استفاده از سیستم داده جیووانی ناسا برای تحقیقات بهداشت عمومی جغرافیایی: نمونه ای از اتصال آب و هوا-آنفولانزا

خلاصه

سیستم تجزیه و تحلیل داده های ناسا جووانی به عنوان ابزاری مفید برای دسترسی و تجزیه و تحلیل انواع مختلف داده های سنجش از دور شناخته شده است. انواع داده‌های محیطی امکان استفاده از جووانی را برای حوزه‌های کاربردی مختلف، مانند کشاورزی، هیدرولوژی، و تحقیقات کیفیت هوا فراهم کرده است. استفاده از جووانی برای تحقیق در مورد ارتباط بین مسائل بهداشت عمومی و محیط زیست و آب و هوای زمین، که به طور بالقوه توسط تأثیرات انسانی تشدید شده است، به طور فزاینده ای نشان داده شده است. در این ارتباط، ارتباط چند پارامتر داده مختلف با سلامت عمومی تشریح خواهد شد. این ارتباط همچنین یک مطالعه موردی از استفاده از داده‌های سنجش از دور جیوانی در ارزیابی ارتباط بین آنفولانزای فصلی و پارامترهای هواشناسی ارائه می‌دهد. در این مطالعه، رگرسیون لجستیک با بارش، دما و رطوبت ویژه به عنوان پیش بینی کننده استفاده شد. مشخص شد که رطوبت خاص مرتبط است (p <0.05) با فعالیت آنفلوانزا در هر دو آب و هوای معتدل و گرمسیری. در دو مکان معتدل مورد مطالعه، رطوبت خاص با آنفولانزا همبستگی منفی داشت. در مقابل، در سه مکان گرمسیری، رطوبت خاص با آنفولانزا همبستگی مثبت داشت. پیش‌بینی آنفلوانزا با استفاده از مدل‌های رگرسیون تطابق خوبی با داده‌های مشاهده‌شده نشان داد (ضریب همبستگی 0.5-0.83).

کلید واژه ها:

سنجش از دور ؛ آب و هوا ؛ آب و هوا ; بهداشت عمومی ؛ بیماری ؛ محیط زیست ؛ جو _ اقیانوس ; زیست کره ; ته نشینی

1. معرفی

بررسی ارتباط بین محیط زیست زمین و مسائل بهداشت عمومی را می توان با ادغام داده های سنجش از راه دور به طور قابل توجهی افزایش داد. این تحقیقات ممکن است شامل بررسی روابط بین سلامت عمومی و تأثیرات در درجه اول طبیعی، مانند فرآیندهای هواشناسی و اقیانوسی باشد – یک مثال می تواند ارتباط بین بیماری های منتقله از آب و رویدادهای بارندگی شدید باشد که مورد دوم به طور بالقوه به دمای سطح دریا مربوط می شود. همچنین شامل فرآیندهای تحت تأثیر فعالیت های انسانی، مانند انتشارات بالقوه مضر در جو یا تامین آب است. نمونه ای از این رابطه انتشار دی اکسید گوگرد (SO ₂ ) و دی اکسید نیتروژن (NO _{2 ) است.}) با احتراق سوخت فسیلی برای تولید انرژی. محیط جغرافیایی، خطوط مبنا اقلیمی، و ارتباطات از راه دور جهانی نیز ممکن است در تحقیقات با داده های سنجش از راه دور که پیامدهای سلامت عمومی دارند، گنجانده شوند.

سازمان ملی هوانوردی و فضایی (ناسا) آرشیو به سرعت در حال رشدی از داده‌های سنجش از دور زمین را به دست آورده است که از مأموریت‌های ماهواره‌ای لندست و نیمبوس در دهه 1970 سرچشمه می‌گیرد و با مأموریت‌های جاه‌طلبانه و پیشرفته‌تر تا سال کنونی ادامه می‌دهد. پرتاب ماهواره های ماموریت بارش جهانی (GPM) و رصدخانه کربن مدار-2 (OCO-2).

از زمان آغاز به کار در سال 2003، سیستم زیرساخت تجسم و تجزیه و تحلیل تعاملی آنلاین ناسا (Giovanni) دسترسی به طیف گسترده ای از داده های سنجش از دور ناسا و سایر مجموعه داده های علوم زمین را فراهم می کند و به محققان اجازه می دهد تا داده های انتخابی را برای طیف گسترده ای از موضوعات تحقیقاتی اعمال کنند. . در حال حاضر توسط مرکز خدمات داده و اطلاعات علوم زمین گودارد (GES DISC، جیووانی شامل داده‌های بسیاری از ماموریت‌ها و پروژه‌های مختلف ناسا می‌شود. یک پروژه در حال پیشرفت ارتباطات مشارکتی برای علم سیستم زمین (ACCESS) با عنوان “فدراسیون جووانی”، این پروژه را گسترش خواهد داد. داده های موجود در سیستم با گنجاندن داده های سایر مراکز داده ناسا.

این تنوع داده ها به جیوانی پتانسیل مشخصی برای بررسی مسائل مختلف بهداشت عمومی می دهد. یکی از ویژگی های اصلی جیوانی سهولت استفاده است. محققانی که عموماً با داده‌های سنجش از دور آشنا نیستند، می‌توانند از این سیستم برای یافتن داده‌هایی که در حوزه موضوعی آنها قابل استفاده است استفاده کنند و از آن استفاده کنند. فقط سرمایه گذاری نسبتاً کوتاهی از زمان و تلاش برای آسان شدن با سیستم مورد نیاز است. مکاتبات با کاربران در بخش تحقیقات بهداشت عمومی سطح رضایت بالای آنها را از دسترسی به داده‌هایی که ارائه می‌کند، و توانایی تعیین اینکه آیا داده‌های سنجش از دور می‌توانند در حوزه تحقیقاتی خاص مورد استفاده قرار گیرند یا خیر، نشان داده است.

جیووانی داده‌های سنجش از دور را در کنار چندین قابلیت تحلیلی پایه مختلف ارائه می‌کند که شامل نقشه‌های فضایی مقادیر متغیر داده، نقشه‌های تفاوت، سری‌های زمانی میانگین منطقه، انیمیشن‌ها و پروفایل‌های عمودی متغیرهای جوی است. قابلیت نگاشت شامل میانگین گیری سریع است، به طوری که مقادیر میانگین ماه ها، فصول یا سال ها را می توان به راحتی مشاهده کرد. تمام نقشه ها و نقشه های تولید شده توسط جیووانی را می توان بلافاصله دانلود کرد. اگرچه به طور خاص به عنوان موتور زیرمجموعه داده طراحی نشده است، اما برای بسیاری از انواع داده، جووانی یک راه نسبتاً ساده برای به دست آوردن داده‌های زیرمجموعه مکانی و زمانی ارائه می‌کند، و برای این منظور در تحقیقات متعدد استفاده شده است. جووانی در حالت ایده آل، یک ابزار کاوش داده است، اجازه می دهد تا عملکرد عملیاتی که روزها و هفته برای جمع آوری و آماده سازی داده ها نیاز داشت، در چند دقیقه انجام شود، و امکان تجزیه و تحلیل دقیق تر را با زمان و تلاش بسیار کاهش می دهد. سیستم جیووانی در حال حاضر در حال انتقال از سیستم فعلی است که در محاوره به آن “جیوانی-3” گفته می شود [1 ]، به یک معماری انعطاف پذیرتر، “Giovanni-4″، که سرعت پردازش را تسریع می کند، قابلیت های تجزیه و تحلیل جدیدی را اضافه می کند، و همه متغیرهای داده را به جای پورتال های جداگانه در یک رابط جستجوی واحد ادغام می کند. سیستم در حال توسعه Giovanni-4 هنوز در یک نشریه توضیح داده نشده است، اما برای استفاده در وب سایت GES DISC در دسترس است.

مأموریت‌ها، ابزارها یا پروژه‌هایی که محصولات داده‌ای موجود در جیووانی را ارائه می‌کنند و برای تحقیقات بهداشت عمومی مفید هستند عبارتند از: صدای مادون قرمز جوی (AIRS). ماموریت اندازه گیری بارندگی گرمسیری (TRMM)؛ ابزار اندازه گیری ازن (OMI)؛ طیف رادیومتر تصویربرداری با وضوح متوسط (MODIS)؛ پروژه تحلیل گذشته نگر عصر مدرن برای تحقیقات و کاربردها (MERRA). مدل بیوژئوشیمیایی اقیانوس ناسا (NOBM)؛ و هر دو سیستم همسان سازی داده های سرزمین آمریکای شمالی (NLDAS) و سیستم جهانی همسان سازی داده های زمین (GLDAS).

اگرچه استفاده از جووانی آسان است، بسیاری از محققان و متخصصان علوم کاربردی به راهنمایی در مورد چگونگی یافتن مجموعه داده های مناسب و نحوه تفسیر آنها نیاز دارند. برنامه آموزش سنجش از دور کاربردی ناسا (ARSET) آموزش آنلاین و حضوری را برای مخاطبان حرفه ای، از جمله متخصصان سلامت، در مورد نحوه استفاده از منابع و داده های ناسا، از جمله مجموعه داده های میزبانی شده در GES DISC از طریق جیووانی، ارائه می دهد. ماژول های آموزشی با دستورالعمل های گام به گام را می توان به صورت آنلاین پیدا کرد [ 2 ]. ARSET همچنین دارای منابع آنلاین است که می تواند مکمل استفاده از Giovanni توسط افراد غیر متخصص در سنجش از دور باشد.

2. پارامترهای داده در جیووانی مربوط به بهداشت عمومی

داده ها در جیووانی را می توان با توجه به کاربرد آن در مسائل بهداشت عمومی طبقه بندی کرد. در ادامه، سه سطح کاربردی ارائه خواهد شد: ردیف 1، داده هایی که رابطه قوی با سلامت عمومی دارند و بنابراین مستقیماً در تحقیقات بهداشت عمومی قابل استفاده هستند. ردیف 2، داده هایی که روابط غیرمستقیم و در عین حال ایجاد شده با حوزه ای از نگرانی های بهداشت عمومی دارند. و ردیف 3، داده هایی که با آب و هوا یا آب و هوا مرتبط هستند و بر سلامت و رفاه عمومی تأثیر دارند.

2.1. پارامترهای داده ردیف 1

انواع داده های سطح 1 عبارتند از:

ته نشینی
درجه حرارت
عمق نوری آئروسل (AOD)
دی اکسید نیتروژن (NO ₂ )
مونوکسید کربن (CO)
رطوبت نسبی
پوشش ابر

2.1.1. داده های بارش

داده های بارش کاربرد گسترده ای در تحقیقات بهداشت عمومی پیدا می کند. وقوع بارندگی اغلب با بیماری های منتقله از آب، شیوع جمعیت حشرات، و روش های انتقال بیماری ( به عنوان مثال ، منابع آبی مشترک) مرتبط است. مطالعات اخیر از محصولات داده روزانه ماموریت اندازه‌گیری باران گرمسیری (TRMM) برای بررسی ارتباط بین بارندگی و محل شیوع وبا در هائیتی به دنبال یک زلزله ویرانگر استفاده کردند [ 3 ]. تحقیقات در مورد انتقال مالاریا با استفاده از داده های سنجش از راه دور اغلب شامل داده های بارندگی می شود. مالاریا یک بیماری منتقله از طریق پشه است و از آنجایی که پشه ها یک مرحله آبی از چرخه زندگی خود دارند، جمعیت پشه ها تحت تأثیر الگوهای بارندگی قرار می گیرند. کیانگ و همکاران [ 4] تحقیقاتی را در مورد الگوهای انتقال مالاریا در تایلند، بررسی همبستگی با دمای سطح، پوشش گیاهی و بارندگی توضیح داد. ادمی و همکاران [ 5 ] پتانسیل پیش بینی خطر مالاریا را در افغانستان شرح داد. هر دوی این تحقیقات به محصولات داده‌های بارندگی در جیووانی دسترسی پیدا کردند. میدکیسا و همکاران [ 6 ] همچنین از داده‌های بارندگی برای ایجاد مدل‌های هشدار اولیه برای مالاریا در اتیوپی استفاده کرد.

بارش شدید همچنین اثرات بهداشتی عمومی دارد – به طور مستقیم به دلیل خطر ناشی از سیل، متعاقباً به دلیل آسیب به تاسیسات آب و منابع آب شیرین که بر تامین آب تأثیر می گذارد و در نهایت به دلیل افزایش احتمال شیوع بیماری به دلیل آب آلوده. با توجه به سیل، کولز و همکاران. [ 7 ] ایجاد یک سیستم هشدار اولیه سیل ناگهانی برای مصر را توصیف کرد که از داده های بارش جووانی استفاده می کرد. سینگ، پاندی، و ناثوات [ 8] از جیووانی برای بررسی علت سیل کوسی در سال 2008 در هند استفاده کرد. GLDAS و NLDAS دارای متغیرهای هیدرولوژیکی مختلفی هستند، از جمله رطوبت خاک و رواناب علاوه بر بارش. از این متغیرها می توان برای مطالعه طوفان های شدید، سیلاب ذوب برف و شدت خشکسالی استفاده کرد. علاوه بر این، داده‌های پوشش ابری را می‌توان با تغییر الگوهای بارش و همچنین برای ردیابی طوفان‌های شدید و جبهه‌های آب‌وهوا مرتبط دانست.

2.1.2. داده های دما

داده های دما، همراه با رطوبت نسبی، همچنین می تواند بینش قابل توجهی در مورد نگرانی های بهداشت عمومی ارائه دهد. سوبیانتو، آدیمی و کیانگ [ 9] تعیین کرد که دما یک متغیر اولیه مرتبط با انتقال آنفولانزای فصلی است. دمای سطح یک متغیر اساسی مربوط به منابع آب، شرایط خشکسالی، بقای پوشش گیاهی، بقای زمستان‌گذرانی حشرات، تنش گرمایی و دامنه گونه‌های ناقل بیماری است. جیووانی داده‌های دمای سطح زمین را از راه دور از طیف‌سنج تصویربرداری با وضوح متوسط (MODIS)، داده‌های دمای اتمسفر از صدای مادون قرمز اتمسفر (AIRS)، داده‌های دمای مدل و مدل جذب‌شده (GLDAS و NLDAS) و داده‌های دمایی با وضوح بالا برای مناطق خاص نمونه ای از چنین تحقیقاتی در Shen et al. [ 10]، که پورتال داده پیشگام ساخته شده برای ابتکار مشارکت علوم زمین اوراسیا شمالی (NEESPI) را تشریح کرد. تغییرات در این منطقه، مانند درجه حرارت بالاتر و افزایش آتش سوزی، شرح داده شد.

2.1.3. داده های کیفیت هوا

یکی دیگر از موضوعات مورد توجه بهداشت عمومی کیفیت هوا است. چندین متغیر به طور منظم در ارتباط با کیفیت هوا در جیووانی وجود دارد. احتمالاً بیشترین استفاده از محصولات داده عمق نوری آئروسل (AOD) است که توسط MODIS و ابزار اندازه گیری ازن (OMI) خریداری شده است. AOD شفافیت نوری ستون هوای اتمسفر را نشان می دهد و مقادیر بالاتر نشان دهنده پراکندگی و جذب بیشتر توسط ذرات و مواد شیمیایی در جو است. به دلیل رابطه مستقیم بین AOD و برخی از انواع آلودگی هوا، به ویژه کسری اندازه ذرات PM2.5 و PM10 که اغلب نظارت می شود، متغیرهای داده AOD منابع اولیه در بسیاری از مطالعات مختلف بوده اند. دو مثال Li، Shao و Buseck [ 11 ] در مورد اثرات آئروسل های سوزاندن زیست توده بر مه در پکن، چین و لو هستند.و همکاران [ 12 ] در مورد انتشار دی اکسید گوگرد و روند در شرق آسیا. AOD همچنین برای ردیابی تأثیر منطقه‌ای دود ناشی از آتش‌سوزی‌ها، که می‌تواند صدها مایل از منبع آن منتقل شود، استفاده شده است ( شکل 1 ). پرادوس و همکاران [ 13 ] یک بررسی جامع از استفاده از مجموعه داده های مرتبط با کیفیت هوا در جیووانی ارائه می دهد.

شکل 1. تصویر عمق نوری آئروسل MODIS (AOD) که ناحیه وسیعی از غلظت‌های آئروسل بالا در شمال شرق مسکو (زرد) را نشان می‌دهد که ناشی از آتش‌سوزی‌های عظیمی است که در تابستان گرم سال 2010 فوران کردند. داده‌های روزانه AOD برای دوره 27-27 به دست آمده است. 31 ژوئیه 2010، و میانگین در این دوره زمانی با جیووانی.

OMI همچنین منبع مهمی از سایر داده های شیمی اتمسفر است. اهمیت بالقوه کاهش ازن استراتوسفر برای سلامتی به خوبی شناخته شده است و داده های ازن OMI در این تحقیق ضروری است. OMI همچنین یک محصول داده مفید از دی اکسید نیتروژن (NO ₂ ) را ارائه می دهد که می تواند برای ردیابی مکان ها و حرکت آتش سوزی جنگلی و همچنین منابع آلودگی هوا ناشی از احتراق سوخت های فسیلی استفاده شود. سرگئی سیتنوف یکی از کاربران پرکار جیووانی بوده و از این سیستم برای انتشار چندین مقاله در مورد NO ₂ و کیفیت هوا در روسیه استفاده کرده است. یکی از این مطالعات به الگوی هفتگی کیفیت هوا و رابطه آن با هواشناسی در اطراف مسکو نگاه کرد [ 14 ]]. یکی دیگر از گونه های شیمیایی شاخص کیفیت هوا، مونوکسید کربن (CO) است که توسط AIRS به دست آمده است.

2.2. پارامترهای داده سطح 2

متغیرهای سطح 2 مرتبط با سلامت در جیووانی عبارتند از:

غلظت کلروفیل (فیتوپلانکتون)
عمق سرخوشی
دمای سطح دریا
اوزون (O3) اشعه ماوراء بنفش اریتمال (UV) دوز روزانه
تفاوت نرمال شده و شاخص های پوشش گیاهی افزایش یافته (NDVI/EVI)
رطوبت خاک

2.2.1. داده های اقیانوس

ممکن است فوراً مشخص نباشد که چرا غلظت کلروفیل فیتوپلانکتون اقیانوسی برای تحقیقات مرتبط با سلامت مفید است. با این حال، این نوع داده در واقع یکی از طولانی‌ترین ارتباط‌ها با سلامت عمومی را دارد که توسط GES DISC ارائه شده است. این به خاطر این واقعیت است که Vibrio cholerae ، گونه‌ی باکتریایی مسئول وبا، مرحله‌ای در چرخه زندگی خود دارد که در آن به غلاف‌های غلاف، یک گونه زئوپلانکتون که از فیتوپلانکتون تغذیه می‌کند، حمله می‌کند. بنابراین، شکوفه‌های مربوط به سیل فیتوپلانکتون‌ها می‌توانند زمینی حاصلخیز برای تکثیر غلاف‌ها و V. cholerae فراهم کنند.. داده‌های اسکنر رنگی منطقه ساحلی (CZCS) در دهه 1980 برای بررسی شیوع وبا مربوط به شکوفایی فیتوپلانکتون در خلیج بنگال استفاده شد. این داده‌ها در جیووانی می‌توانند برای تحقیقات وبا، و برای بررسی ناقل‌های آلودگی غذاهای دریایی (“جزر و مد قرمز” و دیگر شکوفه‌های جلبکی مضر، HABS)، مرگ و میر ماهی‌ها و اثرات طوفان شدید مورد استفاده قرار گیرند. استفاده از داده های سنجش از دور اقیانوس ها برای مطالعه شیوع وبا قبلا توضیح داده شده است [ 15 ، 16 ، 17 ].

الگوهای فیتوپلانکتون نیز با موفقیت یا شکست ماهیگیری مرتبط است. از آنجایی که ماهی ها منبع اصلی پروتئین برای بسیاری از جمعیت های ساحلی هستند، این داده ها نیز می توانند پیامدهای سلامت عمومی داشته باشند. شکوفه ها همچنین می توانند نشان دهند که کسی نباید از کجا ماهی بگیرد. ون هولت نشان داد که صدف‌ها در مناطقی با غلظت کلروفیل به طور مداوم بالا، ارگانیسم‌های نامطلوب بیشتری نسبت به مناطق کم کلروفیل به پوسته خود می‌چسبند [ 18 ].]. عمق سرخوشی، معیاری برای شفافیت آب، برای مطالعات و گزارش‌های کیفیت آب استفاده شده است و می‌تواند اثرات سیل‌های دریایی را نشان دهد. دمای سطح دریا (SST) به طور مستقیم با کیفیت آب و رشد فیتوپلانکتون ها مرتبط است، اما به طور غیر مستقیم با بارش های ساحلی، طوفان ها، سیل و سلامت صخره های مرجانی مرتبط است. برنامه Caribbean SERVIR (Sistema Regional de Visualización y Monitoreo) به طور گسترده از MODIS SST از Giovanni در گزارش تحقیقاتی خود “روندهای دمای سطح دریا در دریای کارائیب و اقیانوس آرام شرقی” [ 19 ] که در سال 2011 برای ارائه یک مطالعه پایه منتشر شد، استفاده کرد. اثرات این رویدادها بر جمعیت کشورهای آمریکای مرکزی، شمال آمریکای جنوبی و دریای کارائیب.

2.2.2. داده های ازن

همانطور که قبلاً ذکر شد، داده های OMI یک انتخاب واضح برای بررسی تخریب لایه ازن استراتوسفر و عمق و وسعت “حفره اوزون” قطب جنوب است. اما محصول داده‌های دوز روزانه Erythemal، که تاثیر قرار گرفتن در معرض اشعه ماوراء بنفش بر انسان را توصیف می‌کند، به روش‌های منحصربه‌فردی مورد استفاده قرار گرفته است. Serrano، Canada و Moreno [ 20 ] از این محصول داده برای تعیین کمیت خطرات برای اسکی بازان جوان در معرض قرار گرفتن قابل توجه در معرض اشعه ماوراء بنفش استفاده کردند.

2.2.3. شاخص های پوشش گیاهی

NDVI و EVI، هر دو شاخص سبزی پوشش گیاهی و پوشش زمین، همچنین انواع داده‌های بالقوه مفیدی برای تحقیقات بهداشتی هستند، همانطور که رطوبت خاک نیز وجود دارد. این شاخص‌ها میزان و شدت خشکسالی را نشان می‌دهند و در نتیجه با منابع آب و موفقیت کشاورزی مرتبط هستند. کیانگ و همکاران [ 3 ] از شاخص‌های پوشش گیاهی در مدل‌سازی وقوع مالاریا در تایلند استفاده کرد، زیرا این شاخص‌ها با کاربری زمین و محیط‌های پرورش پشه مرتبط هستند. داده‌های NDVI و EVI با وضوح بالا (5.6 کیلومتر) در حال حاضر در پرتال داده ماهانه با وضوح بالا مطالعه منطقه‌ای یکپارچه آسیای موسمی (MAIRS) موجود است.

2.3. پارامترهای داده سطح 3

انواع داده های سطح 3 ممکن است با آب و هوا و آب و هوا مرتبط باشد و بر سلامت و رفاه عمومی تأثیر بگذارد. بسیاری از این نوع داده ها مقادیری را که برای منابع آب مهم هستند اندازه گیری می کنند:

عمق برف
توده برف
میزان بارش برف
ذوب برف
پوشش برف کسری
فرکانس برف/یخ
سرعت باد
رواناب

خشکسالی کنونی که ایالت های غربی ایالات متحده را فرا گرفته است، که برخی از هواشناسان آن را در سال 2000 توصیف می کنند، اثرات قابل مشاهده ای بر برف در رشته کوه ها، به ویژه برف های کالیفرنیا دارد. از آنجایی که این امر پیامدهایی برای مدیریت منابع آب و همچنین بر مناطق تالاب خواهد داشت، استفاده از جیووانی برای نظارت بر چنین تغییراتی ممکن است ضروری باشد. علاوه بر این، برف های سنگین می تواند منجر به سیل شود که ممکن است با داده های عمق برف قابل پیش بینی و با داده های رواناب قابل مشاهده باشد. روند پارامترهای برف همچنین ممکن است نشانگر تأثیرات تغییرات آب و هوا و تغییر در زمان یخ زدگی و ذوب باشد. یک سری زمانی جیووانی برای پروژه تحقیقات داده های ناسا برای آموزش تغییر آب و هوا (DICCE) آماده شده است [ 21] نشان داد که چگونه می توان از جیووانی توسط معلمان و دانش آموزان در نیومکزیکو استفاده کرد. شکل 2 یک سری زمانی توده ای برف ماهانه 1979-2010 را برای منطقه کوهستانی شمال نیومکزیکو نشان می دهد که منبع اصلی رودخانه ریو گراند است. کاهش توده برف از سال 1995 تا 2005 به وضوح قابل مشاهده است.

لایه های داده ای که در بالا توضیح داده شد لزوماً طبقه بندی های گسترده ای هستند. انواع داده‌ها می‌توانند ارتباط متفاوتی با بیماری‌های خاص داشته باشند، و تحقیقات انجام شده در مورد ارتباط بین بیماری‌ها و عوامل محیطی باید طیف روابط بالقوه را در نظر بگیرد. برای مثال، عمق یا جرم برف به ندرت برای بروز مالاریا مهم است، اما متغیر مهمی برای مالاریا در افغانستان است. NDVI مربوط به آنفولانزا نیست، اما برای بسیاری از بیماری‌های ناقل مهم است، در حالی که AOD می‌تواند برای بیماری‌های تنفسی (مانند آنفولانزا) مهم باشد، اما برای بیماری‌های ناقل مهم نیست. نشان داده شده است که SST منطقه ای (به ویژه ساحلی) با وبا بسیار مرتبط است، در حالی که SST در مقیاس حوضه مربوط به بارندگی است و بنابراین ممکن است با بیماری هایی با بارش یا ارتباط هیدرولوژیکی ارتباط داشته باشد.

شکل 2. سری زمانی ماهانه داده های توده برف تحلیل گذشته نگر عصر مدرن برای تحقیقات و کاربردها (MERRA)، با جیووانی، برای منطقه کوهستانی مرکزی شمال نیومکزیکو، ایالات متحده آمریکا ترسیم شده است.

3. نمونه آنفولانزا

مثال زیر نشان می‌دهد که چگونه جووانی در استفاده از داده‌های سنجش از دور در مطالعه رابطه بین آنفولانزا و پارامترهای هواشناسی یکپارچه بوده است، و همچنین توانایی این پارامترها را در پیش‌بینی فعالیت آنفلوانزا نشان می‌دهد. بار آنفولانزا و چگونگی ارتباط آن با شرایط هواشناسی ابتدا توضیح داده خواهد شد.

آنفولانزا یک عفونت حاد تنفسی است که در اپیدمی های فصلی می تواند به سرعت در سراسر جهان گسترش یابد. تقریباً 5 تا 15 درصد از جمعیت جهان را مبتلا می‌کند و هر سال باعث مرگ 500000 نفر می‌شود [ 22 ]. در ایالات متحده، هزینه اقتصادی اپیدمی آنفولانزا حدود 71 تا 167 میلیارد دلار در سال برآورد شده است [ 22 ]. زمان اپیدمی در عرض جغرافیایی متفاوت است، که بیشتر نقش عوامل هواشناسی و محیطی را در انتقال آنفولانزا نشان می دهد. در منطقه معتدل، اپیدمی آنفلوانزا در طول فصل زمستان رخ می دهد [ 23 ، 24 ]]. با این حال، فصلی و الگوی اپیدمی‌های آنفلوانزا در مناطق استوایی کمتر تعریف شده است: از فعالیت آنفلوآنزای بالا در طول سال، اوج‌هایی که مصادف با فصول بارانی هستند، تا اوج‌های متعدد در یک سال [ 23 ، 25 ، 26 ، 27 ]. مطالعات حیوانی و آزمایشگاهی نشان داده است که دما و رطوبت پایین – سازگار با شرایط زمستانی – شرایط مناسبی را برای انتقال موثر و بقای طولانی‌تر ویروس فراهم می‌کند [ 28 ، 29 ]]. در مناطق استوایی، بارندگی اغلب با فعالیت بیشتر آنفولانزا همراه است، اگرچه رابطه علی مستقیم نامشخص است. فرض بر این است که بارندگی باعث ازدحام فضای داخلی می شود که به نوبه خود، احتمال انتقال آئروسل و تماس را افزایش می دهد [ 30 ].

در این مطالعه، وقوع آنفلوانزا در پنج کشور با آب و هوای معتدل یا گرمسیری مورد تجزیه و تحلیل قرار گرفت. کشورهای مورد مطالعه ما هلند و نیوزیلند در مناطق آب و هوایی معتدل و فیلیپین، ویتنام و سریلانکا در مناطق آب و هوایی گرمسیری بودند. داده های آنفولانزا از شبکه آنفولانزای سازمان جهانی بهداشت [ 31 ] برای هر کشور به دست آمد. داده ها برای حداقل 3 سال به دست آمد ( شکل 3 ). داده های بارش از TRMM ناسا از طریق جیووانی (محصول TRMM 3B42) به دست آمد. به طور خلاصه، محصول TRMM 3B42 تخمین‌های بارش از TRMM و ماهواره‌های دیگر و همچنین تجزیه و تحلیل سنج را برای تولید بارش روزانه در مقیاس دقیق‌تر ترکیب می‌کند [ 32 ]]. رطوبت خاص نزدیک به سطح (2 متر) از سیستم جذب داده های زمین جهانی (GLDAS)، که در جیووانی نیز بایگانی شده است، به دست آمد. برای دانلود خودکار و زیر مجموعه داده ها بر اساس مرز مستطیلی منطقه مورد مطالعه از سیستم جیوانی استفاده شد. خروجی جیووانی یک فایل ASCII از پارامترهای ژئوفیزیکی فوق الذکر بود که با طول، طول جغرافیایی و زمان برچسب گذاری شده بود. سپس میانگین‌گیری مکانی و زمانی بر روی داده‌های بازیابی شده انجام شد، همانطور که در زیر توضیح داده شده است. فرمت خروجی ASCII انجام پس پردازش با نرم افزار آماری (R) را آسان تر کرد، جایی که ما مدل خود را توسعه دادیم. از این رو، سیستم جیووانی به ما این امکان را می دهد که به طور موثر مجموعه داده را بدون نیاز به دانلود یا ذخیره فایل های HDF با اندازه بزرگ بازیابی کنیم. ایستگاه‌های زمینی منبع داده‌های دمای حداقل بودند [ 33]. با توجه به محدودیت های پوشش فضایی TRMM، داده های بارش برای هلند از ایستگاه های زمینی به دست آمد.

شکل 3. میانگین هفتگی آنفلوانزای مثبت (در درصد) و پارامترهای هواشناسی در طول دوره مطالعه. نمودار نوار درصد آنفلوانزای مثبت را نشان می دهد. TMIN حداقل دما (°C)، SH رطوبت خاص (g/kg) و PRCP بارش (1 سانتی متر) است.

نسبت هفتگی نمونه‌های تنفسی که برای آنفولانزا مثبت شد، به عنوان یک شاخص فعالیت آنفولانزا عمل کرد. سپس رگرسیون لجستیک برای هر مکان مطالعه، با حداقل دما، بارش و رطوبت خاص (میانگین از فعلی تا 3 هفته قبل) به عنوان متغیرهای کمکی توسعه یافت. دو هفته قبل از فعالیت آنفلوانزا، و یک تابع چند جمله‌ای مرتبه سوم عدد هفته، نیز به عنوان متغیرهای کمکی گنجانده شدند. سپس انتخاب متغیر رو به عقب برای به دست آوردن یک مدل مقرون به صرفه (مدلی با کمترین متغیرهای کمکی ممکن) استفاده شد. توصیف دقیق‌تری از مدل را می‌توان در Soebiyanto و همکارانش یافت. [ 25 ].

شکل 3 فعالیت هفتگی آنفولانزا و پارامترهای هواشناسی را به طور میانگین در طول دوره مطالعه نشان می دهد. از بین سه مکان مورد مطالعه گرمسیری، ویتنام دارای تنوع بیشتری هم در حداقل دما و هم در رطوبت خاص بود. در مناطق معتدل، هلند تنوع بیشتری در این دو پارامتر داشت (در مقایسه با نیوزلند). بارش در مناطق گرمسیری فصلی متفاوتی را نشان داد، در حالی که در طول سال در مناطق معتدل به طور مساوی توزیع شد. نمودارهای نسبت مثبت آنفلوانزا ( شکل 3) نشان داد که آنفولانزا در فصل زمستان در مناطق معتدل به اوج می رسد: در حدود فوریه تا مارس در هلند (نیمکره شمالی) و جولای تا آگوست در نیوزیلند (نیمکره جنوبی). در این زمان، هم دما و هم رطوبت ویژه در حداقل مقدار خود بودند ( شکل 3 ). در مناطق گرمسیری، فصلی بودن به خوبی تعریف نشده بود. به طور متوسط در مناطق گرمسیری، به نظر می رسد که فعالیت بیشتر آنفولانزا با دما، رطوبت خاص و مقادیر بارندگی بیشتر مرتبط باشد.

نتایج حاصل از مدل‌های رگرسیون لجستیک ( جدول 1 ) نشان داد که حداقل دما با فعالیت آنفلوانزا در سریلانکا رابطه معکوس دارد ( 0.05 < p ) (نسبت شانس (OR) = 0.59، فاصله اطمینان 95٪ (CI) = 0.39-0.90). رطوبت ویژه به طور قابل توجهی مرتبط بود ( ص< 0.05) با فعالیت آنفلوانزا در همه مکان ها با روابط متفاوت. انجمن های متناسب در هر سه مکان گرمسیری (محدوده OR 1.13-1.47)، در حالی که انجمن های معکوس در دو مکان معتدل یافت شد (OR = 0.79 (0.67-0.95) در هلند، و OR = 0.41 (0.29-0.58) در نیوزلند). در اینجا، ارتباط متناسب نشان می دهد که افزایش در پارامتر هواشناسی مشخص شده با افزایش فعالیت آنفلوانزا مرتبط است. ارتباط معکوس نشان می دهد که افزایش یک پارامتر هواشناسی با کاهش فعالیت آنفولانزا مرتبط است. در همین حال، بارش با فعالیت آنفلوانزا در هیچ یک از مکان‌ها ارتباط معنی‌داری نداشت ( 05/0p >).

جدول 1. رگرسیون چند متغیره بین نسبت مثبت آنفلوانزا و پارامترهای هواشناسی. فونت پررنگ نشان دهنده اهمیت در سطوح 0.05 = α، RMSE نشان دهنده ریشه میانگین مربعات خطا و Corr است. Coef. ضریب همبستگی بین نسبت مثبت آنفلوانزای مشاهده شده و پیش بینی شده است. مدل‌ها برای فعالیت آنفلوانزای هفته‌های گذشته، فصلی بودن و سایر روابط غیرخطی احتمالی (مدل‌سازی شده به‌عنوان تابع چند جمله‌ای، تا درجه 3، عدد هفته) تنظیم شدند. وقتی OR نشان داده نمی شود، متغیر با انتخاب به عقب انتخاب نمی شود (در مدل نهایی گنجانده نشده است).

رابطه معکوس بین فعالیت آنفولانزا و حداقل دما در سریلانکا و رطوبت خاص در مناطق معتدل با مطالعات تجربی که نشان می‌دهد چنین شرایطی (دمای پایین و رطوبت) برای بقای طولانی‌تر ویروس آنفولانزا و انتقال کارآمدتر مناسب‌تر است، مطابقت دارد [ 28 ، 29 ]. ]. یافته‌های مربوط به رطوبت خاص در مکان‌های گرمسیری با آن‌ها در مناطق معتدل متفاوت بود. اینها با سایر مطالعات در مناطق استوایی مطابقت داشتند [ 23 ، 26 ، 27]. ارتباط متناسب با رطوبت خاص ممکن است نشان دهنده یک رابطه غیرمستقیم با فعالیت آنفولانزا، مشابه بارش باشد. مکان‌های عمومی سرپوشیده ممکن است فرصت‌هایی را برای ازدحام در هنگام بارندگی یا رطوبت بالا فراهم کنند و در نتیجه ممکن است تماس، آئروسل و انتقال قطرات را افزایش دهند.

ما فقط با حداقل دما در سریلانکا ارتباط پیدا می کنیم، و نه در بقیه مناطق استوایی و مناطق معتدل مطالعه. در منطقه معتدل، حداقل دما اغلب با رطوبت خاص همبستگی زیادی دارد. از این رو، حداقل دما می تواند با آنفولانزا به روشی مشابه رطوبت خاص مرتبط باشد، اما مدل ما این پارامتر را انتخاب نکرده است، زیرا ممکن است بهترین عملکرد مدل را نداشته باشد. این با مطالعه دیگری مطابقت داشت که نشان می داد رابطه بین آنفولانزا و دما در مناطق معتدل ایالات متحده به اندازه آنفولانزا و رطوبت مطلق از نظر آماری قوی نیست [ 24 ].]. در همین حال، دما در مناطق استوایی معمولاً در طول سال بدون الگوی فصلی قوی نسبتاً مشابه باقی می‌ماند. بنابراین با آنفولانزا مرتبط نبود که در مطالعه دیگری برای مناطق گرمسیری نیز مشاهده شد [ 23 ].

شکل 4. مدل های رگرسیونی نسبت مثبت آنفولانزا را در طول دوره نشان داده شده پیش بینی می کند. خط سیاه داده‌های مشاهده‌شده است (داده‌های اعتبارسنجی، که در آموزش مدل‌ها استفاده نمی‌شود)، و خط قرمز پیش‌بینی مدل با سایه‌های خاکستری است که فاصله اطمینان 95٪ (CI) را نشان می‌دهد.

سپس مدل‌های به‌دست‌آمده (یک مدل در هر مکان مطالعه) برای پیش‌بینی فعالیت آنفلوانزا در سال آخر داده‌ها استفاده شد ( شکل 4 ). این مجموعه داده ها در آموزش مدل ها استفاده نشد. فعالیت تخمینی آنفلوانزا می تواند به طور منطقی از منحنی های مشاهده شده پیروی کند. ریشه میانگین مربعات خطا (RMSE، جدول 1 ) کمتر از 0.15 بود (فعالیت آنفلوانزا در این مطالعه به نسبت بیان شد). ضرایب همبستگی ( جدول 1 ) بین فعالیت تخمینی و مشاهده شده آنفلوانزا تطابق خوبی بین این دو نشان داد (میانگین = 0.7، محدوده = 0.5-0.83).

در نتیجه، این تجزیه و تحلیل رطوبت خاص را به عنوان یک عامل تعیین کننده مهم برای فعالیت آنفلوانزا در سراسر مناطق آب و هوایی نشان داد. در مناطق معتدل آب و هوا، فعالیت آنفلوانزا با کاهش رطوبت خاص افزایش یافت. برعکس در مناطق گرمسیری مشاهده شد. اولی با دمای پایین و رطوبت کم که در زمستان رخ می دهد، زمانی که فعالیت آنفلوآنزا در مناطق آب و هوایی معتدل بالا می رود، سازگار است. همچنین در شکل 4 نشان داده شده استمدل‌های رگرسیون که شامل ورودی‌های هواشناسی، فصلی و خودبازگشتی می‌شوند، می‌توانند برای پیش‌بینی فعالیت آنفولانزا به خوبی استفاده شوند. از این رو، می توان از فعالیت های پیش بینی شده آنفولانزا به عنوان راهنمای برنامه ریزی تلاش های پیشگیری آتی استفاده کرد. پیش‌بینی‌های آب و هوای کوتاه‌مدت را می‌توان برای تخمین آنفلوانزا در هفته بعد استفاده کرد، در حالی که از مدل‌های آب و هوایی می‌توان برای ارزیابی اینکه چگونه فعالیت و زمان آنفلوآنزا ممکن است با آب و هوا در دهه‌های آینده تغییر کند، استفاده کرد.

4. نتیجه گیری

انبوهی از پارامترهای داده سنجش از دور موجود در جیووانی، فرصت‌های تحقیقاتی بالقوه زیادی را برای بررسی روابط بین عوامل محیطی و مسائل بهداشت عمومی فراهم می‌کند. مثال ما، بررسی روابط احتمالی بین فعالیت آنفولانزا و سه متغیر – دما، رطوبت خاص، و بارندگی – نشان می‌دهد که چگونه داشتن چنین انواع داده‌هایی که به آسانی برای زیرمجموعه‌سازی و دانلود سریع در جیووانی در دسترس هستند، می‌تواند فرآیند تحقیق را برای محققانی که لزوماً در دسترس نیستند فعال کند. آشنایی با جزئیات سنجش از دور ماهواره ای این مثال قابلیت‌های توابع تحلیلی اساسی جووانی، مانند نقشه‌های متغیر داده، سری‌های زمانی، یا نمودارهای Hovmöller را به طور کامل نشان نمی‌دهد، که می‌توانند در تحقیقات نیز مورد استفاده قرار گیرند. با توجه به امکان همبستگی های آماری غیر علتی بین داده های محیطی و داده های بهداشت عمومی، جیووانی راهی آسان و سریع برای دسترسی و استفاده از منابع علم زمین ناسا در بخش علوم بهداشتی ارائه می دهد. علاوه بر این، از آنجایی که تغییرات آب و هوایی منجر به الگوهای متفاوت انتقال و وقوع بیماری می شود، می توان از قابلیت های تحلیلی جووانی برای مشاهده تغییرات مرتبط در عوامل محیطی استفاده کرد.

منابع

بریک، اس. لپتوخ، جی. فارلی، جی دی. Rui, H. Giovanni: یک سیستم تجسم و تجزیه و تحلیل داده مبتنی بر گردش کار وب سرویس. IEEE Trans. Geosci. Remote Sens. 2009 ، 47 ، 106-113. [ Google Scholar ] [ CrossRef ]
وب سایت آرست. در دسترس آنلاین: http://arset.gsfc.nasa.gov (دسترسی در 5 سپتامبر 2014).
ریباودت، اس. گازین، پ. باریس، آر. مور، اس. روسیگنول، ای. بارتلمی، ن. گودارت، جی. بونسی، جی. مگلوایر، آر. پیاروکس، آر. فصل خشک در هائیتی: فرصتی برای از بین بردن وبا. PLoS Curr. 2013 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کیانگ، آر. ادیمی، ف. سوئیکا، وی. نیگرو، جی. سینگاسیوانون، پ. Sirichaisinthop، J.; لیمینگساوات، اس. آپیواتناسورن، سی. Looareesuwan، S. تجزیه و تحلیل هواشناسی، سنجش از دور محیطی و شبکه عصبی اپیدمیولوژی انتقال مالاریا در تایلند. سلامت جغرافیایی 2006 ، 1 ، 71-84. [ Google Scholar ] [ PubMed ]
ادیمی، ف. Soebiyanto، RP; صافی، ن. کیانگ، آر. پیش‌بینی خطر مالاریا در افغانستان با استفاده از سنجش از دور. مالار. J. 2010 , 9 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
میدکیسا، ا. سنای، جی. Henebry، جنرال موتورز; Semuniguse، P. مدل‌های سری زمانی مبتنی بر سنجش از دور Wimberly، MC برای هشدار اولیه مالاریا در ارتفاعات اتیوپی. مالار. J. 2012 ، 11 ، 165-181. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کولز، جی. واندرکیمپن، پی. الافندی، جی. عبدالخالک، ع. فوکی، اس. ال سامانی، م. عبدالله، ج. ال بیهری، م. باونز، دبلیو. Huygens, M. یک سیستم هشدار اولیه برای سیلاب های ناگهانی در مصر فوق العاده خشک. نات. سیستم خطرات زمین. علمی 2012 ، 12 ، 443-457. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سینگ، SK; Pandey، AC; Nathawat، تغییرپذیری بارندگی MS و دینامیک مکانی-زمانی طغیان سیل در طول سیل سال 2008 کوسی در ایالت بیهار، هند. آسیایی J. Earth Sci. 2011 ، 4 ، 9-19. [ Google Scholar ] [ CrossRef ]
Soebiyanto، RP; ادیمی، ف. Kiang، RK مدلسازی و پیش‌بینی انتقال فصلی آنفلوانزا در مناطق گرم با استفاده از پارامترهای اقلیمی. PLoS One 2010 . [ Google Scholar ] [ CrossRef ]
شن، اس. لپتوخ، جی. لوبودا، تی. سیزار، آی. رومانوف، پ. Gerasimov، I. پورتال داده NEESPI ناسا برای حمایت از مطالعات تغییرات آب و هوایی و محیطی در اروپای غیر شمالی. در جنبه های منطقه ای برهمکنش های آب و هوا-زمینی-هیدرولوژیک در اروپای شرقی غیر شمالی ; Pavel, G., Sergiy, I., Eds. Springer: برلین، آلمان، 2009; صص 9-16. [ Google Scholar ]
لی، WJ; شائو، LY; Buseck، انواع Haze PR در پکن و تأثیر سوزاندن زیست توده کشاورزی. اتمس. شیمی. فیزیک 2010 ، 10 ، 8119-8130. [ Google Scholar ] [ CrossRef ]
لو، ز. Streets, DG; ژانگ، Q. وانگ، اس. کارمایکل، GR; چنگ، YF; وی، سی. چین، م. دیهل، تی. قهوهای مایل به زرد، Q. انتشار دی اکسید گوگرد در چین و روند گوگرد در شرق آسیا از سال 2000. Atmos. شیمی. فیزیک 2010 ، 10 ، 6311-6331. [ Google Scholar ] [ CrossRef ]
پرادوس، هوش مصنوعی؛ لپتوخ، جی. لینز، سی. جانسون، جی. روی، اچ. چن، آ. Husar، RB دسترسی، تجسم و قابلیت همکاری مجموعه داده های سنجش از دور کیفیت هوا از طریق ابزار آنلاین جیووانی. IEEE J. Sel. بالا. زمین Obs. Remote Sens. 2010 , 3 , 359-370. [ Google Scholar ] [ CrossRef ]
سیتنوف، SA چرخه هفتگی پارامترهای هواشناسی در منطقه مسکو. دوکل. علوم زمین 2010 ، 431 ، 507-513. [ Google Scholar ] [ CrossRef ]
لوبیتز، بی.ام. بک، ال آر. هوک، ا. چوب، بی. فوکس، جی. فاروکه، ASG؛ Colwell, RR آب و هوا و بیماری عفونی: استفاده از سنجش از دور برای تشخیص ویبریوکلرا با اندازه گیری غیر مستقیم. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2000 ، 97 ، 1438-1443. [ Google Scholar ] [ CrossRef ] [ PubMed ]
امچ، ام. فلداکر، سی. یونس، م. Streatfield، PK؛ تیم، وی. Canh، D. محمد، الف. پیش بینی کننده های محیطی محلی وبا در بنگلادش و ویتنام. صبح. جی تروپ. پزشکی هیگ 2008 ، 78 ، 823-832. [ Google Scholar ] [ PubMed ]
دی مگنی، جی. مورتوگود، آر. ساپیانوب، م. نظام، ع. براون، سی. بوسالاکی، ا. یونس، م. نیر، جی. گیل، ا. کالکینز، جی. و همکاران امضاهای زیست محیطی مرتبط با اپیدمی های وبا Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2008 ، 105 ، 17676-17681. [ Google Scholar ] [ CrossRef ] [ PubMed ]
موفقیت وان هولت، تی. فیشر و سازگاری با سیستم های مزرعه در شیلی. در مجموعه مقالات کارگاه آنلاین جیووانی گرگوری جی لپتوخ 2012 . در دسترس آنلاین: http: //disc.sci.gsfc.nasa.gov/giovanni/additional/newsletters/proceedings_2012_leptoukh_Giovanni_online_workshop (در 10 نوامبر 2014 قابل دسترسی است).
شرینگتون، EA؛ هرناندز، BE; گارسیا، BC; کلمنته، ق. Oynela، روندهای سطح دریا MO در دریای کارائیب و اقیانوس آرام شرقی. در دسترس آنلاین: http://issuu.com/cathalac/docs/servir_oceans_eng (در 8 دسامبر 2014 قابل دسترسی است).
سرانو، MA; کانادا، جی. Moreno، JC Erythemal تابش اشعه خورشیدی فرابنفش دریافت شده توسط اسکی بازان جوان. فتوشیمی. فوتوبیو. علمی 2013 ، 12 ، 1976-1983. [ Google Scholar ]
SRI Inc. تحقیقات با داده های پیشرفته برای آموزش تغییرات آب و هوا. در دسترس آنلاین: http://dicce.sri.com/ (دسترسی در 5 سپتامبر 2014).
WHO (2009) آنفولانزا (فصلی) — برگه اطلاعات شماره 211. در دسترس آنلاین: http://www.who.int/mediacentre/factsheets/fs211/en/ (در 14 ژوئن 2013 قابل دسترسی است).
Tamerius، JD; شمن، ج. آلونسو، WJ; بلوم-فشباخ، ک. Uejio، CK; اندرو کامری، ای. Viboud، C. پیش بینی کننده های محیطی اپیدمی های آنفولانزای فصلی در آب و هوای معتدل و گرمسیری. PLoS Pathog. 2013 ، 9 ، e1003194. [ Google Scholar ] [ PubMed ]
شمن، ج. پیتزر، وی. ویبود، سی. گرنفل، بی تی؛ Lipsitch، M. رطوبت مطلق و شروع فصلی آنفولانزا در قاره ایالات متحده. PLoS Biol. 2010 ، 8 ، e1000316. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Soebiyanto، RP; کلارا، دبلیو. جارا، ج. کاستیو، ال. Sorto، OR; مارینرو، اس. De Antinori، MEB; مک کراکن، جی پی؛ ویدوسون، M. -A.; کیانگ، RK نقش دما و رطوبت در آنفولانزای فصلی در مناطق گرمسیری: گواتمالا، السالوادور و پاناما، 2008-2013. PLoS One 2014 ، 9 ، e100659. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چادا، ام اس; برور، اس. گوناسکاران، پ. پوتدار، VA; کریشنان، ا. چاولا سرکار، م. بیسواس، د. ابراهیم، AM; Jalgaonkar، SV; کائور، اچ. و همکاران نظارت بر آنفولانزای ویروسی چند سایتی در هند: 2004-2008. آنفولانزا سایر ویروس های رسپی 2012 ، 6 ، 196-203. [ Google Scholar ] [ CrossRef ]
دوسه، ع. ندیایی، ک. اشپیگل، ا. ساگنا، م. Mathiot، C. بررسی اپیدمیولوژیک و ویروسی آنفولانزا در داکار، سنگال: 1996-1998. صبح. جی تروپ. پزشکی هیگ 2000 ، 62 ، 639-643. [ Google Scholar ] [ PubMed ]
Lowen، AC; مبارکه، س. فولاد، ج. انتقال ویروس آنفلوانزای P. Palese به رطوبت نسبی و دما بستگی دارد. PLoS Pathog. 2007 ، 3 ، 1470-1476. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پولوزوف، IV; بزروکوف، ال. گاوریش، ک. Zimmerberg, J. ترتیب پیشرونده با کاهش دمای فسفولیپیدهای ویروس آنفولانزا. نات. شیمی. Biol. 2008 ، 4 ، 248-255. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لوفگرن، ای. ففرمن، NH; Naumov، YN; گورسکی، جی. Naumova، EN آنفولانزای فصلی: علل اساسی و نظریه های مدل سازی. جی. ویرول. 2007 ، 81 ، 5429-5436. [ Google Scholar ] [ CrossRef ] [ PubMed ]
FluNet سازمان بهداشت جهانی در دسترس آنلاین: http://www.who.int/influenza/gisrs_laboratory/flunet/en/ (دسترسی در 14 ژوئن 2013).
هافمن، جی. آدلر، RF؛ بولوین، دی.تی. گو، جی. Nelkin، EJ; بومن، KP; هونگ، ی. Stocker، EF; Wolff، DB 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 ]
مرکز ملی داده های اقلیمی خلاصه سطح جهانی روز. در دسترس آنلاین: http://www.ncdc.noaa.gov/oa/ncdc.html (دسترسی در 14 ژوئن 2013).

© 2014 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب