بیشتری از آب) و بنابراین، مکان های بالقوه رشد لاروی در هنگام بارندگی، این می تواند یک ارتباط اتفاقی باشد، به دلیل این واقعیت که مناطق با دمای بالاتر و ارتفاع کمتر نیز معمولاً بارندگی بیشتری دارند. در واقع، بارندگی و LST شبانه همبستگی ضعیف، اما معنی‌دار و مثبت داشتند. همچنین لازم به ذکر است که تأثیر بارندگی بر وجود مکان‌های توسعه لارو برای Ae. aegypti توسط شیوه‌های ذخیره‌سازی آب توسط انسان، با اهمیت ظروف پر شده با باران در مقابل اهمیت پیچیده‌تر است.کنش انسانی هم در میان مناطق جغرافیایی و هم در طول سال در مکان های منفرد متفاوت است. با این حال، نتایج یافت شده در این مطالعه با نتایج Lozano-Fuentes و همکاران مطابقت دارد. [ 30 ] با استفاده از داده های هواشناسی ایستگاه های هواشناسی در امتداد همان ترانسکت. علاوه بر این، نتایج ما با مدل‌های چرخه حیات مبتنی بر فرآیند Ae سازگار است. مصری ; جمعیت پشه ها زمانی که درجه حرارت گرم است و بارندگی فراوان است، به بزرگترین جمعیت می رسد [ 51 ، 52 ]. آنها همچنین با مطالعاتی مطابقت دارند که نشان می دهد خطر تب دنگی در انسان با دما و بارندگی رابطه مثبت دارد [ 53 ]، که احتمالاً تا حدی به دلیل تأثیر دما و بارندگی بر جمعیت های ناقل است [53].54 ، 55 ].
نقطه پرت ظاهری Rio Blanco و Orizaba که در شکل 4 نشان داده شده است در جدول Lozano-Fuentes و همکاران نیز واضح است. [ 30 ]، هنگام استفاده از داده ها در مورد شفیره و لارو. ما دریافتیم که به طور کلی، رابطه بین Ae. فراوانی شفیره و دما/بارندگی aegypti در نواحی مرتفع تر (بالاتر از 1300 متر ASL) قوی است و در ارتفاعات پایین تر (زیر 1300 متر ASL) ضعیف تر است. ما معتقدیم که رابطه ضعیف‌تر بین دما/بارندگی و فراوانی شفیره‌های زیر 1300 متر در منطقه مورد مطالعه ما نشان‌دهنده این است که وقتی دما و بارندگی به یک نقطه خاص افزایش می‌یابد، شفیره‌ها بدون توجه به اینکه چقدر گرم‌تر یا مرطوب‌تر می‌شوند، فراوان هستند. به عنوان مثال ، آب و هوا ایده آل برای نابالغ استAe. توسعه مصر در هر نقطه از مناطق گرم و مرطوب زیر 1300 متر. از نقطه نظر ریاضی، این مشاهدات نشان می‌دهد که رابطه بین فراوانی شفیره و تغییرپذیری آب و هوا احتمالاً کمتر از 1300 متر مجانبی‌تر می‌شود، بنابراین برازش‌های خطی نشان‌داده‌شده در شکل 4 ممکن است آنچه را که در واقعیت یک رابطه غیرخطی است، بیش از حد ساده‌تر کند. با این حال، برای اهداف مقاله ما، که در آن ما به سادگی سعی می کنیم نشان دهیم که LST، بارندگی و ارتفاع با Ae همبستگی دارند. فراوانی شفیره aegypti ، این تناسب های خطی کافی هستند. همچنین ممکن است تراکم شهری نسبتاً بیشتر Orizaba و Rio Blanco (ریو بلانکو یک شهر خوابگاهی از Orizaba است) برای تعداد بیشتری از Ae مطلوب تر باشد. مصری، شاید به دلیل تعداد زیاد زیستگاه های کانتینری. در تأیید این حدس، کواتپک دارای ویژگی‌های مشابه ارتفاع و دما (اگرچه میزان بارندگی کمی کمتر) در مقایسه با اوریزابا و ریو بلانکو است، اما تراکم شهری کمتری دارد. و همچنین حضور و فراوانی Ae کمتری دارد. aegypti pupae ( جدول 1 ).
یافته‌های این مطالعه نویدبخش مدل‌های پیش‌بینی مبتنی بر RS آینده Ae است. نوسانات جمعیت مصر و کاربردهای دیگر، مانند پیش بینی شیوع دنگی [ 56]. این نتایج زمانی که محصولات سنجش از راه دور آینده را با قابلیت‌های پیشرفته‌ای که ممکن است به زودی از طریق ماموریت‌های جدید یا برنامه‌ریزی‌شده ناسا و/یا شریک در دسترس قرار گیرند، امیدوارکننده‌تر هستند. از نکات ویژه می توان به مجموعه رادیومتر تصویربرداری مادون قرمز مرئی (NPP-VIIRS)، ماموریت اندازه گیری بارش جهانی (GPM) و ماموریت غیرفعال رطوبت خاک (SMAP) اشاره کرد. سنسور VIIRS که روی ماهواره مشارکت مدار قطبی ملی سوومی (NPP) حمل می شود، از طول موج های مرئی و فروسرخ برای مطالعه زمین، جو، یخ و اقیانوس استفاده می کند. علاوه بر LST، VIIRS مشاهداتی را روی آتش‌سوزی‌های فعال، پوشش گیاهی، رنگ اقیانوس، دمای سطح دریا و سایر ویژگی‌های سطحی در دسترس جامعه علمی قرار خواهد داد [ 57 ]]. این مشاهدات مطالعه تغییرات آب و هوا، ابرها و ذرات معلق در هوا را تسهیل می کند. فیتوپلانکتون و رسوب در دریاها؛ پوشش جنگلی و بهره وری؛ و تغییرات در یخ دریاهای قطبی. شباهت های بین VIIRS و MODIS تداوم برنامه های نظارتی انجام شده با MODIS را فراهم می کند. ماموریت اندازه‌گیری بارش جهانی (GPM) تداوم داده‌های TRMM را برای نظارت بر بارش و سایر کاربردهای هیدرولوژیکی فراهم می‌کند [ 58 ]. اندازه‌گیری رطوبت خاک موجود در سطح زمین، مأموریت غیرفعال رطوبت خاک (SMAP) برای ارزیابی سیل و پایش خشکسالی و همچنین برای مطالعه تعادل جهانی کربن حیاتی خواهد بود [ 59 ].]. انتظار می‌رود SMAP تعهد دیگری باشد که نقش مهمی در پایش متغیرهای محیطی مرتبط با بیماری‌های منتقله ناقل به طور کلی، بلکه و به‌ویژه عفونت‌های کرمی منتقله از خاک ایفا کند. رطوبت خاک یک عامل تعیین کننده حیاتی برای بقای تخم های کرم در خاک است [ 60 ، 61 ، 62 ].
استفاده از محصولات سنجش از دور در این مطالعه برای شناسایی همبستگی بین متغیرهای محیطی و وجود و فراوانی Ae مفید بود. مصری . این یافته برای استفاده از این محصولات برای شناسایی مناطقی که بیشتر در معرض خطر فراوانی شفیرگی در مقیاس های محلی در حدود 1 کیلومتر هستند، دلگرم کننده است. این وسوسه انگیز است که حدس بزنیم که اگر این محصولات در مقیاس محلی برای شهرهایی در امتداد ترانسکت پیچیده توپوگرافی ما در مکزیک کار کنند، حتی در مناطقی که تنوع توپوگرافی نسبتاً کمتر است (و بنابراین، متغیرهای محیطی آنچنان تغییر نمی کنند، بهتر عمل می کنند. فضا)، به عنوان مثال، در بخش جنوبی قاره ایالات متحده. با این حال، از آنجا که فراوانی Ae. مصریهمچنین ارتباط تنگاتنگی با ویژگی‌های محیط انسانی دارد، لازم است اثرات مخدوش‌کننده بالقوه اکولوژی اجتماعی و اقتصادی و انسانی (به عنوان مثال، سبک مسکن، ذخیره‌سازی آب، و غیره ) عوامل مرتبط با استقرار و تکثیر پشه را نیز در نظر گرفت [ 3 ، 63 ] ]. علاوه بر تأثیرگذاری بر فراوانی پشه، عوامل اجتماعی-اقتصادی می‌توانند در آسیب‌پذیری ساکنان انسانی در برابر عفونت ویروس دنگی نقش داشته باشند. برای مثال، هاگنلوچر و همکاران. [ 63 ] یک شاخص ترکیبی از آسیب پذیری اجتماعی-اقتصادی در برابر تب دانگ ایجاد کرد که شامل هر دو شاخص حساسیت و همچنین عدم انعطاف پذیری بود.
هدف اصلی، خواه تمرکز بر فراوانی ناقل پشه، میزان آلودگی ناقل و خطر انتقال ویروس به انسان، آسیب پذیری اجتماعی-اقتصادی یا خطر ابتلا به بیماری همه گیر دنگی، دادن زمان به متخصصان بهداشت عمومی و عموم مردم برای آماده شدن و تلاش برای پیشگیری است. یا شیوع بیماری را کاهش دهد. به عنوان مثال، محققان تعیین کرده‌اند که زمان بهینه برای هشدار زودهنگام دنگی برای مقامات سنگاپور سه ماه به منظور سرکوب یک بیماری همه‌گیر است [ 64 ]، و نقشه‌های خطر جهانی برای تخمین خطر ابتلا به دنگی در اروپا [ 65 ] ایجاد شده است.]. تعریف بهتر ارتباط بین شرایط محیطی و اقلیمی و بروز و گسترش جغرافیایی ناقلان پشه و دانگ، همراه با توانایی استفاده از مشاهدات سنجش از راه دور برای تشخیص شرایطی که سیگنال‌های افزایش خطر را نشان می‌دهند، برای پیش‌بینی شیوع آتی و سرکوب بیماری ارزش زیادی دارد. .

5. نتیجه گیری ها

همبستگی قوی بین فراوانی ناقل پشه ویروس دنگی، Ae یافت شد. مصر ، و LST شبانه برگرفته از RS، ارتفاع یا بارندگی در امتداد یک آب و هوای جغرافیایی/ شیب ارتفاع در مکزیک مرکزی. نتایج با آنچه توسط Lozano-Fuentes و همکاران یافت شد مطابقت داشت. [ 30 ] با استفاده از داده‌های همان بررسی‌های میدانی پشه‌ها، اما داده‌های هواشناسی از ایستگاه‌های هواشناسی. این یافته ها نشان می دهد که داده های سه محصول RS تجزیه و تحلیل شده را می توان برای پیش بینی Ae استفاده کرد. مصر فراوان است، اما مطالعات بیشتری برای تعریف شرایط اقلیمی و اجتماعی-اقتصادی مورد نیاز است که تحت آن همبستگی‌های مشاهده شده در اینجا می‌توان فرض کرد که اعمال می‌شوند.

منابع

  1. اپستین، روابط عمومی تغییر آب و هوا و بیماری عفونی در حال ظهور. میکروب ها عفونی می کنند. 2001 ، 3 ، 747-754. [ Google Scholar ] [ CrossRef ]
  2. Githeko، AK; لیندسی، سوئد; Confalonieri، UE; Patz، JA تغییر آب و هوا و بیماری های منتقله از طریق ناقل: تجزیه و تحلیل منطقه ای. گاو نر ارگان بهداشت جهانی. 2000 ، 78 ، 1136-1147. [ Google Scholar ]
  3. گوبلر، دی جی; رایتر، پی. Ebi، KL; یاپ، دبلیو. ناسی، آر. Patz، JA تنوع و تغییر آب و هوا در ایالات متحده: اثرات بالقوه بر بیماری های ناقل و جوندگان. محیط زیست چشم انداز سلامتی 2001 ، 109 (Suppl. S2)، 223-233. [ Google Scholar ] [ CrossRef ]
  4. هاینز، ای. کواتس، آر اس؛ کمبل-لندروم، دی. کوروالان، سی. تغییرات آب و هوا و سلامت انسان: تأثیرات، آسیب پذیری و سلامت عمومی. بهداشت عمومی 2006 ، 120 ، 585-596. [ Google Scholar ] [ CrossRef ]
  5. Lafferty، KD بوم شناسی تغییرات آب و هوا و بیماری های عفونی. Ecol. Soc. صبح. 2009 ، 90 ، 888-900. [ Google Scholar ]
  6. مک مایکل، ای جی؛ وودراف، RE; Hales, S. تغییرات آب و هوا و سلامت انسان: خطر فعلی و آینده. Lancet 2006 ، 367 ، 859-869. [ Google Scholar ] [ CrossRef ]
  7. سکاتو، پ. کانر، اس جی. جین، آی. تامسون، MC کاربرد سیستم‌های اطلاعات جغرافیایی و فناوری‌های سنجش از راه دور برای ارزیابی و پایش خطر مالاریا. Parassitologia 2005 ، 47 ، 81-96. [ Google Scholar ]
  8. Mills, JN; Gage، KL; خان، AS تأثیر بالقوه تغییر آب و هوا بر بیماری های ناقل و مشترک بین انسان و دام: بررسی و طرح تحقیقاتی پیشنهادی. محیط زیست چشم انداز سلامتی 2010 ، 118 ، 1507-1514. [ Google Scholar ] [ CrossRef ]
  9. پارکینسون، ای جی؛ باتلر، JC اثرات بالقوه تغییرات آب و هوایی بر بیماری های عفونی در قطب شمال. بین المللی J. Circumpolar Health 2005 ، 64 ، 478-486. [ Google Scholar ]
  10. سمنزا، جی سی. Menne, B. تغییرات آب و هوا و بیماری های عفونی در اروپا. عفونت لانست دیس 2009 ، 9 ، 365-375. [ Google Scholar ] [ CrossRef ]
  11. آلن، TR; Wong، DW کاوش GIS، آمار فضایی و سنجش از راه دور برای ارزیابی خطر بیماری‌های ناقل: نمونه‌ای از ویروس نیل غربی. بین المللی J. Risk Asmt. Mgmt. 2006 ، 6 ، 253-275. [ Google Scholar ] [ CrossRef ]
  12. هی، SI; پکر، ام جی. Rogers, DJ تأثیر سنجش از دور بر مطالعه و کنترل میزبان‌ها و ناقلان میانی بی‌مهرگان برای بیماری. بین المللی J. Remote Sens. 1997 , 18 , 2899-2930. [ Google Scholar ] [ CrossRef ]
  13. هی، SI; برف، RW; راجرز، دی جی از پیش‌بینی زیستگاه پشه‌ها تا فصول مالاریا با استفاده از داده‌های سنجش از راه دور: تمرین، مشکلات و دیدگاه‌ها. پارازیتول امروز 1998 ، 14 ، 306-313. [ Google Scholar ] [ CrossRef ]
  14. کلوری، س. گیلوث، پی. راجرز، دی. Szczur، M. نظارت بر بیماری های عفونی ناقل بندپایان با استفاده از تکنیک های سنجش از دور: یک بررسی. PLoS Pathog. 2007 ، 3 ، 1361-1371. [ Google Scholar ]
  15. گوبلر، دی جی; کلارک، GG تب دنگی/ تب خونریزی دهنده دنگی: ظهور یک مشکل بهداشت جهانی. ظهور. آلوده کردن دیس 1995 ، 1 ، 55-57. [ Google Scholar ] [ CrossRef ]
  16. بهات، اس. Gething، PW; بردی، OJ; مسینا، جی پی؛ فارلو، AW; حرکت می کند، CL; دریک، جی.ام. Brownstein, JS; Hoen، AG; سانکوه، او. و همکاران توزیع جهانی و بار دنگی. طبیعت 2013 ، 496 ، 504-507. [ Google Scholar ] [ CrossRef ]
  17. Brunkard، JM; روبلز لوپز، جی ال. رامیرز، جی. سیفوئنتس، ای. روتنبرگ، اس جی. هانسپرگر، EA; مور، سی جی; بروسولو، RM; ویارئال، NA; حداد، شیوع سرمی تب دنگی BM و عوامل خطر، مرز تگزاس و مکزیک، 2004. ظهور. آلوده کردن دیس 2007 ، 13 ، 1477-1483. [ Google Scholar ] [ CrossRef ]
  18. چاول، جی. سانچز، اف. مدل‌های توصیفی تب دنگی مبتنی بر آب و هوا: اپیدمی 2002 در کولیما، مکزیک. جی. محیط زیست. سلامت 2006 ، 68 ، 40-44. [ Google Scholar ]
  19. چاول، جی. کازلز، بی. بروتین، اچ. Munayco، CV تأثیر عوامل جغرافیایی و آب و هوایی بر زمان اپیدمی دنگی در پرو، 1994-2008. BMC Infect دیس 2011 ، 11 . [ Google Scholar ] [ CrossRef ]
  20. کولون-گونزالس، FJ; دریاچه، IR; Bentham, G. تغییرپذیری آب و هوا و تب دنگی در مکزیک گرم و مرطوب. صبح. جی تروپ. پزشکی هیگ 2011 ، 84 ، 757-763. [ Google Scholar ] [ CrossRef ]
  21. دگالیر، ن. فاویر، سی. منکس، سی. لنگاین، ام. رامالهو، WM; سوزا، ر. سرواین، ج. Boulanger، JP به سوی یک سیستم هشدار اولیه برای پیشگیری از تب دانگ: مدل‌سازی تاثیر آب و هوا بر انتقال دنگی. صعود چانگ. 2010 ، 98 ، 581-592. [ Google Scholar ] [ CrossRef ]
  22. فولر، DO; ترویو، آ. Beier، JC El Nino نوسانات جنوبی و پویایی پوشش گیاهی به عنوان پیش بینی کننده موارد تب دنگی در کاستاریکا. محیط زیست Res. Lett. 2009 ، 4 ، 140111-140118. [ Google Scholar ]
  23. هررا-مارتینز، AD; Rodriguez-Morales، AJ تاثیر بالقوه تنوع آب و هوا بر بروز تب دانگ ثبت شده در یک بیمارستان اطفال غربی ونزوئلا. تروپ بیومد. 2010 ، 27 ، 280-286. [ Google Scholar ]
  24. هورتادو دیاز، م. ریخاس-رودریگز، اچ. روتنبرگ، اس جی. گومز-دانتس، اچ. Cifuentes، E. ارتباط کوتاه: تأثیر تغییرپذیری آب و هوا بر بروز تب دنگی در مکزیک. تروپ پزشکی بین المللی سلامت 2007 ، 12 ، 1327-1337. [ Google Scholar ] [ CrossRef ]
  25. جوهانسون، MA; کامینگز، DAT; شیشه، تنوع آب و هوای چند ساله جنرال الکتریک و نوسانات جنوبی دنگی-ال نینو، آب و هوا، و بروز تب دانگ در پورتوریکو، مکزیک و تایلند: تجزیه و تحلیل داده های طولی. PLoS Med. 2009 ، 6 . [ Google Scholar ] [ CrossRef ]
  26. جوهانسون، MA; دومینیسی، اف. شیشه، جنرال الکتریک اثرات محلی و جهانی آب و هوا بر انتقال دنگی در پورتوریکو. PLoS Negl. تروپ دیس 2009 ، 3 . [ Google Scholar ] [ CrossRef ]
  27. لو، آر. بیلی، تی سی؛ استفنسون، دی.بی. گراهام، RJ; کوئلیو، CAS؛ کاروالیو، ام اس; Barcellos، C. مدل‌سازی فضایی و زمانی خطر بیماری حساس به آب و هوا: به سوی یک سیستم هشدار اولیه برای دنگی در برزیل. محاسبه کنید. Geosci. 2011 ، 37 ، 371-381. [ Google Scholar ] [ CrossRef ]
  28. Machado-Machado، EA نقشه‌برداری تجربی مناسب بودن برای تب دنگی در مکزیک با استفاده از مدل‌سازی توزیع گونه‌ها. Appl. Geogr. 2012 ، 33 ، 82-93. [ Google Scholar ] [ CrossRef ]
  29. آیزن، ال. مور، CG Aedes (Stegomyia) aegypti در قاره ایالات متحده: بردار در حاشیه سرد محدوده جغرافیایی آن. جی. مد. انتومول. 2013 ، 50 ، 467-478. [ Google Scholar ] [ CrossRef ]
  30. لوزانو-فوئنتس، اس. هایدن، MH; ولز-رودریگز، سی. اوچوا-مارتینز، سی. تاپیا سانتوس، بی. کوبیلینسکی، کی سی. Uejio، CK; زیلینسکی-گوتیرز، ای. Monache، LD; موناگان، ای جی; و همکاران پشه ویروس دنگی ناقل Aedes aegypti در ارتفاعات بالا در مکزیک. صبح. جی تروپ. پزشکی هیگ 2012 ، 87 ، 902-909. [ Google Scholar ] [ CrossRef ]
  31. سیستم تجسم و تحلیل آنلاین (TOVAS). در دسترس آنلاین: http://disc.sci.gsfc.nasa.gov/precipitation/tovas (در 6 سپتامبر 2013 قابل دسترسی است).
  32. هافمن، جی. نویسندگان همکار تجزیه و تحلیل بارش چندماهواره ای TRMM (TMPA): تخمین بارش شبه جهانی، چند ساله با سنسور ترکیبی در مقیاس های خوب. J. Hydrometeorol. 2007 ، 8 ، 38-55. [ Google Scholar ] [ CrossRef ]
  33. وب سایت Reverb/Echo NASA EOS Data and Information System (EOSDIS). در دسترس آنلاین: http://reverb.echo.nasa.gov/reverb/ (دسترسی در 20 دسامبر 2013).
  34. Xiong، X. بارنز، دبلیو. مروری بر کالیبراسیون و خصوصیات رادیومتری MODIS. Adv. اتمس. علمی 2006 ، 23 ، 69-79. [ Google Scholar ] [ CrossRef ]
  35. پارکینسون، CL Aqua: یک ماموریت ماهواره ای رصد زمین برای بررسی آب و سایر متغیرهای آب و هوایی. IEEE Trans. Geosci. Remote Sens. 2003 , 41 , 173-183. [ Google Scholar ] [ CrossRef ]
  36. کول، سی. کاسلس، وی. Galve، JM; والور، ای. نیکلوس، آر. سانچز، جی.ام. Rivas, R. اندازه‌گیری‌های زمینی برای اعتبارسنجی دمای سطح زمین به‌دست‌آمده از داده‌های AATSR و MODIS. سنسور از راه دور محیط. 2005 ، 97 ، 288-300. [ Google Scholar ] [ CrossRef ]
  37. وان، ز. ژانگ، ی. ژانگ، YQ; لی، ز.ال. اعتبارسنجی محصولات دمای سطح زمین بازیابی شده از داده های طیف رادیومتر تصویربرداری با وضوح متوسط. سنسور از راه دور محیط. 2002 ، 83 ، 163-180. [ Google Scholar ] [ CrossRef ]
  38. Farr، TG; روزن، PA; کارو، ای. کریپن، آر. دورن، آر. هنسلی، اس. کوبریک، ام. پالر، ام. رودریگز، ای. راث، ال. و همکاران ماموریت توپوگرافی رادار شاتل کشیش ژئوفیس. 2007 ، 45 . [ Google Scholar ] [ CrossRef ]
  39. کاوشگر داده های جهانی در دسترس آنلاین: http://gdex.cr.usgs.gov/gdex/ (در 7 اکتبر 2013 قابل دسترسی است).
  40. Chaves، LF; موریسون، ای سی؛ کیترون، UD; اسکات، TW اثرات غیرخطی تنوع آب و هوایی بر تنظیم وابسته به تراکم یک ناقل حشره بیماری. گلوب. چانگ. Biol. 2012 ، 18 ، 457-468. [ Google Scholar ]
  41. Chaves، LF; اسکات، TW; موریسون، ای سی؛ تاکادا، T. دمای داغ می‌تواند باعث ایجاد تغییرات پی در پی در محیط‌های مرتبط با پارامترهای جمعیتی Aedes aegypti در شیوع تاخیری پشه شود. آکتا تروپ. 2014 ، 129 ، 15-24. [ Google Scholar ] [ CrossRef ]
  42. لانا، آر.ام. کارنیرو، TGS؛ Honório، NA; Codeco، CT دینامیک فصلی و غیرفصلی Aedes aegypti در ریودوژانیرو، برزیل: برازش مدل‌های ریاضی برای به دام انداختن داده‌ها. آکتا تروپ. 2014 ، 129 ، 25-32. [ Google Scholar ] [ CrossRef ]
  43. مارتیس، ال. ماکوفسکی، ال. کونسیکائو، ک. La Corte, R. شناسایی و توزیع فضایی مکان‌های کلیدی برای Aedes aegypti در محله پورتو دانتاس، آراکاجو، ایالت سرگیپ، برزیل. Cad. Sause Publica 2013 ، 29 ، 368-378. [ Google Scholar ] [ CrossRef ]
  44. روبیو، آ. کاردو، ام وی. Carbajo، AE; Vezzani, D. نفوذ ناپذیری به عنوان پیش‌بینی‌کننده سطوح آلودگی پشه‌های کانتینری در کانون دنگی و آنسفالیت سنت لوئیس در آرژانتین. آکتا تروپ. 2013 ، 128 ، 680-685. [ Google Scholar ] [ CrossRef ]
  45. Honório، NA; Codeco، CT; آلوز، اف سی؛ Magalhães، MAFM; Lourenco-de-Oliveira، R. توزیع زمانی Aedes aegypti در مناطق مختلف ریودوژانیرو، برزیل، با دو نوع تله اندازه گیری شد. جی. مد. انتومول. 2009 ، 46 ، 1001-1014. [ Google Scholar ] [ CrossRef ]
  46. آیزن، ال. موناگان، ای جی; لوزانو-فوئنتس، اس. Steinhoff، DF; هایدن، MH; Bieringer، PE تأثیر دما بر بیونومیک Aedes (Stegomyia) aegypti ، با اشاره ویژه به حاشیه های محدوده جغرافیایی خنک. جی. مد. انتومول. 2014 ، در دست چاپ. [ Google Scholar ]
  47. ریدل، ن. ووناتسو، پ. میلر، جی.ام. گوسونیو، ال. چیزما-کاوشا، ای. موکنکا، وی. Steketee، RW الگوهای جغرافیایی و پیش‌بینی‌کننده‌های خطر مالاریا در زامبیا: مدل‌سازی زمین‌آماری بیزی بررسی شاخص ملی مالاریا زامبیا در سال 2006 (ZMIS). مالار. J. 2010 ، 9 ، 1-13. [ Google Scholar ] [ CrossRef ]
  48. Gebremariam، YB فرمول‌بندی رابطه بین دما و ارتفاع و ارزیابی تأثیر پوشش‌های اصلی زمین بر دمای سطح (مطالعه موردی در بخشی از اتیوپی شمالی). در دسترس آنلاین: http://www.scribd.com/doc/21553665/ (دسترسی در 20 مارس 2014).
  49. بویانتویف، آ. وو، جی. جزایر گرمایی شهری و ناهمگونی چشم‌انداز: ارتباط تغییرات مکانی-زمانی در دمای سطح به پوشش زمین و الگوهای اجتماعی-اقتصادی. Landsc. Ecol. 2010 ، 25 ، 17-33. [ Google Scholar ] [ CrossRef ]
  50. O’Rourke، PA; Terjung، WH تأثیر نسبی ساختار شهر بر فتوسنتز تاج پوشش. بین المللی جی بیومت. 1981 ، 25 ، 1-19. [ Google Scholar ] [ CrossRef ]
  51. Focks، DA; Haile, DG; دانیلز، ای. کوه، مدل جدول زندگی پویا GA برای Aedes aegypti (دوپه: Culicidae): تجزیه و تحلیل ادبیات و توسعه مدل. جی. مد. انتومول. 1993 ، 30 ، 1003-1017. [ Google Scholar ]
  52. Focks، DA; Haile, DG; دانیلز، ای. کوه، مدل جدول زندگی پویا GA برای Aedes aegypti (Diptera: Culicidae): نتایج شبیه سازی و اعتبار سنجی. جی. مد. انتومول. 1993 ، 30 ، 1018-1028. [ Google Scholar ]
  53. گومز، AF؛ نوبر، AA; کروز، OG تحلیل زمانی رابطه بین دنگی و متغیرهای هواشناسی در شهر ریودوژانیرو، برزیل، 2001-2009. Cad. Saúde Pública 2012 ، 28 ، 2189-2197. [ Google Scholar ] [ CrossRef ]
  54. آلتو، BW; Bettinardi، D. دما و عفونت ویروس دنگی در پشه ها: اثرات مستقل بر مراحل نابالغ و بالغ. صبح. جی تروپ. پزشکی هیگ 2013 ، 88 ، 497-505. [ Google Scholar ] [ CrossRef ]
  55. لامبرشتز، ال. Paaijmans، KP; فانسیری، ت. کارینگتون، LB; کرامر، LD; توماس، MB; اسکات، TW تاثیر نوسانات دمای روزانه بر انتقال ویروس دنگی توسط Aedes aegypti . Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 7460–7465. [ Google Scholar ] [ CrossRef ]
  56. Buczak، AL; کوشوت، PT; Babin, SM; فاینر، BH; Lewis, SH یک روش پیش‌بینی اپیدمیولوژیک مبتنی بر داده برای شیوع دنگی با استفاده از داده‌های سنجش از راه دور و محلی. BMC Med. به اطلاع رساندن. تصمیم می گیرد. ماک 2012 ، 12 ، 1-20. [ Google Scholar ]
  57. پروژه مقدماتی NPOESS (NPP): ساختن پل به عصر جدیدی از مشاهدات زمین. در دسترس آنلاین: http://www.nasa.gov/pdf/596329main_NPP_Brochure_ForWeb.pdf (در 7 مارس 2014 قابل دسترسی است).
  58. کید، سی. Hou, A. ماموریت اندازه گیری بارش جهانی (GPM): کاربردهای هیدرولوژیکی. در مجموعه مقالات کنفرانس ماهواره ای هواشناسی EUMETSAT 2012، Sopot، لهستان، 3-7 سپتامبر 2012.
  59. انتخابی، ب.د. Njoku، EG; اونیل، پی. Kellogg، KH; کلاغ، WT; ادلشتاین، WN; انتین، جی کی. گودمن، SD; جکسون، تی جی؛ جانسون، جی. و همکاران ماموریت غیرفعال رطوبت خاک (SMAP). Proc. IEEE 2010 . [ Google Scholar ] [ CrossRef ]
  60. بتونی، جی. بروکر، اس. آلبونیکو، م. گایگر، اس ام. لوکاس، ا. دیمرت، دی. Hotez، PJ عفونت های کرمی منتقله از خاک: آسکاریازیس، ریچوریازیس و کرم قلابدار. Lancet 2006 ، 367 ، 1521-1532. [ Google Scholar ] [ CrossRef ]
  61. بروکر، اس. مایکل، ای. پتانسیل سیستم های اطلاعات جغرافیایی و سنجش از دور در اپیدمیولوژی و کنترل عفونت های کرمی انسانی. Adv. پارازیتول 2000 ، 47 ، 245-270. [ Google Scholar ] [ CrossRef ]
  62. مورنو-مادرینان، ام جی; Parajón، DG; الحمدان، م.ز. مارتینز، آر. ریکمن، دی.ال. پاراجون، ال. Estes، S. استفاده از سنجش از دور/سیستم‌های اطلاعات جغرافیایی (RS/GIS) برای شناسایی محدودیت‌های زیست‌محیطی آلودگی کرم‌های آلوده به خاک (STHs) در بوآکو، نیکاراگوئه. مجموعه مقالات انجمن سلامت عمومی آمریکا (APHA) 139 امین نشست و نمایشگاه سالانه، واشنگتن دی سی، ایالات متحده، 29 اکتبر تا 2 نوامبر 2011. در دسترس آنلاین: http://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/20120001772.pdf (دسترسی در 9 مه 2014).
  63. هاگنلوچر، ام. دلمل، ای. کاساس، آی. کینبرگر، اس. ارزیابی آسیب پذیری اجتماعی-اقتصادی به تب دنگی در کالی، کلمبیا: مدل سازی مبتنی بر آمار در مقابل متخصص. بین المللی J. Health Geogr. 2013 ، 12 . [ Google Scholar ] [ CrossRef ]
  64. سلام، YL; راکلوف، جی. دیوارها.؛ Ng، LC؛ تانگ، CS; Ng، N. زمان بهینه برای پیش‌بینی تب دنگی. PLoS Negl. تروپ دیس 2012 ، 6 . [ Google Scholar ] [ CrossRef ]
  65. راجرز، دی جی; سوک، جی. Semenza، JC استفاده از نقشه های جهانی برای پیش بینی خطر ابتلا به تب دنگی در اروپا. آکتا تروپ. 2014 ، 129 ، 1-14. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370