نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

کنترل انتقال ویروس دنگی عمدتاً شامل مدیریت یکپارچه ناقل است. نقشه های ریسک در مقیاس های مناسب می توانند اطلاعات ارزشمندی را برای ارزیابی سطوح خطر حشره شناسی ارائه دهند. در اینجا، نتایج حاصل از یک مدل مکانی-زمانی از خانه‌هایی که به طور بالقوه لاروهای Aedes aegypti را از سال 2009 تا 2011 در تارتان (مارتینیک، آنتیل فرانسه) با استفاده از داده‌های زیست‌محیطی سنجش از دور تفکیک مکانی بالا و اطلاعات حشره‌شناسی و هواشناسی میدانی نگهداری می‌کنند، ارائه می‌شوند. این روش اپیدمیولوژی از راه دور اجازه می دهد تا پویایی بیماری ها را که از نزدیک با تغییرات آب و هوا / آب و هوا و محیط مرتبط است، پایش کنیم. یک تصویر Geoeye-1 برای استخراج عناصر منظره پردازش شد که می‌توانند اطلاعات اجتماعی یا بیولوژیکی مربوط به چرخه زندگی Aedes را جایگزین کنند.بردارها این عناصر متعاقباً با اثر تصادفی در مدل‌های آماری گنجانده شدند. شرایط مختلف محیطی و هواشناسی در واقع به عنوان عوامل خطر/حفاظتی برای حضور مراحل نابالغ Aedes aegypti در خانه‌ها در یک تاریخ معین شناسایی شده‌اند. این شرایط برای تولید نقشه‌های با وضوح مکانی-زمانی بالا پویا از حضور اکثر ظروف لارو مورد استفاده قرار گرفت. نقشه‌های ریسک تولید شده نمونه‌هایی از نقشه‌های حشره‌شناسی مدل‌سازی‌شده در سطح مسکن با وضوح زمانی روزانه هستند. این یافته سهم مهمی در توسعه سیستم‌های کنترل عملیاتی هدفمند برای بیماری‌های دنگی و سایر بیماری‌های منتقله از طریق ناقل، مانند چیکونگونیا، که در مارتینیک نیز وجود دارد، است.
کلید واژه ها: 

دانگ ; سنجش از دور ؛ نقشه برداری ریسک Aedes aegypti ; حشره شناسی پزشکی

 

 

1. معرفی

دنگی یک بیماری عفونی است که توسط یکی از چهار سروتیپ (DEN-1 تا DEN-4) ویروس دنگی ایجاد می شود. این بیماری از طریق نیش پشه های ماده آلوده Aedes منتقل می شود و عمدتاً در مناطق شهری رخ می دهد. حتی اگر میزان مرگ و میر در بین جمعیت های انسانی کم باشد، دنگی به دلیل گسترش جغرافیایی گسترده آن (125 کشور بومی) با 50 تا 200 میلیون عفونت سالانه به عنوان یکی از مهم ترین بیماری های ویروسی منتقله از پشه در نظر گرفته می شود [ 1 ].
در مارتینیک (آنتیل فرانسه)، شش موج همه گیر دنگی در طول 20 سال گذشته رخ داده است. بیش از 41000 مورد بالینی در طول اپیدمی ماقبل آخر در سال 2010 گزارش شد که تقریباً 10٪ از جمعیت جزیره را تشکیل می دهد. در این منطقه، پشه Aedes aegypti تنها ناقل شناسایی شده برای انتقال ویروس دنگی تا به امروز است. این پشه بیشتر در ظروف مصنوعی خانگی یا پر از آب تمیز با مواد آلی کمی و غلظت کم مواد مغذی معدنی پر شده است [ 2 و 3 ].]. در مارتینیک، مکان‌های بالقوه پرورش عبارتند از: (1) گلدان‌های گل با نعلبکی، ریزه‌ها و زباله‌ها، ماشین‌ها و لاستیک‌های رها شده، ناودان‌های بد نگهداری، وسایل خانگی قدیمی دور ریخته شده یا استخرهایی که ممکن است همه به طور طبیعی با بارندگی پر شوند. (2) ظروف مانند بشکه های درام که ممکن است عمداً در زیر ناودان ها یا در محوطه ها برای جمع آوری آب باران برای اهداف آبیاری/تمیز کردن قرار گیرند. (iii) به ندرت، ظروفی که می توانند به طور مصنوعی هنگام آبیاری پر شوند. کنترل مزاحم ضد وکتوری و پشه توسط یک سازمان عمومی مدیریت می شود ( Service de Démoustication et de Lutte Antivectorielle , SD-LAV). از سال 1991، SD-LAV اطلاعاتی را در مورد ناقلان دنگی با تلاش بیشتر در طول شیوع جمع آوری کرده است.
هیچ درمان خاصی برای دنگی در دسترس نیست، و هیچ واکسنی عملیاتی در حال حاضر در دسترس نیست [ 4 ]. بنابراین، کنترل انتقال ویروس عمدتاً شامل مدیریت یکپارچه ناقل است: (i) اطلاعاتی به ساکنان ارائه می شود تا از ایجاد زیستگاه های بالقوه لارو جلوگیری شود. (ب) کاهش منبع از طریق تخریب فیزیکی مکان‌های پرورش بالقوه/مثبت رخ می‌دهد. و (iii) سمپاشی حشره کش عمدتا در طول همه گیری رخ می دهد. همچنین توجه به این نکته مهم است که نشان داده شده است که برای ناقلان دنگی، «هدف قرار دادن تنها پربازده‌ترین انواع ظروف آب (تقریباً نیمی از انواع ظروف نگهدارنده آب) در کاهش شاخص‌های حشره‌شناختی به اندازه هدف قرار دادن تمام ظروف نگهدارنده آب در پایین‌تر مؤثر بود. هزینه های اجرا» [ 5]. در این زمینه، آگاهی خوب از شرایط حشره شناسی در یک منطقه معین و در یک دوره زمانی معین، پیش نیاز اجرای کنترل کارآمد است. متأسفانه، داده های حشره شناسی به ندرت به صورت طولی جمع آوری می شوند و داده های موجود اغلب تنها تصویری از یک پدیده نسبتاً پیوسته ارائه می دهند. نقشه‌های ریسک در مقیاس‌های مناسب می‌توانند داده‌های جایگزین و اطلاعات ارزشمندی را در مورد ارزیابی مکانی-زمانی خطر حشره‌شناختی ارائه دهند. نقشه برداری در مقیاس جهانی ممکن است با مقیاس دقیق یا نقشه برداری محلی برای ایجاد استراتژی های کنترل محلی همراه باشد.
از مقیاس های جهانی/منطقه ای تا محلی، ناهمگونی توزیع های مکانی و زمانی ناقلان/موارد دنگی تا حدودی به دلیل شرایط آب و هوایی/اقلیمی (مثلاً میزان بارندگی، رطوبت نسبی و دما)، محیط/چشم انداز (مانند پوشش گیاهی و خاک) است. انواع) یا فعالیت های انسانی (مانند حمل و نقل، شهرنشینی و مدیریت زباله). مدل‌سازی بعدی خطر دنگی حشره‌شناختی/اپیدمیولوژیک ممکن است از استفاده از اطلاعات سنجش از دور (RS) که ممکن است خروجی‌های اکولوژیکی، هواشناسی و جغرافیایی مناسبی را ارائه دهد، سود ببرد. ممکن است بین محصولات ماهواره ای موجود در مقیاس های زمانی، طیفی و مکانی انتخاب شود. در سال‌های اخیر، محصولات ماهواره‌ای برای نقشه‌برداری بسیاری از بیماری‌های منتقله از طریق ناقل مورد استفاده قرار گرفته‌اند [ 6 ، 7 ،8 ، 9 ، 10 ]، و اخیراً ثابت شده است که این محصولات اطلاعات مفیدی را برای مدل‌سازی توزیع Aedes aegypti یا Aedes albopictus ارائه می‌دهند [ 11 ، 12 ، 13 ، 14 ، 15 ، 16 ، 17 ، 18 ، 19 ]، توزیع موارد دنگی در انسان. 20 ، 21 ] یا پتانسیل ناقل دنگی یا گسترش بیماری در آینده [ 22 ، 23 ، 24 ].
مطالعه حاضر شامل نقشه برداری از خطر حضور مراحل نابالغ Aedes aegypti در اطراف خانه ها است. این شرایط برای ظهور تب دنگی با توجه به عوامل متعددی که بین حضور لارو آئدس و موارد دنگی در تعامل هستند (میزان ظهور پشه بالغ، تماس انسان با ناقل، حرکات جمعیت انسان، و مصونیت اکتسابی نسبت به سروتیپ در گردش) ضروری است، اما کافی نیست. در واقع، استدلال شده است که “نقشه برداری و مدل سازی فضایی بر اساس داده های حضور یا فراوانی پشه باید تنها به عنوان نشان دهنده خطر بالقوه دنگی در نظر گرفته شود” [ 25 ]]. از این رو، نقشه های لاروی تحقیق حاضر به عنوان «نقشه خطر دنگی حشره شناختی» نامیده می شود. گیرندگان چنین نقشه‌هایی باید شامل واحدهای مدیریت بردار باشند که متعاقباً مداخلات کنترلی را در مکان‌ها و زمان‌هایی متمرکز می‌کنند که خطر حضور ناقل در آن‌ها بالاتر است.
رویکرد عملی و مفهومی اپیدمیولوژی از راه دور می‌تواند برای نقشه‌برداری مکانی-زمانی خطر دنگی حشره‌شناختی در محیط‌های شهری در مارتینیک اعمال شود. توسط آژانس فضایی فرانسه (CNES) و شرکای آن توسعه و ثبت شده است [ 26 ، 27]. این رویکرد شامل پایش و مطالعه پویایی‌های مکانی-زمانی بیماری‌های انسان و حیوان است که ارتباط نزدیکی با تغییرات آب و هوا/اقلیم و محیط دارد. این بر شناسایی یک واحد آزمایشی تکیه دارد، که به عنوان “شیء” عمل می کند که باید شناسایی / مشخص شود تا به درستی سطوح خطر ارزیابی شود. این واحد مبتنی بر دانش صحیح از فرآیندهای بیولوژیکی و فیزیکی است که بر حضور / تراکم ناقلان نابالغ و بالغ تأکید می کند. بنابراین به طور گسترده ای به بیماری مورد بررسی وابسته است. به عنوان مثال، این واحد آزمایشی یک برکه (~1 هکتار) هنگام مطالعه خطر حشره‌شناختی تب دره ریفت [ 28 ] و یک بدنه آبی یا مجموعه‌ای از توده‌های آبی کوچک (~0.1 هکتار) هنگام مطالعه خطر حشره‌شناختی مالاریا شهری است [ 29 ]]. سپس، انتخاب های مناسب داده های ماهواره ای و مدل های پویا باید همراه با استفاده گسترده از اندازه گیری های درجا ارزیابی شوند.
سه مشاهدات زیربنای مطالعه حاضر بودند. اولاً، اگر زیستگاه‌های بالقوه پرورش Aedes aegypti را نتوان مستقیماً با استفاده از تصاویر ماهواره‌ای حتی در وضوح فضایی بسیار بالا شناسایی کرد، می‌توان محیط خاص آنها را ترسیم کرد. در واقع، شرایط سکونت و حیاط ممکن است منعکس کننده عادات محلی در مورد نگهداری از حیاط/باغ های خصوصی و محیط نزدیک آنها باشد که ممکن است با وجود ظروف نگهدارنده آب مرتبط باشد. ثانیاً، ویژگی‌های دارایی ( یعنی سایه‌زنی و مرتب بودن خانه و حیاط آن) به عنوان عوامل تعیین‌کننده حضور/فراوانی مراحل و تخم‌های نابالغ Aedes aegypti شناسایی شده‌اند [ 18 ، 30 ، 31 ،32 ]. بنابراین، توصیف محیط‌های در مقیاس ریز می‌تواند اطلاعاتی در مورد عوامل خطر برای حضور مراحل نابالغ ناقل دنگی در مناطقی که ظروف وجود دارند ارائه دهد. ثالثاً، شرایط هواشناسی عمدتاً دینامیک زمانی برای پر کردن ظروف و همچنین دینامیک حشره‌شناسی (به عنوان مثال، تخم‌گذاری تخم‌ها و رشد لاروها) را هدایت می‌کند. در نتیجه، واحد آزمایشی در اینجا به عنوان خانه با محیط اطراف آن در یک تاریخ خاص مطالعه شده است. سپس وضعیت چنین واحدهایی با جزئیات در سطح میدانی (به عنوان مثال ، بررسی های حشره شناسی زمین)، سطح هواشناسی (ایستگاه مشاهده زمینی با قدرت تفکیک زمانی بالا)، و سطح محیطی (به عنوان مثال ) توصیف شد.، داده های RS با وضوح فضایی بالا). هدف اصلی در اینجا مدل‌سازی فضا و زمان خانه‌هایی بود که برای مراحل نابالغ Aedes aegypti از سال 2009 تا 2011 در تارتان (مارتینیک، آنتیل فرانسه) به‌اصطلاح “مثبت” در نظر گرفته می‌شوند با استفاده از داده‌های محیطی RS و اطلاعات هواشناسی میدانی. این مدل‌سازی برای تولید نقشه‌های خطر حشره‌شناختی دنگی با وضوح مکانی-زمانی بالا انجام شد.

2. داده ها و روش های چند رشته ای

2.1. سایت و دوره مورد مطالعه

شهر تارتانه (14°45′29.24″ شمالی، 60°55′10.56″W) متعلق به شبه جزیره Caravelle است که در شمال شرقی مارتینیک واقع شده است. این منطقه در طول تاریخ به عنوان یک خلیج ماهیگیری با خانه های کوچک و کم ارتفاع که توسط باغ ها یا حیاط های کوچک احاطه شده است، خدمت کرده است. مرکز شهر در نزدیکی ساحل است، در حالی که بخش های دیگر در سربالایی قرار دارند. جمعیت این کشور حدود 3000 نفر است. این منطقه یک جاذبه گردشگری است و شامل بسیاری از اقامتگاه های تعطیلات است. محوطه مورد مطالعه تقریباً 8 کیلومتر مربع است ( شکل 1 ). چندین طغیان دنگی، از جمله یکی که در سال 2010 رخ داد، احتمالاً به دلیل شرایط حشره شناسی مساعد، در تارتان شروع شده است [ 33 ]]. اگرچه همه‌گیری‌های دنگی «معمولاً» از ژوئیه تا دسامبر ادامه دارند، گردش ویروس در سال 2010 در اوایل فوریه مشاهده شد، در ژوئن به اوج خود رسید و تا پایان سال ادامه داشت. بنابراین دوره مورد مطالعه شامل این اپیدمی بود و از ژوئن 2009 تا اوت 2011 ادامه داشت.
Ijgi 03 01352 g001 1024
شکل 1. جزیره مارتینیک، منطقه مورد مطالعه، و شش بخش مورد مطالعه (مستطیل های سیاه با شماره 1 تا 6) در شبه جزیره تارتان.

2.2. داده های حشره شناسی

SD-LAV نظارت حشره شناسی را در مارتینیک انجام می دهد و بنابراین به طور منظم اطلاعات پشه ها را در خانه های شهرداری های جزیره ثبت می کند [ 34 ]. تمامی رکوردهای موجود از پایگاه های داده SD-LAV برای دوره و منطقه مورد مطالعه انتخاب شدند. هر رکورد با یک خانه مسکونی مشخص مرتبط بود که در یکی از تاریخ های زیر بازدید شده است: 19/06/2009، 01/10/2009، 22/10/2009، 09/11/2009، 22/02/2010، 23/02 /2010، 05/03/2010، 23/08/2011، 29/09/2010، و 02/12/2012. سوابق حاوی اطلاعاتی در مورد تعداد و نوع ظروف داخلی و دور خانگی و همچنین وجود مراحل نابالغ Aedes aegypti ( یعنیتمام مراحل لارو و شفیره). از آنجایی که رکوردها حاوی مختصات جغرافیایی نبودند، تنها رکوردهایی که می توانستند به صورت گذشته نگر با سیستم موقعیت یابی جهانی (GPS) ترسیم شوند در پایگاه داده نهایی نگهداری می شدند. نقشه برداری در ژوئیه 2012 توسط اپراتورهایی که بررسی های زمینی 2009-2011 را انجام دادند و بر اساس نام ثبت شده ساکنان و دانش عمیق منطقه انجام شد. انواع ظروف خانگی یا داخلی شامل بشکه های درام، مخازن، سطل زباله، گلدان و نعلبکی گل، ناودان، لاستیک، وسایل دور ریخته شده و استخر می باشد. خانه های نمونه در شکل 2 قرار گرفته اند. از توزیع فضایی آنها، شش بخش همانطور که در شکل 1 نشان داده شده است، شناسایی شد .
Ijgi 03 01352 g002 1024
شکل 2. نقشه خانه های نمونه برداری شده.
ده تاریخ مختلف فصول مختلف سال را در بر می گرفت. در مجموع از 117 خانه بازدید شد ( یعنی 88 خانه یک بار بازدید، 18 خانه دو بار، 10 بار و یک خانه چهار بار بازدید شد)، که تقریباً 12٪ از کل خانه های منطقه مورد مطالعه را نشان می دهد. بنابراین، تعداد مشاهدات، یعنی ، واحدهای آزمایشی، 158 بود. در مجموع 88 واحد از آن 158 واحد آزمایشی برای وجود ظروف پر از آب دور داخلی (از یک تا 11 ظرف در هر خانه در یک تاریخ معین) مثبت بودند. 30 واحد آزمایشی Aedes بودندلارو مثبت (19 درصد از کل واحدهای آزمایشی و 34 درصد از کل واحدهای آزمایشی آب مثبت). در بین انواع ظروف پر از آب، ظروف بزرگ و بشکه های درام به ترتیب با 57% و 51% مشاهدات مثبت، بیشتر به عنوان لارو Aedes مثبت شناسایی شدند. این ظروف در 82 درصد از تعداد کل سایت های پرورش مثبت ذکر شده است.

2.3. داده های هواشناسی

در مارتینیک، فصل بارانی تابستان (ژوئیه تا نوامبر) با بارندگی مکرر و شدید و حداکثر دمای تقریباً 32 درجه سانتیگراد مشخص می شود، در حالی که فصل خشک (فوریه تا آوریل) حداکثر دمای تقریباً 30 درجه سانتیگراد را نشان می دهد. این فصول با دو فصل میانی از هم جدا می شوند. میزان بارندگی در جزیره ناهمگن است و از حدود 1500 میلی متر تا بیش از 4000 میلی متر در منطقه کوهستانی متغیر است. سال 2009 با حداقل بارندگی به جز در خط ساحلی اقیانوس اطلس، بسیار گرم بود. در سال 2010، دمای هوا به ویژه در ماه های فوریه و مارس بالا بود. فوریه تقریباً کاملاً خشک بود. بارش های شدید در اوایل ژوئن آغاز شد و پس از آن یک دوره بسیار خشک آغاز شد. سال 2011 مجدداً دماهای گرم را تجربه کرد. با این حال،
دما و رطوبت روزانه (حداقل، حداکثر، و مقادیر میانگین) و همچنین مقادیر بارندگی برای مطالعه حاضر توسط متئو فرانسه ارائه شد. آنها در ایستگاه رصد واقع در شبه جزیره Caravelle ثبت شدند. میزان بارندگی سالانه ثبت شده طی سال های 2009، 2010 و 2011 به ترتیب 948 میلی متر، 1408 میلی متر و 1823 میلی متر بوده است. چندین متغیر از داده های خام محاسبه و به پایگاه حشره شناسی اضافه شده و با توجه به تاریخ بررسی های زمینی به شرح زیر مطابقت داده شد:

–
مقدار کل بارندگی برای دوره 2-، 3-، 4-، … تا 30 روز قبل از هر تاریخ بررسی زمین حشره شناسی؛
–
میانگین دما و رطوبت نسبی برای دوره های 2، 3، 4، … تا 15 روز قبل از هر تاریخ بررسی زمین حشره شناسی.

2.4. تصاویر ماهواره ای و داده های محیطی

یک تصویر نوری Geoeye-1 با آسمان صاف در 13/03/2011 به دست آمد. داده ها شامل چهار باند طیفی با وضوح فضایی 0.41 متر (آبی، سبز، قرمز و نزدیک مادون قرمز) بود. تصویر در WGS 84، UTM Zone 20 N نمایش داده شد و با استفاده از نقشه ارتفاعی با وضوح فضایی 50 متری (IGN BD ALTI® ) از مؤسسه ملی جغرافیایی فرانسه IGN ( Institut National de l’Information Géographique et Forestière ) از نظر هندسی تصحیح شد. پردازش تصویر با استفاده از ENVI 4.8 و ENVI EX (Exelis Visual Information Solutions) انجام شد. سایر داده های جغرافیایی موجود شامل نقشه توپوگرافی IGN (IGN BD TOPO® ) و نقشه کاداستر (IGN BD ADRESSE® ) بود. نقشه های شیب و ارتفاع اشیاء با وضوح فضایی 1 متر از طریق Litto3D در دسترس بودند® (IGN، Service Hydrographique et Océanographique de la Marine ، Direction de l’Environnement ، de l’Aménagement et du Logement — Martinique ، Agence des Aires Marine Protégées )، که از اندازه گیری های LIDAR در هوا تولید شد.
سه شاخص پوشش گیاهی و خاک از تصویر Geoeye-1 استخراج شد ( جدول 1 ).
جدول
جدول 1. شاخص های محیطی محاسبه شده از تصویر Geoeye-1 با وضوح فضایی 0.41 متر.
برای تهیه نقشه کاربری و پوشش زمین (LULC) منطقه مورد مطالعه از روش طبقه بندی سه مرحله ای استفاده شد. در مرحله اول، یک طبقه‌بندی مبتنی بر پیکسل حداکثر احتمال نظارت شده در ENVI 4.8 بر اساس مجموعه‌ای از مناطق آموزشی که 5.4 درصد از سطح کل تصویر را پوشش می‌دهد، انجام شد. برای هر کلاس LULC شناسایی شده، مجموعه ای از چند ضلعی های آموزشی توسط یک اپراتور دیجیتالی شد که تصویر Geoeye-1 را تفسیر کرد. سپس امضای طیفی هر کلاس توسط نرم افزار ساخته شد. هر پیکسل بر اساس آن امضاهای طیفی به کلاسی اختصاص داده شد که بیشترین احتمال صحیح بودن را داشت. هیچ آستانه حذفی تعریف نشد، بنابراین هر پیکسل از منطقه مورد مطالعه طبقه بندی شد. برخی از مناطق اعتبارسنجی نیز دیجیتالی شدند و 4.7٪ از کل مساحت تصویر را پوشش دادند. آنها برای محاسبه ضریب کاپا استفاده شدند که اندازه گیری دقت طبقه بندی را ارائه می دهد. این ضریب 0.91 بود که نشان دهنده تطابق خوب بین کلاس های LULC حاصل و مناطق اعتبار سنجی است. ثانیاً، از آنجایی که می‌توان پیشرفت‌هایی در دقت طبقه‌بندی برخی از عناصر منظره انتظار داشت، یک طبقه‌بندی شی گرا انجام شد. بخش بندی، ادغام اشیاء، و اجرای قوانین (مساحت، تحدب، مقادیر متوسط ​​باندها…) در ماژول استخراج ویژگی ENVI EX انجام شد. کیفیت این طبقه بندی با تفسیر عکس ارزیابی شد و به این نتیجه رسید که سقف ها و استخرها به طور دقیق طبقه بندی شده اند. سوم، طبقه بندی نهایی با ادغام هر دو طبقه بندی پیکسل و شی با استفاده از درخت تصمیم تولید شد.به عنوان مثال ، پنج مورد برای پوشش گیاهی، از جمله «درختان»، «نیشکر»، «کلش»، «چمنزار»، «خاک با پوشش گیاهی کم»، پنج نوع مختلف سقف، «شن»، «آسفالت»، «استخرهای شنا»، و “دریا/اقیانوس”. یک کلاس ادغام شده برای همه انواع سقف نیز ایجاد شد.

2.5. سیستم اطلاعات جغرافیایی (GIS)

یک GIS با استفاده از ArcGIS 10.0 (موسسه سیستم‌های تحقیقات محیطی، Redlands، CA، ایالات متحده آمریکا) برای توصیف واحدهای آزمایشی تعریف‌شده در مقدمه ساخته شد. تمام 117 خانه بررسی شده ترسیم شدند و شاخص های محیطی، نقشه LULC و داده های ارتفاعی به عنوان لایه های جغرافیایی ارجاع داده شدند. هر خانه منفرد از شبه جزیره Caravelle به عنوان یک شی بر اساس نقشه LULC جدا شد. قطعه اطراف هر خانه با استفاده از نقشه کاداستر IGN شناسایی شد.
متغیرهای محیطی، یعنی حداقل/حداکثر/میانگین برای سه شاخص، شیب و ارتفاع شی و مساحت هر کلاس LULC، برای هر خانه بررسی شده محاسبه شد. این برای هر قطعه و برای مناطق حائل شعاع 50 متری و 100 متری در اطراف خانه های جداگانه انجام شد. فاصله اقلیدسی از خانه تا اولین وصله هر کلاس LULC و همچنین مساحت خانه ها (بر فرض مساحت سقف آنها) و کرت ها محاسبه شد. این داده ها با پایگاه داده حشره شناسی برای هر خانه ادغام شدند.

2.6. استراتژی مدلسازی

پایگاه داده کلی شامل متغیرهای حشره شناسی، محیطی و هواشناسی است که در بالا توضیح داده شد. هر رکورد با یک خانه بازدید شده در یک تاریخ همراه بود، یعنی با یک واحد آزمایشی. سناریوی انتخاب شده ( شکل 3 ) شامل دو مرحله زیر است که شامل بررسی عوامل محیطی و هواشناسی رانندگی می شود:

–
مرحله 1: وجود یک یا چند ظرف (های) پر از آب در مجاورت یک خانه در یک تاریخ معین، مستقل از وجود یا نبودن مراحل نابالغ Aedes aegypti . این شامل تشخیص واحدهای آزمایشی آب مثبت بود.
–
مرحله 2: وجود مراحل نابالغ Aedes aegypti منحصراً در واحدهای آزمایشی که دارای یک یا چند ظرف(های) پر از آب بودند. این شامل تشخیص واحدهای تجربی لارو مثبت Aedes بود. هیچ اشاره ای به تراکم لارو گنجانده نشد.
با توجه به اینکه تعداد ظروف آب خانگی در منطقه بسیار کم بود، فقط ظروف پری خانگی در نظر گرفته شد.
Ijgi 03 01352 g003 1024
شکل 3. سناریوی حفظ شده برای نقشه برداری خطر حشره شناسی دانگ.

2.7. تجزیه و تحلیل آماری و نقشه برداری ریسک

تجزیه و تحلیل های آماری با استفاده از Stata 11 (Stata Corporation، College Station، TX، ایالات متحده آمریکا) انجام شد. تجزیه و تحلیل رگرسیون لجستیک برای توضیح نتایج هر دو مرحله بالا در سطح واحد تجربی با استفاده از شاخص‌های محیطی و هواشناسی به عنوان متغیرهای توضیحی ممکن برازش داده شد. برای هر مدل، متغیرهای غیر همبسته با p -values ​​< 0.25 از تحلیل های تک متغیره کاندیدای تحلیل های چند متغیره بودند. انتخاب از میان تعداد بالای متغیرهای خطی، به عنوان مثالمتغیرهای هواشناسی و محیطی که در چندین مقیاس زمانی و مکانی ایجاد شدند، با به حداقل رساندن AIC (معیار اطلاعات آکایک) در تحلیل تک متغیره و همچنین با انتخاب متغیرهایی با بهترین ورودی بیولوژیکی انجام شد. یک روش انتخاب گام به گام به عقب دستی در مدل نهایی برای انتخاب متغیرها با p اعمال شد– مقادیر < 0.05. طرح نمونه گیری نشان می دهد که برخی از خودهمبستگی ها می تواند بین مشاهدات وجود داشته باشد، با توجه به اینکه مشاهدات نزدیک می توانند شبیه تر از مشاهدات دور باشند به دلیل وجود محیط های مشابه بیشتر. در صورتی که محیط محلی به طور کامل توسط متغیرهای توضیحی در نظر گرفته نشد، یک اثر تصادفی در سطح بخش به مدل‌ها اضافه شد. اعتبار مدل با استفاده از نمونه کامل و منحنی مشخصه عملیاتی گیرنده (ROC) ارزیابی شد (به عنوان مثال ، نمایش حساسیت در برابر ویژگی 1 یا نرخ مثبت واقعی در مقابل نرخ مثبت واقعی).نرخ مثبت کاذب، در نتیجه ارزش تمایز یک آزمون را ارائه می دهد). لازم به ذکر است که تعداد اندک مشاهدات امکان ارزیابی روایی مدل ها با زیرمجموعه مشاهدات را فراهم نمی کند. مقدار برش برای به حداکثر رساندن حساسیت و ویژگی انتخاب شد. استحکام با استفاده از شش مدل فرعی از هر مدل نهایی با حذف جداگانه واحدهای آزمایشی هر بخش ارزیابی شد.
معادلات خطی به دست آمده از مدل‌های نهایی، امکان پیش‌بینی نتایج را در واحدهای آزمایشی بررسی‌نشده، یعنی خانه‌های دیگر تارتان و تاریخ‌هایی غیر از تاریخ‌های بررسی‌ها فراهم می‌کند. ما تصمیم گرفته ایم برای هر روز از سال 2010 نقشه برداری را انجام دهیم تا تغییرات فصلی را تجسم کنیم. متغیرهای توضیحی مدل های نهایی (مرحله 1 و 2) از GIS برای هر ساختمان منفرد منطقه استخراج شد. متغیرهای مستقل هواشناسی که به طور معنی داری با نتایج مرتبط بودند برای هر روز از سال 2010 محاسبه شد. سپس معادله مرحله 2 برای ساختمان هایی که در مرحله 1 به عنوان آب مثبت پیش بینی شده بودند، اعمال شد. نتایج نقشه های روزانه خانه های دارای آدس بود.ظرف(های) لارو مثبت این نقشه‌ها در نقشه‌های ماهانه ترکیبی ادغام شدند که شامل تعداد روزهایی بود که برای هر خانه پیش‌بینی می‌شد لارو Aedes مثبت باشد.

3. نتایج و بحث

3.1. نتایج

3.1.1. مرحله 1. مدلسازی واحدهای آزمایشی آب مثبت

در تجزیه و تحلیل تک متغیره، چندین متغیر محیطی و هواشناسی به طور معنی‌داری با وجود ظروف پر از آب در واحدهای آزمایشی مرتبط بودند. این پارامترهای محیطی شامل مساحت طبقه «خاک کم پوشش گیاهی» در قطعه، مساحت طبقه «سقف کاشی» در قطعه، مساحت کلاس «استخر شنا» در یک بافر 50 متری، شیب قطعه، میانگین ارتفاع شی در بافر 100 متری (با علامت مثبت)، و همچنین مساحت کلاس “چمن” در بافر 50 متری، منطقه کلاس “شن” در بافر 50 متری و فاصله تا کلاس “خاک کم پوشش گیاهی” (با علامت منفی). برخی از متغیرهای بارندگی، دما و رطوبت نیز به طور مثبت یا منفی با حضور یک یا چند ظرف (های) پر از آب در یک واحد آزمایشی مرتبط بودند.
در تجزیه و تحلیل چند متغیره، مساحت طبقه “خاک با پوشش گیاهی کم” در قطعه و کل بارندگی در طول دوره 4 روزه قبل از روز بازدید میدانی با نتیجه ارتباط مثبت داشت، در حالی که مساحت طبقه “چمنزار” در بافر 50 متری اطراف خانه با نتیجه ارتباط منفی داشت ( جدول 2). اثر تصادفی مقطع در مدل نهایی از نظر آماری معنی دار نبود. علاوه بر این، شش مدل فرعی برازش شده با حذف جداگانه واحدهای آزمایشی هر بخش، ضرایب مشابهی را در مقایسه با مدل نهایی ارائه کردند. سطح زیر منحنی ROC 0.72 بود (95% فاصله اطمینان: 0.64-0.80). در مجموع 103 واحد آزمایشی از 158 واحد به درستی پیش‌بینی شد (65%). حساسیت 63% و ویژگی 69% بود. ارزش اخباری مثبت 71 درصد و ارزش اخباری منفی 59 درصد بود.
جدول
جدول 2. متغیرهای هواشناسی محیطی و زمینی سنجش از دور به طور قابل توجهی با واحدهای آزمایشی آب مثبت مرتبط هستند. تجزیه و تحلیل رگرسیون لجستیک چند متغیره با اثرات تصادفی بخش ارائه شده است (مرحله 1).

3.1.2. مرحله 2. مدلسازی واحدهای آزمایشی مثبت لارو Aedes

در تجزیه و تحلیل تک متغیره، چندین متغیر محیطی و هواشناسی با حضور ظرف(های) لارو مثبت Aedes در واحدهای آزمایشی که ظرف(های) پر از آب را در خود جای داده بودند، مرتبط بودند. این متغیرهای محیطی شامل مساحت طبقه «درخت» در بافر 50 متری، ارتفاع متوسط ​​خانه ها در بافر 50 متری، میانگین NDVI در بافر 50 متری (با علامت مثبت) و همچنین مساحت بافر بودند. کلاس “آسفالت” در حائل 50 متری، منطقه کلاس “استخر شنا” در بافر 50 متری، و منطقه طبقه “سقف کاشی” در حایل 50 متری (با علامت منفی). برخی از عوامل بارندگی، دما و رطوبت نیز به طور مثبت یا منفی مرتبط بودند.
در تجزیه و تحلیل چند متغیره، میانگین حداکثر رطوبت ثبت شده در طول دوره 5 روزه قبل از روز بررسی زمین به طور مثبت با نتیجه مرتبط بود، در حالی که منطقه کلاس “آسفالت” در بافر 50 متری اطراف خانه بود. ارتباط منفی دارد ( جدول 3). اثر تصادفی مقطع در مدل نهایی از نظر آماری معنی دار نبود. علاوه بر این، شش مدل فرعی برازش شده با حذف جداگانه واحدهای آزمایشی هر بخش، ضرایب بسیار مشابهی را در مقایسه با مدل نهایی ارائه کردند. سطح زیر منحنی ROC 0.74 (فاصله اطمینان 95٪، 0.63-0.86) بود. در مجموع 64 واحد آزمایشی از 88 واحد به درستی پیش‌بینی شد (73%). حساسیت 70 درصد و ویژگی 74 درصد بود. ارزش اخباری مثبت 58 درصد و ارزش اخباری منفی 83 درصد بود.
جدول
جدول 3. متغیرهای هواشناسی محیطی و زمینی سنجش از دور به طور قابل توجهی با واحدهای آزمایشی مثبت لارو Aedes در میان واحدهایی که ظرف(های) پر از آب را نگهداری می کنند، مرتبط است. تجزیه و تحلیل رگرسیون لجستیک چند متغیره با اثرات تصادفی بخش ارائه شده است (مرحله 2).

3.1.3. کاربرد سناریو (مرحله 1 + مرحله 2)

پیش بینی های نهایی از سناریوی انتخاب شده در جدول 4 نمایش داده شده است. در مجموع 132 واحد آزمایشی از 158 واحد به درستی پیش‌بینی شد (84%). حساسیت 57% و ویژگی 90% بود. درصد پیش‌بینی‌های طبقه‌بندی صحیح بسته به بخش‌ها از 67 تا 92 درصد متغیر بود. ارزش اخباری مثبت 57٪ و ارزش اخباری منفی 90٪ بود (نرخ مثبت کاذب = 43٪؛ نرخ منفی کاذب = 10٪).
جدول
جدول 4. پیش بینی های نهایی سناریو در مقابل داده های صحرایی: تعداد واحدهای آزمایشی لارو مثبت Aedes در مقابل تعداد واحدهای آزمایشی لارو منفی Aedes .

3.1.4. نقشه برداری خطر حشره شناسی پیش بینی در تارتان

هر دو مرحله از سناریو با موفقیت در هر ساختمان (983) از منطقه مورد مطالعه در هر روز از سال 2010 برای تولید نقشه‌های خطر حشره‌شناختی با وضوح مکانی-زمانی بالا اعمال شد. نقشه های ترکیبی ماهانه حاصل در شکل 4 و اطلاعات پشتیبانی نمایش داده شده است. هیچ یک از ساختمان ها برای 100 درصد روزهای سال 2010 به عنوان لارو Aedes مثبت پیش بینی نشده بود. در مجموع 126 ساختمان کمتر از 10 روز لارو مثبت Aedes در سال پیش بینی شده بود که در میان آنها 28 مورد همیشه پیش بینی شد. منفی برای لارو Aedes (0 روز مثبت در سال). حداکثر خطر حشره شناسی در بخش 5 یافت شد ( شکل 1 را ببینید، گوشه سمت راست بالا). خطر در بخش‌های 1، 2 و 4 (همان خطر) و همچنین بخش 6 و 3 (نگاه کنید به شکل 1 ، گوشه سمت راست بالا) با ارقام سالانه در بین بخش‌های بین 77 تا 15 درصد در واحدهای آزمایشی لارو مثبت Aedes کاهش یافت. . ژوئن و سپتامبر 2010 بالاترین خطر حشره شناسی پیش بینی شده را نشان دادند (به ترتیب 45 و 44 درصد از تعداد واحدهای آزمایشی به عنوان لارو Aedes مثبت پیش بینی شدند)، در حالی که فوریه و دسامبر با کمترین خطر (17 درصد و 18 درصد) پیش بینی شدند. به ترتیب، از تعداد واحدهای آزمایشی به عنوان لارو Aedes مثبت پیش‌بینی شد.
Ijgi 03 01352 g004 1024
شکل 4. نقشه‌های خطر حشره‌شناختی ماهانه از آزمایش مدل‌سازی بر اساس داده‌های ژانویه تا دسامبر 2010. تعداد روزهای مثبت لارو Aedes برای 983 ساختمان در منطقه مورد مطالعه ارائه شده است (کد رنگ را در پایین سمت چپ ببینید).

3.2. بحث

در مطالعه حاضر، رویکرد عملی و مفهومی اپیدمیولوژی از راه دور، که توسط CNES و شرکای آن توسعه داده شد، برای تولید نقشه‌های خطر حشره‌شناختی با وضوح بالا مکانی-زمانی برای حضور مراحل نابالغ Aedes aegypti در تارتان، مارتینیک استفاده شد. . واحد آزمایشی خانه مجردی بود و محیط نزدیک آن در تاریخ مشخصی مورد مطالعه قرار گرفت. ثابت شد که این واحد مقیاس مناسبی برای ترسیم خطر است، که با این پیشنهاد که خطر حشره‌شناختی دنگی به بهترین وجه در مقیاس خانگی اندازه‌گیری می‌شود مطابقت دارد [ 38 ]]. داده‌های محیطی و هواشناسی، که محرک‌های هم افزایی حضور و تراکم پشه هستند، هر دو برای مدل‌سازی حضور لاروهای ناقل دنگی گنجانده شدند. داده های بوم شناختی نیز به عنوان جانشینی برای اطلاعات جامعه شناختی و رفتاری استفاده شده است. نقشه‌های به‌دست‌آمده نمونه‌هایی از نقشه‌های خطر حشره‌شناختی مدل‌سازی‌شده در سطح خانه با وضوح زمانی روزانه هستند. این نقشه‌ها تنوع مکانی-زمانی را در میان خانه‌هایی که حاوی ظرف(های) لارو مثبت Aedes بودند، برجسته می‌کنند.

3.2.1. یک رویکرد دو مرحله ای

یک رویکرد دو مرحله‌ای برای پیوند نزدیک مدل‌سازی حشره‌شناختی با مکانیسم‌های بیولوژیکی، فیزیکی و اجتماعی که (i) حضور ظروف پر از آب و (ب) رشد لارو را هدایت می‌کنند، انجام شد. هر مرحله شامل مکانیسم های فیزیکی و بیولوژیکی متمایز بود، بنابراین این مراحل به طور جداگانه در نظر گرفته شدند. وجود ظروف در اطراف خانه ها به رفتار جمعیت و جنبه های اجتماعی-اقتصادی/اجتماعی-فرهنگی مرتبط است، در حالی که وجود لارو در آن ظروف با عوامل اکولوژیکی و هواشناسی مرتبط است که بر چرخه بیولوژیکی آنها تأثیر می گذارد.
مدل‌سازی خانه‌هایی که دارای یک یا چند کانتینر پر از آب در یک تاریخ معین هستند با استفاده از دو پیش‌بینی‌کننده از تصویر Geoeye-1 و یک متغیر هواشناسی میدانی به دست آمد. در مرحله اول، سطح طبقه “خاک با پوشش گیاهی کم” در قطعه خانه با واحدهای آزمایشی آب مثبت ارتباط مثبت داشت. ثانیاً، سطح طبقه “چمنزار” در حائل 50 متری اطراف خانه به طور منفی با نتیجه مرتبط بود. با توجه به اینکه خانه های احاطه شده با چمنزار احتمالاً به خوبی نگهداری می شوند، هر دو متغیر نشان دهنده نگهداری باغ هستند. از یک طرف، ظروف یا سطل‌های زباله که می‌توانند با بارندگی پر شوند باید کمتر در محیط‌های به‌خوبی نگهداری شوند. از سوی دیگر، سطح اجتماعی-اقتصادی یک فرد ممکن است نشان دهنده نیاز به جمع آوری آب باران در بشکه های درام برای صرفه جویی در هزینه باشد. در مقابل، جمع آوری بارندگی ممکن است با رفتار دوستدار محیط زیست نیز مرتبط باشد. ثالثاً، کل بارندگی در دوره 4 روزه قبل از بازدید میدانی، منطقاً یک عامل خطر برای وجود ظروف (های) پر از آب بود، با توجه به اینکه اکثر ظروف، عمدا یا غیر عمدی، با بارندگی پر شده بودند. پر کردن مصنوعی ظروف، که به ندرت اتفاق می افتد، در این مطالعه مورد توجه قرار نگرفت. با این وجود، ظروف بزرگ و بشکه های درام، که به عنوان اصلی خدمت می کنند مجموع بارندگی در دوره 4 روزه قبل از بازدید میدانی منطقاً یک عامل خطر برای وجود ظروف (های) پر از آب بود، زیرا اکثر ظروف، عمدا یا غیر عمدی، با بارندگی پر شده بودند. پر کردن مصنوعی ظروف، که به ندرت اتفاق می افتد، در این مطالعه مورد توجه قرار نگرفت. با این وجود، ظروف بزرگ و بشکه های درام، که به عنوان اصلی خدمت می کنند مجموع بارندگی در دوره 4 روزه قبل از بازدید میدانی منطقاً یک عامل خطر برای وجود ظروف (های) پر از آب بود، زیرا اکثر ظروف، عمدا یا غیر عمدی، با بارندگی پر شده بودند. پر کردن مصنوعی ظروف، که به ندرت اتفاق می افتد، در این مطالعه مورد توجه قرار نگرفت. با این وجود، ظروف بزرگ و بشکه های درام، که به عنوان اصلی خدمت می کنندسایت های لارو Aedes (82٪ از تعداد کل سایت های مثبت)، به طور مصنوعی پر نشده بودند و به درستی در تجزیه و تحلیل در نظر گرفته شدند.
مدل‌سازی خانه‌هایی که دارای یک یا چند کانتینر مثبت لارو Aedes هستند در میان خانه‌های نمونه‌برداری شده دارای ظروف پر از آب با استفاده از یک پیش‌بینی‌کننده از تصویر Geoeye-1 و یک متغیر هواشناسی زمینی به دست آمد. اولاً، سطح کلاس “آسفالت” در بافر 50 متری اطراف خانه به طور منفی با نتیجه مرتبط بود. این متغیر به شدت با NDVI، که تراکم پوشش گیاهی را ارزیابی می کند، همبستگی معکوس داشت. بسیاری از مطالعات ارتباط بین سایه بالقوه ایجاد شده توسط پوشش گیاهی و حضور مراحل نابالغ Aedes را برجسته کرده اند [ 30 ، 39 ، 40]. سایه ممکن است دمای بسیار بالای آب را کاهش دهد که به طور خاص به عنوان یک عامل منفی برای حضور لارو Aedes aegypti شناخته شده است [ 3 ]. پوشش گیاهی همچنین ممکن است از طریق برگ هایی که در آب می افتند مواد مغذی را برای لاروها فراهم کند [ 41 ]، در حالی که شهد می تواند به عنوان غذا برای پشه های بالغ عمل کند [ 42 ]. در مارتینیک، Aedes aegypti عمدتاً اندوفیل است، بنابراین پوشش گیاهی احتمالاً به عنوان مکان استراحت عمل نمی کند. اگرچه مقیاس ارتباط بین سایه و Aedes aegypti با استفاده از داده های زمینی در 2-3 متر تعیین شده است [ 40 ]]، نتایج کار حاضر مطالعات قبلی را که از تصاویر سنجش از دور استفاده کرده بودند، تأیید می کند. در واقع، حضور درختان در یک منطقه بافر شعاع 30 متری با فراوانی Aedes aegypti بالغ در آریزونا [ 18 ] همراه بود و مدل‌سازی طاقچه با استفاده از تصاویر Landsat 7 (با وضوح فضایی 30 متر) مناطق مناسب برای پرورش Aedes aegypti را پیش‌بینی کرد. سایت ها در کلمبیا [ 11]. با این وجود، کلاس «آسفالت» احتمالاً اطلاعات بیشتری نسبت به متغیر NDVI ارائه می‌دهد، زیرا این کلاس به جای هر متغیر NDVI در مدل آماری نهایی حفظ شده است. در واقع، محیط آسفالتی که به دماهای بالا و تبخیر مربوط می‌شود، ممکن است برای اجازه دادن به مکان‌های تکثیر به اندازه کافی برای ادامه رشد لاروی چرخه کامل نامطلوب باشد. ثانیاً، میانگین حداکثر رطوبت برای دوره 5 روزه قبل از ثبت حشره شناسی با حضور ظروف لارو مثبت Aedes در واحدهای آزمایشی ارتباط مثبت داشت. با توجه به اینکه متغیرهای دوره 2 تا 14 روزه قبل از ثبت حشره شناسی نیز به طور قابل توجهی با این نتیجه مرتبط بودند، این ارتباط قوی بود. نتایج مشابهی در برزیل مشاهده شد [ 43] و استرالیا [ 44 ]. رطوبت با بارندگی همبستگی مثبت و با تبخیر همبستگی منفی دارد. بنابراین، رطوبت ممکن است با افزایش حضور آب در ظروف مرتبط باشد و در نتیجه احتمال رشد کامل لاروی افزایش یابد. این یافته با کارهای قبلی که ارتباط بین بارندگی و Aedes aegypti [ 45 ، 46 ، 47 ، 48 ] را برجسته کرده اند یا داده های بارش را به عنوان متغیر پیش بینی کننده برای مدل سازی خطر تب دنگی [ 24 ] شامل می شود، مطابقت دارد.

3.2.2. مقیاس ها و رزولوشن ها

متغیرهای محیطی سنجش از دور با وضوح مکانی بسیار بالا و متغیرهای هواشناسی زمینی با وضوح زمانی بالا گنجانده شدند. عوامل اکولوژیکی از نظر زمانی ثابت بودند (به عنوان مثال، یک مقدار برای کل دوره) اما دینامیک فضایی را ارائه کردند زیرا این متغیرها از یک تصویر ماهواره ای با وضوح فضایی بسیار بالا (GeoEye-1 0.41 سانتی متر) استخراج شدند. محیط شهری در تارتانه در طول دوره مورد مطالعه کاملاً پایدار باقی ماند و استفاده از یک تصویر ماهواره ای منحصر به فرد را توجیه کرد. از یک طرف، اکثر کلاس‌های LULC با این تصویر منحصربه‌فرد (ساختمان‌ها، آسفالت، دریا، استخرهای شنا، شن و ماسه، نیشکر، کلش‌ها و درختان) با توجه به اینکه تحت تأثیر فصلی قرار نمی‌گیرند، به‌طور مناسبی تعریف شدند. از سوی دیگر، با توجه به چمن‌زارها، خاک با پوشش گیاهی کم، و شاخص‌های خاک و پوشش گیاهی که با توجه به فصل‌ها متفاوت است، یک تصویر منحصربه‌فرد تنها تصویری از منظره ارائه می‌دهد. با این حال، حتی داده های محیطی استاتیک اطلاعات مفیدی را برای توصیف واحدهای آزمایشی ارائه می دهد. در واقع، چمنزار و خاکهای کم پوشش گیاهی به عنوان متغیرهای توضیحی نهایی در مرحله اول مدلسازی شناسایی شدند، که در آن عوامل محیطی با هدف توصیف ورودی های اجتماعی-اقتصادی و رفتاری بودند. استفاده از یک تصویر منحصر به فرد مانع از برجسته کردن اطلاعات مفید نمی شود. به عنوان مثال، وجود یک چمن در طول فصل خشک نشان می دهد که باغ به خوبی نگهداری می شود، که احتمال عدم وجود ظروف پر از آب را تقویت می کند. برعکس، عوامل هواشناسی از نظر مکانی ساکن بودند ( وجود یک چمن در طول فصل خشک نشان می دهد که باغ به خوبی نگهداری می شود، که احتمال عدم وجود ظروف پر از آب را تقویت می کند. برعکس، عوامل هواشناسی از نظر مکانی ساکن بودند ( وجود یک چمن در طول فصل خشک نشان می دهد که باغ به خوبی نگهداری می شود، که احتمال عدم وجود ظروف پر از آب را تقویت می کند. برعکس، عوامل هواشناسی از نظر مکانی ساکن بودند (یعنییک مقدار برای کل منطقه مورد مطالعه از یک ایستگاه مشاهده زمینی به دست آمد). با این حال، این عوامل در یک مقیاس زمانی خوب (روزانه) استخراج شدند، در نتیجه پویایی زمانی را ارائه کردند. با توجه به وسعت منطقه مورد مطالعه، دستیابی به تغییرپذیری در داده‌های هواشناسی جدا از نصب دستگاه‌های زمینی در بخش‌های مختلف یا دسترسی به داده‌های رادار زمینی (حدود 1 کیلومتر تفکیک مکانی) دشوار بود. در واقع، حتی داده‌های بارندگی سنجش از راه دور (به عنوان مثال، ماموریت اندازه‌گیری باران گرمسیری (TRMM) و تخمین بارندگی (RFE)) به دلیل وضوح فضایی (0.25 درجه برای TRMM و RFE) ناهمگونی را در چنین مناطق کوچکی ارائه نمی‌دهند. با این وجود، یک مطالعه اخیر نشان داده است که در نظر گرفتن تغییرپذیری مقادیر بارندگی هنگام مدل‌سازی توزیع بردار بسیار مهم است، اما مقیاس‌ها فراتر از اندازه منطقه مورد مطالعه بود.49 ].

3.2.3. دقت و اعتبار مدل ها

با توجه به اینکه تعداد مشاهدات محدود بود، اعتبار سنجی بر اساس مجموعه داده‌های متفاوت از آن‌هایی که برای برازش مدل‌ها استفاده می‌شوند، نبود. این واقعیت که 84 درصد از واحدهای آزمایشی به درستی پیش‌بینی شده بودند، احتمالاً بیش از حد برآورد شده است. ارزش اخباری مثبت سناریوی دو مرحله ای 57 درصد و ارزش اخباری منفی 90 درصد بود (نرخ مثبت کاذب = 43 درصد و نرخ منفی کاذب = 10 درصد). از نقطه نظر عملیاتی کنترل لارو، این سناریو بسیار قدرتمند است تا با جلوگیری از بازدید تیم ها از تعداد زیادی خانه منفی، مدت زمان صرف شده روی زمین را محدود کند. با این حال، توانایی پیش‌بینی برای شناسایی خانه‌های مثبت باید بهبود یابد، زیرا بخش بزرگی از خانه‌های پرخطر از دست رفته است.
با توجه به اینکه داده‌های زمینی در تاریخ‌های یکسانی برای هر بخش جمع‌آوری نشده بودند، می‌توان سوگیری را در مدل‌ها معرفی کرد. علاوه بر این، برخی از بخش ها ترجیحا در طول فصول بارانی/خشک مورد بررسی قرار گرفتند. با این وجود، تجزیه و تحلیل نقشه‌های ریسک حاصل نشان داد که بخش‌هایی که عمدتاً در فصول بارانی یا خشک دنبال می‌شوند، هیچ الگوی خاصی از نظر پیش‌بینی Aedes aegypti نشان نمی‌دهند.حضور لارو در واقع، اگرچه یک مدل کاملاً محیطی به دلیل این تعصب نمی‌توانست برازش شود، وجود متغیرهای هواشناسی در مدل‌ها به عنوان تعدیل فصلی عمل می‌کرد. علاوه بر این، شش مدل فرعی که در هر دو مرحله با حذف جداگانه واحدهای آزمایشی هر بخش برازش داده شدند، تخمین‌هایی مشابه مدل‌های نهایی ارائه کردند. مورد دوم نشان می دهد که هیچ یک از بخش ها به طور قابل توجهی نتایج مدل سازی را تغییر ندادند. در نهایت، این واقعیت که اثر بخش در هر دو مرحله تحلیل معنی‌دار نبود، نشان داد که متغیرهای توضیحی ناهمگونی محیطی مجموعه داده را نشان می‌دهند.

3.2.4. از نقشه‌های خطر حشره‌شناختی تا اقدامات کنترل زمینی

مدل‌ها باید برای اولویت‌بندی مکانی و زمانی در جایی که خطر بیشترین خطر را دارد، استفاده شود [ 38 ]. از یک طرف، داده های حشره شناسی به ندرت به صورت معمول در یک منطقه معین جمع آوری می شوند. هنگامی که مطالعات میدانی انجام می شود، اغلب تنها تصویری از یک پدیده پیوسته ارائه می دهند. سپس انتظار می‌رود نقشه‌های ریسک تداومی را برای ارزیابی ریسک افزایش دهند. از سوی دیگر، نقشه‌هایی که در سطح خانوار در دسترس هستند، می‌توانند تشخیص «محل‌های کلیدی» [ 50 ، 51 ] را برای کنترل کارآمد تسهیل کنند. در واقع، خانه هایی با تعداد Aedes افزایش یافته استروزهای مثبت لارو در یک ماه می تواند برای تخریب مکان های تولید مثل و پراکندگی اطلاعات به جمعیت های انسانی برای کاهش بار لجستیکی هدف قرار گیرد. نقشه های حاصل از مطالعه حاضر می تواند متعاقباً به عنوان ابزاری برای Aedes aegypti استفاده شود.کنترل سیستم های عملیاتی لارو بر اساس تصاویر ماهواره ای به روز و اطلاعات هواشناسی. در واقع، معادلات حاصل از مدل‌های نهایی در هر دو مرحله می‌توانند در همان ناحیه در تاریخ‌های دیگر یا حتی در تنظیمات مشابه دیگر اعمال شوند، اگر همان کلاس‌های LULC را بتوان از تصاویر با وضوح بسیار بالا استخراج کرد. اگرچه چنین پردازش تصویری زمان‌بر است، اما می‌توان از یک تصویر منحصربه‌فرد برای پیش‌بینی خطر حشره‌شناختی برای چندین سال در مناطق شهری که گسترش سریعی را تجربه نمی‌کنند، استفاده کرد. یک پیش نیاز شامل آزمایش اعتبار هرگونه پیش‌بینی برون‌یابی شده با داده‌های زمینی جدید است. در هر هدفی از استفاده از نقشه های خطر برای ارزیابی خطر اپیدمیولوژیک دنگی، ارتباط بین توزیع مکانی-زمانی مراحل نابالغ و بیماری دنگی باید در این منطقه از مارتینیک ارزیابی شود. در واقع،25 ]. بسیار محتمل است که لایه‌های اطلاعات بیشتری باید به این نقشه‌های حشره‌شناختی اضافه شود، از جمله بهره‌وری شفیرگی یا تراکم ناقل بالغ (آلوده) و همچنین عوامل انسانی (ایمنی اکتسابی، تماس انسان با ناقل، جابجایی جمعیت و فاصله تا مناطق اپیدمی).

4. نتیجه گیری

مطالعه حاضر نشان داد که اطلاعات محیطی در مقیاس فضایی خوب با استفاده از تصاویر ماهواره‌ای با وضوح بسیار بالا همراه با داده‌های هواشناسی میدانی در مقیاس زمانی خوب به‌عنوان متغیرهای توضیحی برای حضور لارو Aedes aegypti در تارتان، مارتینیک با موفقیت برجسته شدند. نقشه های خطر پیش بینی حشره شناسی روزانه حضور Aedes aegyptiظرف (ها) لارو مثبت در سطح خانه های فردی تولید شد. همانطور که اغلب از آن حمایت می شود، تمرکز مداخلات در مکان ها و دوره های با حداکثر خطر برای افزایش تخصیص منابع محدود و بهبود کنترل دنگی بسیار مهم است. در این زمینه، چنین نقشه‌های خطر حشره‌شناختی ممکن است به عنوان یکی از ابزارهای موجود در نظر گرفته شود و از راه دور اپیدمیولوژی استفاده شود. در نهایت، با توجه به اینکه Aedes aegypti ناقل این بیماری است ، رویکرد ارائه‌شده در این مقاله را می‌توان برای ارزیابی سطوح خطر حشره‌شناختی نوظهور چیکونگونیا در مارتینیک به کار برد [ 52 ].

منابع

  1. موری، NE; Quam، مگابایت؛ وایلدر اسمیت، الف. اپیدمیولوژی دنگی: چشم اندازهای گذشته، حال و آینده. کلین. اپیدمیول. 2013 ، 5 ، 299-309. [ Google Scholar ] [ PubMed ]
  2. Christophers, S. Aedes Aegypti (L.) The Yellow Fever Mosquito: History Life History, Bionomics and Structure ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1960. [ Google Scholar ]
  3. Hemme، RR; تانک، JL; Chadee، DD; Severson، DW شرایط محیطی در طبل های ذخیره آب و تأثیرات بر روی Aedes aegypti در ترینیداد، هند غربی. آکتا تروپ. 2009 ، 112 ، 59-66. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. Wan، SW; لین، سی اف. وانگ، اس. چن، YH; بله، TM; لیو، اچ اس. اندرسون، آر. Lin, YS پیشرفت فعلی در واکسن‌های تب دنگی. جی. بیومد. علمی 2013 , 20 . [ Google Scholar ] [ CrossRef ]
  5. تون لین، دبلیو. لنهارت، ا. نام، VS; Rebollar-Tellez، E. موریسون، ای سی؛ باربازان، پ. کوت، ام. میدگا، جی. سانچز، اف. مانریک سعید، پ. و همکاران کاهش هزینه ها و محدودیت های عملیاتی کنترل ناقل دنگی با هدف قرار دادن مکان های پرورش مولد: یک کارآزمایی تصادفی خوشه ای غیر حقارت چند کشوری. تروپ پزشکی بین المللی سلامت 2009 ، 14 ، 1143-1153. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. استفانی، ع. داسفور، آی. Corrêa، APSA; کروز، MCB؛ دسی، ن. گالاردو، AKR؛ گالاردو، سی دی; جیرود، آر. گومز، MSM؛ گورگل، اچ. و همکاران پوشش زمین، استفاده از زمین و مالاریا در آمازون: مروری بر ادبیات سیستماتیک مطالعات با استفاده از داده های سنجش از راه دور. مالار. J. 2013 , 12 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. ماشاولت، وی. ویگنولز، سی. بورچی، ف. ووناتسو، پ. صفحات، اف. بریولانت، اس. Lacaux, J.-P. Rogier, C. استفاده از داده های محیطی سنجش از دور در مطالعه مالاریا. ژئوسپات. سلامت 2011 ، 5 ، 151-168. [ Google Scholar ] [ PubMed ]
  8. یانگ، جی.-جی. ووناتسو، پ. ژو، X.-N. اوتزینگر، جی. Tanner, M. مروری بر سیستم اطلاعات جغرافیایی و سنجش از دور با کاربردهایی در اپیدمیولوژی و کنترل شیستوزومیازیس در چین. آکتا تروپ. 2005 ، 96 ، 117-129. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. کلوری، س. گیلوث، پی. راجرز، دی. Szczur، M. نظارت بر بیماری های عفونی ناقل بندپایان با استفاده از تکنیک های سنجش از دور: یک بررسی. PLoS Pathog. 2007 ، 3 ، 1361-1371. [ Google Scholar ] [ PubMed ]
  10. Bergquist، NR بیماری های انگلی منتقله از طریق ناقل: روندهای جدید در جمع آوری داده ها و ارزیابی خطر. آکتا تروپ. 2001 ، 79 ، 13-20. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  11. آربولدا، س. Jaramillo، ON; پترسون، AT دینامیک فضایی و زمانی سایت‌های لارو Aedes aegypti در بلو، کلمبیا. J. Vector Ecol. 2012 ، 37 ، 37-48. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. نتلر، ام. رویز، دی. روچینی، دی. کاستلانی، سی. ماهواره‌های Rizzoli، A. Terra و Aqua حمله پشه ببر را ردیابی می‌کنند: مدل‌سازی توزیع بالقوه Aedes albopictus در شمال شرقی ایتالیا. بین المللی J. Health Geogr. 2011 ، 10 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. رویز، دی. نتلر، ام. کاستلانی، سی. آرنولدی، دی. Rizzoli، A. عوامل اقلیمی باعث حمله پشه ببر ( Aedes albopictus ) به مناطق جدید ترنتینو، شمال ایتالیا. PLoS One 2011 ، 6 ، e14800. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  14. Estallo، EL; لامفری، MA; Scavuzzo، CM; Almeida، FF; Introini، MV; زایدنبرگ، م. مدل‌های Almiron، WR برای پیش‌بینی شاخص‌های لارو Aedes aegypti بر اساس تصاویر ماهواره‌ای و متغیرهای اقلیمی. مربا. مسجد کنترل Assoc. 2008 ، 24 ، 368-376. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. Rotela، CH; اسپینوزا، MO; آلبورنوز، سی. لافائی، م. Lacaux, J.-P. توره، YM; ویگنولز، سی. Scavuzzo، C. Desarrollo از نقشه‌های پیش‌بینی‌کننده densidad کانونی Aedes Aegypti en la ciudad de Puerto Iguazú (آرژانتین)، اطلاعات و اطلاعات محیطی از تصاویر SPOT 5 HRG1. در مجموعه مقالات سیزدهم Simposio Latinoamericano de Percepcion Remota y Sistemas de Informacion Espacial (SELPER)، هاوانا، کوبا، 22-28 سپتامبر 2008.
  16. فولر، DO; ترویو، آ. Calderón-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. 2009 ، 31 ، 3-11. [ Google Scholar ] [ CrossRef ]
  17. Vanwabeke، SO; بنت، SN; Kapan، DD خطر انتقال بیماری به صورت تفکیک شده: پوشش زمین، استفاده از زمین و خطر انتقال دنگی در جزیره اوآهو. تروپ پزشکی بین المللی سلامت 2011 ، 16 ، 174-185. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. لاندو، KI; ون لیوون، WJ فاکتورهای پوشش زمین شهری فضایی در مقیاس خوب مرتبط با فراوانی پشه بالغ و خطر در توسان، آریزونا. J. Vector Ecol. 2012 ، 37 ، 407-418. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. سرفراز، ام اس; تریپاتی، NK; تیپدکو، تی. Thongbu، T. کردتونگ، پ. سوریس، م. تحلیل رابطه مکانی-زمانی بین تراکم لاروی ناقل دانگ و کاربری زمین با استفاده از تحلیل عاملی و نقشه برداری حلقه فضایی. BMC Public Health 2012 , 12 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  20. Van Benthem، BH; Vanwabeke، SO; خانتیکول، ن. Burghoorn-Maas، C.; پانارت، ک. اسکام، ال. لامبین، EF; Somboon، P. الگوهای فضایی و عوامل خطر برای مثبت بودن سرمی برای عفونت دنگی. صبح. جی تروپ. پزشکی هیگ 2005 ، 72 ، 201-208. [ Google Scholar ] [ PubMed ]
  21. روتلا، سی. فوکو، اف. لامفری، م. ساباتیر، پی. اینتروینی، وی. زایدنبرگ، م. Scavuzzo، C. تجزیه و تحلیل فضا-زمان دینامیک انتشار دنگی در شیوع تارتگال در سال 2004، شمال آرژانتین. آکتا تروپ. 2007 ، 103 ، 1-13. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. نتلر، ام. متز، ام. روچینی، دی. ریزولی، آ. فلاسیو، ای. انگلر، ال. گوئیدی، وی. لوتی، پ. Tonolla، M. آیا سوئیس برای تهاجم Aedes albopictus مناسب است ؟ PLoS One 2013 ، 8 ، e82090. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. ECDC. توسعه Aedes Albopictus Risk Maps گزارش فنی ECDC ; مرکز اروپایی برای پیشگیری و کنترل بیماری: استکهلم، سوئد، 2009. [ Google Scholar ]
  24. راجرز، دی جی; سوک، جی. Semenza، JC استفاده از نقشه های جهانی برای پیش بینی خطر ابتلا به تب دنگی در اروپا. آکتا تروپ. 2014 ، 129 ، 1-14. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. آیزن، ال. Lozano-Fuentes, S. استفاده از نقشه‌برداری و روش‌های مدل‌سازی مکانی و فضا-زمان در کنترل عملیاتی Aedes aegypti و دنگی. PLoS Negl. تروپ دیس 2009 ، 3 ، e411. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. ویگنولز، سی. Lacaux، JP; توره، YM; بیگارد، جی. Ndione، JA; تب Lafaye، M. Rift Valley در منطقه ای که به طور بالقوه توسط Aedes vexans در سنگال اشغال شده است: دینامیک و نقشه برداری خطر. ژئوسپات. سلامت 2009 ، 3 ، 211-220. [ Google Scholar ] [ PubMed ]
  27. ویگنولز، سی. توره، YM; مورا، او. ایماناچی، ال. Lafaye, M. TerraSAR-X راداری با وضوح بالا سنجش از راه دور: یک سیستم هشدار عملیاتی برای خطر تب دره ریفت. ژئوسپات. سلامت 2010 ، 5 ، 23-31. [ Google Scholar ] [ PubMed ]
  28. Lacaux, J.-P. توره، Y.-M. ویگنولز، سی. Ndione، J.-A.; Lafaye, M. طبقه‌بندی حوضچه‌ها از سنجش از دور با وضوح بالا: کاربرد در اپیدمی‌های تب دره ریفت در سنگال. سنسور از راه دور محیط. 2006 ، 106 ، 66-74. [ Google Scholar ] [ CrossRef ]
  29. ماشاولت، وی. ویگنولز، سی. Pages, F.; گادیگا، ال. توره، YM; گی، ا. سخنا، سی. تراپ، J.-F. Lacaux, J.-P. روژیر، سی. و همکاران نقشه برداری خطر 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 ، e50674. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  30. تون لین، دبلیو. کی، بی اچ؛ بارنز، الف. شاخص شرط مقدمه: ابزاری برای ساده‌سازی بررسی‌های Aedes aegypti. صبح. جی تروپ. پزشکی هیگ 1995 ، 53 ، 591-594. [ Google Scholar ] [ PubMed ]
  31. نوگیرا، لس آنجلس؛ گوشی، LT; میراندا، جی. مادیرا، NG; Ribolla، PE کاربرد روش نظارت جایگزین گونه Aedes (Diptera: Culicidae) در شهر بوتوکاتو، سائوپائولو، برزیل. صبح. جی تروپ. پزشکی هیگ 2005 ، 73 ، 309-311. [ Google Scholar ] [ PubMed ]
  32. پرز، آرسی رگو، آر. Maciel-de-Freitas, R. استفاده از Premise Condition Index (PCI) برای ارائه رهنمودهایی برای بررسی های Aedes aegypti . J. Vector Ecol. 2013 ، 38 ، 190-192. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. Etienne, M. Etude de la bioécologie d’Aedes Aegypti à la Martinique en relation avec l’épidémiologie de la dangue. پایان نامه دکتری، دانشگاه مونپلیه I، مونپلیه، فرانسه، 22 ژوئن 2006. [ Google Scholar ]
  34. Yebakima، A. کنترل Aedes aegypti در مارتینیک. مشارکت در مطالعات حشره شناسی. گاو نر Soc. پاتول. Exot. 1996 ، 89 ، 161-162. [ Google Scholar ] [ PubMed ]
  35. Rouse, JW; هاس، RH; شل، JA; Deering، DW نظارت بر سیستم های پوشش گیاهی در دشت های بزرگ با ERTS. در مجموعه مقالات سومین سمپوزیوم ERTS، واشنگتن، دی سی، ایالات متحده آمریکا، 10-14 دسامبر 1973; NASA SP 351. صفحات 309-317.
  36. Tucker، CJ Red و ترکیبات خطی مادون قرمز عکاسی برای نظارت بر پوشش گیاهی. سنسور از راه دور محیط. 1979 ، 8 ، 127-150. [ Google Scholar ] [ CrossRef ]
  37. McFeeters، SK استفاده از شاخص تفاوت نرمال شده آب (NDWI) در ترسیم ویژگی های آب باز. بین المللی J. Remote Sens. 1996 ، 17 ، 1425-1432. [ Google Scholar ] [ CrossRef ]
  38. اسکات، TW; موریسون، دینامیک ناقل AC و انتقال ویروس دنگی: پیامدها برای نظارت و راهبردهای پیشگیری از دانگ: پویایی ناقل و پیشگیری از تب دنگی. کر. بالا. میکروبیول. ایمونول. 2010 ، 338 ، 115-128. [ Google Scholar ] [ PubMed ]
  39. ویزانی، دی. Albicocco, AP تأثیر سایه بر شاخص ظرف و بهره وری شفیرگی پشه های Aedes aegypti و Culex pipiens در ظروف مصنوعی. پزشکی دامپزشک انتومول. 2009 ، 23 ، 78-84. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  40. ویزانی، دی. روبیو، آ. ولاسکوز، اس ام. شوایگمن، ن. ویگاند، تی. ارزیابی دقیق تناسب زیستگاه برای Aedes aegypti (Diptera: Culicidae) در بوئنوس آیرس، آرژانتین. آکتا تروپ. 2005 ، 95 ، 123-131. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  41. ریسکیند، MH; گرین، KL; لونیبوس، هویت و ترکیب گونه های برگ LP بر عملکرد و انتخاب تخمگذاری دو گونه پشه کانتینری تأثیر می گذارد. Ecol. انتومول. 2009 ، 34 ، 447-456. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  42. مارتینز-ایبارا، جی. رودریگز، MH; Arredondo-Jimenez، JI; Yuval، B. تأثیر فراوانی گیاه بر تغذیه شهد توسط Aedes aegypti (Diptera: Culicidae) در جنوب مکزیک. جی. مد. انتومول. 1997 ، 34 ، 589-593. [ Google Scholar ] [ PubMed ]
  43. فاویر، سی. دگالیر، ن. Vilarinhos Pde، T. د کاروالیو مدو، اس. یوشیزاوا، MA; ناکس، MB اثرات آب و هوا و استراتژی های مختلف مدیریت بر سایت های پرورش Aedes aegypti : یک بررسی طولی در برازیلیا (DF، برزیل). تروپ پزشکی بین المللی سلامت 2006 ، 11 ، 1104-1118. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. عزل، ق. لانگ، SA; ریچی، SA; ویلیامز، CR توسعه ابزارهای پیش بینی برای کنترل ناقل دانگ پیشگیرانه: مطالعه فراوانی Aedes aegypti و متغیرهای هواشناسی در کوئینزلند شمالی، استرالیا. تروپ پزشکی بین المللی سلامت 2010 ، 15 ، 1190-1197. [ Google Scholar ] [ CrossRef ]
  45. وی، LK; Weng، SN; رادوان، ن. واه، SK; مینگ، WH; شی، CH; رامبلی، اف. آهوک، سی جی; مارلینا، اس. احمد، شمال غربی; و همکاران رابطه بین بارندگی و جمعیت لارو Aedes در دو سایت جزیره ای در Pulau Ketam، Selangor، مالزی. آسیای جنوب شرقی جی تروپ. پزشکی بهداشت عمومی 2013 ، 44 ، 157-166. [ Google Scholar ] [ PubMed ]
  46. بارواح، س. دوتا، ص. شیوع فصلی Aedes aegypti در مناطق شهری و صنعتی ناحیه دیبروگره، آسام. تروپ بیومد. 2013 ، 30 ، 434-443. [ Google Scholar ] [ PubMed ]
  47. دانکام، جی. کلمنتز، ا. دیویس، جی. هو، دبلیو. واینستین، پی. ریچی، S. الگوهای فضایی و زمانی جمعیت های Aedes aegypti در کایرنز، استرالیا: ارزیابی محرک های انتقال دنگی. تروپ پزشکی بین المللی سلامت 2013 ، 18 ، 839-849. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. استوارت ایبارا، AM; رایان، اس جی. بلتران، ای. مجیا، ر. سیلوا، م. Munoz، A. دینامیک ناقل دنگی ( Aedes aegypti ) تحت تأثیر عوامل آب و هوایی و اجتماعی در اکوادور: پیامدهایی برای کنترل هدفمند. PLoS One 2013 ، 8 ، e78263. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  49. گیلو، سی. گوست، م. ویگنولز، سی. الکوبا، م. توره، YM; Lacaux، J.-P. تأثیر محصولات بارندگی مبتنی بر ماهواره بر پیش‌بینی الگوهای فضایی بردارهای تب دره ریفت. J. Hydrometeorol. 2014 ، 15 ، 1624-1635. [ Google Scholar ] [ CrossRef ]
  50. تون لین، دبلیو. کی، بی اچ؛ بارنز، الف. درک بهره‌وری، کلیدی برای نظارت Aedes Aegypti . صبح. جی تروپ. پزشکی هیگ 1995 ، 53 ، 595-601. [ Google Scholar ] [ PubMed ]
  51. Chadee، DD Key، راهنمای نظارت و کنترل Aedes aegypti (Diptera: Culicidae). گاو نر انتومول. Res. 2004 ، 94 ، 201-207. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  52. سیمون، اف. ساوینی، ح. Parola, P. Chikungunya: پارادایم ظهور و جهانی شدن بیماری های منتقله از طریق ناقل. پزشکی کلین. شمال. صبح. 2008 ، 92 ، 1323-1343. [ Google Scholar ] [ CrossRef ] [ PubMed ]

;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