نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

بروز بیماری دنگی با ساختن سقف خانه که Aedes است مرتبط استزیستگاه پشه این مطالعه برای طبقه‌بندی سطوح سقف شیبدار (PR) و سقف مسطح (FR) با استفاده از Worldview 2 برای شناسایی الگوهای بیماری دنگی (DDPs)و ارتباط آن‌ها با DDP انجام شد. یک طبقه‌بندی‌کننده حداقل فاصله نظارت شده برای ۶۵۳ داده آموزشی از تقسیم‌بندی‌های شی تصویر اعمال شد: PR (۸۱ چند ضلعی)، FR (۵۰)، و کلاس غیر سقفی (NR) (۵۲۲). اعتبارسنجی زمینی 272 پیکسل (52 برای PR، 51 برای FR، و 169 برای NR) با استفاده از ابزار سیستم موقعیت یابی جهانی (GPS) انجام شد. تجزیه و تحلیل الگوی امتیاز Getis-Ord به 1154 بروز بیماری دنگی با داده های مبتنی بر رویکرد آدرس با ارزش زمانی وزنی 28 روز در شعاع فضایی 1194 متری اعمال شد. ما از حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR) برای ارزیابی ارتباط فضایی استفاده کردیم. یافته های ما 70.59 درصد دقت کلی را با 0 نشان داد. 51 ضریب کاپا تصاویر طبقه بندی سقف. نتایج نشان می دهد که DDP ها در الگوهای هات اسپات، تصادفی و پراکنده یافت شدند. اندازه PR کوچکتر و اندازه FR بزرگتر ارتباطی با افزایش DDP در خوشه های بیشتر نشان داد (OLS: ارزش PR = -0.27؛ FR = 0.04.R 2 = 0.076; GWR: R2 = 0.76 ). ارتباط در الگوهای هات اسپات قوی تر از الگوهای دیگر است (GWR: R2 در هات اسپات = 0.39، تصادفی = 0.37، پراکنده = 0.23).
کلید واژه ها: 

بروز بیماری دنگی ; داده های مبتنی بر رویکرد آدرس ; امتیاز Getis-Ord ; تقسیم بندی حداقل فاصله تحت نظارت حداقل مربعات معمولی (OLS) ; رگرسیون وزنی جغرافیایی (GWR)

 

چکیده گرافیکی

1. معرفی

دنگی یک بیماری است که توسط ویروس دنگی (DENV) ایجاد می شود، که توسط یک پشه ماده گونه Aedes (sp.) از انسان به انسان منتقل می شود ، یک پشه انسان دوست که در اطراف انسان تکثیر می شود [ 1 ]. هنگامی که انسان به DENV آلوده می شود، تب، سردرد، درد ماهیچه ها و مفاصل و حالت تهوع در چند روز اول ظاهر می شود [ 2 ، 3 ]. شرایط ممکن است با خونریزی خود به خودی زیر جلدی یا بینی و دهانی و همچنین خونریزی شدید داخلی و شوک تهدید کننده زندگی بدتر شود [ 3 ، 4 ، 5 ]. پشه ها انسان را عمدتاً در طول روز و همچنین در شب نیش می زنند [ 6 ]. چرخه زندگی آنها زمانی آغاز می شود که آئدس ماده استsp. پشه ها تخم های خود را بر روی زیستگاه های پر آب قرار می دهند. در عرض 1 تا 2 هفته، تخم ها به لارو سن، شفیره و در نهایت پشه بالغ تبدیل می شوند. در طول خشکسالی، پشه های بالغ و تخم های آنها نیز می توانند زندگی کنند. هنگامی که محیط مرطوب شد، تخم ها می توانند از تخم خارج شوند [ 7 ، 8 ، 9 ].
یک وسیله عالی برای کنترل همه‌گیری بیماری دنگی، نظارت و مداخله در شرایط محیطی است [ 10 ]. عوامل محیطی که برای زیستگاه های تولید مثل ناقل دنگی ترسیم شده اند شامل پوشش گیاهی، بدنه های آبی و پوشش زمین [ 11 ] است. سطوح ساخته شده سازه های شهری به دلیل احتمال بالاتر تبدیل شدن به زیستگاه تولید مثل، عامل اصلی را تشکیل می دهند [ 12 ]. مطالعات قبلی نشان داده است که در ساختارهای شهری، خانه ها نقش عمده ای را به عنوان زیستگاه ناقلان دانگ ایفا می کنند [ 13 ، 14 ]. ساخت و ساز سقف یک خطر بالقوه برای مکان های پرورش پشه Aedes است [ 15]. به عنوان بخشی از ساخت و ساز سقف، یک سقف مسطح (FR) ساخته شده از مواد ضد آب [ 16 ] احتمال زیادی برای جریان آب با سرعت کمتر از سقف شیب دار (PR) ارائه می دهد [ 17 ]. زمانی که هر دو ناودان مسدود می‌شوند، آب راکد در آن وجود دارد [ 8 ، 18 ]. تمام تخمگذاری در فضای باز با فراوانی پشه های ماده بالغ در داخل خانه ارتباط نشان داد و می تواند باعث افزایش نرخ تخم گذاری در داخل خانه هایی شود که در آن ظروف آب بیشتر یافت می شود [ 15 , 19]]. در اندونزی، صدور مقررات دولتی مربوط به تمیز کردن مناطق پشت بام هنوز غیر معمول است. بر این اساس، کمپین های ارتقای سلامت مرتبط با چنین موضوعاتی وجود ندارد. در یک کشور همسایه (استرالیا)، تمیز کردن ناودان های سقف نیز غیرمعمول است، اما یک مطالعه نشان داده است که آنها یک زیستگاه مولد برای پشه های Aedes هستند [ 8 ]. ما استنباط کردیم که شناسایی سقف های شیبدار و مسطح یک رویکرد خوب برای شناسایی ناودان های پشت بام است، اگرچه سقف هر خانه ای دارای ناودان سقف نیست.
بسیاری از مطالعات از تحلیل فضایی الگوهای مورد دنگی استفاده کرده‌اند، اما چندین مطالعه از شاخص‌های زمانی برای انجام رویکردهای مدل‌سازی استفاده کرده‌اند. چنین مطالعاتی عمدتاً به استفاده از مقیاس درشت تر با استفاده از لندست، رادیومتر گسیل حرارتی و انعکاسی پیشرفته فضایی (ASTER) و رادیومتر با وضوح بسیار بالا پیشرفته (AVHRR) [9] ادامه دادند . تصاویر با وضوح فضایی بالا (HSR)، به دلیل برتری آن در تجزیه و تحلیل مبتنی بر شی، برای نقشه برداری شهری استفاده شده است [ 20 ، 21 ، 22 ]. با این حال، کاربرد آن در یک رویکرد بهداشت عمومی با ادغام مکانی و زمانی برای تولید نقشه‌های خطر دنگی با استفاده از تصاویر HSR وجود نداشت [ 11]]. استفاده از تصاویر HSR برای بیماری های منتقله از پشه با استفاده از ماهواره Pour l’Observation de la Terre (SPOT) 5 [ 23 ]، IKONOS [ 24 ] و QuickBird [ 25 ] به طور فزاینده ای محبوب شده است [ 10 ، 11 ] مطالعات بیماری مالاریا برای مطالعات بیماری دانگ، QuickBird [ 12 ، 26 ]، Geoeye-1 [ 27 ]، و تصاویر هوایی [ 28 ] استفاده شده است، اگرچه هیچ اشاره ای به Worldview 2 در آن مجموعه از ادبیات [ 10] وجود ندارد.]. اهداف مطالعه حاضر شناسایی ارتباط ساخت سقف (PR یا FR) با الگوهای بیماری دنگی (DDPs) با نشان دادن ادغام تصاویر HSR با DDP از نظر فضایی و زمانی بود. ما فرض کردیم که نتیجه ارتباط کمتر از سایر مطالعات است زیرا ما فقط ساخت سقف را جدا از سایر عوامل مانند پوشش گیاهی و مناطق سایه دار ارزیابی کردیم [ 29 ]. علاوه بر این، ارزیابی کیفیت طبقه‌بندی PR و FR از یک جهان‌نمای 2 و شناسایی DDP به‌عنوان فرآیندی برای ایجاد کیفیت ارتباط نشان داده شد.

2. روش ها

2.1. حوزه و داده های مطالعه

منطقه مورد مطالعه شامل 48.66 کیلومتر مربع است که شامل 40 روستا در شمال شهر باندونگ، واقع در جاوه غربی است. شکل 1 منطقه مورد مطالعه را به صورت ترکیب رنگی قرمز، سبز و آبی (RGB) نشان می دهد. چشم انداز شهری آن ناهمگونی را نشان می دهد، با ارتفاعات از بالاترین ارتفاع (1077 متر از سطح دریا) تا پایین ترین (691 متر)، و همچنین خانه های شیبدار و مسطح مختلف. داده های سرشماری شهرستان، ساکنان این منطقه را در سال 1391 بالغ بر 748561 نفر نشان می دهد که بر اساس آن تراکم جمعیت منطقه 15383 نفر در کیلومتر مربع بوده است . موارد دنگی در طول دهه قبل در شهر باندونگ اندونزی بومی بود. تراکم ساکنان این شهر زیاد است (حدود 2.5 میلیون نفر در 167 کیلومتر مربع ).) خطر بالایی از بومی شدن را ارائه می دهد.
Ijgi 04 02586 g001 1024
شکل 1. ( الف ) نقشه اندونزی که موقعیت تقریبی شمال شهر باندونگ را نشان می دهد. ( ب ) شهر باندونگ و مرز سفید منطقه مورد مطالعه. ( ج ) تصویر ماهواره‌ای Worldview 2 با پان تیز، ترکیب رنگی قرمز، سبز، آبی (RGB) که ناحیه نشان‌داده‌شده در تصاویر ماهواره‌ای با وضوح بالا را نشان می‌دهد.
برای کنترل بومی بودن، عوامل شیمیایی برای کنترل پشه ها به طور مکرر در طی سالیان متمادی استفاده شده است [ 1 ، 30 ]، حتی در شهر باندونگ، به شکل سمپاشی روی خانوارها و قرار دادن لاروها در اتاقک آب. با این وجود، کنترل سقف برای مکان‌های پرورش پشه در شهر ناکافی است.
شکل 2آماده سازی داده ها و روش های تحلیلی را به تصویر می کشد. یک تصویر آماده بایگانی استاندارد سطح 2A (ORS2A) از Worldview 2 (WV2) با فاصله نمونه زمینی 0.5 (GSD) و کامپوزیت رنگی قرمز، سبز و آبی (RGB) در 2 ژوئیه 2011 به عنوان سه مورد به دست آمد. تصاویر منطقه مورد مطالعه مجوز محصول تحویل شده توسط آژانس دولتی طرح توسعه منطقه (BAPPEDA) در شهر باندونگ، اندونزی خریداری شد. این تصویر تنها توسط دولت در کامپوزیت رنگی باند RGB ارائه شده است، نه در 8 باند کامل. Orthorectification در ENVI 4.8 با استفاده از یک مدل تابع منطقی که قبلاً در پوشه محصول گنجانده شده بود انجام شد. سپس تصاویر در ArcGIS موزاییک شدند تا تصاویر کامل به دست آید. زیر مجموعه ای از تصاویر در ENVI برای به دست آوردن تنها تصویری که منطقه مورد مطالعه را پوشش می دهد، انجام شد. این تصویر (در فرمت تصویر ENVI) در بسته نرم افزاری eCognition 64 (Trimble Geospatial Imaging) برای فرآیند تقسیم بندی بارگذاری شد. تقسیم‌بندی چند وضوحی، الگوریتمی که برای تقسیم‌بندی تصاویر HSR استفاده می‌شود، به‌طور گسترده مورد استفاده قرار گرفته است و به دقت خوبی دست یافته است [20 ]. این یک تکنیک ادغام منطقه پایین به بالا از سطح پیکسل به سطح چند ضلعی شی تصویر (IO) با استفاده از سه پارامتر است: مقیاس، شکل، و فشردگی [ 20 ، 31 ، 32 ]. ما پارامترهای الگوریتم را برای به دست آوردن بهترین چند ضلعی ها برای هر یک از اشیاء موجود در تصویر با درج پارامترهایی که قبلاً برای ترکیب رنگی واقعی از ارتفتوهای کامپوزیت رنگی RGB در سطح پیکسل استفاده می شد، تنظیم می کنیم: 10 در مقیاس، شکل 0.5، و فشردگی 0.9، در نرم افزار. این سطح هنوز در چند ضلعی های سطح پیکسل بود که IO معنی دار را منتقل نمی کرد. برای سطح IO، پردازش بخش‌بندی آزمون و خطا الزاماً برای اطمینان از اشیاء خالص بصری که فقط به یک کلاس تعلق دارند انجام می‌شود [ 20 ، 31 ، 33]. با توجه به این فرآیند، ما به آزمایش چندین پارامتر الگوریتم با مقیاس بندی از 20 تا 100 ادامه دادیم. سپس، یک پارامتر 20 مقیاسی دریافت کردیم زیرا این مقیاس بود که اشیاء خالص را مطابق با تفسیر بصری ما نشان می داد. شکل 3یک ترکیب رنگی RGB از یک تصویر پان شارپ و نتیجه تقسیم بندی را ارائه می دهد. از eCognition، این نتیجه به عنوان یک شکل فایل ذخیره شد. ما از این تقسیم‌بندی برای تولید داده‌های آموزشی با انتخاب چند ضلعی از تقسیم‌بندی، تطبیق با تصاویر برای تصمیم‌گیری در مورد PR، FR، و غیر سقفی (NR) استفاده کردیم. ما 653 داده آموزشی را از چند ضلعی های تقسیم بندی IO تصویر WV2 جمع آوری کردیم. از آن‌ها، ما سه چند ضلعی منطقه مورد علاقه (ROI) متشکل از 81 چند ضلعی متعلق به کلاس PR، 50 FR ساختیم. بقیه (522) کلاس NR بودند. با توجه به تعداد داده‌های آموزشی، گزارش‌های قبلی توضیح دادند که تعداد چند ضلعی‌های IO مورد استفاده برای داده‌های آموزشی بین 18 تا 63 چند ضلعی در هر کلاس متفاوت است [ 20 ].
برای استفاده به‌عنوان داده‌های مرجع، نقاط حقیقت زمین را در شهر باندونگ با استفاده از یک سیستم موقعیت‌یابی جهانی (GPS) 60 CSx شامل تصاویر آن‌ها پس از دریافت رضایت آگاهانه از صاحبان خانه جمع‌آوری کردیم. سقف خانه‌ها توسط GPS در جلوی خانه برچسب‌گذاری می‌شد، در حالی که به دلیل دسترسی دشوار یا حفظ حریم خصوصی در داخل خانه امکان ارزیابی حقیقت وجود نداشت. مجوز اخلاقی برای انجام این مطالعه توسط اخلاق پژوهشی سلامت دانشکده پزشکی دانشگاه پادجاران صادر شد. نامه ای از شهرداری که اطلاعاتی در مورد این مطالعه ارائه می دهد نیز برای حمایت از تلاش با رضایت آگاهانه همراه با نامه ترخیص صادر شد. در مجموع 272 نقطه GPS جمع آوری شد. از این تعداد، 52 مورد کلاس PR، با 51 امتیاز FR و 169 امتیاز NR بودند. ما هر عکس نقطه GPS را با بازرسی بصری بررسی کردیم و هر عکس را با IO تصویر مطابقت دادیم. بعداً، هر نقطه به یکی از پیکسل‌های IO که در آن تعلق داشت منتقل شد. این مراحل از فرآیند استفاده شده توسط Aguilar اصلاح شدندو همکاران ، که داده های مرجع را از چند ضلعی های یک تقسیم بندی تولید کرد، نه از پیکسل ها [ 20 ]. گزارش‌های قبلی توضیح می‌دادند که تحلیل مبتنی بر پیکسل در HSR به دلیل دقت بالاتر آن نسبت به دقت مبتنی بر IO ترجیح داده می‌شود [ 31 ].
Ijgi 04 02586 g002 1024
شکل 2. روش های آماده سازی و تجزیه و تحلیل داده ها.
داده های مورد دنگی از 1 ژانویه تا 31 دسامبر 2012 از خدمات بهداشتی شهر باندونگ به دست آمد. این یک مشکل رایج است که داده های نظارت دانگ در واحدهای منطقه ای گزارش می شود [ 34 ]. با این حال، ما از داده‌های بیمار بیماری دنگی در واحدهای نقطه‌ای استفاده کردیم که شامل آدرس‌های بیماران، تشخیص‌ها و تاریخ‌های علائم قبل از پذیرش در بیمارستان است. به عنوان آماده سازی قبل از تجزیه و تحلیل، کیفیت داده ها برای اطلاعات مکان بهتر بررسی شد. برای افزایش کیفیت، اطلاعات زیربخش و روستا توسط مدیر داده های سرویس بهداشتی مطابقت و تصحیح شد. بعداً، حداقل یک نقشه از هر منطقه فرعی که از تصاویر WV2 مشتق شده بود، با کیفیتی با کیفیت بالا چاپ شد. سپس نقشه (ها) به هر مدیر مورد دنگی هر مراقبت بهداشتی اولیه داده شد ( Puskesmas) در منطقه مورد مطالعه که در آن به صورت دستی یک آدرس-رویکرد به مکان های بیمار انجام دادند و آنها را به عنوان نقاطی روی نقشه دیجیتالی کردند. هر مکان از آدرس بیمار با توجه به دانش مدیران مورد مربوط به پوشش منطقه کاری آنها تایید شد. وقتی مدیران پرونده نمی‌دانستند دقیقاً به کجا اشاره کنند، بر اساس بلوک‌های خانگی به آدرس بیمار نزدیک شدند. این داده‌ها به‌عنوان داده‌های تصحیح شده برچسب‌گذاری شدند، در حالی که آدرس‌های ناشناخته حذف شدند و به‌عنوان تصحیح نشده برچسب‌گذاری شدند. هر نقشه به عنوان مرجع بر روی تصاویر WV2 ارجاع داده شد. پس از آن، تمام نقاط بیمار دانگ در ArcGIS 10.1 دیجیتالی شدند. کیفیت داده ها با تقسیم داده های تصحیح شده (4172 آدرس) بر کل داده ها (5096) محاسبه شد که 0.82 برای کل شهر باندونگ به دست آمد. از این داده های تصحیح شده، تنها بخش شمالی شهر باندونگ (1058 مورد) برای تجزیه و تحلیل استخراج شد. اطلاعات سرشماری هر روستا در سال 1391 از جمعیت شهرستان و سازمان ثبت احوال به دست آمد.
Ijgi 04 02586 g003 1024
شکل 3. ( الف ) کامپوزیت رنگی RGB از تقسیم بندی Worldview 2 و ( ب ) پان شارپن شده .

2.2. تحلیل و بررسی

یک روش طبقه‌بندی‌کننده حداقل فاصله نظارت شده برای تولید یک تصویر طبقه‌بندی بر اساس چند ضلعی‌های ROI استفاده شد. این روش بر اساس میانگین بردار برای هر کلاس از داده های آموزشی است. با در نظر گرفتن این مقادیر میانگین، یک پیکسل با هویت ناشناخته ممکن است با محاسبه فاصله بین مقدار پیکسل ناشناخته و هر یک از میانگین های داده آموزشی طبقه بندی شود. پس از محاسبه فاصله، پیکسل ناشناخته به نزدیکترین کلاس اختصاص داده می شود [ 31 ، 35]. این روش هنگام استفاده از تصاویر HSR بسیار مؤثر است، شاید به این دلیل که طبقه‌بندی‌کننده حداقل فاصله یک رویکرد ناپارامتریک است که نیازی به فرض نرمال بودن ندارد. این روش می تواند برای تصاویر HSR به دلیل پیچیدگی ویژگی های منطقه شهری آن که منجر به توزیع غیرعادی داده ها می شود، موثر باشد [ 31 ]. برای افتراق PR و FR، مقادیر میانگین عدد دیجیتال ترکیبی رنگی R، G، B (DN) داده های آموزشی همانطور که در جدول 1 نشان داده شده است استفاده شد.: توضیحات DN PR و FR. تجزیه و تحلیل در ENVI 4.8 انجام شد که یک تصویر طبقه بندی را تولید کرد. بعداً، توافق ارزیابی دقت تصویر طبقه‌بندی سقف با داده‌های مرجع محاسبه شد. متغیرهای توضیحی به متغیرهایی اشاره دارند که ارتباط برازش مدل را با متغیر وابسته با استفاده از R -squared ( R2 ) و R2 تعدیل شده (0-1) اندازه گیری کردند [ 36 ]. تصویر طبقه‌بندی که کلاس‌های PR، FR و NR را نشان می‌دهد از داده‌های شطرنجی به داده‌های برداری در ArcGIS تبدیل شد و سپس به عنوان متغیرهای توضیحی به جز کلاس NR در تجزیه و تحلیل گنجانده شد.
جدول
جدول 1. شرح اعداد دیجیتال سقف شیبدار و مسطح.
الگوی بیماری دنگی (DDPs) به متغیری اشاره دارد که ما از بروز بیماری دنگی به دست آوردیم و سپس در ArcGIS بر اساس مکان‌های بیماری مبتنی بر آدرس و تاریخ علائم بیماری تجزیه و تحلیل کردیم. بروز بیماری دنگی اندازه گیری نرخ تعداد موارد به ازای تعداد جمعیت در معرض خطر است [ 37 ، 38 ]. جمعیت های در معرض خطر با تقسیم داده های سرشماری هر روستا بر تعداد شبکه هایی به اندازه 75 متر × 75 متر در مناطق مسکونی مورد بررسی قرار گرفتند. جمعیت در هر شبکه به عنوان جمعیت در معرض خطر در نظر گرفته شد زیرا اندازه شبکه در محدوده پرواز پشه Aedes باقی مانده است [ 39 ]. اندازه شبکه بر اساس اندازه تقریبی یک روکون تتانگا نزدیک شد(RT) یا بلوک در شهر باندونگ که از حدود 30 تا 75 خانه (هر خانه حدود 72 متر مربع تخمین زده می شود ) طبق مقررات شهر تشکیل شده است. این روش اصلاحی از روشی بود که توسط کومار و همکارانش استفاده شد. ، که یک شبکه 100 متر × 100 متر برای تراکم زمین ساخته شده اعمال کرد [ 34 ، 40 ]. سپس بروز بیماری به دست آمد و برای تجزیه و تحلیل DDP با استفاده از آنالیز Hotspot یا Getis-Ord Gi (GiZ) در جعبه ابزار ArcGIS 10.1 استفاده شد که می تواند داده های پیوسته عددی را تولید کند و می تواند نقاط مهم آماری، تصادفی و همچنین الگوهای پراکنده را شناسایی کند [ 1 , 41]. ما از الگوی دنگی امتیاز GiZ به عنوان یک نقطه داغ یا الگوی خوشه‌ای (نمره GiZ> 1.65)، تصادفی (1.65 ≤ امتیاز GiZ ≤ 1.65)، و الگوی پراکنده (<1.65) بر اساس مطالعه قبلی استفاده کردیم [ 1 ، 41 ] . این الگوهای DDP به عنوان متغیرهای وابسته برای تحلیل رگرسیون مورد استفاده قرار گرفتند. این تحلیل رایج ترین رویکرد بود. به احتمال زیاد به مداخله بهداشت عمومی نیاز دارد [ 11 ]. ضریب همبستگی فضایی موران I (+1 تا -1) تجزیه و تحلیل برای ارزیابی استقلال باقی مانده اندازه گیری شد. یک مقدار مثبت به این معنی است که مقادیر مجاور تمایل به مشابه دارند، در حالی که یک مقدار منفی دلالت بر عدم تشابه دارد [ 36 ].
برای تجزیه و تحلیل، ما تاریخ علائم بیماری را به عنوان یک عامل زمانی برای رویکرد مدت 28 روز اعمال کردیم، که از چرخه زندگی لارو به پشه بالغ در مناطق شهری و مناطق حومه شهری (به ترتیب 24 و 33 روز) تغییر یافته است. ) [ 18 ] و 30 روز [ 7]. برای عوامل فضایی، چندین ورودی فاصله برای پوشش تعداد بیماران انتخاب شد. ما این تجزیه و تحلیل را در جعبه ابزار ArcGIS با استفاده از ماتریس وزن فضایی (SWM) انجام دادیم که توسط آن 1154 بیمار را وارد کردیم و چهار بیمار را حذف کردیم. ما همچنین فاصله 1194 متری را به عنوان حداقل آستانه فاصله برای پوشش 1154 بیمار پیدا کردیم. پس از آن، شعاع بافر (m) با تقسیم 1194 متر بر 28 روز با فرض فاصله پرواز یک پشه در روز ایجاد شد. بنابراین یک فاصله بافر 42.64 متر ایجاد شد. هر چه تراکم بیشتر شود، برد پرواز پشه کوتاه‌تر می‌شود و بنابراین بومی‌شدن بیشتر می‌شود [ 42 ]. این بافر مطابق با آنچه توسط Muir و Kay گزارش شده بود، که فاصله پرواز زن را اندازه‌گیری کردند، منجر به 5-69 متر در روز (حداکثر 160 متر در هفته) شد [ 39]. بافر با محل بیمار بیماری دنگی به عنوان نقطه مرکزی ساخته شد. سپس متغیرهای توضیحی ارائه شده در بالا با بافر در ArcGIS پوشانده شدند. تجزیه و تحلیل تکراری برای اطمینان از کیفیت داده ها انجام شد. در هر بافر، میانگین اندازه متغیر توضیحی اندازه گیری شد. مطالعات قبلی نسبت پوشش زمین را در یک بافر اندازه گیری کردند [ 29 ، 43 ]. با این حال، ما از میانگین اندازه PR و FR در یک بافر بر اساس این فرض که دسترسی به سقف کوچکتر دشوارتر است، استفاده کردیم و تمیز کردن ناودان سقف را برای مردم دشوار می‌کند.
برای تجزیه و تحلیل رگرسیون، ما از DDP به عنوان یک متغیر وابسته در حداقل مربعات معمولی (OLS) و رگرسیون وزنی جغرافیایی (GWR) استفاده کردیم. ما ابتدا از OLS، یک مدل رگرسیون جهانی، در تلاش برای تعیین عملکرد مدل، افزونگی، ثابت بودن و نرمال بودن باقیمانده استفاده کردیم. عملکرد مدل با استفاده از R2 ، R2 تنظیم شده و معیار اطلاعات Akaike (AICc) اندازه‌گیری شد . افزونگی از طریق فاکتور تورم واریانس (VIF) ارزیابی شد. اگر VIF بیش از 10 بود، پس نشان دهنده افزونگی/چند خطی بودن است [ 36 ]. برای ارزیابی ایستایی از آماره کوئنکر بروش-پاگان دانشجویی (Koenker BP) استفاده شد. اگر ص< 0.05، سپس غیر ثابت بودن را استنباط می کنیم. از آمار Jarque-Bera برای تعیین نرمال بودن باقیمانده‌ها استفاده شد، زمانی که p <0.05 نشان‌دهنده باقیمانده‌ای است که در توزیع نرمال نیست، که یک مدل مغرضانه را نشان می‌دهد. ما ابتدا رگرسیون OLS را در تلاش خود برای توضیح یک رگرسیون جهانی بین DDP به عنوان یک متغیر وابسته و متغیر توضیحی به عنوان یک متغیر مستقل اعمال کردیم. رگرسیون به صورت DDP = β0 + β 1 PR + β 2 FR تنظیم شد که β 0 مقدار رهگیری است و β 1 و β 2 است.به ترتیب به عنوان مقادیر PR و FR برآورد می شوند. با این حال، این رابطه همیشه ثابت نیست. در توزیع نرمال روی باقیمانده ها، یک پدیده در یک رابطه نیز تحت تأثیر مکانی است که موضعی است و ممکن است در هر مکان رابطه متفاوتی (غیر ثابت) داشته باشد. مدل GWR برای تجزیه و تحلیل در صورت یافتن این پدیده پیشنهاد می شود. در واقع، GWR یک مدل جهانی را با اجازه دادن به تغییرات محلی (غیر ایستایی) و تولید R2 ، R2 تنظیم شده ، و AICc و یک نقشه باقیمانده استاندارد شده برای اندازه‌گیری نتایج مدل گسترش می‌دهد [ 36 ، 44 ].

3. نتایج و بحث

یافته‌های این مطالعه شامل طبقه‌بندی ارزیابی دقت از تصاویر WV2، تصویر طبقه‌بندی، DDP و ارتباط بین سقف‌ها و DDP است.

3.1. ارزیابی دقت طبقه بندی سقف

دقت طبقه بندی با استفاده از یک ماتریس سردرگمی بر اساس نتیجه طبقه بندی برای ROI ها ارزیابی شد. بدین ترتیب، طبقه‌بندی‌کننده حداقل فاصله نظارت شده برای تصاویر WV2 تیز شده اعمال شد. نتایج جدول 2 توافق متوسط ​​(0.4-0.8) را بر روی ضریب کاپا (KC) [ 45 ] با 70.59٪ دقت کلی (OA) نشان می دهد، کمتر از مطالعه قبلی، که همچنین یک ماتریس سردرگمی برای تصاویر WV2 ایجاد کرد و 87.87٪ را پیدا کرد. دقت کاربر و 77.91% دقت تولید کننده برای کلاس سقف [ 46 ]. اما 81.47% OA با 0.75 KC از مطالعه آنها به عنوان توافق متوسط ​​طبقه بندی می شود که با نتایج مطالعه حاضر مطابقت دارد.
شکل 4 برای نشان دادن ترکیب رنگی RGB تصویر پان شارپن شده و تصویر طبقه بندی تولید شده است.
این تصویر طبقه بندی فقط از ترکیب رنگی R، G، B حاصل شد، در حالی که در مطالعه دیگری که باند WV2 R، G و B را انجام داد، نوار نزدیک به مادون قرمز (NIR) و پانکروماتیک (PAN) 71.3٪ OA را یافت. و 0.59 KC، که روشی مشابه با این مطالعه را نشان می دهد (70.59٪ OA و 0.51 KC) [ 20 ]. ما از تصویر Google Earth استفاده نکردیم زیرا فقط نمایش بصری مکان‌های احتمالی تکثیر دنگی یک تصویر را ارائه می‌دهد و فاقد ویژگی استخراج خودکار و همچنین تجزیه و تحلیل پوشش زمین است [43 ] .
جدول
جدول 2. ماتریس سردرگمی برای ارزیابی دقت طبقه بندی.
Ijgi 04 02586 g004 1024
شکل 4. ( الف ) کامپوزیت رنگی RGB از تصویر کلاس PR، FR، و NR 2 و ( ب ) پان شارپن شده .

3.2. الگوهای بیماری دنگی

شرحی از متغیرهای DDP در جدول 3 در زیر نشان داده شده است که تفاوت در اندازه و امتیاز GiZ الگوهای هات اسپات، تصادفی و پراکنده را نشان می دهد. امتیاز GiZ هر نقطه با استفاده از ArcGIS 10.1 پیدا شد.
نتیجه تصویر DDP در شکل 5 نشان داده شده است . الگوهای کانونی متراکم بیماری دنگی در قسمت شمالی منطقه مورد مطالعه پوشیده از پوشش گیاهی یافت شد. این نتیجه با نتایج گزارش شده در یک مطالعه قبلی مطابقت دارد: DDP متراکم با خانه هایی که با پوشش گیاهی متراکم احاطه شده اند مرتبط است. علاوه بر این، سایه های زیر چنین پوشش گیاهی برای پرورش پشه ها مطلوب است [ 43 ، 47 ، 48 ].
جدول
جدول 3. توصیف متغیرهای الگوهای بیماری دنگی.
Ijgi 04 02586 g005 1024
شکل 5. الگوهای بیماری دنگی.

3.3. رگرسیون OLS و مدل GWR

نمودار پراکندگی نمرات PR و FR به GiZ در شکل 6 نشان داده شده است . برخی از نمودارهای FR به صورت پرت قابل مشاهده هستند. پس از نتایج نمودار پراکندگی نشان داده شده، آنها را به عنوان نقاط پرت تعریف کردیم، که از آن مشاهده کردیم که کدام داده ها جدا شده و مشکوک به عنوان پرت هستند. ما آنها را با مقایسه R 2 ، تنظیم R2 و AICc برای همه داده ها و کل داده ها منهای پرت آزمایش کردیم. معیارها این بود که اگر R2 ، R2 تعدیل شده ، و AICc تمام داده‌ها بالاتر از مواردی باشد که بدون نقاط پرت مشکوک باشد، پس آنها پرت نیستند. و اگر کمتر باشد، آنها را به عنوان نقاط پرت قرار دادیم. از تجزیه و تحلیل رگرسیون OLS، ما خودهمبستگی مثبت پیدا کردیم (شاخص موران = 0.67،p = 0.000). جدول 4 a نشان می دهد که داده ها متقابلاً اضافی نیستند (VIF < 10) و در همه نقاط ثابت نیستند (آزمون کونکر = 0.00). از تمام داده‌های DDP، ما دریافتیم که اندازه PR کوچکتر و اندازه FR بزرگتر با افزایش DDP به یک روند خوشه‌ای یا جهت مثبت نمره GiZ مرتبط است (OLS: ارزش PR = 0.27-؛ FR= 0.04؛ R2 = 0.076 . GWR: R2 = 0.76 ). سپس تمام داده‌ها را به سه گروه تقسیم کردیم: الگوهای کانون، تصادفی و پراکنده، همانطور که به ترتیب در جدول 4 نشان داده شده است . در الگوی هات اسپات، ما نقطه پرت را حذف کردیم زیرا منجر به یک مقدار اندازه گیری بالاتر در R2 شد و R2 را تنظیم کرد.و مقدار کمتری از AICc پس از حذف. با این حال، ما نقاط پرت الگوهای تصادفی را وارد کردیم زیرا همانطور که در جدول 4 ب ارائه شده است ، نتایج آزمون اندازه‌گیری رگرسیون OLS روی R2 و R2 تعدیل‌شده با نقاط پرت بیشتر از بدون نقاط پرت بود، حتی اگر AICc بدون مقادیر پرت مقدار کمتری را نشان داد. در هر الگو، ما ارتباط را تجزیه و تحلیل کردیم، که نشان داد PR مقادیر منفی بیشتری دارد و FR مقادیر مثبت بیشتری در نقاط داغ نسبت به سایرین دارد (OLS: ارزش PR = 0.17-، FR = 0.14، R2 = 0.06 در الگوی هات اسپات ؛ PR مقدار = -0.01، FR = 0.03، R2 = 0.01 در الگوی تصادفی؛ و مقدار PR = -0.04، FR = 0.02 ، R2= 0.04 در الگوی پراکنده).
Ijgi 04 02586 g006 1024
شکل 6. ( الف ) نمودار پراکندگی PR با امتیاز GiZ و ( ب ) نمودار پراکندگی FR با امتیاز GiZ.
از مقادیر تخمینی OLS، PR همه در مقادیر منفی بود. این با مشاهداتی مطابقت دارد که هرچه اندازه PR کوچکتر باشد، امتیاز GiZ بالاتر یا روند بالاتر در الگوی خوشه‌ای بالاتر است. در مقابل، FR در مقادیر تخمینی مثبت یافت شد، که به این معنی است که FR بزرگتر روند قوی تری برای تبدیل شدن به یک الگوی خوشه ای بالاتر را نشان می دهد. با فرض اینکه بیشتر PR بر اساس تفسیر بصری نیز با FR باشد، این شرایط ممکن است ناشی از سرعت جریان آب کمتر در FR [ 17 ] باشد.
علاوه بر این، آب راکد ناشی از ناودان های سقف مسدود شده، یک زیستگاه مولد برای پرورش پشه Aedes می سازد [ 8 ، 18 ]. با توجه به اندازه کوچکتر PR، ممکن است با مناطق پرجمعیتی که بیشترین شیوع بیماری دنگی در آن یافت شده است مرتبط باشد. اگرچه بسیاری از مطالعات نقشه‌برداری دقیق از خانه‌ها را انجام داده‌اند، نتایج به ندرت با بروز تب دنگی مرتبط است [ 43 ].
توضیح بالقوه دیگر ناشی از دسترسی دشوارتر به تمیز کردن ناودان های روابط عمومی کوچکتر است. متأسفانه، ما نتوانستیم گزارشی برای رد یا تأیید این توضیح پیدا کنیم. یک مطالعه قبلی نشان داد که تمیز کردن یک ناودان سقف یک رفتار غیر معمول است، اما هیچ اشاره ای به مشکل دسترسی به روابط عمومی کوچکتر از ادبیات وجود ندارد [ 8 ]. از منظر رفتار، خانه‌های نامرتب و نامناسب، حیاط، و شرایط سایه بزرگ‌تر خطر ابتلا به بیماری دنگی را نشان می‌دهند، زیرا پشه‌های ماده آئدس بیشتر جذب چنین خانه‌هایی می‌شوند که مکان‌های تکثیر بیشتری اغلب در دسترس هستند [ 47 ، 48 ].
جدول 4. ( الف ) مدل رگرسیون حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR): همه و کانون. ( ب ) رگرسیون OLS و مدل GWR: تصادفی. ( ج ) رگرسیون OLS و مدل GWR: پراکنده.
جدول
( الف )
جدول
( ب )
جدول
( ج )
OLS فرض می کند که رابطه در توزیع تصادفی (ایستا) است در حالی که در این مطالعه به صورت تصادفی نبود، زیرا این رابطه نیز تحت تأثیر مکان قرار گرفت که ممکن است در هر مکان رابطه متفاوتی داشته باشد [36 ، 44 ] . هنگامی که این پدیده پیدا شد، نتایج رگرسیون OLS استفاده از یک مدل GWR را برای اندازه‌گیری ارتباط پیشنهاد می‌کند، زیرا OLS توزیع باقیمانده غیرعادی را نشان می‌دهد ( مقدار p Jarque-Bera <0.01). نتایج خلاصه GWR در جدول 4 ارائه شده است . از تمام داده‌های DDP، ما دریافتیم که این رابطه در هنگام استفاده از مدل GWR ( R2 ) بالاتر بود= 0.76). با این حال، ما تمرکز بیشتر روی هر یک از تغییرات محلی در الگوهای دنگی را در نظر گرفتیم زیرا مطالعات گذشته نشان داد که روابط را با تغییرات محلی متمایز می کند [ 36 ، 44 ]. این ارتباط منجر به الگوهای هات اسپات بالاتری نسبت به الگوهای تصادفی و پراکنده شد (GWR: R2 در هات اسپات = 0.39، تصادفی = 0.37، پراکنده = 0.23)، که با توجه به Kinear PR و Gray CD یک اثر بزرگتر است (<0.01، اثر کوچک 0.01 تا 0.1، متوسط ​​و > 0.1 یک اثر بزرگ است) نسبت به نتایج OLS که به عنوان اثر متوسط ​​یافت می شود [ 49 ]. وانوامبک و همکاران در تحقیقات قبلی خود در مورد حضور Aedes sp. لارو، ارتباط بالاتری پیدا کرد ( R2= 0.52) برای عوامل مسکن و باغات حاشیه شهری [ 29 ]. محدودیت ما این است که ما فقط به متغیرهای سقف خانه می پردازیم که نشان دهنده نتایج ضعیف تری نسبت به یافته های Vanwambeke و همکاران است. نتایج بالاتر ممکن است با اضافه کردن پوشش گیاهی و سایه به عنوان متغیرهای مرتبط با بیماری دنگی [ 29 ، 43 ، 47 ، 48 ] به دست آید.]. ما آنها را به عنوان عوامل خطر دنگی در نظر نگرفتیم زیرا چنین متغیرهایی را با متغیرهای PR و FR در آزمایش‌های قبلی اضافه کرده‌ایم. متأسفانه، تصاویر HSR ما تطابق کم بین تصویر طبقه‌بندی و داده‌های زمینی را نشان داد. نتایج ممکن است به این شرایط نسبت داده شود که ما یک بسته کامل از تصاویر که شامل هشت نوار شامل نوار پانکروماتیک است که می‌توانیم توافق را با استفاده از روش‌های مطالعات گذشته افزایش دهیم، نداشتیم [46 ] . ما همچنین داده‌های ویژگی بافت شهر را به روشی دقیق نداشتیم، مانند بافت‌های ساختمان و آسمان‌خراش. این داده ها هنگام تمایز اجسام از جمله سایه ها در تصاویر HSR بسیار مهم هستند [ 20]]. ما همچنین داده‌های بارش یا داده‌های دما را به‌عنوان متغیرهای خطر بیماری دنگی در آنالیزها لحاظ نکردیم، زیرا ایستگاه آب‌وهوایی در شهر که چنین داده‌هایی را اندازه‌گیری می‌کند وجود ندارد، اگرچه بسیاری از محققان از چنین داده‌هایی در مطالعات گذشته استفاده کردند [11 ] . با این حال، علی‌رغم این محدودیت‌ها، این مطالعه به طور خاص استفاده از تصاویر HSR موجود از دولت اندونزی را نشان داد که به صورت خودکار تجزیه و تحلیل شدند، با تلاشی برای ادغام داده‌ها از طریق رابطه با DDP. متفاوت از مطالعات قبلی، ما DDP را به صورت فضایی و زمانی بر اساس ویژگی‌های پشه تجزیه و تحلیل کردیم: محدوده پرواز و چرخه زندگی [ 10 ، 11 ]. در مطالعات آتی، می توان برای افزایش توافق، رقومی دستی برای تصاویر HSR برای تصحیح طبقه بندی انجام داد.
مقدار باقیمانده استاندارد شده نتیجه GWR در شکل 7 ترسیم شده است . این شکل برای کمک به تعیین اولویت ها برای کنترل سقف ها با تمیز کردن آنها برای جلوگیری از موارد بیماری دنگی در آینده ارائه شده است. اولویت سقف هر مقدار نزدیکتر به 0 (صفر) است. هر چه اختلاف مقدار از 0 بیشتر باشد، اولویت آن کمتر است. اگر مقدار بیش از 3 یا کمتر از 3- بود، به عنوان یک مقدار پرت در نظر گرفته شد و نادیده گرفته شد [ 49 ]. این نکته برای تعیین اولویت های دولت بسیار مهم است. با وجود محدودیت های بودجه، تلاش ها می توانند کارآمدتر و موثرتر باشند.
Ijgi 04 02586 g007 1024
شکل 7. ( الف ) باقیمانده های استاندارد شده در DDP. ( ب ) باقیمانده های استاندارد شده در الگوهای هات اسپات، تصادفی و پراکنده نشان داده شده اند. و ( ج ) بررسی دقیق‌تر باقیمانده‌های روی سقف‌ها.

4. نتیجه گیری

این مطالعه ارتباط کم انواع سقف شیبدار و مسطح را با هر یک از الگوهای بیماری دنگی، اما ارتباط بیشتر با الگوهای کامل را نشان می‌دهد. با این وجود، نتایج نشان می‌دهد که الگوی کانون دنگی ارتباط بیشتری نسبت به الگوهای تصادفی و پراکنده دارد. نتایج نشان داد که طبقه بندی سقف شیبدار و مسطح توافق متوسطی دارد. در این شرایط توافق متوسط ​​طبقه‌بندی، نتایج همچنین نشان می‌دهد که سقف‌های با شیب کمتر احتمال بیشتری از بیماری دنگی در الگوی کانونی را نشان می‌دهند، اگرچه یک سقف مسطح بزرگ‌تر ممکن است کمی با احتمال بالاتر الگوی کانون مرتبط باشد. در تهیه تصاویر با وضوح بالا، تجزیه و تحلیل خودکار ممکن است بهترین گام برای تصاویر کامپوزیت رنگی RGB پان شارپن Worldview 2 برای به دست آوردن نتایج توافق بهتر نباشد. اگرچه تجزیه و تحلیل دستی یا استفاده از تصاویر باندل کامل ظاهراً یک گام بالقوه است که تحقیقات بیشتری را می طلبد. با این حال، ترکیبی از چرخه زندگی پشه و رویکرد محدوده پرواز ممکن است برای تجزیه و تحلیل الگوهای بیماری دنگی برای سایر مناطق جهانی امیدوارکننده باشد تا زمانی که داده‌های آدرس بیمار و تاریخ علائم به خدمات بهداشت شهری یک کشور گزارش شود. بررسی ارتباط نوع سقف با الگوهای بیماری دنگی می تواند اطلاعات بیشتری را ارائه دهد که با آن دولت ها و جوامع می توانند مداخلات زیست محیطی را در برابر بیماری دنگی نقشه برداری، اولویت بندی و هدف قرار دهند. تحقیقات اضافی باید علاوه بر ارتباط با پوشش گیاهی، سایه ها، دما و بافت شهر نیز مورد توجه قرار گیرد. ترکیبی از چرخه زندگی پشه و رویکرد محدوده پرواز ممکن است نویدبخش تجزیه و تحلیل الگوهای بیماری دنگی برای سایر مناطق جهانی باشد تا زمانی که داده‌های آدرس بیماران دنگی و تاریخ علائم به خدمات بهداشت شهری یک کشور گزارش شود. بررسی ارتباط نوع سقف با الگوهای بیماری دنگی می تواند اطلاعات بیشتری را ارائه دهد که با آن دولت ها و جوامع می توانند مداخلات زیست محیطی را در برابر بیماری دنگی نقشه برداری، اولویت بندی و هدف قرار دهند. تحقیقات اضافی باید علاوه بر ارتباط با پوشش گیاهی، سایه ها، دما و بافت شهر نیز مورد توجه قرار گیرد. ترکیبی از چرخه زندگی پشه و رویکرد محدوده پرواز ممکن است نویدبخش تجزیه و تحلیل الگوهای بیماری دنگی برای سایر مناطق جهانی باشد تا زمانی که داده‌های آدرس بیماران دنگی و تاریخ علائم به خدمات بهداشت شهری یک کشور گزارش شود. بررسی ارتباط نوع سقف با الگوهای بیماری دنگی می تواند اطلاعات بیشتری را ارائه دهد که با آن دولت ها و جوامع می توانند مداخلات زیست محیطی را در برابر بیماری دنگی نقشه برداری، اولویت بندی و هدف قرار دهند. تحقیقات اضافی باید علاوه بر ارتباط با پوشش گیاهی، سایه ها، دما و بافت شهر نیز مورد توجه قرار گیرد. بررسی ارتباط نوع سقف با الگوهای بیماری دنگی می تواند اطلاعات بیشتری را ارائه دهد که با آن دولت ها و جوامع می توانند مداخلات زیست محیطی را در برابر بیماری دنگی نقشه برداری، اولویت بندی و هدف قرار دهند. تحقیقات اضافی باید علاوه بر ارتباط با پوشش گیاهی، سایه ها، دما و بافت شهر نیز مورد توجه قرار گیرد. بررسی ارتباط نوع سقف با الگوهای بیماری دنگی می تواند اطلاعات بیشتری را ارائه دهد که با آن دولت ها و جوامع می توانند مداخلات زیست محیطی را در برابر بیماری دنگی نقشه برداری، اولویت بندی و هدف قرار دهند. تحقیقات اضافی باید علاوه بر ارتباط با پوشش گیاهی، سایه ها، دما و بافت شهر نیز مورد توجه قرار گیرد.

منابع

  1. گتیس، ع. موریسون، ای سی؛ گری، ک. اسکات، TW ویژگی های الگوی فضایی بردار دنگی، Aedes aegypti ، در ایکیتوس، پرو. صبح. جی تروپ. پزشکی هیگ 2003 ، 69 ، 494-505. [ Google Scholar ] [ PubMed ]
  2. پال، تی. دوتا، SK; ماندال، اس. سها، بی. Tripathi، A. علائم بالینی افتراقی در بیماران هندی فاز حاد ارتباط معنی داری با بار ویروسی دنگی و سطح IFN-گاما سرم نشان داد. جی. کلین. ویرول. 2014 ، 61 ، 365-370. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. زکریا، ز. زینوردین، NA; سیم، BLH; زید، م. هاریدان، ایالات متحده؛ عزیز، آتا؛ شوب، RH; مصطفی، م. یوسف، NKN؛ مالک، ع. و همکاران ارزیابی طبقه‌بندی‌های سازمان بهداشت جهانی در سال‌های 1997 و 2009 در 3 بیمار دنگی بستری در بیمارستان در مالزی. ج. عفونی کردن. توسعه دهنده Ctries. 2014 ، 8 ، 869-875. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. ساهانا، KS; Sujatha, R. مشخصات بالینی تب دنگی در بین کودکان بر اساس طبقه بندی تجدید نظر شده که: تجزیه و تحلیل شیوع 2012 از جنوب هند. هندی J. Pediatr. 2015 ، 82 ، 109-113. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. سازمان بهداشت جهانی. دنگی: راهنمای تشخیص، درمان، پیشگیری و کنترل، 2009. در دسترس آنلاین: http://whqlibdoc.who.int/publications/2009/9789241547871_eng.pdf (در 21 فوریه 2014 در دسترس است).
  6. Chadee، DD; مارتینز، R. تناوب فرود Aedes aegypti با پیامدهایی برای انتقال دنگی در ترینیداد، هند غربی. J. Vector Ecol. 2000 ، 25 ، 158-163. [ Google Scholar ] [ PubMed ]
  7. هوگو، LE; جفری، JAL; تروین، بی جی; Wockner، LF; نگوین تی، ی. نگوین هوانگ، ال. le Trung، N.; هاین، ای. رایان، PA; کی، BH زنده ماندن بزرگسالان از پشه دنگی Aedes aegypti به صورت فصلی در مرکز ویتنام متفاوت است. PLoS Negl. تروپ دیس 2014 ، 8 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. مونتگومری، BL; ناودان های سقفی Ritchie، SA: یک ظرف کلیدی برای Aedes aegypti و Ochlerotatus notoscriptus (دوپه: Culicidae) در استرالیا. صبح. جی تروپ. پزشکی هیگ 2002 ، 67 ، 244-246. [ Google Scholar ] [ PubMed ]
  9. مرکز کنترل بیماری. تب دنگی. مرکز کنترل بیماری، 2013. در دسترس آنلاین: http://www.health.nt.gov.au/library/scripts/objectifyMedia.aspx?file=pdf/45/15.pdf (در 14 نوامبر 2013 قابل دسترسی است).
  10. خرمی، ح.م. کومار، ال. نمونه هایی از استفاده از فناوری اطلاعات مکانی برای نقشه برداری و مدل سازی بیماری های منتقله از پشه بر اساس عوامل محیطی، اقلیمی و اقتصادی-اجتماعی و آمارهای مختلف فضایی، شاخص های خطر زمانی و تحلیل فضایی: یک بررسی. J. Food Agric. محیط زیست 2011 ، 9 ، 41-49. [ Google Scholar ]
  11. لوئیس، VR؛ فالکی، آر. هورستیک، او. راتاناوونگ، پی. وایلدر اسمیت، ا. توزان، ی. Dambach، P. ابزارهای مدل‌سازی برای نقشه‌برداری خطر دنگی – یک بررسی سیستماتیک. بین المللی J. Health Geogr. 2014 ، 13 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. فولر، DO; ترویو، آ. Calderon-Arguedas، O.; زیستگاه های لارو ناقل Beier، JC دنگی ( Aedes aegypti ) در محیط شهری کاستاریکا با تصاویر ASTER و QuickBird تجزیه و تحلیل شد. بین المللی J. Remote Sens. 2010 ، 31 ، 3-11. [ Google Scholar ] [ CrossRef ]
  13. Dom، NC; احمد، ق. عبداللطیف، ز. اسماعیل، ر. پرادان، ب. جفت کردن داده های سنجش از دور و پارامترهای مربوط به محیط زیست برای ارزیابی خطر انتقال تب دانگ در سوبانگ جایا، مالزی. Geocarto Int. 2013 ، 28 ، 258-272. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. Carbajo، AE; کورتو، SI; شوایگمن، نیوجرسی الگوی توزیع فضایی تخمگذاری در پشه Aedes aegypti در رابطه با شهرنشینی در بوئنوس آیرس: بیونومیک حاشیه جنوبی یک بردار معرفی شده. پزشکی دامپزشک انتومول. 2006 ، 20 ، 209-218. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. وحشی، HM; فریتز، CL; روتشتاین، دی. یولوا، ا. ورندام، وی. گوبلر، دی جی اپیدمی ویروس دنگی-4 در ایالت یاپ، ایالات فدرال میکرونزی، و مفهوم Aedes hensilli به عنوان یک ناقل همه گیر. صبح. جی تروپ. پزشکی هیگ 1998 ، 58 ، 519-524. [ Google Scholar ] [ PubMed ]
  16. ناپلانو، ال. منا، سی. آسپرون، دی. پروتا، ا. Manfredi, G. چرخه زندگی تأثیرات زیست محیطی گزینه های مختلف جایگزین برای یک سقف مسطح قدیمی معمولی. بین المللی J. ارزیابی چرخه زندگی. 2015 ، 20 ، 694-708. [ Google Scholar ] [ CrossRef ]
  17. فرنی، آر. مورالس-پینزون، تی. گیساسولا، ا. تایا، سی. ریرادوال، جی. Gabarrell, X. انتخاب سقف برای برداشت آب باران: ارزیابی‌های کمی و کیفی در اسپانیا. Water Res. 2011 ، 45 ، 3245-3254. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. لی، ی. کامارا، اف. ژو، جی. پوتیاکونون، اس. لی، سی. لیو، ی. ژو، ی. یائو، ال. یان، جی. چن، X.-G. شهرنشینی زیستگاه لاروهای Aedes albopictus را افزایش می دهد و رشد و بقای پشه ها را تسریع می بخشد. PLoS Negl. تروپ دیس 2014 ، 8 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. مانریک سعید، پ. کلمن، پی. مک کال، پی جی؛ لنهارت، ا. وازکز- پروکوپک، جی. دیویس، CR تجزیه و تحلیل چند مقیاسی از ارتباط بین بررسی های تخم، لارو و شفیره و حضور و فراوانی ماده بالغ Aedes aegypti ( Stegomyia aegypti ) در شهر مریدا، مکزیک. پزشکی دامپزشک انتومول. 2014 ، 28 ، 264-272. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  20. Aguilar، MA; Saldaña، MM; Aguilar، FJ Geoeye-1 و worldview-2 تصاویری تیز شده برای طبقه بندی مبتنی بر شی در محیط های شهری. بین المللی J. Remote Sens. 2013 ، 34 ، 2583-2606. [ Google Scholar ] [ CrossRef ]
  21. ژو، ی. Qiu, F. ترکیب تصاویر با وضوح فضایی بالا Worldview-2 و شبه موج لیدار برای تجزیه و تحلیل تصویر مبتنی بر شی. ISPRS J. Photogramm. Remote Sens. 2015 ، 101 ، 221-232. [ Google Scholar ] [ CrossRef ]
  22. لانگبوهام، ن. چپل، سی. بلیلر، ال. پادویک، سی. امری، WJ; Pacifici، F. تجزیه و تحلیل طبقه بندی شهری چند وجهی با وضوح بسیار بالا. IEEE Trans. Geosci. Remote Sens. 2012 ، 50 ، 1155-1170. [ Google Scholar ] [ CrossRef ]
  23. ماشاولت، وی. ویگنولز، سی. صفحات، اف. گادیگا، ال. توره، YM; گی، ا. سخنا، سی. تراپ، J.-F. Lacaux, J.-P.; Rogier، C. نقشه برداری خطر از تراکم sl Anopheles gambiae با استفاده از داده های محیطی و هواشناسی سنجش از دور در یک منطقه شهری: داکار، سنگال. PLoS ONE 2012 , 7 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  24. ماسوکا، PM; Claborn، DM; آندره، آر.جی. نیگرو، جی. گوردون، SW; کلاین، TA; Kim, HC استفاده از Ikonos و Landsat برای کنترل مالاریا در جمهوری کره. سنسور از راه دور محیط. 2003 ، 88 ، 187-194. [ Google Scholar ] [ CrossRef ]
  25. McFeeters، SK استفاده از شاخص تفاوت نرمال شده آب (NDWI) در یک سیستم اطلاعات جغرافیایی برای شناسایی استخرهای شنا برای کاهش پشه: یک رویکرد عملی. Remote Sens. 2013 , 5 , 3544–3561. [ Google Scholar ] [ CrossRef ]
  26. ترویو، آ. فولر، DO; Calderon-Arguedas، O.; سولانو، من؛ Beier، JC ساختار شهری و بروز تب دنگی در Puntarenas، کاستاریکا. سنگاپ جی تروپ. Geogr. 2009 ، 30 ، 265-282. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. ماشاولت، وی. یباکیما، ع. اتین، ام. ویگنولز، سی. پالانی، پی. توره، YM; Guerecheau، M. Lacaux، J.-P. نقشه برداری سطوح خطر دنگی حشره شناسی در مارتینیک با استفاده از داده های محیطی سنجش از دور با وضوح بالا ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 1352-1371. [ Google Scholar ] [ CrossRef ]
  28. سیانچی، دی. هارتمینک، ن. Zeimes، CB; Vanwabeke، SO; Ienco، A. Caputo، B. تجزیه و تحلیل فضایی با وضوح بالا ترجیحات زیستگاهی Aedes albopictus (دوباله: Culicidae) در یک محیط شهری. جی. مد. انتومول. 2015 ، 52 ، 329-335. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  29. Vanwabeke، SO; سامبون، پی. هارباخ، RE; ایزنشتات، م. لامبین، EF; والتون، سی. عوامل بوتلین، RK چشم انداز و پوشش زمین بر حضور لاروهای Aedes و Anopheles تأثیر می گذارند. جی. مد. انتومول. 2007 ، 44 ، 133-144. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. Anders، KL; له نگا، اچ. Thuy، NT; Ngoc، تلویزیون؛ تام، سی تی. تای، LT; Truong، NT; Duyen، HT; Trung، VT; Kien، DT; و همکاران خانواده ها به عنوان کانون انتقال دنگی در ویتنام بسیار شهری PLoS Negl. تروپ دیس 2015 ، 9 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  31. Myint، SW; Galletti، CS; کاپلان، اس. کیم، شیء WK در مقابل پیکسل: ارزیابی سیستماتیک در محیط‌های شهری. Geocarto Int. 2013 ، 28 ، 657-678. [ Google Scholar ] [ CrossRef ]
  32. ویتارانا، سی. سیوکو، دی ال. Meyer, TH ارزیابی ترکیب داده ها و تقسیم بندی تصویر در گردش کار نقشه برداری سریع مبتنی بر رصد زمین. ISPRS J. Photogramm. Remote Sens. 2014 ، 87 ، 1-18. [ Google Scholar ] [ CrossRef ]
  33. کرسلر، FP; استاینوچر، ک. فرانزن، ام. طبقه‌بندی شی‌گرای عکس‌های اورتوفوتو برای پشتیبانی از به‌روزرسانی پایگاه‌های داده فضایی. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2005، سئول، کره، 25-29 ژوئیه 2005. صص 253-256.
  34. خرمی، ح.م. کومار، L. مدل‌سازی خطر تب دنگی بر اساس پارامترهای اجتماعی-اقتصادی، ملیت و گروه‌های سنی: GIS و مطالعه موردی مبتنی بر سنجش از دور. علمی کل محیط. 2011 ، 409 ، 4713-4719. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  35. لیلسند، TM; Kiefer, RW Remote Sensing and Image Interpretation , 2nd ed.; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 1987. [ Google Scholar ]
  36. لین، سی.-اچ. ون، تی.-اچ. استفاده از رگرسیون وزن‌دار جغرافیایی (GWR) برای کشف روابط متغیر فضایی پشه‌های نابالغ و تراکم انسان با بروز دنگی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2011 ، 8 ، 2798-2815. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  37. الیوت، پی. کوزیک، جی. انگلیسی، دی. استرن، آر. اپیدمیولوژی جغرافیایی و محیطی. Methods for Small-Area Studies , 1st ed.; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 2000. [ Google Scholar ]
  38. یاسی، ع. کیلستروم، تی. د کوک، تی. Guidotti، TL Basic Environmental Health ، 1st ed.; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 2001. [ Google Scholar ]
  39. مویر، LE; بقا و پراکندگی کی، BH Aedes aegypti با بازپس گیری علامت گذاری شده در شمال استرالیا تخمین زده شد. صبح. جی تروپ. پزشکی هیگ 1998 ، 58 ، 277-282. [ Google Scholar ] [ PubMed ]
  40. کومار، ا. Pandey، AC; Jeyaseelan، AT ساخته شده و استخراج پوشش گیاهی و نقشه برداری تراکم با استفاده از Worldview-ii. Geocarto Int. 2012 ، 27 ، 557-568. [ Google Scholar ] [ CrossRef ]
  41. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی – مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  42. هرینگتون، ال سی؛ اسکات، TW; لردثونی، ک. کلمن، آرسی؛ کوسترو، ا. کلارک، جی جی؛ جونز، جی جی. کیتاوی، اس. کیتایاپونگ، پی. سیتی پراساسنا، ر. و همکاران پراکندگی ناقل دنگی Aedes aegypti در داخل و بین جوامع روستایی. صبح. جی تروپ. پزشکی هیگ 2005 ، 72 ، 209-220. [ Google Scholar ] [ PubMed ]
  43. سرفراز، ام اس; تریپاتی، NK; کیتاموتو، الف. توصیف نزدیک به زمان واقعی محیط‌های شهری: رویکردی جامع برای نظارت بر مناطق در معرض خطر تب دنگی. بین المللی جی دیجیت. زمین 2014 ، 7 ، 916-934. [ Google Scholar ] [ CrossRef ]
  44. براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای کاوش غیرایستایی فضایی. Geogr. مقعدی 1996 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
  45. Congalton، RG; Green, K. Assessing the Accuracy of Remotely Sensed Data , 2nd ed.; CRC Press Taylor & Francis Group: Boca Raton، FL، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  46. یوهندرا، ی. علی الدین، من. سومانتیو، JTS; Kuze، H. ارزیابی روش های پان-شارپنینگ اعمال شده برای ترکیب تصویر داده های چند باند سنجش از راه دور. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 18 ، 165-175. [ Google Scholar ] [ CrossRef ]
  47. پرز، آرسی رگو، آر. Maciel-de-Freitas، R. استفاده از شاخص شرط مقدماتی (PCI) برای ارائه دستورالعمل‌هایی برای بررسی‌های Aedes aegypti . J. Vector Ecol. 2013 ، 38 ، 190-192. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. بسکر، پی. Ezhil، R. مطالعه بر روی همبستگی شاخص وضعیت محل و حضور لارو پشه گونه Aedes در خانه های انسان در منطقه Cudallore تامیل نادو، هند. Osong Public Health Res. چشم انداز 2012 ، 3 ، 3-7. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  49. Kinear، PR; Gray, CD SPSS 12 Made Simple , 1st ed.; انتشارات روانشناسی: نیویورک، نیویورک، ایالات متحده آمریکا، 2004. [ Google Scholar ]

;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