Vairāk

Kā datu kopas projekcija ietekmē telpiskās analīzes rezultātus?

Kā datu kopas projekcija ietekmē telpiskās analīzes rezultātus?


Es plānoju veikt daudzkritēriju analīzi ar vairākām dažādām avotu datu kopām. Vairākas datu kopas ir atrodamas dažādās koordinātu sistēmās un projekcijās. Vai man vajag projekts šīs datu kopas vienā koordinātu sistēmā pirms šīs analīzes veikšanas? Mani dati pašlaik aptver vairāk nekā vienu UTM zonu, parasti tie ietilpst vienā. Vai arī visiem datiem jābūt vienā koordinātu sistēmā, bet neprojektētiem?

Tā kā ir tik liels datu apjoms, es vēlētos, lai tas būtu pēc iespējas efektīvāks.

Lai gan šai problēmai izmantoju Esri rīkus, mans jautājums nav tiem specifisks. Es strādāju ar datu kopu, kas aptver 650 000 kvadrātkilometru NWT un NU Kanādā. Esmu nolēmusi visiem datiem izmantot spatialreference.org/ref/epsg/nad83-nwt-lambert. Es domāju, vai būtu labāk atstāt datus neprojektētus vai izvēlēties projekciju, lai visi dati tiktu iekļauti.


Jebkurai telpisko datu analīzei ir izvēlēta projekcija ļoti svarīgs.

Jūsu izvēlētā (līdz šim) projekcija NWT Lambert ir a konformāls projekcija. Formālās prognozes ir ļoti izplatītas topogrāfiskajā kartēšanā, un tās ir ideāli piemērotas zemes mērījumu aprēķiniem, kur izmērītie un aprēķinātie izmērītie leņķi tiek saglabāti tieši pēc to prognozēšanas no sfēras līdz plaknei. Lai gan attālumi parasti ir izkropļoti, zinot konformālās projekcijas īpašības, katru attāluma izkropļojumu var aprēķināt un ņemt vērā. Atbilstošas ​​prognozes izkropļos apgabalus.

Ja jūsu telpiskā analīze galvenokārt balstās uz aprēķiniem un salīdzinājumiem apgabali, jums būtu daudz labāk izvēlēties vienāda platība projekcija. Tādā gadījumā leņķi un attālumi ir izkropļoti, bet izmēri (laukumi) nav.

Ideāla telpiskā atskaites virsma telpiskai analīzei ir pati sfēra. Tas ir, izmantot neprojektēts (sfēriskās) koordinātas. Tomēr, kas attiecas uz sfēras telpiskās analīzes atļaušanu, ĢIS tehnoloģija lielākoties joprojām ir tumšajos laikmetos: tā vienkārši to nedarīs. Tātad jūs esat iestrēdzis, izvēloties kartes projekciju.


Nepavisam. Izvades koordinātu sistēmu varat iestatīt vides iestatījumos. Laika apstākļi modeļu veidotājā, pitonā vai pat pašā rīka logā.

Es uzskatu, ka tas ir arcpy.env.outputCoordinateSystems, bet es nevaru precīzi atcerēties.


Telpiskā atsauce un ģeopārstrāde

Šīs telpiskās atsauces īpašības var būtiski ietekmēt ģeoprocesora rīka sniegumu un rezultātus.

  • Kad ģeopārstrādes rīks izveido izvaddatus, šai jaunizveidotajai datu kopai jāpiešķir telpiskā atsauce.
  • Ja ģeopārstrādes rīks apstrādā funkcijas no vairākām funkciju klasēm (piemēram, krustojuma rīks) vai no vairāk nekā viena rastra (piemēram, svērtā pārklājuma rīks), dati ir jāiekļauj kopējā telpiskajā atsaucē, lai aprēķinātu attiecības starp abas datu kopas.

Izejas datu kopas telpiskā atsauce un telpiskā atsauce, kurā notiek apstrāde, ir viena un tā pati. Vēl viens veids, kā to norādīt, ir tas, ka rīki vienmēr apstrādā datus izejas datu kopas telpiskajā atsaucē.


Globālo datu telpiskā analīze un vizualizācija par vairāku izšķirtspēju sešstūra režģiem

Šajā rakstā aprēķini telpiskās vizualizācijas nolūkos ir parādīti kontekstā, lai izprastu globālo vides procesu mainīgumu. Šeit mēs ģenerējam sintētiskas, bet reālistiskas globālas datu kopas un ievadām tās skaitļošanas algoritmos, kuriem ir vizualizācijas iespēja, ko mēs saucam par simulācijas -vizualizācijas sistēmu. Vizualizācija šeit ir būtiska, jo mūsu novērtētajiem algoritmiem ir jāievēro ievades telpiskā struktūra. Mēs modificējam, papildinām un integrējam četras esošās komponentu tehnoloģijas: statistisko nosacīto simulāciju, diskrētos globālos tīklus (DGG), masīvu kopu adresēšanu un vizualizācijas platformu, lai parādītu mūsu rezultātus pasaulē. Vizualizējamo datu iekšējais attēlojums ir balstīts uz nepieciešamību pēc efektīvas uzglabāšanas un aprēķināšanas, kā arī uz nepieciešamību virzīties augšup un samazināt risinājumus savstarpēji konsekventā veidā. Faktiski mēs esam izveidojuši ģeogrāfiskās informācijas sistēmu, kuras pamatā ir DGG un kurai ir vēlamas datu glabāšanas, aprēķināšanas un vizualizācijas iespējas. Mēs sniedzam piemēru tam, kā var izmantot mūsu simulācijas un vizualizācijas sistēmu, novērtējot skaitļošanas algoritmu ar nosaukumu Spatial Statistical Data Fusion, kas tika izstrādāts izmantošanai lielās attālās izpētes datu kopās.


Negadījumu datu kopu analīze

Mēs sākam savu pētījumu, analizējot visu pieejamo informāciju par satiksmes negadījumiem. Mēs esam ieinteresēti negadījumu izpratnē telpiski, laikā un, pamatojoties uz tādiem faktoriem kā vecums, transportlīdzekļa tips, ceļojuma iemesls utt.

Laika analīze

Vispirms apskatām ikdienas laika rindas (skat. Attēlu zemāk). Šī pirmā analīze sniedz mums sākotnēju pārskatu par negadījumu stacionaritāti visu gadu. Mēs varam novērot, kā:

  • Trīs galveno svētku sezonu laikā (Lieldienas, augusts un Ziemassvētki) negadījumu skaits ir ievērojami mazāks
  • Katru nedēļu notiek negadījumu sezonalitāte
  • Pirmajā pusgadā negadījumu skaits ir nedaudz lielāks nekā otrajā pusgadā

Mēs analizējām apkopotos laika modeļus pēc nedēļas dienas, mēneša un diennakts laika (skatīt attēlu zemāk). Mēs varam redzēt ļoti atšķirīgus modeļus, kas prasa dinamisku un atsaucīgu pieeju negadījumu novēršanai.

Aplūkojot detalizētāku laika pētījumu (skat. Attēlu zemāk), mēs atklājām nelaimes gadījumus darba dienās, sasniedzot maksimumu darba laikā, bet brīvdienās vienmērīgāk sadalot visu dienu (pat nakts stundās). Tāpat ceturtdienās no pulksten 14 līdz 15 un piektdienās no pulksten 15 līdz 16 ir īpaši liels negadījumu skaits.

Laika un telpas analīze

Mēs jau esam noskaidrojuši, ka negadījumi neparāda īslaicīgu stacionāru uzvedību un koncentrējas noteiktās stundās atkarībā no dienas. Vai šī uzvedība ir arī telpiski? Kā jūs jau zināt, tā ir. Faktiski negadījumi koncentrējas dažādās pilsētas daļās atkarībā no gada dienas un mēneša veida, kā redzams zemāk esošajās divās kartēs. Šie rezultāti parāda dinamisko karsto punktu noteikšanas nozīmi.

Analīze, pamatojoties uz negadījumu raksturlielumiem

Tagad mēs esam ieinteresēti analizēt, kā tādi faktori kā vecums, transportlīdzekļa veids vai brauciena mērķis ietekmē negadījumu skaitu. Lai veiktu šo analīzi, mēs izveidojām šādu informācijas paneli, izmantojot mūsu Python pakotni CARTOframes. Informācijas panelī negadījumi tiek apzīmēti, ņemot vērā to veidu, un labajā pusē esošie logrīki cita starpā ļauj mums tos filtrēt pēc cēloņa, transportlīdzekļa veida, dienas veida, lai atklātu jaunas atziņas.

Dažas interesantas atziņas, kuras mēs varam viegli identificēt, ir šādas:

  • Puse negadījumu, kuru tiešais cēlonis bija alkohols, notika nedēļas nogalēs
  • Ja jauni pieaugušie vecumā no 18 līdz 25 gadiem ir ceturtā lielākā demogrāfiskā grupa pēc negadījumiem, viņi ir otrie, ja ņem vērā tikai nelaimes gadījumus naktī
  • Automašīnu un gājēju avārijas ir galvenais negadījumu veids cilvēkiem vecumā virs 65 gadiem un ceturtais, ņemot vērā visas vecuma grupas
  • Gandrīz 50% nāvējošāko negadījumu notika nedēļas nogalē

Šīs atziņas vēl vairāk uzsver dinamisko karsto punktu noteikšanas nozīmi.

Laika apstākļu ietekme

Mēs arī bijām ieinteresēti izprast laika apstākļu ietekmi un jo īpaši lietus ietekmi. Pārsteidzoši, mēs uzzinājām, ka Barselonā atšķirība starp negadījumiem lietainās dienās pret lietus dienām nav statistiski nozīmīga, visticamāk, pilsētas maigo laika apstākļu dēļ. Tomēr tas ir jāņem vērā citās pilsētās, jo tam var būt liela ietekme uz negadījumiem, jo ​​īpaši pilsētās ar ekstremālākiem un mainīgākiem laika apstākļiem.


Telpisko datu kvalitāte: ievads

Datu kvalitāte ir datu izcilības pakāpe, kas atbilst noteiktajam mērķim. Citiem vārdiem sakot, atribūtu pilnīgumu, lai sasniegtu doto uzdevumu, var saukt par datu kvalitāti. Ražojot datus privātajā sektorā, kā arī dažādās kartēšanas aģentūrās, tiek novērtēti datu kvalitātes standarti, lai iegūtu labākus rezultātus. Datiem, kas izveidoti no dažādiem kanāliem ar dažādām metodēm, var būt atšķirības izšķirtspējas, orientācijas un pārvietojumu ziņā. Datu kvalitāte ir jebkuras ĢIS ieviešanas un pielietošanas pīlārs, jo uzticami dati ir nepieciešami, lai lietotājs varētu iegūt nozīmīgus rezultātus.

Telpisko datu kvalitāti var iedalīt datu pilnīgumā, datu precizitātē, datu precizitātē un datu konsekvencē.

  • Datu pilnīgums: Tas būtībā ir funkciju kopuma mērs. Datu kopu ar minimālu trūkstošo funkciju skaitu var saukt par pilnīgiem datiem.
  • Datu precizitāte: precizitāti var saukt par detaļu pakāpi, kas tiek parādīta vienotā telpā. Vairāk par precizitāti: ĢIS dati: precizitātes, precizitātes un kļūdu veidu apskats
  • Datu precizitāte: to var saukt par neatbilstību starp faktisko atribūtu vērtību un kodēto atribūtu vērtību.
  • Datu konsekvence: Datu konsekvenci var saukt par konfliktu neesamību konkrētā datu bāzē.

Datu kvalitātes novērtējums:

Datu kvalitāti dažādi lietotāji novērtē, izmantojot dažādas novērtēšanas metodes.


Diabēta kabatas parādīšanās Nigērijā: telpiskās analīzes rezultāts

Cukura diabēts (DM) ir galvenā hroniskā deģeneratīvā slimība pasaulē, ieskaitot Nigēriju, kurai ir vislielākais DM gadījumu skaits Āfrikā. Neskatoties uz milzīgo ietekmi uz sabiedrības veselību, maz ir saprotama DM ģeogrāfiskā analīze un faktori valstī. Tāpēc pētījumā tika pētītas DM izplatības ģeogrāfiskās atšķirības Nigērijā, izmantojot Global Moran's I, Local Moran's I un telpiskās regresijas metodes. Enugu štatā ir visaugstākais DM izplatības līmenis valstī. Bija ne tikai pierādījumi DM ģeogrāfiskai grupēšanai (I = 0,30, z = 3,49 lpp & lt 0,05), bet DM kabatas esamība Nigērijas dienvidaustrumu daļā, kas ietver Abiju, Anambru, Enugu un Imo štatus. Aptaukošanās un izglītības līmenis kopā izskaidro 31 (OLS modelis) un 33 (telpiskās kļūdas modelis) procentus no DM ģeogrāfiskā modeļa atšķirībām valstī. Iespējamie diabēta kabatas un novērotā ģeogrāfiskā modeļa skaidrojumi ietver izplatīto sociokulturālo praksi un tradicionālos uztura modeļus, aptaukošanās simbolisko nozīmi, zemo izglītības līmeni un augsto urbanizācijas līmeni. No politikas viedokļa pētījumā starp citiem ieteikumiem tiek piedāvāta reģionālās politikas iejaukšanās.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


Kā datu kopas projekcija ietekmē telpiskās analīzes rezultātus? - Ģeogrāfiskās informācijas sistēmas

1970. gados Ugandas dienvidaustrumos atkal parādījās miega slimība, kas joprojām ir sabiedrības veselības problēma. Tā turpināja izplatīties uz ziemeļiem jaunos rajonos, un joprojām ir nepilnības izpratnē par tās izplatības un izplatības cēloņiem. Mēs ziņojam par miega slimības izplatību un apjomu Ugandas dienvidaustrumos no 1970. līdz 2003. gadam. Dati tika savākti no Ugandas Veselības ministrijas ierakstiem, atsevišķiem miega slimības ārstēšanas centriem un intervijām ar sabiedrības veselības aizsardzības amatpersonām. Dati tika izmantoti, lai laika gaitā izstrādātu sastopamības kartes, veiktu laika un laika kopu noteikšanas analīzes un izstrādātu ātruma vektoru karti, lai vizualizētu miega slimības izplatību laika gaitā Ugandas dienvidaustrumos. Rezultāti liecina par miega slimības strauju izplatīšanos no tās epicentra Igangas apgabala dienvidos un izplatīšanos uz ziemeļiem jaunos rajonos un perēkļos.

Miega slimība ir Āfrikas tripanosomiāzes (ko izraisa Trypanosoma spp.), vienšūņu parazītu slimība, kas ietekmē cilvēkus, mājlopus un daudzas silvatiskās sugas Subsahāras Āfrikā. To pārraida tsetse fly vektors (Glossina spp.) un liellopiem ir nopietns ierobežojums lopkopības attīstībai Subsahāras Āfrikā (13).

1. attēls. Pētījuma vietas atrašanās vieta Ugandas dienvidaustrumos (DA). Zvaigzne norāda Kampalas galvaspilsētu. Inset parāda apkārtējās Āfrikas valstis.

Akūta miega slimības forma, ko izraisa Trypanosoma brucei rhodesiense un tas ir pārsvarā Āfrikas austrumos un dienvidos (46), atrodas Ugandas dienvidaustrumos (1. attēls). Miega slimība ir nopietna sabiedrības veselības problēma šajā reģionā epidēmijas ir notikušas 1901. – 1915., 1940. – 1946. Un 1976. – 1989.3). Pavisam nesen miega slimības izplatīšanās apgabalos, par kuriem iepriekš tika uzskatīts, ka slimība nav brīva, ir parādījusi nepilnības pašreizējo pētījumu spējā izskaidrot un paredzēt infekcijas izplatību (7).

1976. gadā uzliesmojums tika atklāts Lukas apgabalā Igangas apgabala rietumos, ārpus tradicionālās mušu zonas. Tas bija plašas epidēmijas sākums, kas galu galā izplatījās visā Ugandas dienvidaustrumos. Šis uzliesmojums notika lielas politiskās nestabilitātes un pilsonisko konfliktu laikā Ugandā, kas veicināja miega slimības resursu un pakalpojumu samazināšanos (8). Lai gan miega slimību biežums deviņdesmito gadu sākumā Ugandas dienvidaustrumos samazinājās, tas turpina saglabāties un izplatīties 2005. gadā. Uzliesmojums pirmo reizi tika konstatēts Soroti rajonā 1998. gadā (7), kam sekoja nepārtraukta izplatība uz ziemeļiem Kumi, Kaberamaido un Lira rajonos (9,10). Miega slimības vēsturiskā analīze Ugandas dienvidaustrumos var uzlabot slimību kontroli, palielinot izpratni par slimības kontekstu un tendencēm, kā arī nosakot ar šīm tendencēm saistītos mainīgos lielumus. Turklāt vēsturiskās analīzes var apstiprināt hipotētiskos procesus.

Mēs aprakstām un raksturojam T. b. rhodesiense miega slimība Ugandas dienvidaustrumos 34 gadus ilgajā epidēmijas periodā (1970–2003). Mēs izvirzām hipotēzi, ka miega slimību Ugandas dienvidaustrumos izraisa 2 dominējošie procesi. Procesā A reģionos, kur notiek vai nesen ir notikusi slimība, lokālus uzliesmojumus izraisa procesi, kas palielina tsetse populāciju, vai izmaiņas, kas palielina kontaktu starp cilvēkiem. B procesā reģionos, kur slimība nesen nav notikusi, izplatīšanos veicina inficēto mājlopu pārvietošana uz neinficētiem reģioniem.

Metodes

Studiju apgabals

Pētījuma apgabals Ugandas dienvidaustrumos Āfrikas austrumos (1. attēls) ir sadalīts 17 apgabalos, 46 apgabalos un 254 apgabalos. Reģiona platība ir ~ 55 000 km 2, un iedzīvotāju skaits ir ~ 9 miljoni (11). Trīspadsmit procenti dzīvo Kampalas galvaspilsētā (11), bet pārējie dzīvo lauku apvidos, kur dominē lopkopība un naturālā lauksaimniecība (12,13).

Datu vākšana

Šķērsgriezuma miega slimības dati no 1970. līdz 2003. gadam tika savākti retrospektīvi 2004. gadā, lai noteiktu gadījumu skaitu un slimības lieluma mērījumus katrā apakšvalstī gadā. Tika apkopoti dati par visiem pieejamajiem miega slimības pacientu ierakstiem Ugandas dienvidaustrumos. Datu pieejamība un ticamība dažādos gados atšķīrās, pamatojoties uz uzraudzības un primāro datu vākšanas kvalitāti, kā arī ierakstu pieejamību un atsaukšanas neobjektivitāti otrreizējai datu vākšanai. Datu ticamība par 1986. – 2003. Gadu tika uzskatīta par mērenu vai augstu, bet datu ticamība par 1970. – 1986. Novērtējot un pārskatot datus, ko veica sabiedrības veselības aizsardzības amatpersonas, tika secināts, ka informācija par slimību izplatību un neesamību lielāko daļu gadu bija uzticama, bet slimības lieluma rādītāji bija mazāk ticami pirms 1986. gada.

2. attēls. Ierakstu telpa Bugiri slimnīcas miega slimības ārstēšanas centrā, Uganda.

Kopš 1999. gada miega slimību datu kopsavilkumus sniedz Ugandas Veselības ministrijas Nacionālā miega slimības kontroles programma. Attiecībā uz datiem pirms 1988. gada nav centralizēta ierakstu vākšana, izņemot rajonu kopsavilkumus par miega slimības gadījumiem, dati tiek saglabāti atsevišķu ārstniecības centru ierakstos. Dati pirms 1988. gada tika savākti retrospektīvi 2004. gadā, apmeklējot visus 80. gados aktīvos ārstniecības centrus. Daudzos gadījumos ierakstu grāmatas bija slikti uzglabātas, bojātas, bija pazaudējušas lapas vai to nebija (2. attēls). Gadījuma definīcija tika balstīta uz primāro diagnozi, visi gadījumi, kas reģistrēti reģistru grāmatās, tika iekļauti šajā pētījumā. Lietas tika piešķirtas gadam, pamatojoties uz pacienta uzņemšanas datumu.

Datu kopas nepilnības pieauga pirms 1986. gada. 1970. gadu beigās bija pieejami ierobežoti dati, un nebija pieejami kvantitatīvi dati par 70. gadu sākumu un vidu. Lai papildinātu un paplašinātu 1970. un 1980. gadu datus, tika veiktas intervijas ar sabiedrības veselības aizsardzības amatpersonām. Šīs amatpersonas tika izvēlētas, nosakot ugandiešus, kas no 1970. gada līdz mūsdienām aktīvi iesaistījušies vadošos amatos miega slimību profilaksē un kontrolē, un tos, ar kuriem varētu sazināties. Tie ietvēra veterinārijas un sabiedrības veselības vadītājus Nacionālās Veselības ministrijas vai rajona medicīnas vai veterinārā dienesta līmenī. Intervijas tika izmantotas, lai pārbaudītu datus par astoņdesmitajiem gadiem un klasificētu slimības apjomu septiņdesmitajos gados.

Miega slimības lielums tika klasificēts 1 no 5 kategorijām katrai apakšvalstij katru gadu: 1) bez gadījumiem, 2) preepidēmijas (1–4 gadījumi gadā katrā apakšvalstī), 3) zemas epidēmijas (5–15 gadījumi gadā katrā apakšvalstī) , 4) augsta epidēmija (16–100 gadījumi gadā katrā apakšvalstī) un 5) ārkārtēja epidēmija (& gt100 gadījumi gadā katrā apakšvalstī). Šie sliekšņi tika balstīti uz anekdotiskiem norādījumiem no iepriekšējām intervijām un tika noteikti, lai atvieglotu standartizētas lieluma definīcijas turpmākajās intervijās. Intervētāju informācija tika salīdzināta ar pieejamajiem miega slimības ierakstiem un literatūru. Šie rezultāti tika izmantoti, lai izstrādātu slimību lieluma klasifikācijas datubāzi pa apakšvalstīm un gadiem. Rezultātu dati un kartes tika iesniegtas informantiem apspriešanai un apstiprināšanai papildu intervijās 2005.

Politisko reģionu robežas 34 gadu studiju laikā ļoti mainījās. Apakšnovadu datu apkopošana samazināja apakšnovadu skaitu no 254 2004. gadā līdz 225 pašreizējā pētījuma periodā. Datu pagaidu izšķirtspēja ir konsekventa, un tiek uzskatīts, ka 29 apakšvalstu apvienošana maz ietekmē vispārējās analīzes.

Datu analīze

Gadījumu skaits no 225 apakšvalstīm Ugandas dienvidaustrumos 34 gadus (1970–2003) tika apkopots 5 laika periodos, lai veiktu aprakstošu un ģeogrāfisku klasteru analīzi, pamatojoties uz epidēmijas progresu un datu pieejamību: 1970–1975, preepidēmija 1976–1979, epidēmijas pieaugums 1980. –1888, epidēmijas maksimums 1989–1997, epidēmijas samazināšanās un 1998–2003, epidēmijas aste. Vidējais gadījumu skaits uz vienu apgabalu gadā tika aprēķināts periodiem, kuros gadījumu skaits bija pieejams (1980–1988, 1989–1997 un 1998–2003). Par iepriekšējiem periodiem (1970–1975 un 1976–1979) bija pieejami tikai kārtējie dati. Tāpēc datu viduspunkti tika aprēķināti, izmantojot vidējo maksimālo un minimālo kārtas vērtību, kas noapaļotas līdz tuvākajam veselajam skaitlim režīma virzienā. Šie dati tika izmantoti, lai izstrādātu kartes, kurās vidējais ikgadējais miega slimības gadījumu skaits katrā apakšvalstī intervāla periodā. Vidējais ikgadējais sastopamības biežums intervālos pēc 1980. gada tika pārklasificēts kā sporādisks (& lt5 gadījumi gadā), zems epidēmijas līmenis (5–15 gadījumi gadā) vai augsts epidēmijas līmenis (& gt15 gadījumi gadā), lai tas atbilstu 1970. gadu datu kārtējām datu kategorijām.

Lai identificētu miega slimības kopas Ugandas dienvidaustrumos no 1970. līdz 2003. gadam, tiek veikta laika un laika skenēšanas statistika (14) tika izmantota (SaTScan 5.1 versijas programmatūra telpiskās un telpas laika skenēšanas statistikai pieejama http://www.satscan.org/ [Kulldorff, Boston, MA, ASV un Information Management Services Inc., Silver Springs, MD, ASV] ). Tika pieņemts, ka 225 apakšnovadu sastopamības proporcijas ievēro Puasona sadalījumu atbilstoši populācijas pamatā esošajam lielumam. Klasteru analīzes rezultāti ietver laika un laika kopas, kurās nav atļauta kopu ģeogrāfiskā pārklāšanās un kuru maksimālais pieļaujamais kopu lielums ir 50% iedzīvotāju. Tikai telpas un laika kopas tika izslēgtas. Tiek ziņots par primārajām un sekundārajām kopām, kuru nozīmīguma līmenis ir α = 5%.

Dati par miega slimībām tika izmantoti kā gadījumu skaits gadā katrai apakšvalstij pēc 1980. gada. 1970. gadu datiem reģistrētās vērtības atspoguļo kārtējos datus (t.i., zemu, vidēju, augstu), nevis gadījumu skaitu. Tie tika pārveidoti par lietu skaitu, katram ierakstam piemērojot minimālo kārtas vērtību. Iedzīvotāju dati ir balstīti uz 1980., 1991. un 2002. gada iedzīvotāju skaitīšanu Ugandā (11). Pirmajos 3 analīzes periodos (1970–1988) iedzīvotāju skaitīšanai tika izmantoti 1980 skaitīšanas ieraksti. Analīzes par laika posmu 1989. – 1997.

Vektora ātruma karte (15miega slimības izplatība tika izstrādāta, izmantojot tendenču virsmas analīzi (TSA) (16,17). TSA ir globāla izlīdzināšanas metode, kurā tiek izmantoti polinomi ģeogrāfiskās koordinātās, kā noteikts katra apakšvalsts daudzstūra centrālajā punktā. Šajā gadījumā, lai izpētītu un identificētu difūzijas modeļus un izplatības koridorus laika gaitā, tika izmantota tendenču virsma, kurā tika reģistrēts pirmais miega slimības gadījums katrā apakšvalstī.

Datubāzē apakšnovadiem tika noteikts pirmā reģistrētā gadījuma gads. Tika izslēgtas astoņdesmit deviņas no 225 apakšvalstīm, kurās 1970–2003. Apakšvalstu reģionu x un y koordinātas tika aprēķinātas no UTM projekcijas formas faila Ugandas dienvidaustrumos, izmantojot ArcMAP (ArcGIS 9, Vides sistēmu izpētes institūts, Redlands, CA, ASV). Vismazākā kvadrātiskā regresija, izmantojot lineāros, kvadrātiskos, kubiskos un augstākās kārtas x un y koordinātu polinomus, lai prognozētu pirmā gadījuma gadu, par kuru tika ziņots, tika veikta R (Statistical Computing Foundation, Vīne, Austrija, pieejams vietnē http: // www.R-project.org). Daļēji diferenciālvienādojumi (Δyear/ΔX un Δyear/ΔY) tika iegūti no uzstādītā modeļa, norādot katras vietas lieluma (slīpuma) un virziena vektoru. Slīpuma kvadrātsakne ir vienāda ar difūzijas ātrumu.

Rezultāti

Epidēmijas līkne

3. attēls. Miega slimības gadījumu un inficēto apakšnovadu skaits Ugandas dienvidaustrumos, 1970–2003. Reģistrēto gadījumu skaits attiecas uz kopsummām Ugandas dienvidaustrumos. Avoti: 1970–1971, D.B. Mbulamberi, unpub. dati 1972. – 1975.18).

3. attēlā parādīta epidēmijas līkne no 1970. līdz 2003. gadam Ugandas dienvidaustrumos, kā arī līkne par kopējo inficēto apakšnovadu skaitu gadā. Pēdējā līkne norāda uz slimības telpisko izplatību reģionā, bet pirmā norāda uz epidēmijas apmēru. Krasais saslimstības samazinājums 1982. un 1983. gadā ir saistīts gan ar Vācijas Sarkanā Krusta iejaukšanos 1980. gadā Luakas apgabala reģionā (19) (D.B. Mbulamberi, pers. Kom.) Un samazināta uzraudzība 1982. un 1983. gadā. Deviņdesmitajos gados saslimušo un inficēto apakšnovadu skaits samazinājās. Tomēr atšķirībā no saslimstības samazināšanās inficēto apakšpilsētu skaits joprojām ir krietni virs preepidēmijas līmeņa.

Incidentu kartes un kopu noteikšana

4. attēls. Miega slimības sastopamība, Ugandas dienvidaustrumos, 1970–1975, pa apgabaliem. Aplis norāda uz nozīmīgu telpas-laika kopu 95% ticamības līmenī, kā to atklāja telpas-laika skenēšanas tests. Skatiet tabulu.

5. attēls. Miega slimības sastopamība, Ugandas dienvidaustrumos, 1976. – 1979. Aplis norāda uz nozīmīgu telpas-laika kopu 95% ticamības līmenī, kā to atklāja telpas-laika skenēšanas tests. Skatiet tabulu.

6. attēls. Miega slimības sastopamība, Ugandas dienvidaustrumos, 1980–1988, pa apgabaliem. Aplis norāda uz nozīmīgu telpas-laika kopu 95% ticamības līmenī, kā to atklāja telpas-laika skenēšanas tests. Skatiet tabulu.

7. attēls. Miega slimības sastopamība Ugandas dienvidaustrumos, 1989–1997, pa apakšvalstīm. Aplis norāda uz nozīmīgu telpas-laika kopu 95% ticamības līmenī, kā to atklāja telpas-laika skenēšanas tests. Skatīt tabulu.

8. attēls. Miega slimības sastopamība Ugandas dienvidaustrumos, 1998. – 2003. Gads, pa apakšvalstīm. Apļi norāda uz nozīmīgām primārajām (A) un sekundārajām (B, C un D) telpas-laika kopām 95% ticamības līmenī, kā to atklāja.

Attēlos 4,5, 6,7 un 8 ir parādītas vidējās ikgadējās miega slimības sastopamības kartes (T. b. rhodesiense) katrā apakšvalstī katrā no 5 studiju periodiem. Leģendas par 5 kartēm ir konsekventas. Katra karte ietver nozīmīgu (α = 5%) primāro un sekundāro telpas un laika kopu atrašanās vietu. Klasteru noteikšanas analīzes rezultāti ir aplūkoti turpmāk par katru intervāla periodu un ir apkopoti tabulā. Klasteru rezultātu dominējošās tendences bija nejutīgas pret maksimālo kopu lielumu.

1970–1975: pandēmija

4. attēlā parādīts miega slimības sadalījums, kas aptuveni atbilst tradicionālās un sporādiskās infekcijas preepidēmiskajai zonai 1960. gados. Tiek ziņots, ka lielākajā daļā apakšnovadu ir tikai daži gadījumi gadā. Teritorijā, kas aptvēra Mayuge, Bugiri un dienvidu Igangas apgabalus 1973. – 1975. Gadā, tika identificēts ievērojams telpas un laika kopums (4. attēls, tabula). Šie kopu rezultāti atspoguļo saslimstības pieauguma sākumu šajās apakšvalstīs šī perioda otrajā pusē.

1976–1979: pieaug epidēmija

5. attēlā parādīts gan miega slimības biežuma pieaugums pie Igangas/Mejēgas/Džindžas apgabala robežām, gan slimības izplatība uz āru. Šie procesi raksturo miega slimības epidēmijas sākšanos un pieaugumu 1976. gadā. Iepriekšējā periodā uz ziemeļrietumiem no klastera ir identificēts mazāka izmēra 1978. – 1979. Gada kosmosa laika kopa (5. attēls, tabula). Klasteris ir identificēts intervāla pēdējiem gadiem, norādot uz agrīnu epidēmijas sākšanos un izplatīšanos, savukārt mazākais 1978. – 1979. Gada kopas rādiuss atspoguļo pieaugošo sastopamību epicentrā gar Igangas robežu ar Mayuge un Jinja.

1980–1988: epidēmijas maksimums

6. attēlā parādīts plašs miega slimību sastopamības un izplatības pieaugums, kas raksturoja šo epidēmijas maksimumu. Noteikšanas analīze atklāja kopu 1985. – 1988. Gadā (6. attēls, tabula), kas atrodas tajā pašā tuvumā, kas bija redzama 2 iepriekšējos intervālos. 1985. – 1988. Gada kopa papildus reģioniem 1970. gadu kopās ietver Jinja, Igangas ziemeļu un Kamuli dienvidu apgabalus, norādot uz nepārtrauktu telpisko izplatību.

1989–1997: epidēmijas samazināšanās

7. attēlā parādīts vidējais ikgadējais miega slimības biežums laika posmā no 1989. līdz 1997. gadam. Kopējā saslimstības samazināšanos var novērot saistībā ar nepārtrauktu izplatību telpā. Klasteru noteikšana identificēja kopu 1989. – 1992. Gadam, kas aptvēra tādas pašas teritorijas kā iepriekšējās kopas, kā arī Tororo, Busijas un Mukono austrumu apgabalus (7. attēls, tabula). Atšķirībā no iepriekšējiem periodiem perioda pirmajos gados tika identificēts laika un laika kopums. Šis atklājums atspoguļo epidēmijas pāreju no progresēšanas uz regresiju. Lielāks kopas telpiskais izmērs tomēr norāda uz nepārtrauktu izplatīšanos jaunās teritorijās (7. attēls). Paaugstinātas sastopamības apgabali parasti tiek novirzīti uz austrumiem.

1998–2003: epidēmiskā aste

8. attēlā parādīts miega slimību sastopamības sadalījums laika posmā no 1998. līdz 2003. gadam. Kopējais saslimstības līmenis dienvidu rajonos samazinājās, un epidēmiju raksturoja slimību kabatas. Turklāt slimība pirmo reizi tika novērota Soroti rajonā pētāmās teritorijas ziemeļos (B kopa, 8. attēls). Klasteru noteikšana saskanēja ar šo uzliesmojuma kabatu un perēkļu sadalījumu. Tika konstatētas četras mazas kopas (8. attēls, tabula). A kopa tika konstatēta 1999. – 2001. Gadam apakšnovados pie Igangas un Kamuli rajona robežas. B kopa atklāja jaunu uzliesmojuma fokusu Soroti rajonā 2001. – 2003. Gadā, kur gadījumi pirmo reizi tika reģistrēti 1998. gadā. Šis kopums atspoguļo saslimstības pieaugumu Soroti līdz pētījuma perioda beigām. Lai gan saslimstība Tororo apgabalā sasniedza maksimumu ap 1990. gadu, neliela uzliesmojuma atjaunošanās Bugongi un Osukuru apakšpilsētās 2001. un 2002. gadā izraisīja kopu atklāšanu Tororo apgabalā (C kopa, 8. attēls, tabula) (20). Ceturtā, mazākā kopa 1998. gadā tika konstatēta Buikves, Bukikves, Najjas, Nogves un Ssi apakšnozarēs (D kopa, 8. attēls), kurā saslimstība pieauga kopš iepriekšējā maksimuma 1991. gadā.

Tendenču virsmas analīze

9. attēls. Ātruma vektori (bultiņas) miega slimības izplatībai starp apakšvalstīm Ugandā. Bultas garums ir proporcionāls izplatīšanās ātrumam.

Tendenču virsmas analīzes rezultāti ir apkopoti ātruma vektoru kartē (9. attēls). Tika kartēts difūzijas ātrums un virziens katrai koordinātu vietai, lai parādītu kustību un momentāno ātrumu T. b. rhodesiense miega slimības izplatīšanās Ugandas dienvidaustrumos pētījuma laikā. TSA ar augstas kārtas polinomiem ir jutīga pret datu anomālijām pētījuma apgabala malā (15). Pie pētāmās teritorijas robežām ir pieejams mazāk datu, tāpēc ātruma vektora lielums un virziens ir mazāk ticami un var nebūt precīzi pētījuma apgabala malā. Šo iemeslu dēļ no vektoru difūzijas kartes tika noņemti 9 ātruma vektori (9. attēls).

Vidējais miega slimības ātrums 34 gadu laikā Ugandas dienvidaustrumos no 1970. līdz 2003. gadam bija 5 km gadā. Kustības ātrums bija visaugstākais epidēmijas sākumā (9. attēls), kad miega slimība izplatījās no tās galvenā fokusa Igangas apgabala dienvidos. Epidēmija izplatījās uz āru salīdzinoši nemainīgā difūzijas sfērā no šī epicentra. Pārbaudes zonas austrumu nomalē, pārvietojoties pa Busijas un Tororo apgabaliem, var novērot kustības koridoru. Tomēr šī nomalē esošā zona ir jāinterpretē piesardzīgi iespējamo malu seku dēļ. Slimība izteikti pārcēlās uz ziemeļiem un austrumiem uz Soroti apgabalu. Visstraujāk izplatītās teritorijas ir šo divu koridoru paplašinājumi uz ziemeļiem no Soroti un Tororo. Šie rezultāti saskan ar nesen atklātajiem gadījumiem Kumi, Kaberamaido un Lira rajonos (9,10) blakus vai uz ziemeļiem no Soroti. Ātruma vektori parādīja arī izplatību uz rietumiem un austrumiem. Tomēr 4. – 8. Attēls liecina, ka liela daļa šīs horizontālās difūzijas notika pirms deviņdesmitajiem gadiem.

Diskusija

Septiņdesmito un astoņdesmito gadu datu ticamība ir pakļauta atklāšanas un reģistrēšanas aizspriedumiem, kas saistīti ar pasīvās novērošanas periodiem, trūkstošo ierakstu grāmatu un intervēto atsaukšanas neobjektivitāti. Papildu ārstniecības centru izveide pētījuma laikā un atšķirīga diagnostikas un ārstēšanas iekārtu kvalitāte visā pētījuma teritorijā var veicināt datu telpisko novirzi. Odiit u.c. (2022) apspriest iespējamo kļūdainu gadījumu diagnosticēšanu, selektīvu ieejas aizspriedumu ap ārstniecības centriem un nepietiekamu miega slimības noteikšanu. Aggregation of cases by subcounty reduces the potential for clustering around individual treatment centers, and unless differential misdiagnosis occurs, it will not critically affect the spatial patterns seen. The data must be interpreted with caution in the context of data reliability and potential biases. Results should be considered exploratory and descriptive data are not appropriate for direct causal inferences. The results are, however, useful for characterizing broad trends where historical trends in processes observed are consistent with hypotheses, results can inform current and future research.

T. b. rhodesiense sleeping sickness in southeastern Uganda from 1970 to 2003 followed a pattern of radial spread from its center in southern Iganga District. From 1976 to the 1990s (Figures 4, 5, 6 and 7), the epidemic trend coincided with civil unrest and political instability in the country. The increase in the epidemic (1976–1979) occurred at a time of increasing political and economic instability, while the peak epidemic period (1980–1988) occurred during the height of political and economic collapse. The decrease in the epidemic (1989–1997) also coincides with increasing stabilization of politics and civil unrest in Uganda. The epidemic trend observed is consistent with our hypothesis (process A) that incidence increases in regions with a history of infection because of changes in human-vector exposure that push the probability of transmission above the required threshold for focal outbreaks. Uganda in the 1970s and 1980s experienced extensive internal displacement of the rural population, illegal human and cattle movements, growth of favorable tsetse habitats on cotton and coffee plantations, and collapse of sleeping sickness prevention and control activities (8,19,23). These events likely contributed to increased human-vector contact and sleeping sickness transmission in the districts around the preepidemic zone of infection.

After the decrease in the epidemic in the 1990s, new outbreaks have been observed in Soroti (1998, Figure 8), Kaberamaido, Kumi, and Lira (2004–2005) Districts (7,9,10). The introduction of the parasite into Soroti District has been linked to cattle restocking from infected southern districts (7). Whether more recent spread into new districts is related to cattle movements is unclear. Postepidemic spread into previously uninfected and peripheral districts since the late 1990s is consistent with our hypothesized second process, which is characterized by parasite spread into new areas through movements of livestock vector. Continuing civil conflict near and within these areas is of particular concern. Once established in new regions, processes of transmission may change from introduction of parasites through cattle movements (process B) into proliferation and continued transmission through increased vector-human exposure resulting from effects of civil conflict (process A). The observed historical trends in sleeping sickness, in the context of our hypotheses, support the likelihood of continued spread of T. b. rhodesiense north from newly infected regions in central Uganda.

Figure 3 suggests that while the number of recorded cases remains low, those cases are coming from an increasing large area. Decreased sleeping sickness surveillance systems in Uganda (D.B. Mbulamberi, pers. comm.) may be missing undetected increases in cases while still detecting infection at the subcounty level. The likelihood of such detection bias is unclear, although a similar difference between recorded cases and recorded subcounties infected preceded the epidemic increase in 1976 (Figure 3). Sleeping sickness is a highly focal disease often characterized by distinct outbreaks in a specific area or village. This outbreak pattern has been smoothed by aggregation of cases to the subcounty level. In spite of the highly focal nature of sleeping sickness, the results suggest a pattern of observable, continuous, and potentially predictable spread of T. b. rhodesiense sleeping sickness in Uganda when data are smoothed to the subcounty level.

The description and characterization of historical reemergence of sleeping sickness in southeastern Uganda can be used to guide and complement research into the causal processes determining the observed patterns of incidence and spread. These patterns are consistent with our hypotheses of 2 dominant processes of sleeping sickness transmission in southeastern Uganda. First, in regions where disease currently occurs or has recently occurred, localized outbreaks are triggered by changes in vector-human exposure or vector numbers, which push the probability of transmission above threshold levels. This process was observed around the traditional infection zone in southeastern Uganda during the 1976–1990 epidemic. Second, in regions where disease has not recently occurred, spread is facilitated by transmission of the parasite thorough livestock. This is currently being observed in the spread of infection to districts in central Uganda that were not infected during the previous epidemic.

Conclusions support further research and intervention related to parasite transmission through cattle movements and potential changes in vector-human exposure in central Ugandan districts. Such analyses are particularly relevant in the context of continued spread of T. b. rhodesiense sleeping sickness in Uganda, potential merging with T. b. gambiense subspecies in northwest regions (24), and ongoing civil unrest in north-central regions.

Ms Lea Berrang-Ford is completing a doctoral degree at the University of Guelph and working as a consultant to the Public Health Agency of Canada. Her research interests include use of spatial analyses and systems approaches to address human and environmental health problems.

Pateicības

We thank Lance Waller for providing the R-code used for trend surface analysis Dawson Mbulamberi, Martin Odiit, and Faustine Maiso for data and research support the late Thomas Gitau for contribution to early research development and James Ford for manuscript review.

This work was supported by a grant from the International Development Research Centre, Ottawa, Canada, and by the National Science and Engineering Research Council of Canada.


Anotācija

Extreme heat and ozone are co-occurring exposures that independently and synergistically increase the risk of respiratory disease. To our knowledge, no joint warning systems consider both risks understanding their interactive effect can warrant use of comprehensive warning systems to reduce their burden. We examined heterogeneity in joint effects (on the additive scale) between heat and ozone at small geographical scales. A within-community matched design with a Bayesian hierarchical model was applied to study this association at the zip code level. Spatially varying relative risks due to interaction (RERI) were quantified to consider joint effects. Determinants of the spatial variability of effects were assessed using a random effects metaregression to consider the role of demographic/neighborhood characteristics that are known effect modifiers. A total of 817,354 unscheduled respiratory hospitalizations occurred in California from 2004 to 2013 in the May to September period. RERIs revealed no additive interaction when considering overall joint effects. However, when considering the zip code level, certain areas observed strong joint effects. A lower median income, higher percentage of unemployed residents, and exposure to other air pollutants within a zip code drove stronger joint effects a higher percentage of commuters who walk/bicycle, a marker for neighborhood wealth, showed decreased effects. Results indicate the importance of going beyond average measures to consider spatial variation in the health burden of these exposures and predictors of joint effects. This information can be used to inform early warning systems that consider both heat and ozone to protect populations from these deleterious effects in identified areas.


National Soils Database

The National Soil Database has produced a national database of soil geochemistry including point and spatial distribution maps of major nutrients, major elements, essential trace elements, trace elements of special interest and minor elements. In addition, this study has generated a National Soil Archive, comprising bulk soil samples and a nucleic acids archive each of which represent a valuable resource for future soils research in Ireland. The geographical coherence of the geochemical results was considered to be predominantly underpinned by underlying parent material and glacial geology. Other factors such as soil type, land use, anthropogenic effects and climatic effects were also evident. The coherence between elements, as displayed by multivariate analyses, was evident in this study. Examples included strong relationships between Co, Fe, As, Mn and Cu. This study applied large-scale microbiological analysis of soils for the first time in Ireland and in doing so also investigated microbial community structure in a range of soil types in order to determine the relationship between soil microbiology and chemistry. The results of the microbiological analyses were consistent with geochemical analyses and demonstrated that bacterial community populations appeared to be predominantly determined by soil parent material and soil type.


Secinājums

Choropleth maps are used for effective visual communication of spatial phenomena. “An essential purpose of choropleth maps is the visual perception of spatial patterns […]. This requires an effective and as intuitive as possible comparison of color values between different regions” (Schiewe 2019). This contribution was supposed to open one’s eyes for the specific nature of choropleth maps. In this context, it was pointed out which factors influence the map appearance, its readability and credibility.

Furthermore, the processing of thematic data is a process with a lot of influencing challenges. The number of classes, the class definition, the classification method and the color scheme can affect the displayed map content strongly.

The major problem for the ‘end-user’ is that one gets final products like maps and one cannot obviously ‘see’ how the product was prepared from source data. A solution could be that end users ask for meta-data that describe data sets and maps. If those are prepared properly, processing steps are described and could be identified by the user. This helps to judge the quality of the product.

Please be aware that maps could be manipulated for specific purposes. One is still able to lie with maps—please consider different interests. The overall goal of this contribution was to make people of other disciplines than geo-related, aware of the characteristics and possible ways of manipulation of maps as well as of their power if applied properly. It is intended to help readers to become more spatially literate people. For more in-depth cartographic research on the specific user perception of choropleth map variables one should perform and evaluate specific user tests to identify the optimal choropleth map composition for a specific applications. For instance, Schiewe (2019) empirically investigated the visual perception of spatial patterns in choropleth maps. Brewer and Pickle (2002) present an early example on the evaluation of methods for classifying epidemiological data on choropleth maps. And finally, Hruby (2016) provides an overview of choropleth maps from the beginning.


Skatīties video: VEBINĀRS Datu pratība un klimata pārmaiņas - LU SIIC