نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

چکیده

:

عوامل پیچیده بیوفیزیکی، اجتماعی و رفتاری انسانی بر آسیب‌پذیری جمعیت در برابر بیماری‌های ناقل تأثیر می‌گذارند. الگوهای محیطی و انسانی پویا از نظر مکانی و زمانی نیاز به نقشه‌برداری و تکنیک‌های مدل‌سازی پیچیده دارند. در حالی که بسیاری از مطالعات از متغیرهای محیطی برای پیش‌بینی خطر استفاده می‌کنند، آسیب‌پذیری جمعیت انسانی چالشی برای گنجاندن در مدل‌های ریسک فضایی بوده است. این مطالعه تکنیک‌های نقشه‌برداری داسیمتری را برای نقشه‌برداری الگوهای فضایی جمعیت‌های انسانی آسیب‌پذیر و مشخص کردن قرار گرفتن در معرض پشه‌های ویروس نیل غربی در چساپیک، ویرجینیا نشان می‌دهد و به کار می‌برد. فراوانی ناقل پشه اندازه‌گیری شده و با شاخص آسیب‌پذیری جمعیت برای ارزیابی قرار گرفتن در معرض جمعیت‌های انسانی با پشه‌ها ترکیب می‌شود. نشان داده شده است که مدل‌سازی فضایی تلاقی عوامل محیطی را که نقاط کانونی فضایی را در فراوانی ناقل پشه ایجاد می‌کنند، نشان می‌دهد، که به نوبه خود خطرات متفاوتی را در طول زمان برای انسان ایجاد می‌کند. چنین رویکردهایی می تواند به طراحی مدیریت کلی آفات پشه و شناسایی مناطق پرخطر قبل از آب و هوای شدید کمک کند.
کلید واژه ها: 

نقشه برداری ریسک بیماری ناشی از پشه ؛ نقشه برداری داسیمتری

 

 

1. مقدمه

گسترش ناقلین و تعداد فزاینده بیماری های منتقله از طریق ناقل تهدید بزرگی برای سلامت انسان است. به منظور جلوگیری از گسترش بیماری، پیش بینی خطر انتقال بیماری، هم از نظر مکانی و هم زمانی مفید است. فناوری‌های زمین‌فضایی معمولاً برای ارزیابی الگوهای توزیع ناقل یا مورد انسانی و همچنین تخمین خطر انتقال بیماری بر اساس عوامل حشره‌شناختی، اپیدمیولوژیک و محیطی استفاده می‌شوند [ 1 ]]. یک محدودیت این است که سیستم های پیش بینی اغلب ایستا هستند و فقط ریسک را در یک زمان و مکان خاص پیش بینی می کنند. این مطالعه با پیش‌بینی خطر انتقال بیماری از پشه‌ها در سراسر Chesapeake، ویرجینیا، برای تابستان 2003، به دنبال یک کمپین نظارت میدانی گسترده توسط کمیسیون کنترل پشه این شهر، به این نقص پرداخته است. در شرایطی که یک بیماری یا خطر نادر است (و مطالعات موردی-کنترلی یا مطالعات کوهورت غیرعملی هستند)، تحلیل روند تهدیدات و همزیستی عوامل خطر با بیماری، رویکردهای ثمربخشی هستند [ 2 ].]. با استفاده از تکنیک‌های GIS، تجزیه و تحلیل‌های فضایی در این مطالعه برای ردیابی روند فراوانی گونه‌های ناقل شایسته و شناسایی جمعیت تصادفی مستعد ابتلا به بیماری‌های منتقله از پشه و تخمین خطر نسبی انتقال بیماری به انسان انجام شد.
پیش‌بینی حساسیت انسانی و انتقال احتمالی بیماری برای ترکیب فراوانی ناقل و وضعیت ایمنی جمعیت میزبان توصیه شده است [ 3 ]. چنین شواهد اپیدمیولوژیکی همچنین به نظارت و کنترل گونه های ناقل توسط آژانس های بهداشت عمومی محلی ترجمه می شود. علاوه بر این، خطر قرار گرفتن در معرض ناقلان بیماری های منتقله از پشه را می توان با استفاده از مقادیر فراوانی پشه و عوامل فیزیولوژیکی گسترده آسیب پذیری انسان در برابر عفونت بیماری تخمین زد. مقادیر فراوانی پشه برای این پروژه از یک مطالعه قبلا منتشر شده برای اندازه‌گیری فراوانی گونه‌های ناقل پشه شایسته C uliseta melanura و همچنین فراوانی ترکیبی Aedes vexans وPsorophora columbiae [ 4 ، 5 ]. A. vexans و P. columbiae اولویت زیستگاهی برای استخرهای زودگذر دارند و بنابراین در سراسر این مقاله به عنوان “گونه های زودگذر” نامیده می شوند. C. melanura یک گونه مهم در این منطقه است زیرا ناقل آنزوتیک اولیه آنسفالیت اسب شرقی (EEE) و همچنین ناقل بالقوه ویروس نیل غربی (WNV) است. A. vexansهمچنین یکی دیگر از ناقل اپیزووتیک بالقوه مهم برای WNV است. در حالی که چندین مطالعه از متغیرهای ناقل و محیطی برای تخمین خطر استفاده می کنند، بسیاری از مطالعات آسیب پذیری انسان در برابر این بیماری ها یا تنوع زمانی و مکانی فراوانی ناقل یا جمعیت شناسی و فضاهای فعالیت انسانی را در نظر نمی گیرند.
هدف اصلی این مطالعه برآورد قرار گرفتن انسان در معرض گونه های ناقل پشه است که قادر به انتقال بیماری و عفونت انسانی در سراسر یک منظره هستند. شهر چساپیک، ویرجینیا، این مکان را با شیب شهری تا روستایی پرجمعیت و موقعیت ساحلی کم توپوگرافی در مجاورت زیستگاه‌های گسترده پشه‌ها ارائه می‌دهد که در آب و هوای مرطوب و نیمه گرمسیری تابستانی، از جمله فراوانی استخرهای زودگذر، خندق‌های کشاورزی، و پرورش کانتینری بسیار پربار هستند. سایت ها در مناطق شهری هدف دوم این است که جمعیت انسانی آسیب پذیر را به گونه ای ترسیم کند که دقیق ترین توزیع جمعیت را به تصویر بکشد و ارزیابی خطر مواجهه ناقل بالقوه را تسهیل کند. با استفاده از مقادیر ماهانه فراوانی پشه و داده های آسیب پذیری جمعیت انسانی، یک شاخص خطر ماهانه محاسبه می شود که قرار گرفتن در معرض گونه های ناقل پشه را تخمین می زند. این اهداف بر هدف کلی این مطالعه، بهبود پیش‌بینی خطر مواجهه با پشه‌ها در چساپیک، ویرجینیا، در طول ماه‌های تابستانی اوج تولید مثل پشه از ژوئن تا آگوست تأکید می‌کند. علاوه بر این، یک نتیجه قابل دستیابی و عملی از این تجزیه و تحلیل شامل یک مدل ریسک فضایی است که می‌تواند با مناطق دیگر برای شناسایی قرار گرفتن در معرض ناقل برای نظارت و کنترل، نشان‌دادن اقدامات کنترلی پیچیده‌تر و پیچیده‌تر از لحاظ جغرافیایی، تطبیق داده شود.6 ].
تعداد فزاینده ای از مطالعات خطر بیماری را با استفاده از روش های مکانی (سنجش از راه دور، تجزیه و تحلیل فضایی، تجسم زمین، و سایر روش های اعمال و یکپارچه سازی سیستم های اطلاعات جغرافیایی (GIS)) پیش بینی کرده اند. برای مثال، رویکردهای آماری برای پیش‌بینی شیوع ویروس نیل غربی (WNV) با استفاده از پوشش زمین و عوامل محیطی برای ایندیاناپولیس، ایندیانا [ 7 ]]. یک مدل مکانی-زمانی ایجاد شد که خطر بیماری را از سال 2002 تا 2007 پیش‌بینی می‌کرد. این مطالعه نشان داد که بالاترین خوشه‌های شیوع WNV در مناطق کشاورزی و علفزار قرار دارد. این گونه پوشش‌ها دارای رطوبت نسبتاً بالایی هستند و زیستگاه‌های مطلوبی برای پرورش پشه فراهم می‌کنند. برای یافتن رابطه بین متغیرهای محیطی و بیماری از تحلیل تمایز استفاده شد. نتایج نشان داد که متغیرهای خاصی تأثیر زیادی بر انتشار WNV داشتند. اندازه تالاب، درصد سطح کشاورزی، و طول جریان همگی با شیوع WNV همبستگی مثبت داشتند. پتانسیل عفونت WNV نیز با استفاده از نمونه گسترده ای از پرندگان مرده و داده های جمعیت انسانی با تجزیه و تحلیل خوشه ای برای استنتاج نقاط بالقوه عفونت بیماری مورد مطالعه قرار گرفته است [ 8 ]]. در مطالعه تجربی دیگری که ترکیبی از داده‌های جمعیت شبکه‌بندی شده LandScan و نقشه‌های توزیع گونه‌های پشه Aedes aegypti ، همبستگی و شبیه‌سازی مونت کارلو، تحرک انسان، فراوانی ناقل و انتقال بیماری را تحلیل می‌کند [ 9 ]. در واقع، GIS و تکنیک‌های سنجش از دور برای ارزیابی خطر بیماری‌های منتقله از پشه به طور گسترده، حتی در سطح جهانی، مانند خطر مالاریا [ 10 ] استفاده شده است.]. دانشمندان ناسا در برنامه سیاره سالم مرکز پرواز فضایی گدارد یک مدل انتقال مالاریا ایجاد کردند که شامل انگل ها، میزبان ها، ناقل ها، عوامل انسانی و عوامل محیطی است. آنها همچنین یک مدل ریسک ایجاد کردند که شدت انتقال را با استفاده از داده های هواشناسی پیش بینی می کند. تصاویر سنجش از دور برای شناسایی مکان‌های بالقوه تولید مثل ناقل‌های پشه به منظور تمرکز بهتر برنامه‌های کنترل پشه استفاده شد. کار مشابهی توسط بک و همکاران پیشگام شد . تکنیک‌های سنجش از دور ماهواره‌ای و GIS برای شناسایی خطر انتقال مالاریا در چیاپاس، مکزیک، برای شناسایی روستاهایی با خطر تماس ناقل و انسان بالا [ 11 ].
اگرچه GIS به طور گسترده برای تخمین خطر بیماری استفاده شده است، یک محدودیت کمبود داده های سلامت انسان است که در مدل های خطر گنجانده شده است. با این حال، آسیب پذیری عامل مهمی است که می تواند تخمین خطر عفونت بیماری را هدایت کند. عواملی مانند سن، سرکوب سیستم ایمنی، فضای فعالیت و الگوهای رفتاری و ژنتیک بر خطر ابتلای انسان به عفونت تأثیر می‌گذارند. الگوی فضایی افراد عفونی و مستعد به بیماری های منتقله از طریق ناقل ممکن است یک عامل تعیین کننده مهم در مواجهه و خطر بیماری باشد [ 12 ]]. این مطالعه با استفاده از داده‌های جمعیت‌شناختی و GIS، جمعیتی را که بیشترین آسیب‌پذیری را در برابر قرار گرفتن در معرض پشه‌ها در سراسر شهر Chesapeake دارند، تخمین می‌زند. ارزیابی اولیه آسیب‌پذیری از اطلاعات جمعیتی گروه بلوک سرشماری ایالات متحده استفاده می‌کند. تجمیع تراکم جمعیت به واحدهای جغرافیایی مانند بلوک‌های سرشماری، گروه‌های بلوک یا بخش‌ها یک روش رایج برای ایجاد نقشه‌های کروپلتیکی از داده‌های جمعیت است. یکی از محدودیت‌های این نقشه‌ها این است که خواننده باید فرض کند که همه مناطق در یک واحد جغرافیایی معین دارای تراکم جمعیتی برابر هستند. با این حال، معمولاً اینطور نیست و مانعی برای درک الگوهای مقیاس دقیق‌تر ایجاد می‌کند. اگر واحدهای فضایی بیش از حد بزرگ باشند، یک اتفاق معمول در محیط‌های حومه‌ای تا روستایی، تغییرات فضایی داده‌ها کاهش یا تعمیم بیش از حد دارد [ 13 ]]. تکنیک‌های آماری مانند نقشه‌برداری داسیمتری را می‌توان برای نشان دادن توزیع دقیق‌تر جمعیت با تفکیک داده‌های مکانی در نواحی چندضلعی به یک واحد تحلیل دقیق‌تر با استفاده از داده‌های جانبی برای کمک به اصلاح مکان‌های جمعیت استفاده کرد [ 14 ]. این تکنیک به طور خلاصه به صورت نقشه برداری توصیف شده است، “نقشه داسیمتری داده های کمی منطقه را با استفاده از مرزهایی به تصویر می کشد که منطقه نقشه برداری شده را به مناطق همگن نسبی با هدف بهترین به تصویر کشیدن سطح آماری زیرین تقسیم می کند” ([ 15 ]]، پ. 125). این روش نگاشت، داده ها را از مناطق دلخواه یا choroplethic تجمیع داده ها به یک نقشه داسیمتری تبدیل می کند تا الگوی فضایی جمعیت انسانی را افزایش داده و به تصویر بکشد. تبدیل داده‌ها از مناطق دلخواه داده منبع به مناطق معنی‌دار، استفاده از مجموعه داده‌های فرعی را در بر می‌گیرد که جدا از تغییرات سطح آماری است، اما مرتبط با آن است [ 16 ].
رایج‌ترین تکنیک داسیمتری، روش باینری شبکه‌ای است که در آن کلاس‌های فرعی به عنوان پرجمعیت یا بدون جمعیت در نظر گرفته می‌شوند [ 15 ]. این مطالعه خاص از روش نقشه برداری داسیمتری (IDM) “هوشمند” برای ترسیم آسیب پذیری انسان استفاده می کند [ 17 ]]. رویکرد IDM داده‌های نقشه‌برداری شده در مناطق «منبع» چند ضلعی و مجموعه داده‌های شبکه طبقه‌بندی شده دوم را می‌گیرد، سپس داده‌های جمعیت چند ضلعی را به مجموعه‌ای از مناطق هدف که از تقاطع واحدهای شبکه منبع و فرعی تشکیل شده‌اند، دوباره توزیع می‌کند. در این پروژه از نقشه داسیمتری هوشمند برای نمایش جمعیت آسیب پذیر بر اساس طبقات پوشش زمین استفاده شده است. خروجی نهایی یک سطح شطرنجی است که آسیب پذیری را در هر واحد پیکسل نمایش می دهد. این نمایش جمعیت، در مقایسه با واحدهای رصدی درشت‌تر در نقشه‌های choroplethic، نمایش مکانی دقیق‌تری از جمعیت آسیب‌پذیر در سراسر Chesapeake ارائه می‌دهد.
معاوضه در جمع آوری داده ها، خروجی نقشه برداری، و نمایش داده های مکانی باید در هنگام انتخاب روش ها برای تجزیه و تحلیل مکانی و نمادسازی نقشه در نظر گرفته شود. اغلب، مرزهای کاداستر یا چند ضلعی های داده سرشماری به طور پیش فرض انتخاب می شوند. دلایل متعددی وجود دارد که چرا این واحدهای انتخابی مکرر همیشه برای نگاشت داده های جمعیت موثرترین نیستند. به عنوان مثال، این رویکرد ممکن است برای نمایش داده های جمعیت در طول زمان مناسب نباشد، زیرا مرزهای سرشماری ممکن است در هر دوره سرشماری همزمان با الگوی اسکان جمعیت و تراکم تغییر کند [ 18 ]]. داده‌های سرشماری نیز یک مشکل ایجاد می‌کنند زیرا این داده‌ها اغلب دارای توزیع فضایی ناهموار هستند. اغلب اوقات، نقشه‌بردار ممکن است بخواهد جمعیت را در واحد کوچک‌تری از یک بلوک سرشماری تخمین بزند. از سوی دیگر، نقشه‌های داسیمتری می‌توانند جمعیتی را در مقیاسی بسیار دقیق‌تر از یک مسیر، گروه بلوک یا بلوک نشان دهند، مانند شبکه‌ای که از تصویر ماهواره‌ای در سلول‌های شطرنجی به دست می‌آید. یکی دیگر از مسائل مربوط به سرشماری یا داده های برداری این است که در برخی از نقاط جهان، این داده ها ممکن است فعلی یا به راحتی در دسترس نباشند [ 14 ]. تصاویر ماهواره ای برای تمام نقاط جهان در دسترس است و می توان از آنها برای ایجاد نقشه های داسیمتری جمعیت استفاده کرد. اگرچه تکنیک‌های داسیمتری برای ایجاد نقشه‌های موضوعی مؤثر هستند، اما عدم استانداردسازی روش‌های تولید، استفاده از نقشه‌های داسیمتری در GIS را کاهش داده است [ 15 ].].
از آنجایی که بروز بیماری منتقله از طریق ناقل ذاتاً به قرار گرفتن در معرض پاتوژن بیماری و ناقلین بستگی دارد، شاخص‌های آسیب‌پذیری انسانی لزوماً باید از همپوشانی با مقادیر فراوانی پشه به منظور برآورد خطر ناشی شوند. در چنین رویکردی، همپوشانی فضایی به پروکسی حیاتی برای تعامل فضایی بالقوه بین بردارها و انسان تبدیل می‌شود. عوامل مؤثر بر انتقال بیماری از نظر زمانی پویا هستند، بنابراین یک شاخص قرار گرفتن در معرض ناقل پشه به صورت ماهانه برای ژوئن تا آگوست 2003 محاسبه می‌شود. سال انتخاب شده همچنین فرصت ایده آلی برای تجزیه و تحلیل حجم زیادی از داده های پشه های محلی جمع آوری شده در طول فصل تولید مثل نسبتا مرطوب و مطلوب فراهم کرد. به علاوه، فصل قبل از یک طوفان در حال فرود آمدن به خشکی بود (ایزابل، 17-18 سپتامبر 2003) که عواقب آن منجر به سمپاشی گسترده هوایی برای بزرگسالان کشی (حشره کش برای پشه های بالغ) شد. از این رو، تابستان 2003 در چساپیک مجموعه ای غنی از داده های مکانی را برای نظارت بر پشه ها فراهم می کند. تغییرات عمیق در نظارت پشه ها، حجم و وسعت فضایی مشاهدات پشه ها (تله های نور، فرورفتن لارو، گزارش های مزاحم، و تعداد فرود) را در منطقه مورد مطالعه کاهش داد. ماه‌های تابستان همچنین نشان‌دهنده دوره اول تولید مثل این پشه‌ها است، زیرا دمای بالا و بارش فراوان، زیستگاه ایده‌آلی برای رشد جمعیت پشه‌ها ایجاد می‌کند. شش شاخص محاسبه شده است که نشان دهنده قرار گرفتن در معرض احتمالی ماهانه با ناقلان پشه از هر دو گروه از گونه های پشه است.

2. منطقه مطالعه

Chesapeake یک شهر مستقل است که 88000 هکتار (340 مایل مربع) از جنوب شرقی ویرجینیا و جمعیتی در حدود 220000 (تخمین در سال 2008) در طول این مطالعه دارد. این شهر در دشت ساحلی ویرجینیا واقع شده است و شامل بخش شمال شرقی مرداب بزرگ دیسمال است ( شکل 1).). اگرچه به عنوان مخزن بزرگی از ناقلان پرندگان و پشه عمل می کند، باتلاق بزرگ تاسف بار از منطقه مورد مطالعه حذف شد زیرا ساکنان دائمی در باتلاق وجود نداشت. با این وجود، مشاهدات پشه‌ها از محیط اطراف گزارش شده‌اند، و تالاب‌های وسیع و نهرهای غیر جزر و مدی، خندق‌های کشاورزی و طوفان‌آب در Chesapeake برای پرورش پشه مساعد هستند و بنابراین یک زیستگاه مناسب گسترده هستند. نزدیکی این زیستگاه های پشه ها به مناطق شهری Chesapeake به پشه ها این امکان را می دهد که به راحتی با بیماری ها روبرو شوند و به طور بالقوه بیماری ها را به انسان منتقل کنند. به دلیل طوفان ایزابل، که در 18 سپتامبر 2003 به کارولینای شمالی رسید، فراوانی پشه در سراسر چساپیک زیاد بود [ 19 ].]. Chesapeake همچنین به عنوان منطقه مورد مطالعه برای برنامه قابل توجه نظارت بر پشه انتخاب شد. در سال 2003، کمیسیون کنترل پشه چساپیک (CMCC) [ 20 ] پشه ها را با استفاده از 56 CO 2 جمع آوری کرد.تله های نور طعمه شده بین 28 سایت دائمی توزیع شده است. مجموع دو هفتگی، ماهانه و فصلی همه گونه ها جمع آوری و در اختیار پروژه تحقیقاتی قرار گرفت. دستگیری پشه ها به صورت هفتگی از آوریل تا نوامبر 2003 توسط مجموعه ای از کارکنان آموزش دیده در طبقه بندی جمع آوری و شمارش شد. تعداد پشه ها برای پیش بینی مقادیر فراوانی پشه که در مدل ریسک گنجانده شده اند استفاده شد. با تمرکز بر ماه‌های اوج تولید مثل تابستانی قبل از طوفان ایزابل، فقط از شمارش پشه‌ها از ژوئن تا آگوست استفاده شد، زیرا این ماه‌ها داده‌های ضبط کافی برای تجزیه و تحلیل آماری داشتند. علاوه بر این، با افزایش نگرانی ها در مورد شیوع احتمالی WNV، پرندگان مرده، موارد آنسفالیت اسب شرقی (EEE شیوع تاریخی در این منطقه دارد)،

3. داده ها و روش

3.1. پیش بینی آسیب پذیری جمعیت در برابر خطر بیماری

برای ارزیابی جمعیتی که بیشتر مستعد ابتلا به بیماری هستند، یک نقشه choroplethic آسیب پذیری جمعیت ایجاد شد. با استفاده از داده‌های سرشماری سالانه 2000 ایالات متحده و مجموعه‌ای از آسیب‌پذیری‌های نقطه GIS تقویت‌شده، جمعیت آسیب‌پذیر در سراسر Chesapeake برآورد شد. یک نقشه choroplethic برای به تصویر کشیدن جمعیت نقشه برداری شده بر اساس گروه های بلوک سرشماری ایجاد شد. سپس داده‌های جمعیت آسیب‌پذیر با استفاده از تکنیک‌های نقشه‌برداری داسیمتری به مناطق کاربری اراضی تقسیم شدند.
آمار گروه بلوک سرشماری داده های اولیه جمعیت آسیب پذیر را ارائه کرد. افراد مسن در معرض بیشترین خطر ابتلا به بیماری شدید پس از عفونت توسط پشه هستند [ 21 ]. علاوه بر این، کودکان نیز به دلیل سیستم ایمنی توسعه نیافته در معرض خطر بالای عفونت بیماری هستند [ 22 ]]. برای پیش‌بینی چگالی سن، یک شکل فایل چند ضلعی سرشماری 2000 ده ساله به‌دست آمد و به وسعت چساپیک، ویرجینیا برش داده شد. شکل فایل شامل 2004 تخمین جمعیت در هر گروه بلوک بود. برآوردهای سال 2004 به دلیل عدم وجود داده های سرشماری ویژه سال 2003 مورد استفاده قرار گرفت. برای محاسبه جمعیت سالمندان و کودکان در برآوردهای ما، مجموع جمعیت برای افراد کمتر از 5 سال و بیش از 50 سال در هر سرشماری محاسبه شد. گروه بلوک ( شکل 2 ). اگرچه سن معمولی برای سالمندان 65 سال یا بالاتر طبقه بندی می شود، تحقیقاتی وجود دارد که از شیوع افراد بالای 50 سال برای نشان دادن علائم، بستری شدن در بیمارستان و نسبت موارد مرگ و میر بالاتر حمایت می کند [ 23 ]]. مجموع مجموع این گروه های سنی در هر گروه بلوک در نقشه choroplethic در شکل 3 نشان داده شده است .
Ijgi 03 00891 g001 1024
شکل 1. موقعیت منطقه مطالعه شهر چساپیک، ویرجینیا، یک دشت ساحلی کم ارتفاع که در مجاورت مرداب بزرگ دیسمال و مصب های وسیع خلیج چساپیک واقع شده است. نقشه مناطق کنترل پشه چساپیک را نشان می‌دهد که بر روی یک تصویر شاخص گیاهی تفاوت عادی (NDVI) از نقشه‌نگار موضوعی Landsat، 29 ژوئیه 2002 قرار گرفته‌اند. NDVI رنگ‌های سبز روشن‌تری را برای پوشش گیاهی سالم نشان می‌دهد.
Ijgi 03 00891 g002 1024
شکل 2. سن جمعیت سرشماری 2000 به صورت choropleths توسط گروه های بلوک با مکان های نقطه ای از جمعیت های آسیب پذیر (بیمارستان ها، مهدکودک ها، مدارس، و غیره ) که با استفاده از نمادهای متناسب برای غلظت های گسسته جمعیت نمایش داده شده است.
Ijgi 03 00891 g003 1024
شکل 3. جمعیت های آسیب پذیر به دست آمده برای گروه بلوک سرشماری بر حسب نفر در هکتار (برآورد با استفاده از معادله (1)).
داده‌های سرشماری نیز از این جهت محدود هستند که توزیع جمعیت “شب” را منعکس می‌کنند. این نمی تواند مکان های روزانه را در نظر بگیرد. مناطق شهری مانند Chesapeake با افزایش روزانه تراکم جمعیت با رفت و آمد در محل کار و حومه شهر شناخته شده است. علاوه بر این، مکان‌های بازدید مکرر که محل اقامت نیستند، در سرشماری منعکس نمی‌شوند، مانند بیمارستان‌ها، مراکز مراقبت از کودک، مدارس و کلینیک‌های سرپایی. برای توضیح این اختلاف، نقاطی از جمعیت‌های آسیب‌پذیر احتمالی بالاتر برای گنجاندن در تجزیه و تحلیل جمعیت آسیب‌پذیر جستجو شد. این مکان‌ها با توجه به نسبت زیادی از جمعیت کودکان و سالمندان در این مکان‌ها بسیار مهم در نظر گرفته می‌شوند. بیمارستان ها نیز به دلیل تعداد بالای افراد با سیستم ایمنی ضعیف آسیب پذیر در نظر گرفته می شوند. برای تکمیل مرحله دوم پیش‌بینی آسیب‌پذیری، داده‌های مکان تأسیسات نقطه آسیب‌پذیر از اداره فناوری اطلاعات شهر Chesapeake به‌دست آمد. داده ها در قالب یک شکل فایل نقاط GIS به دست آمد که در آن هر ویژگی یک مکان نقطه آسیب پذیر را نشان می دهد.شکل 2). جمعیت هر بیمارستان و مرکز مراقبت از سالمندان در داده های GIS گنجانده شد و به عنوان ساکنین دائمی محاسبه شد. به عنوان مثال، جمعیت بیمارستان عمومی چساپیک با جمع کردن تعداد کل بیماران بستری و سرپایی محاسبه شد. مدارس و مهدکودک‌ها نیز شامل می‌شدند، با این حال، شمارش جمعیت برای این تسهیلات به‌قدری کم بود که درخواست‌های اضافی به مدارس ابتدایی، ابتدایی و متوسطه محدود می‌شد. تعیین جمعیت هر مهدکودک در این منطقه وسیع که بیش از 250 تسهیلات مجاز داشت، هزینه بسیار بالایی داشت. با این وجود، اعتقاد بر این است که گنجاندن جمعیت‌های آسیب‌پذیر مکان خاص با استفاده از این داده‌های جانبی و جمع‌بندی با داده‌های سرشماری، تخمین مرتبه اول قوی را ارائه می‌کند.
برای محاسبه جمعیت آسیب‌پذیر نهایی در هر گروه بلوک، جمعیت هر نقطه آسیب‌پذیر به جمعیت آسیب‌پذیر گروه بلوک محاسبه‌شده قبلی بر اساس پوشش نقطه در چندضلعی اضافه شد. خروجی نهایی به عنوان یک شکل فایل چند ضلعی (معادله (1)) ذخیره شد. به منظور انعکاس کل جمعیت در هر گروه بلوک، جمعیت آسیب پذیر با استفاده از معادله زیر نرمال سازی شد و متعاقباً از افراد در گروه بلوک به افراد در هکتار تبدیل شد:

Ijgi 03 00891 i001
  • جمعیت n = جمعیت آسیب پذیر عادی شده، در هر گروه بلوک.
  • جمعیت v = جمعیت آسیب پذیر محاسبه شده، در هر گروه بلوک.
  • جمعیت کل = کل جمعیت گروه بلوک.

3.2. نقشه برداری داسیمتری آسیب پذیری جمعیت

به منظور ارائه تصویری دقیق تر از نحوه توزیع داده های جمعیت شناختی در هر گروه بلوک، از تکنیک های نقشه برداری داسیمتری برای توزیع مجدد جمعیت بر اساس سطوح شهرنشینی استفاده شد. این روش ها از کار USGS در منطقه خلیج سانفرانسیسکو با توجه به نوع پوشش زمین [ 12 ] اقتباس شدند. یک شبکه پوشش زمین پیکسلی 30 متری از برنامه تحلیل تغییرات ساحلی NOAA (C-CAP) برای سال 2001 به عنوان لایه جانبی برای نقشه داسیمتری استفاده شد. در ابتدا، مجموعه داده های پوشش زمین شامل 22 طبقه پوشش زمین بود. به منظور ترسیم آسیب پذیری با توجه به کاربری مسکونی، انواع پوشش زمین به چهار دسته تقسیم شدند: توسعه یافته با شدت بالا، توسعه یافته با شدت کم، غیر شهری و آب ( شکل 4).). با استفاده از ابزار نقشه برداری داسیمتری ArcGIS توسعه یافته توسط سازمان زمین شناسی ایالات متحده [ 24 ]، تراکم جمعیت ( شکل 3 ) با توجه به نوع پوشش زمین C-CAP طبقه بندی شده و کمی تجمیع شده ( شکل 4 ) نقشه برداری شد . داده ها بر اساس ترکیبی از وزن سطحی و تراکم نسبی طبقات فرعی ( به عنوان مثال ، دسته بندی های مختلف پوشش زمین) برای جمعیت مناطق هدف مجدداً توزیع شدند (معادله (2)).

Ijgi 03 00891 i002
  • Y t = تعداد تخمین زده شده برای منطقه هدف t ;
  • Y s = تعداد یک منطقه منبع که با منطقه هدف همپوشانی دارد.
  • A t = مساحت منطقه هدف داده شده.
  • D t = چگالی تخمینی کلاس فرعی c مرتبط با منطقه هدف.
Ijgi 03 00891 g004 1024
شکل 4. برنامه تحلیل تغییرات ساحلی ساده شده (C-CAP) 2001 انواع پوشش زمین که به عنوان واحدهای فضایی کمکی برای نقشه برداری داسیمتری استفاده می شود.
در برخی موارد، نقشه‌نگاران ممکن است از دانش دامنه خود برای تعیین مقدار Dc استفاده کنند . در این حالت مقدار Dc با استفاده از روش درصد پوشش محاسبه می شود . این گزینه به تحلیلگر اجازه می دهد تا یک درصد آستانه و مناطقی که درصد پوشش آنها برابر یا بیشتر از آن آستانه است را انتخاب کند. در این مورد درصد پوشش استفاده شده 80 درصد بود. پس از انتخاب n ناحیه نمونه، چگالی تخمینی کلاس فرعی به دست می‌آید (معادله (3)) به منظور یافتن چگالی متوسط ​​در بین مناطق نماینده.

Ijgi 03 00891 i003
  • D c = چگالی تخمینی کلاس فرعی c ;
  • Y s = تعداد یک منطقه منبع.
  • A s = مساحت منطقه منبع.
نقشه داسیمتری جمعیت به دست آمده بر روی یک شبکه رزولوشن پیکسلی 30 متری محاسبه شده است ( شکل 5 ). به منظور نمایش واضح جمعیت در سراسر Chesapeake، تراکم جمعیت از افراد در هر پیکسل (در 30 متر × 30 متر پیکسل) به افراد در هکتار تبدیل می شود (معادله (4)).

Ijgi 03 00891 i004
  • جمعیت در هکتار = جمعیت در هکتار.
  • جمعیت p = جمعیت در هر 30 متر × 30 متر پیکسل.
Ijgi 03 00891 g005 1024
شکل 5. نقشه داسیمتری جمعیت مرکب آسیب پذیر در برابر بیماری های منتقله از طریق پشه (طبقه بندی شکست های طبیعی از جمعیت آسیب پذیر بسیار کم تا بسیار زیاد).

3.3. نقشه برداری قرار گرفتن در معرض پشه بردار

با استفاده از مقادیر فراوانی پشه و نقشه داسیمتریک جمعیت آسیب پذیر، می توان یک شاخص خطر ماهانه برای تعیین کمیت قرار گرفتن جمعیت انسان در معرض گونه های ناقل پشه محاسبه کرد. نقشه‌های فراوانی برداری با تخمین آماری از رگرسیون‌های چندگانه داده‌های تله بر روی عوامل محیطی و تناسب زیستگاه در دسترس بودند و در کارهای قبلی منتشر شده‌اند [ 3 ، 4 ]]. شاخص آسیب‌پذیری روی شبکه‌های فراوانی پشه‌های پیش‌بینی‌شده برای محاسبه شاخص بالقوه قرار گرفتن در معرض ماهانه برای هر دو گروه از گونه‌ها در هر پیکسل قرار گرفت، با شاخص‌های ورودی فراوانی پشه و آسیب‌پذیری انسانی که به طور مساوی در فرمول‌های خطر وزن داشتند. همه مقادیر شطرنجی در قالب شبکه‌های رزولوشن پیکسلی 30 متری ثبت‌شده نشان داده می‌شوند. مقادیر فراوانی پشه مورد استفاده برای پیش بینی خطر در شکل 6 نشان داده شده است.
Ijgi 03 00891 g006 1024
شکل 6. فراوانی پشه ماهانه پیش بینی شده (طبقه بندی شده در چندک).
مدلی ایجاد شد که هر پیکسل را در شبکه جمعیت آسیب پذیر به پیکسل فراوانی پشه مربوطه ضرب می کند. این مدل منجر به شش شبکه شطرنجی می شود که نشان دهنده خطر ماهانه عفونت بیماری از هر دو گروه پشه است. مقادیر خطر نهایی برای هر دو گروه پشه با استفاده از معادلات (5) و (6) محاسبه شد.

نوردهی ep = (جمعیت h × فراوانی ep )
نوردهی سانتی متر = (جمعیت در هکتار × فراوانی سانتی متر )
  • Exposure ep = خطر قرار گرفتن در معرض گونه های زودگذر برای یک ماه خاص.
  • Exposure Cm = خطر قرار گرفتن در معرض C. melanura برای یک ماه خاص.
  • جمعیت در هکتار = جمعیت آسیب پذیر در هکتار.
  • فراوانی ep = فراوانی تغییر مقیاس گونه های زودگذر برای ماه مربوطه.
  • فراوانی Cm = فراوانی تغییر مقیاس شده C. melanura برای ماه مربوطه.

4. نتایج و بحث

4.1. آسیب پذیری انسان و فراوانی بردار پشه

برای ارزیابی حساسیت و دقت تکنیک‌های نگاشت داسیمتری، سطح شطرنجی آسیب‌پذیری را می‌توان با داده‌های نقشه‌برداری شده توسط گروه‌های بلوک مقایسه کرد. انتظار می رفت که نقشه داسیمتریک نمایش دقیق تری از آسیب پذیری جمعیت را در مقایسه با گروه کروپلث بلوک سرشماری ارائه دهد. در واقع، گروه‌های بلوک الگوهای متمایز کمی از آسیب‌پذیری را در Chesapeake نشان می‌دهند ( شکل 4 ). به طور کلی، گروه‌های بلوک آسیب‌پذیری را نشان می‌دهند که در مقیاس درشت ترسیم شده است. مناطق با آسیب‌پذیری بالا در مکان‌های مختلف در سراسر Chesapeake در گروه‌های بلوکی پراکنده و به شدت متمرکز شده‌اند، که در درجه اول شهرنشینی شمال و حومه مرکزی Chesapeake را برجسته می‌کند ( شکل 2)). داده‌های پوشش زمین این شیب را بین چساپیک شمالی و مرکزی، حومه‌ای تأیید می‌کند ( شکل 3 ). با این حال، در مقایسه با نقشه گروه بلوکی، نقشه داسیمتریک نمایش مکانی دقیق تر و دقیق تری از آسیب پذیری را نشان می دهد ( شکل 7).). مجدداً، مناطق بسیار آسیب‌پذیر در بخش شمالی شهر متمرکز شده‌اند، اما یک الگوی مقیاس ریز بیشتر و پراکندگی نشان‌دهنده تغییرات در امتداد مسیرهای حمل‌ونقل شریانی، توسعه‌های عمده حومه‌ای، و نهرهای وسیع و مناطق دشت سیلابی کم است. این الگو عمدتاً به خوشه‌بندی مکان‌های آسیب‌پذیر مانند مدارس و مهدکودک‌ها و محله‌های اطراف در شمال چساپیک نسبت داده می‌شود. شمال، چساپیک شهری توسعه یافته تر از سایر مناطق شهر است و در نتیجه تراکم جمعیت بیشتری دارد.
Ijgi 03 00891 g007 1024
شکل 7. پوشش فضایی مورد استفاده برای پیش بینی قرار گرفتن در معرض احتمالی با گونه های زودگذر برای ژوئن ( a – c ). قرار گرفتن در معرض در ژوئن (ج) محصول (الف) فراوانی گونه های زودگذر برای آن ماه است. و (ب) سطح داسیمتری جمعیت آسیب پذیر در چندک.
دو الگوی آسیب‌پذیری در مقیاس دقیق‌تر در سراسر شهر مشهود است. اولاً، مناطق تحت پوشش آب یا مناطق روستایی با تعداد کمتری از افراد آسیب پذیر پر جمعیت هستند. این مورد انتظار بود زیرا این مناطق کمتر توسعه یافته و دارای جمعیت کمتر مستعد بیماری هستند. پرسنل کنترل پشه الگوهای ریز فراوانی پشه، جمعیت‌های آسیب‌پذیر و قرار گرفتن در معرض ترکیبی را برای کمک به نظارت عملیاتی و فعالیت‌های کاهش تفسیر می‌کنند. در برخی موارد، نزدیکی جمعیت زیاد و فراوانی انسانی ممکن است در معرض سمپاشی از کامیون ها باشد. در موارد دیگر که خطر کم تا متوسط ​​است، معمولاً سمپاشی یا لاروکش کمتر مورد پیگیری قرار می گیرد. دوم، ریسک بالای نشان داده شده در ناحیه شعبه غربی شکل 7c به طور معمول باعث سمپاشی فصلی معمولی شده است، با توجه ویژه به محله های مجاور نهرهای جزر و مدی و منطقه بین این بخش از شهر و مرداب بزرگ دیسمال. خطر بالا تا بسیار بالا همچنین در ناحیه شمال مرکزی Chesapeake، شهری ترین منطقه شهر در مجاورت شهر نورفولک، مشاهده می شود. اگرچه فراوانی گونه‌های زودگذر در ماه ژوئن کم است، اما کل جمعیت و تراکم سطحی جمعیت انسانی بسیار زیاد است (بسیار بیشتر از تراکم در حومه‌های غربی و جنوبی).
متخصصان بهداشت عمومی و کنترل پشه با مراکز شهری و متراکم جمعیت کمی متفاوت از جمعیت حومه شهر رفتار می کنند. در این مثال، مناطق شهری دارای عملیات نظارت دائمی در تله‌گیری نور و بازرسی خندق‌های شهری، آب‌ریزها، زه‌کش‌های طوفانی و نهرهای رایج در این منطقه هستند. در مقابل، نظارت حومه معمولاً شامل تله‌های نوری کمتر و گسترده‌تر و استفاده از تلاش‌های دوره‌ای تله‌گذاری چرخشی، و همچنین وابستگی بیشتر به گزارش‌های مزاحم و درخواست‌های کاهش برای پوشش منطقه بسیار بزرگ‌تر حومه است. بنابراین، شاخص‌های توسعه‌یافته در اینجا به سمت یک خطر دائماً بالاتر در مراکز شهری پرجمعیت‌تر، با ریسک متغیرتر در مناطق حومه‌ای و روستایی گرایش دارند. با این حال، این شاخص می تواند سوگیری را نشان دهد که می تواند به عنوان مثبت کاذب در دوره های کم فراوانی پشه یا عدم حساسیت در طول یک رویداد نادر شکوفه با فراوانی بالا تعبیر شود. این نگرانی در مورد شمال چساپیک که نه تنها دارای متراکم ترین جمعیت انسانی است، بلکه دارای تمرکز افراد مسن نیز تا حدودی خاموش است. چنین تراکم جمعیتی می تواند اثرات عمیقی بر قرار گرفتن در معرض بیماری بالقوه داشته باشد.3 ].
مطالعات دیگر از تکنیک های داسیمتری برای ترسیم تراکم جمعیت استفاده کرده اند و نتایج مشابهی به دست آورده اند. بسیاری از مطالعات نشان داده‌اند که نقشه‌برداری داسیمتری نمایش دقیق‌تری از توزیع جمعیت در مقایسه با تکنیک‌های نگاشت مرسوم ارائه می‌دهد. یک مطالعه از نقشه برداری داسیمتری برای ترسیم تراکم جمعیت در پنج شهرستان در جنوب شرقی پنسیلوانیا استفاده کرد [ 16 ]. با استفاده از وزن دهی سطحی، داده های دموگرافیک گروه بلوکی بر اساس سه طبقه پوشش زمین شهری ترسیم شد. رستر نقشه داسیمتری با داده های جمعیت برداری در گروه های بلوکی مقایسه شد. در یک یافته مشابه [ 16مشاهده شد که در نواحی مرکزی شهری، نقشه‌های کروپلتیک و داسیمتریک تفاوت معنی‌داری با هم ندارند. با این حال، در مناطق دارای پارک و گورستان، نقشه داسیمتریک به طور قابل توجهی جزئیات بیشتری داشت. روش‌های مشابهی نیز برای نقشه‌برداری از جمعیت خلیج سانفرانسیسکو بر اساس نوع پوشش زمین استفاده شد [ 13 ]، اما به جای استفاده از یک سیستم طبقه‌بندی سه لایه، آن مطالعه از چهار طبقه پوشش زمین استفاده کرد. ضرایب همبستگی نشان داد که روش نگاشت روزمتری برای نمایش تراکم جمعیت بلوک-گروهی دقیق تر از روش نقشه برداری کروپلث است. تحولات اخیر همچنین از وزن آدرس (AW) و توزیع بسته (PD) برای نقشه برداری از جمعیت روستایی در سه شهرستان کارولینای شمالی با تمرکز بر استفاده از منابع محلی داده های جانبی استفاده کرده است [ 25 ]]. این تکنیک‌های نگاشت اصلاحاتی از تکنیک‌های نقشه‌برداری داسیمتری موجود، الگوریتم‌های وزن خیابان (SW) و متغیر محدود (LV) هستند. نتایج آماری نشان داد که AW و PD برای نقشه‌برداری جمعیت روستایی مناسب هستند، در حالی که روش‌های SW و LV برای نقشه‌برداری جمعیت در مناطق شهری مؤثرتر بودند. با این حال رویکرد دیگری از روش‌های نقشه‌برداری داسیمتری باینری برای درون‌یابی جمعیت‌ها در مناطق مختلف استفاده می‌کند، مانند نمونه‌ای که در شهرستان لسترشایر، انگلستان نشان داده شد [ 26 ]. ابزارهای تحلیل فضایی ArcGIS برای طبقه بندی مجدد نقشه های پیکسل شطرنجی به عنوان پر جمعیت یا بدون جمعیت استفاده شد. روش‌های وزن‌دهی برای نقشه‌برداری داده‌های سرشماری نیز بر خیابان‌ها برای تنظیم جمعیت در واحدهای منطقه‌ای در شهرستان لس‌آنجلس، کالیفرنیا متمرکز شده است [ 27 ]]. در مقایسه با تکنیک های درون یابی هوایی ساده، سطح داسیمتریک 20 درصد افزایش در دقت جمعیت را نشان داد. مقیاس حتی دقیق تر و داده های مبتنی بر کاداستر سه بعدی برای نقشه برداری از جمعیت شهر نیویورک استفاده شده است [ 14 ]]. این روش داده های جمعیت را با وضوح مکانی بالا با استفاده از داده های کاداستر جدا می کند. برای این مطالعه، واحدهای مسکونی (RU) و منطقه مسکونی (RA) به بخش مالیات، گروه بلوک و سطح سرشماری تجمیع شدند. سپس ارزش‌های سرشماری به سطح لات مالیاتی تفکیک و سپس برای پیش‌بینی مقادیر در هر گروه بلوک مجدداً تجمیع شدند. بنابراین، ارزش‌های جمعیتی مشتق‌شده از سیستم داسیمتریک خبره کاداستر (CEDS) نسبت به مقادیر سرشماری در گروه‌های بلوکی، جمعیت را با دقت بیشتری تخصیص داده‌اند. نتایج ما با استفاده از روش نقشه‌برداری داسیمتری این تکنیک‌های منتشر شده قبلی را تأیید می‌کند و پتانسیل این تکنیک را برای نشان دادن تنوع فضایی و الگوی بین جمعیت‌ها در مقایسه با نقشه‌برداری choroplethic برجسته می‌کند.

4.2. نقشه های خطر مواجهه با وکتور پشه

خطر قرار گرفتن در معرض ناقل های پشه در سراسر Chesapeake از هر دو گروه پشه در شکل 8 نشان داده شده است.. شاخص های ریسک برای نشان دادن سطح ریسک برای هر ماه مقیاس بندی شدند. برای ارائه تصویری مؤثر از شاخص‌های ریسک، ارزش‌های ریسک به چندک طبقه‌بندی شدند و در عین حال هر شاخص ماهانه در همان مقیاس نسبی حفظ شد. واحدهای واقعی ریسک دلخواه هستند و نمایانگر یک شاخص نسبی از ریسک کم تا زیاد است. در بررسی نقشه ها مشخص است که خطر بیماری از ژوئن تا آگوست 2003 به طور قابل توجهی تغییر نمی کند. این به دلیل شرایط آب و هوایی نسبتاً ثابت (گرم و مرطوب) است که در تابستان 2003 ادامه داشت. خطر انتقال بیماری. همچنین بین دو گروه گونه بسیار مشابه بود. یک سری زمانی طولانی‌تر یا دوره‌ای با بارندگی متغیر یا رویدادهای آب و هوایی که چرخه‌های جمعیت پشه‌ها را ایجاد می‌کنند، تنوع زمانی بیشتری را به همراه خواهد داشت.4 ].
به طور خاص، Chesapeake شمالی و مرکزی در تمام ماه های تابستان در معرض خطر بالای قرار گرفتن در معرض پشه ها هستند. این مناطق پرخطر منعکس کننده نقشه داسیمتری آسیب پذیری هستند ( شکل 5 ). مناطق پرخطر همزمان با مناطقی است که پیش بینی می شود آسیب پذیری نسبتا بالایی در برابر عفونت بیماری داشته باشند. با وجود افزایش خطر در این مناطق، فراوانی پشه‌ها در شمال چساپیک کم است ( شکل 6)). تعداد کم پشه ها ممکن است به دلیل سطح بالای شهرنشینی و کمتر رایج بودن زیستگاه های مناسب پشه ها یا سازگاری های انسانی برای کاهش فراوانی آنها باشد (به ویژه کاهش مکان های پرورش کانتینر). با این وجود ممکن است به دلیل سطح تماس بیشتر با انسان در این مناطق توسعه یافته نسبتاً بالا باشد. در واقع، شهرها ممکن است به طور کلی با قرار دادن تعداد زیادی از مردم در تماس نزدیک با ناقلان پشه، انتقال بیماری را تشدید کنند [ 28 ].]. حتی با تامین آب تمیز، سرپناه کافی و دسترسی به مراقبت های بهداشتی، تراکم بالای جمعیت به میزان زیادی گسترش بیماری های قابل انتقال را تسهیل می کند. با وجود تعداد کم باتلاق‌ها و دشت‌های سیلابی در این مناطق توسعه‌یافته، پشه‌ها ممکن است هنوز از طریق منابع دیگر آب راکد به انسان نزدیک شوند. Ae. Vexans و P. columbiae معمولاً در دشت‌های سیلابی یافت می‌شوند که در آن رودخانه‌ها از کرانه‌هایشان سرریز می‌شوند، اما تعداد قابل‌توجهی را می‌توان تقریباً از هر منطقه‌ای که آب به صورت متناوب انباشته می‌شود، تولید کرد [ 29 ]. این پشه‌ها ممکن است در منابع آب موقت مانند گودال‌های زهکشی و لاستیک‌ها که در دشت‌های ساحلی کم ارتفاع مانند چساپیک وجود دارند، تکثیر شوند.
Ijgi 03 00891 g008 1024
شکل 8. شاخص‌های ماهانه نشان‌دهنده خطر مواجهه با ناقل‌های پشه برای گونه‌های C. melanura و زودگذر (مقادیر طبقه‌بندی شده با استفاده از شکست‌های طبیعی و طبقه ثابت در طول زمان).
قبل از تخمین جمعیت آسیب پذیر، انتظار می رفت که مناطق با فراوانی پشه با مناطق پرخطر همزمان باشد. با این حال، بسیاری از مناطق مشاهده شده که دارای تعداد زیادی پشه هستند مانند چساپیک جنوبی، خطر نسبی کمتری برای قرار گرفتن در معرض آنها پیش‌بینی می‌شود. به عنوان مثال، همانطور که انتظار می رفت، منطقه اطراف مرداب بزرگ دیسمال مشاهده شد که فراوانی پشه را نشان می دهد. با این وجود، این منطقه به دلیل جمعیت کم ساکن، خطر بیماری نسبتاً کمی را نشان می دهد. فعالیت‌های تفریحی در چنین باتلاق‌هایی باید یک هشدار قابل توجه در نظر گرفته شود، زیرا فضاهای فعالیت تفریحی (قایق‌ران، کوهنوردان، پرنده‌نگاران و پاروها) در این مدل‌سازی مشخص نمی‌شوند. چنین مناطق پر پشه عمدتا توسعه نیافته هستند و بنابراین قادر به حمایت از جمعیت پشه ها هستند.4 ]. این مناطق غربی یا در تالاب ها یا زمین های زراعی پوشیده شده اند. مراحل نابالغ پشه ها به آب نیاز دارد و بنابراین اغلب در تالاب ها یافت می شوند [ 30 ]. رواناب از زمین های زراعی نیز می تواند از حضور پشه حمایت کند [ 31 ]. با وجود این شرایط مساعد، بسیاری از این مناطق روستایی دارای تراکم جمعیت انسانی پایینی هستند و جمعیت کمتری را در معرض خطر ابتلا به بیماری نشان می‌دهند. از این رو، این نتایج نشان می دهد که اگرچه پشه ها می توانند بیماری را به انسان منتقل کنند، اما بدون قرار گرفتن در معرض پاتوژن، احتمال انتقال بیماری کاهش می یابد.
به منظور مقایسه تغییرات ریسک از ژوئن تا آگوست، تفاوت در شاخص‌های ریسک ماهانه محاسبه شد. ارزش ریسک هر ماه از مقادیر ماه بعد کم شد تا تفاوت در هر ماه محاسبه شود. نتایج این محاسبه در شکل 9 نشان داده شده است. واضح است که مهم ترین تغییرات ریسک در شمال چساپیک رخ داده است. بخش باقی مانده از شهر تغییر قابل توجهی در ریسک در دوره سه ماهه نشان نداد. از ژوئن تا جولای، خطر قرار گرفتن در معرض C. melanura در شمال چساپیک به شدت افزایش یافت. در مقابل، مقادیر خطر برای گونه های زودگذر در این دوره زمانی کاهش یافت. روندهای معتدل و مخالف از ژوئیه تا آگوست مشهود است. برایC. melanura ، خطر در Chesapeake شمالی کاهش یافت، در حالی که مقادیر خطر برای گونه های زودگذر افزایش یافت. به طور کلی، تفاوت کمی در خطر بین ژوئن و اوت وجود داشت. C. melanura حداقل تغییر را نشان داد، در حالی که گونه های زودگذر تقریباً هیچ تغییری در مقادیر خطر نشان ندادند.
اعتبار سنجی روندهای فراوانی و قرار گرفتن در معرض جمعیت یک پیشنهاد چالش برانگیز در مورد بیماری نادر و یک چشم انداز پیچیده موزاییکی مانند Chesapeake است. هیچ مورد انسانی ویروس نیل غربی یا EEE در Chesapeake در طول فصل مورد مطالعه گزارش نشد. با این حال، وزارت بهداشت عمومی ویرجینیا بعداً گزارش داد (2004) [ 32 ] که 20 مجموعه از پشه ها برای C. melanura آلوده به EEE مثبت بودند، در حالی که 10 استخر برای نیل غربی مثبت بودند. اطلاعات اضافی درخواست نظارت و کاهش مزاحمت توسط شهر Chesapeake ارائه شده است و تأیید محدودی از خطر ترسیم شده ارائه می دهد. در حالی که تایید نشده است، برخی از مطالعات نشان داده اند که موارد حیوانی می تواند شاخص های دقیقی از شیوع بیماری در انسان باشد [ 33 ].شکل 10 ترکیبی از اطلاعات موجود را نشان می‌دهد، از جمله تعداد کل تله‌های گونه‌های ناقل در طول فصل، گزارش‌های پرندگان مرده (اکثر کلاغ‌ها)، و موارد انسفالیت اسب شرقی (EEE) در میان مزارع اسب. اگرچه نقشه جامعی از مزارع اسب در دسترس نبود، حوادث EEE با بالاترین داده‌های فراوانی برداری همزمان هستند. علاوه بر این، درخواست‌های خدمات کاهش و الگوی پرندگان مرده جمع‌آوری‌شده (در ابتدا بسیاری از آنها برای WNV آزمایش شدند)، همچنین از نظر فضایی با نقشه جمعیت داسیمتری و خطر قرار گرفتن در معرض انسان مطابقت دارد. شکل 9همچنین معضل صرفاً تکیه بر کشف ابزارهای نظارتی مانند پرندگان مرده یا درخواست‌های کاهش گزارش شده توسط ساکنان را نشان می‌دهد، زیرا این الگوها منعکس‌کننده فراوانی انسان‌ها و نه لزوماً فراوانی گونه‌های ناقل پشه است.
به دلیل تعداد کم موارد بیماری و گزارش کم، اعتبارسنجی چنین مدل‌های خطر دشوار است. داده‌های نظارت بر بیماری هیچ مورد واقعی انسانی WNV یا EEE را که در Chesapeake در سال 2003 رخ داده است، ثبت نمی‌کند. با این حال، در سال 2003، آزمایش 20 پشه برای C. melanura آلوده به EEE مثبت بود، در حالی که 10 استخر با C آلوده بودند. ملانورا برای WNV مثبت [ 32 ]. این داده‌های تأییدکننده، همراه با ماهیت معمولی WNV که کمتر گزارش شده و تشخیص داده نشده است، نشان می‌دهد که C. melanuraپشه ها در سال 2003 یک تهدید بهداشتی در حال ظهور برای Chesapeake بودند. علاوه بر این، موارد گله پرندگان، اسب ها و نگهبان WNV و EEE برای این سال گزارش شد. این موارد ممکن است اعتبار مدل را ارائه نکنند زیرا این مدل به جای میزبان حیوانات، خطر را برای انسان ها تخمین می زند، اما آنها اعتبار و تاییدی را به رویکرد نقشه برداری ریسک می دهند. یک رابطه فضایی قابل قبول را می توان بین موارد EEE و فراوانی C. melanura مشاهده کرد. در سال 2003، اکثر موارد EEE در Chesapeake غربی، اطراف مرداب بد، و نقشه فراوانی ما از ناقل EEE C. melanura رخ داد.همچنین پیش‌بینی می‌شود که در غرب چساپیک از ژوئن تا اوت بالا باشد. فراوانی پیش‌بینی‌شده بالای ناقل‌های پشه، مشاهدات در تله‌ها و درخواست‌های کاهش ساکنان نیز به استنباط قرار گرفتن در معرض خطر بالاتر اعتبار می‌دهد.
Ijgi 03 00891 g009 1024
شکل 9. تغییر در مقادیر ریسک قرار گرفتن در معرض ماهانه در طول تابستان که با محاسبه تفاوت در شاخص های ریسک نشان داده شده در شکل 8 به دست می آید .
نقشه برداری داسیمتری در این تحقیق نشان داده شده است که در نمایش داده های جمعیت در مقایسه با نقشه برداری توسط choropleth های منطقه مانند گروه های بلوک سرشماری برای ارزیابی آسیب پذیری جمعیت و قرار گرفتن در معرض موثر است. نقشه choroplethic آسیب پذیری در واحدهای سرشماری ( شکل 9 ) این تصور را ایجاد می کند که جمعیت به طور همگن در هر گروه بلوک توزیع شده است، با این حال نسبت هر گروه بلوک به طور گسترده خالی از سکنه است. از طرف دیگر نقشه داسیمتری ( شکل 8) آسیب پذیری را در مقیاسی دقیق تر و با الگوها و تمرکزهای محلی فراوان در میان سکونتگاه های شهری، حومه و روستایی نشان می دهد. با استفاده از پیکسل ها به عنوان واحدهای منطقه ای به جای گروه های بلوکی، شطرنجی یک سطح مستمر و متغیر از آسیب پذیری را نشان می دهد. با ادغام مقادیر جمعیت «شب» از داده‌های سرشماری با گره‌های آسیب‌پذیری مبتنی بر نقطه برای تولید شاخص آسیب‌پذیری، احتمالاً نقشه خطر جمعیت حاصل از دقت بالاتری نسبت به نتایج حاصل از در نظر گرفتن داده‌های سرشماری به تنهایی برخوردار است.
Ijgi 03 00891 g010 1024
شکل 10. تعداد تله‌های ناقل پشه فصلی، گزارش‌های بیماری انزوتیک (پرندگان مرده و نظارت دامپزشکی اسب‌های EEE مثبت)، و درخواست‌های خدمات کاهش عمومی در Chesapeake، بر روی تصویر شاخص رطوبت کلاهک منگوله‌دار Landsat TM برای 29 ژوئیه 2002.
این مطالعه نقش داده‌های جمعیت‌شناختی و تحلیل فضایی را برای نقشه‌برداری و پیش‌بینی خطر مواجهه با ناقل پشه تأیید می‌کند. با توجه به بسیاری از عوامل موثر بر انتقال بیماری، فراوانی ناقل و قرار گرفتن در معرض ممکن است ارتباط مثبتی با خطر عمومی منطقه ای قرار گرفتن نداشته باشد. اگرچه قرار گرفتن در معرض پشه ها ممکن است در برخی از مناطق در سراسر Chesapeake زیاد باشد، انتقال بیماری ممکن است به دلیل تراکم کم جمعیت در این مناطق لزوما زیاد نباشد. این مطالعه از اهمیت ترکیب داده‌های انسانی علاوه بر داده‌های اقلیمی هنگام پیش‌بینی خطر حمایت می‌کند و ممکن است به عنوان راهنمایی برای تخصیص استراتژیک نظارت و فعالیت‌های کنترل بر فضا استفاده شود. داده‌های انزوتیک کمکی از پرندگان مرده و موارد EEE و همچنین درخواست‌های کاهش مزاحمت از استنتاج شیب‌های جغرافیایی فراوانی بردار و خطر مواجهه احتمالی پشتیبانی می‌کنند. مطالعات آینده ممکن است ترکیب سایر عوامل انسانی مانند رفتار، مقاومت در برابر بیماری و داده‌های اجتماعی و اقتصادی را در نظر بگیرند. به گزارش دیلی و ارلیخ [28 ]، «عوامل جمعیتی انسانی متغیرهای کلیدی در اپیدمیولوژی هستند که بر میزان هجوم انگل‌های جدید به یک جمعیت، شانس استقرار آن‌ها، سرعت گسترش آن‌ها، تکامل بیماری‌زایی آن‌ها و ظرفیت اجتماعی انسان تأثیر می‌گذارند. ساختارها (و سایر ویژگی های فرهنگی) برای تکامل همزمان در دفاع». فقدان داده‌های جمعیت انسانی در مقیاس ریز به عنوان یک عامل محدودکننده در توسعه اولیه نقشه‌های داسیمتری در نظر گرفته شد، اما مطالعات آینده باید نقش مقیاس را هم در فراوانی بردار و هم در جمعیت‌های حساس با دقت بیشتری ارزیابی کنند.
ملاحظات بیشتر در مورد عوامل انتقال بیماری می تواند تحقیقات مشابه را بهبود بخشد. برای مثال، این امکان وجود دارد که مسائل مقیاس مربوط به سکونتگاه‌های انسانی و گونه‌های فعالیت و بردارها به‌صورت جداگانه بهتر درک شوند و داده‌های با مقیاس دقیق (هر کدام از عوامل) ارزش بیشتری به نظارت یا کنترل اضافه نکنند. عوامل دیگری که بر قرار گرفتن در معرض ناقل و انتقال بیماری تأثیر می‌گذارند نیز ممکن است در مطالعات آینده گنجانده شوند. به عنوان مثال، جنگل زدایی می تواند منجر به تغییرات محیطی شود که منجر به بقای پشه می شود [ 30 ]. به عنوان مثال، صلاحیت ناقل همچنین می تواند برای کمک به پیش بینی میزان انتقال استفاده شود، و مطالعات برای کشف رابطه بین ویروس نیل غربی، تغییرات آب و هوا [ 34 ]، و صلاحیت ناقل خاص آغاز شده است.Culiseta incidens و Culex thriambus [ 35 ] و تنوع در صلاحیت برداری لوله های Culex در سراسر کالیفرنیا [ 36 ]. علاوه بر این، تغییرات آب و هوایی، به ویژه گرمای شدید، بارندگی و بالا آمدن سطح دریاها، آماده تغییر زیستگاه، مناسب بودن و الگوهای بالقوه سکونت انسان در مناطق کم ارتفاع مانند چساپیک است.
روش‌های جغرافیایی مورد استفاده در این مطالعه ممکن است برای شهرهای دیگر مبتلا به بیماری‌های ناقل و رویدادهای شدید آب و هوایی مفید باشد. در کشورهای ثروتمند و فقیر به طور یکسان، شهرها به دلیل عدم کنترل مخازن و ناقلان بیماری مبتلا هستند [ 28 ]. پیش‌بینی اینکه بیماری‌های منتقله از طریق پشه بیشترین خطر را برای سلامت انسان دارند، می‌تواند دقت فضایی تلاش‌های کنترل پشه را بهبود بخشد و در نتیجه هزینه‌ها و اثرات استفاده گسترده‌تر از حشره‌کش‌ها را کاهش دهد. GIS در ارزیابی عملیاتی اضطراری روش‌های کنترل، مانند برآورد نیازهای منطقه‌ای برای سمپاشی هوایی یا زمینی، از جمله مسافت و زمان رانندگی بسیار مفید است [ 37 ].

5. نتیجه گیری ها

از آنجایی که بیماری های منتقله از طریق ناقل همچنان ادامه دارند، بسیاری از محققان و مقامات مراقبت های بهداشتی نگران تخمین و ترسیم خطر بیماری هستند. بسیاری از ارزیابی‌های ریسک فضایی تنها بر حضور ناقل برای پیش‌بینی خطر بیماری تکیه می‌کنند. استفاده از حضور بردار برای تخمین خطر می تواند محدود کننده باشد زیرا پشه ها تحت تأثیر بسیاری از عوامل متقابل، به ویژه متغیرهای آب و هوایی هستند [ 33 ]]. با گنجاندن آسیب‌پذیری انسان در مدل فضایی خطر بیماری، تغییرات جغرافیایی در انتقال بالقوه بیماری می‌تواند اطلاعات بیشتری را در مقایسه با نظارت بر ناقل‌ها و عوامل محیطی به تنهایی برای نظارت بهداشتی و مسئولان کنترل پشه فراهم کند. با شناسایی مناطق پرخطر از قبل، مقامات بهداشتی ممکن است نرخ انتقال بیماری را نیز کاهش دهند. مدیران اورژانس می‌توانند مکان‌هایی را برای پیاده‌سازی سیستم‌های هشدار اولیه و روش‌های مدیریت خطر در زیستگاه‌های فراوان پشه‌ها در مجاورت جمعیت‌های آسیب‌پذیر پس از ریزش طوفان و سیل (مثلاً سمپاشی هوایی، لاروکشی، و انتخاب محل پناهگاه اضطراری) مورد هدف قرار دهند. آگاهی از قرار گرفتن در معرض انسان و مکان هایی که احتمال بروز بیماری های عفونی وجود دارد نیز می تواند به پزشکان در تشخیص و درمان سریع بیماران کمک کند.

منابع

  1. Kitron، U. نقشه های خطر: انتقال و بار بیماری های منتقله از طریق ناقل. پارازیتول امروز 2000 ، 16 ، 324-325. [ Google Scholar ] [ CrossRef ]
  2. Mather، FJ; سفید، LE; Langlois، EC; کوتاهتر، CF; Swalm، CM; شفر، جی جی. هارتلی، WR روش‌های آماری برای ارتباط سلامت، قرار گرفتن در معرض و خطرات. محیط زیست چشم انداز سلامتی 2004 ، 112 ، 1440-1445. [ Google Scholar ] [ CrossRef ]
  3. Sutherest، RW تغییر جهانی و آسیب پذیری انسان در برابر بیماری های منتقله از طریق ناقل. کلین میکروبیول. Rev. 2004 , 17 , 136-173. [ Google Scholar ] [ CrossRef ]
  4. Cleckner، HL; آلن، TA; Bellows، AS سنجش از دور و مدل‌سازی پشه‌ها و زیستگاه‌ها در ساحلی ویرجینیا، ایالات متحده. Remote Sens. 2011 , 3 , 2663–2681. [ Google Scholar ] [ CrossRef ]
  5. Bellows، AS مدل‌سازی زیستگاه و عوامل محیطی مؤثر بر فراوانی پشه در Chesapeake، ویرجینیا. دکتری پایان نامه، دانشگاه Old Dominion، نورفولک، VA، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  6. اوزدنرول، ای. Taff، GN; آکوس، سی. بررسی دینامیک مکانی-زمانی میزبان‌های مخزن، ناقل‌ها و میزبان‌های انسانی ویروس نیل غربی: مروری بر ادبیات اخیر. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2013 ، 10 ، 5399-5432. [ Google Scholar ] [ CrossRef ]
  7. لیو، اچ. ونگ، کیو. Gaines، D. تجزیه و تحلیل فضایی – زمانی رابطه بین انتشار WNV و متغیرهای محیطی در ایندیاناپولیس، ایالات متحده آمریکا. بین المللی J. Health Geogr. 2008 ، 7 ، 66. [ Google Scholar ] [ CrossRef ]
  8. مک نایت، KP; مسینا، جی پی؛ شورتریج، AM; سوختگی، MD; Pigozzi، BW استفاده از اطلاعات جغرافیایی داوطلبانه برای ارزیابی توزیع فضایی ویروس نیل غربی در دیترویت، میشیگان. بین المللی J. Appl. اطلاعات مکانی 2011 ، 2 ، 72-85. [ Google Scholar ] [ CrossRef ]
  9. Behrens، JJ; مور، CG استفاده از سیستم های اطلاعات جغرافیایی برای تجزیه و تحلیل توزیع و فراوانی Aedes aegypti در آفریقا: نقش بالقوه سفر انسان در تعیین شدت آلودگی پشه. بین المللی J. Appl. اطلاعات مکانی 2013 ، 4 ، 9-38. [ Google Scholar ] [ CrossRef ]
  10. 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 ]
  11. بک، ال آر. رودریگز، MH; Dister، SW; رودریگز، AD; Washino، RK; رابرتز، DR. Spanner، MA ارزیابی یک مدل مبتنی بر سنجش از دور برای پیش‌بینی خطر انتقال مالاریا در روستاهای چیاپاس، مکزیک. صبح. جی تروپ. پزشکی هیگ 1994 ، 56 ، 96-106. [ Google Scholar ]
  12. ویلسون، ML بیماری‌های نوظهور و ناقل: نقش وضوح فضایی بالا و تصاویر فراطیفی در تحلیل‌ها و پیش‌بینی‌ها. جی. جئوگر. سیستم 2002 ، 4 ، 31-42. [ Google Scholar ] [ CrossRef ]
  13. Sleeter، R. Dasymetric Mapping Techniques برای منطقه خلیج سانفرانسیسکو، کالیفرنیا. در مجموعه مقالات کنفرانس سالانه انجمن سیستم های اطلاعات شهری و منطقه ای ; Reno, NV, USA, 7–10 نوامبر 2004. در دسترس آنلاین: http://geography.wr.usgs.gov/science/dasymetric/data/URISA_Journal.pdf (در 13 نوامبر 2013 قابل دسترسی است).
  14. Maantay، JA; ماروکو، آر. Herrmann، C. نقشه برداری توزیع جمعیت در محیط شهری: سیستم داسیمتریک متخصص مبتنی بر کاداستر (CEDS). کارتوگر. Geogr. Inf. علمی 2007 ، 34 ، 77-102. [ Google Scholar ]
  15. Eicher، CL; Brewer، CA نقشه برداری داسیمتری و درونیابی منطقه ای: پیاده سازی و ارزیابی. کارتوگر. Geogr. Inf. علمی 2001 ، 28 ، 125-138. [ Google Scholar ] [ CrossRef ]
  16. منیس، جی. تولید مدل‌های سطحی جمعیت با استفاده از نقشه‌برداری داسیمتری. پروفسور Geogr. 2003 ، 55 ، 31-42. [ Google Scholar ]
  17. منیس، جی. Hultgren, T. نگاشت داسیمتری هوشمند و کاربرد آن در درونیابی منطقه ای. کارتوگر. Geogr. Inf. علمی 2006 ، 33 ، 179-194. [ Google Scholar ] [ CrossRef ]
  18. گرگوری، در ارزیابی دقت درونیابی منطقه ای داده ها برای تجزیه و تحلیل تغییرات بلندمدت در انگلستان و ولز. در مجموعه مقالات پنجمین کنفرانس بین المللی محاسبات جغرافیایی، دانشگاه گرینویچ، لندن، انگلستان، 23 تا 25 اوت 2000.
  19. اسمیت، سی ام. Graffeo، CS تأثیر منطقه‌ای طوفان ایزابل بر بخش‌های اضطراری در ساحلی جنوب شرقی ویرجینیا. دامپزشک Res. اشتراک. 2005 ، 12 ، 1201-1205. [ Google Scholar ]
  20. کمیسیون کنترل پشه چساپیک 2010. در دسترس آنلاین: http://www.chesapeake.va.us/services/depart/mosquito/index.shtml (در 27 مارس 2012 قابل دسترسی است).
  21. Zielinksi-Gutierrez، E. West Nile Virus و سایر عفونت های منتقله از طریق پشه. در مراقبت های بهداشتی افراد بی خانمان، قسمت 1، عفونت های منتقله از طریق پشه . O’Connell، JJ، Ed. برنامه مراقبت های بهداشتی بوستون برای بی خانمان ها: بوستون، MA، ایالات متحده آمریکا، 2004; ص 181-186. [ Google Scholar ]
  22. شی، KM تغییرات آب و هوایی جهانی و سلامت کودکان. Pediatrics 2007 , 120 , e1359–e1367. [ Google Scholar ] [ CrossRef ]
  23. لیندزی، NP; استیپلز، جی. Lehman، JA; فیشر، M. نظارت بر بیماری ویروس نیل غربی انسانی – ایالات متحده، 1999-2008. مورب. فانی. هفتگی 2010 ، 59 ، 1-17 . [ Google Scholar ]
  24. سازمان زمین شناسی آمریکا Dasymetric Mapping Tool—ArcGIS 10. 2012. در دسترس آنلاین: http://geography.wr.usgs.gov/science/dasymetric/data.htm (در 29 مارس 2013 قابل دسترسی است). [ Google Scholar ]
  25. Tapp، AF Areal interpolation و روش‌های نگاشت داسیمتری با استفاده از منابع داده‌های جانبی محلی. کارتوگر. Geogr. Inf. علمی 2010 ، 37 ، 215-228. [ Google Scholar ] [ CrossRef ]
  26. لانگفورد، ام. تسهیل سریع درونیابی جمعیت مبتنی بر داسیمتری با استفاده از نقشه های پیکسل شطرنجی. محاسبه کنید. محیط زیست سیستم شهری 2007 ، 31 ، 19-32. [ Google Scholar ] [ CrossRef ]
  27. ریبل، ام. تکنیک‌های درون‌یابی وزنی Bufalino، ME Street برای تخمین تعداد جمعیت در سیستم‌های منطقه ناسازگار. محیط زیست طرح. 2005 ، 37 ، 127-131. [ Google Scholar ] [ CrossRef ]
  28. روزانه، GC; ارلیش، روابط عمومی تغییر جهانی و حساسیت انسان به بیماری. آنو. انرژی محیط زیست کشیش. 1996 ، 21 ، 125-144. [ Google Scholar ] [ CrossRef ]
  29. Crans، WG یک سیستم طبقه بندی برای چرخه زندگی پشه: انواع چرخه زندگی برای پشه های شمال شرقی ایالات متحده. J. Vector Ecol. 2004 ، 29 ، 1-10. [ Google Scholar ]
  30. دیل، PER; نایت، جی ام تالاب ها و پشه ها: بررسی. Wetl. Ecol. مدیریت 2008 ، 16 ، 255-276. [ Google Scholar ] [ CrossRef ]
  31. بخش، نماینده مجلس؛ ویتیک، کالیفرنیا؛ فسگیت، جی. Srinivasan، R. عوامل خطر محیطی برای موارد بیماری ویروس نیل غربی اسب در تگزاس. دامپزشک Res. اشتراک. 2009 ، 33 ، 461-471. [ Google Scholar ] [ CrossRef ]
  32. وزارت بهداشت ویرجینیا Arbovirus Data 2003. در دسترس آنلاین: http://www.vdh.virginia.gov/epidemiology/DEE/Vectorborne/arboviral/documents/testresults/2003.html (در 12 مارس 2004 قابل دسترسی است).
  33. ایدسون، ام. کومار، ن. سوراژ، اف. نلسون، آر. تالبوت، تی. مستشاری، ف. Mclean، R. West Nile Virus Avian Surveillance Group. مرگ کلاغ به عنوان یک سیستم نظارت نگهبان برای ویروس نیل غربی در شمال شرقی ایالات متحده. ظهور. آلوده کردن دیس 1999 ، 7 ، 615-620. [ Google Scholar ]
  34. Gage، KL; بورکوت، TR; آیزن، RR; هیز، EB آب و هوا و بیماری های ناقل. صبح. J. قبلی پزشکی 2008 ، 35 ، 436-450. [ Google Scholar ] [ CrossRef ]
  35. رایزن، WK; نیش، ی. مارتینز، VM Vector Competence of Culiseta incidens و Culex thriambus برای ویروس نیل غربی. مربا. مسجد کنترل Assoc. 2006 ، 22 ، 662-665. [ Google Scholar ] [ CrossRef ]
  36. وایدیاناتان، آر. اسکات، TW تنوع جغرافیایی در صلاحیت برداری برای ویروس نیل غربی در مجتمع Culex pipiens (Diptera: Culicidae) در کالیفرنیا. وکتور بیماری زئونوز متولد شده. 2007 ، 7 ، 193-198. [ Google Scholar ]
  37. مک، س. بولر، م. Furnell، A.; مک دوگال، ال. Henry, B. استفاده از سیستم‌های اطلاعات جغرافیایی برای ارزیابی امکان‌سنجی کشتار بزرگسالان زمینی و هوایی برای کنترل ویروس نیل غربی در بریتیش کلمبیا، کانادا. مربا. مسجد کنترل Assoc. 2007 ، 23 ، 396-404. [ 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