Vairāk

Kā atrast “tukšu” buferi?


Tātad man apkārt ir līnijas (ceļu tīkls) un buferi. Man jāatrod "tukši buferi", kuru rindiņu trūkst (attēls zemāk). Līnijām ir bufera platuma atribūti, taču dažos gadījumos tas ir nepareizs (neatbilst faktiskajam buferim ar). Tādējādi jaunu poligonu izveide/dzēšana nav risinājums, jo tas atstās daudz atkritumu daudzstūru. Arī buferšķīdumi vairumā gadījumu tiek izšķīdināti.


Šī ir tikai ideja, kurai būtu nepieciešami papildu eksperimenti, jo tā var būt kļūdaina?

Kā būtu paskatīties uz kaut kādu garuma/perimetra attiecību vērtību?

Iedomājieties, ka jums bija līnija, kas ir 10 m gara un ar pilnu buferšķīdumu, kuru jūs bijāt izbīdījis par 2 m, tad bufera perimetrs būtu aptuveni 20 m. tātad 10/20 = 0,5.

Tagad iedomājieties, ka jums bija līnija, kas bija 25 m gara L formas buferī, kuru bija izveidojusi 50 m L formas polilīna līnija, kurai jums bija tikai viena puse, tādējādi sniedzot pustukša bufera scenāriju. Jums būtu 25m / ~ 100m perimetrs = 0,25.

Tātad vērtības, kas ir tuvu 0,5, ir daudzstūri ar centrālajām līnijām, būtu jāpārbauda, ​​kāda būtu laba robežvērtība.

Tikai ideja…


Šī ir tikai vēl viena ideja, aplūkojot jūsu jautājumam pretējo leņķi, vispirms atrast viduslīnijas, kā paskaidrots vienā no šeit aprakstītajām metodēm, un pēc tam meklēt atbilstošas ​​līnijas pazīmes. Protams, šī pieeja dos stabilus rezultātus, ja ceļa līnijas atrodas daudzstūru centrā. Varbūt plānām (“cik plānām”, protams, ir vēl viens jautājums) buferu pievienošana esošajām ceļa īpašībām, kas ieviesīs pseidoleleranci, palīdzēs jums atrast līdzīgas iezīmes, aplūkojot to, cik daudz centra līnijas “satur” buferis .


Priekšvēsture: Pētījumos, kuros novērtēta ilgstošas ​​gaisa piesārņojuma ietekmes uz veselību ietekme, bieži tiek izmantota divpakāpju pieeja: ekspozīcijas modeļu veidošana, lai piešķirtu individuāla līmeņa ekspozīcijas, kuras pēc tam izmanto regresijas analīzēs. Tam nepieciešama precīza ekspozīcijas modelēšana un uzmanīga attieksme pret ekspozīcijas mērīšanas kļūdu.

Mērķis: Lai ilustrētu, cik svarīgi ir uzskaitīt iedarbības modeļa raksturlielumus divpakāpju gaisa piesārņojuma pētījumos, mēs izskatījām gadījuma izpēti, kuras pamatā bija dati no daudznacionālā aterosklerozes pētījuma (MESA).

Metodes: Mēs izveidojām valsts telpiskās ekspozīcijas modeļus, kuros tika izmantoti daļēji mazākie kvadrāti un universāls krigings, lai novērtētu četru PM vidējo gada koncentrāciju2.5 sastāvdaļas: elementārais ogleklis (EC), organiskais ogleklis (OC), silīcijs (Si) un sērs (S). Mēs prognozējām PM2.5 komponentu ekspozīcijas MESA kohortai un aprēķinātās šķērsgriezuma asociācijas ar miega artērijas intima-media biezumu (CIMT), pielāgojot konkrētam konkrētajam kovariātam. Mēs labojām mērījumu kļūdu, izmantojot nesen izstrādātas metodes, kas ņem vērā paredzamo ekspozīciju telpisko struktūru.

Rezultāti: Mūsu modeļi darbojās labi, ar savstarpēju validāciju R 2 vērtības diapazonā no 0,62 līdz 0,95. Naivās analīzes, kurās netika ņemta vērā mērījumu kļūda, liecināja par statistiski nozīmīgām saistībām starp CIMT un iedarbību uz OC, Si un S. Si un S ekspozīcijas virsmas parādīja ievērojamu telpisko korelāciju, kā rezultātā tika koriģēti ticamības intervāli (CI), kas bija par 50% platāki nekā iepriekš nezināmie KI, bet joprojām bija statistiski nozīmīgi.

Secinājums: Mērījumu kļūdu korekcijas ietekme uz secinājumiem par ietekmi uz veselību atbilst telpiskās korelācijas pakāpei ekspozīcijas virsmās. Veicot divpakāpju gaisa piesārņojuma epidemioloģiskās analīzes, jāņem vērā iedarbības modeļa īpašības, jo naivs secinājums par ietekmi uz veselību var būt nepiemērots.

Atsauce: Bergens S, Šepards L, Sampsons PD, Kims SY, Ričards M, Vedāls S, Kaufmans JD, Szpiro AA. 2013. Valsts prognozēšanas modelis PM2.5 komponentu ekspozīcijas un mērījumu kļūdas - izlabots secinājums par ietekmi uz veselību. Environ Health Perspect 121: 1017–1025 http://dx.doi.org/10.1289/ehp.1206010

Ievads

Saikne starp gaisa piesārņojumu un nelabvēlīgiem veselības rezultātiem ir labi dokumentēta (Pope et al. 2002 Samet et al. 2000). Daudzos pētījumos galvenā uzmanība ir pievērsta daļiņām, īpaši daļiņām, kuru aerodinamiskais diametrs ir mazāks par 2,5 μm2.5) (Kim et al. 2009 Miller et al. 2007). PM ietekme uz veselību2.5 var būt atkarīgs no daļiņu īpašībām, ieskaitot formu, šķīdību, pH vai ķīmisko sastāvu (Vedal et al., presē), un dziļāka izpratne par šiem atšķirīgajiem efektiem varētu palīdzēt informēt politiku. Viens no izaicinājumiem, novērtējot dažādu PM ķīmisko komponentu ietekmi2.5 Epidemioloģiskā pētījumā ir jāpiešķir ekspozīcija pētījuma dalībniekiem, pamatojoties uz monitoringa datiem no dažādām vietām (t.i., telpiski neatbilstošiem datiem). Veicot to daudzām sastāvdaļām, prognozēšanas procedūra ir jāracionalizē, lai tā būtu praktiska. Neatkarīgi no prognozēšanas algoritma, izmantojot aplēsto, nevis patieso ekspozīciju, turpmākajā epidemioloģiskajā analīzē rodas mērījumu kļūda. Šeit mēs aprakstām elastīgu un efektīvu prognozēšanas modeli, ko var izmantot valsts mērogā, lai novērtētu vairāku piesārņotāju ilgtermiņa iedarbības līmeņus, un kas īsteno esošās metodes, lai labotu mērījumu kļūdu veselības modelī.

Pašreizējās iedarbības piešķiršanas metodes ietver zemes izmantošanas regresiju (LUR) ar ģeogrāfiskās informācijas sistēmas (GIS) kovariātiem (Hoek et al. 2008) un universālo krigingu, kas izmanto arī atlikušo telpisko struktūru (Kim et al. 2009 Mercer et al. 2011) . Bieži vien ir pieejami simtiem ar kandidātiem saistītu ĢIS kovariātu, kam nepieciešama dimensiju samazināšanas procedūra. Literatūrā aplūkotās mainīgās atlases metodes ietver izsmeļošu meklēšanu, pakāpenisku atlasi un “laso” saraušanos (Mercer et al. 2011 Tibshirani 1996). Tomēr mainīgās atlases metodes parasti ir skaitļošanas ziņā intensīvas, iespējams, iespējams, apsverot vienu piesārņotāju, bet ātri kļūst nepraktiskas, izstrādājot prognozes vairākiem piesārņotājiem. Racionalizētāka alternatīva ir daļēju mazāko kvadrātu (PLS) regresija (Sampson et al. 2009), kurā konstatēts neliels skaits ĢIS kovariātu lineāro kombināciju, kas visefektīvāk ņem vērā izmērīto koncentrāciju mainīgumu. Šīs lineārās kombinācijas samazina kovariāta telpu līdz daudz mazākai dimensijai, un pēc tam tās var izmantot kā vidējo struktūru LUR vai universālā kriginga modelī atsevišķu ĢIS kovariātu vietā. Tas sniedz priekšrocības, izmantojot visus pieejamos ĢIS kovariātus un novēršot potenciāli laikietilpīgus mainīgos atlases procesus.

Izmantojot ekspozīcijas, kas paredzētas no telpiski neatbilstošiem datiem, nevis patiesu ekspozīciju veselības modeļos, tiek radīta mērījumu kļūda, kas var ietekmēt ^ βx, aplēstais veselības modeļa interešu koeficients (Szpiro et al. 2011b). Berksonam līdzīga kļūda, kas rodas, izlīdzinot patieso ekspozīcijas virsmu, var piepumpēt ^ β DAx. Klasiska kļūda rodas, novērtējot prognozēšanas modeļa parametrus, un tā var būt neobjektīva ^ βx papildus tās SE piepūšanai. Bootstrap metodes, lai pielāgotos mērījumu kļūdas ietekmei, ir apspriedušas Szpiro et al. (2011b).

Šeit mēs piedāvājam gadījuma izpēti, lai ilustrētu holistisku pieeju divpakāpju gaisa piesārņojuma epidemioloģiskajai modelēšanai, kas ietver iedarbības modelēšanu pirmajā posmā un veselības modelēšanu, kas ietver mērījumu kļūdu labošanu otrajā posmā. Mēs veidojam valsts iedarbības modeļus, izmantojot PLS un universālu krigingu, un tos izmantojam, lai novērtētu četru ķīmisko vielu PM ilgtermiņa vidējo koncentrāciju2.5- elementu ogleklis (EC), organiskais ogleklis (OC), silīcijs (Si) un sērs (S) - izvēlēts, lai atspoguļotu dažādus PM2.5 avotiem un veidošanās procesiem (Vedal et al., in press). Pēc iedarbības modeļu izstrādes mēs iegūstam prognozes par vairāku etnisko aterosklerozes pētījumu (MESA) kohortu. Šīs prognozes tiek izmantotas kā interešu kovariāti veselības analīzēs, novērtējot saistību starp miega artērijas intima-media biezumu (CIMT), aterosklerozes subklīnisko rādītāju un PM iedarbību.2.5 sastāvdaļas. Mēs izmantojam mērījumu kļūdu labošanas metodes, lai ņemtu vērā to, ka šajos veselības modeļos tiek izmantota prognozētā, nevis patiesā iedarbība. Mēs apspriežam savus rezultātus un to ietekmi uz telpiskās korelācijas ietekmi uz iedarbības virsmām uz aplēstajām saistībām starp iedarbību un veselības rezultātiem.

Uzraudzības dati. Dati par EK, OC, Si un S tika apkopoti, lai izveidotu valstu modeļus. Šie dati sastāvēja no gada vidējiem rādītājiem no 2009. līdz 2010. gadam, ko mēra ar ASV vides aizsardzības aģentūras (IMPROVE) un Ķīmisko īpašību tīkla (CSP) starpiestāžu uzraudzību aizsargātajai vizuālajai videi (ASV EPA 2009). IMPROVE monitori ir valsts mēroga tīkls, kas galvenokārt atrodas attālos rajonos. CSN monitori atrodas vairāk pilsētās. Šie divi tīkli nodrošina datus, kas ir vienmērīgi izkliedēti zemākajos 48 stāvokļos (1. attēls).

1. attēls IMPROVE un CSN monitoru atrašanās vietas un prognozētais vidējais PM2.5 komponentu koncentrācija no galīgo prognožu modeļiem. (A) EK, (B) OC, (C) Si un (D) S. Ielaidumi rāda prognozes St Paul, MN.

Mūsu analīzēs tika iekļauti visi IMPROVE un CSN monitori, kuriem bija vismaz 10 datu punkti ceturksnī un ne vairāk kā 45 dienas starp mērījumiem. Si un S mērījumi tika aprēķināti vidēji no 2009. gada 1. janvāra līdz 2009. gada 31. decembrim. EK/OC datu kopu veidoja mērījumi no 204 IMPROVE un CSN monitoriem, kuru vidējais rādītājs bija 2009. gada 1. janvārī - 2009. gada 31. decembris, un mērījumi no 51 CSN monitora vidējiem rādītājiem 1. maijā 2009. – 30.aprīlis. Mēs izmantojām pēdējo periodu, jo mērīšanas protokols, ko CSN monitori izmantoja pirms 2009. gada 1. maija, nebija saderīgs ar tīkla protokolu IMPROVE. Salīdzinot vidējās vērtības no 2009. gada 1. maija līdz 2010. gada 30. aprīlim ar vidējām vērtībām 2009. gada 1. janvārī - 2009. gada 31. decembrī, tika konstatēta neliela atšķirība starp laika periodiem (dati nav parādīti). Gada vidējie rādītāji pirms modelēšanas tika pārveidoti par kvadrātsakni.

Ģeogrāfiskie kovariāti. Visām monitora un objekta vietām bija pieejami aptuveni 600 LUR kovariāti. Tie ietvēra attālumus līdz A1, A2 un A3 ceļiem [skaitīšanas pazīmju klašu kodi (CFCCs US Census Bureau 2013])] zemes izmantošana noteiktā bufera populācijas blīvumā noteiktā buferšķīdumā un normalizētās atšķirības veģetācijas indekss (NDVI Nacionālā okeāna un atmosfēras pārvalde 2013) , kas mēra veģetācijas līmeni monitora tuvumā. CFCC A1 ceļi ir ierobežotas piekļuves maģistrāles A2 un A3 ceļi ir citi galvenie ceļi, piemēram, apgabalu un štatu šosejas bez ierobežotas piekļuves (Mercer et al. 2011). NDVI tika iegūta 23 monitoram raksturīgu, 16 dienu saliktu satelītattēlu sērija, un katram attēlam tika aprēķināti vidējie pikseļi noteiktā buferšķīdumā. PLS iekļāva 25., 50. un 75. procentili no šiem 23 vidējiem rādītājiem. Tika iekļauta arī vidējā “augsti veģetatīvās sezonas” attēla vidējā vērtība (definēta kā 1. aprīlis – 30. septembris) un “zemas veģetācijas sezonas” vidējā vērtība (1. oktobris – 31. marts). Ģeogrāfiskie kovariāti tika iepriekš apstrādāti, lai novērstu LUR kovariātus, kas bija pārāk viendabīgi vai pakļauti izņēmumam, lai tos varētu izmantot. Konkrētāk, mēs izslēdzām mainīgos ar> 85% identiskām vērtībām un tos, kuriem bija vislielākā standartizētā novirze & gt 7. Mēs reģistrējām un pārveidojām visus attāluma mainīgos 10 km attālumā un aprēķinājām papildu “apkopotus” attāluma mainīgos, piemēram, minimālo attālumu līdz galvenajam ceļi un attālums līdz jebkurai ostai. Pēc tam uz šiem apkopotajiem mainīgajiem tika attiecināti tie paši iekļaušanas kritēriji. Visi atlasītie kovariāti bija vērsti uz vidējo un tika pielāgoti to attiecīgajiem SD.

MESA kohorta. MESA ir uz populāciju balstīts pētījums, kas sākās 2000. gadā, un tajā piedalījās 6814 dalībnieki no sešām ASV pilsētām: Losandželosas, Kalifornijas Sv. Merilenda. Mērķis bija četras etniskās/rasu grupas: baltie, ķīniešu amerikāņi, afroamerikāņi un spāņu valoda. Ieejas laikā visiem dalībniekiem nebija ārstu diagnosticētu sirds un asinsvadu slimību. [Papildu informāciju par MESA pētījumu skatiet Bild et al. (2002).] Šie dalībnieki tika izmantoti arī daudznacionālajā aterosklerozes un gaisa piesārņojuma pētījumā (MESA Air), kas ir papildu pētījums MESA, ko finansēja ASV EPN, lai izpētītu saistību starp hronisku gaisa piesārņojuma iedarbību un subklīnisko progresēšanu. sirds un asinsvadu slimības (Kaufman et al. 2012). Gan MESA, gan MESA Air pētījumus apstiprināja institucionālā pārskata padome (IRB) katrā vietā, tostarp IRB Kalifornijas universitātē, Losandželosā (Losandželosā, Kalifornijā), Kolumbijas universitātē (Ņujorka, NY), Džons Hopkinss Universitāte (Baltimora, MD), Minesotas Universitāte (Mineapolis-St. Pols, MN), Veika Meža universitāte (Vinstona-Salema, NC) un Ziemeļrietumu universitāte (Evanstona, IL). Visi subjekti sniedza rakstisku informētu piekrišanu.

Mēs izvēlējāmies CIMT beigu punktu MESA kā veselības rezultātu mūsu gadījuma izpētei. CIMT, subklīniskais aterosklerozes mērs, tika mērīts ar B režīma ultraskaņu, izmantojot GE Logiq skeneri (GE Healthcare, Wauwatosa, WI), un beigu punkts tika kvantificēts kā labās galējās sienas CIMT mērījumi, kas veikti MESA 1. eksāmena laikā. vieta 2000. – 2002. gadā (Vedal et al., in press). Mēs uzskatījām 5 501 MESA dalībnieku, kuriem 1. eksāmena laikā bija CIMT mērījumi. Mūsu analīze balstījās uz 5 298 MESA dalībniekiem, kuriem 1. eksāmena laikā bija CIMT mērījumi, un visu izvēlēto modeļa kovariātu pilnīgu informāciju.

Metodes

Divpakāpju pieejas pirmais posms ietvēra ekspozīcijas modeļu izveidi, izmantojot PLS kā kovariātus universālajos kriginga modeļos. Mēs izmantojām savstarpēju validāciju (CV), lai izvēlētos PLS punktu skaitu, noteiktu, cik ticamas bija katra iedarbības modeļa prognozes, un novērtētu, cik lielā mērā telpiskā struktūra bija katram piesārņotājam. Divpakāpju pieejas veselības modelēšanas posms ietvēra mums piemērotos veselības modeļus un mūsu izmantotās mērījumu kļūdu korekcijas metodes. [Detalizētāku tehnisko izklāstu skatīt Bergen et al. (2012).]

Telpiskās prognozēšanas modeļi. Notācija. Ļaujiet Xt* apzīmē N* × 1 vektors ar novērotajām kvadrātsakņu pārveidotajām koncentrācijām monitora vietās R* the N* × lpp ģeogrāfisko kovariātu matrica monitoru vietās Xt N × 1 vektors ar nezināmām kvadrātsakņu pārveidotām koncentrācijām nenovērotajās subjektu vietās un R N × lpp ģeogrāfisko kovariātu matrica objekta vietās. Ņemiet vērā, ka mūsu ekspozīcijas modeļiem Xt* un Xt ir atkarīgi mainīgie, un R* un R ir neatkarīgi mainīgie. Mēs izmantojām PLS, lai sadalītu R* virknē lineāru kombināciju, kuru izmērs ir daudz mazāks nekā R*. Konkrēti,

Šeit H ir a lpp × k ģeometrisko kovariātu svaru matrica, un T* ir an N* × k PLS komponentu vai punktu matrica. Šie rādītāji ir lineāras ģeogrāfisko kovariātu kombinācijas, kas atrastas tā, lai maksimizētu kovariāciju starp Xt* un visas iespējamās R* lineārās kombinācijas. Var pamanīt līdzības starp PLS un galveno komponentu analīzi (PCA). Lai gan abas metodes ir līdzīgas, jo tās abas ir dimensiju samazināšanas metodes, PLS rādītāji maksimāli palielina kovarianci starp Xt*un visas citas iespējamās R*lineārās kombinācijas, turpretī PCA rādītāji tiek izvēlēti, lai pēc iespējas vairāk izskaidrotu R*kovarianci. [Sīkāku informāciju skatiet Sampson et al. (2013)]. Pēc tam PLS rādītāji nenovērotajās vietās tiek iegūti kā T = RH.

Kad PLS rādītāji T un T* tika iegūti attiecīgi subjektam un novērošanas vietām, mēs pieņēmām šādu kopīgu modeli nenovērotām un novērotām iedarbībām:

Šeit α ir PLS rādītāju regresijas koeficientu vektors, un η un η* ir N × 1 un N* × 1 kļūdu vektori, attiecīgi. Mūsu primārajos ekspozīcijas modeļos tika pieņemts, ka kļūdu nosacījumiem ir telpiska korelācija, ko var modelēt ar kriginga variogrammu, ko parametrizē parametru vektors θ⊇ = (τ 2, σ 2, ϕ) (Cressie 1992). Tīrradnis τ 2 ir interpretējams kā piesārņojuma iedarbības mainīguma apjoms, kas nav izskaidrojams ar telpisko struktūru, daļējā palodze σ 2 ir interpretējama kā mainīguma summa, kas izskaidrojama ar telpisko struktūru un diapazonu, ϕ, ir interpretējams kā maksimālais attālums starp divām vietām, pēc kurām tās vairs nevar uzskatīt par telpiski saistītām. Mēs novērtējām šos parametrus un regresijas koeficientus α, izmantojot profila maksimālo varbūtību. Kad šie parametri tika novērtēti, mēs ieguvām prognozes nenovērotās vietās, ņemot vidējo Xt ar nosacījumu Xt* un aprēķinātie iedarbības modeļa parametri. Tā kā mūsu mērījumu kļūdu labošanas metodes ir balstītas uz pareizi noteiktu ekspozīcijas modeli, mēs rūpējāmies, lai izvēlētos vispiemērotāko kriginga variogrammu, lai modelētu mūsu datus. Sākumā mēs uzstādījām eksponenciālas variogrammas visiem četriem piesārņotājiem un pētījām, vai aprēķinātās variogrammas diagrammas labi atbilst empīriskajai variogrammai. Ja tie šķita slikti, mēs pētījām sfēriskās un kubiskās variogrammas. Eksponenciālā variogramma labi iederas EC, OC un S, bet sniedza sliktu atbilstību Si (dati nav parādīti). Tāpēc mēs pārbaudījām kubiskās un sfēriskās variogrammas un konstatējām, ka sfēriskā variogramma nodrošina daudz labāku atbilstību un izmantoja to Si modelēšanai mūsu ekspozīcijas modeļos.

Salīdzinājumam ar mūsu primārajiem kriginga modeļiem mēs arī ieguvām prognozes tikai no PLS, nepievienojot kriginga variogrammu. Tas ir līdzīgs tīram LUR modelim, bet faktisko ģeogrāfisko kovariātu vietā tiek izmantoti PLS rādītāji. Šai analīzei tika pieņemts, ka η un η* ir neatkarīgi, un α tika novērtēts, izmantojot mazāko kvadrātu, kas piemērots X regresijait* uz T*. Pēc tam tikai PLS prognozes nenovērotajās vietās tika iegūtas kā pielāgotās vērtības no šīs regresijas, izmantojot PLS rādītājus subjekta vietās.

CV un modeļa izvēle. Mēs izmantojām 10 reizes CV (Hastie et al.2001), lai novērtētu modeļu prognozēšanas precizitāti, atlasītu galīgajos prognozēšanas modeļos izmantojamo PLS komponentu skaitu un salīdzinātu prognozes, kas ģenerētas, izmantojot tikai PLS, ar mūsu primārajiem modeļiem, kuros tika izmantots gan PLS, gan universālais krigings. Dati tika nejauši iedalīti 1 no 10 grupām. Viena grupa (“testa komplekts”) tika izlaista, un pārējās grupas (“apmācību komplekts”) tika izmantotas, lai atbilstu modelim un ģenerētu testa kopu prognozes. Katra grupa spēlēja testa kopas lomu, līdz tika iegūtas prognozes visai datu kopai. Katrā iterācijā tika veikti šādi soļi, lai savstarpēji apstiprinātu mūsu primāros modeļus (līdzīgas darbības tika veiktas, lai iegūtu savstarpēji apstiprinātas prognozes, kurās tika izmantota tikai PLS):

PLS bija piemērots, izmantojot treniņu komplektu, un K punktu skaits tika aprēķināts testa kopai K = 1. 10.

Universālie kriginga parametri θ un koeficienti α tika novērtēti, izmantojot profila maksimālo varbūtību, izmantojot apmācības komplektu. Pirmais K PLS rādītāji atbilst T* 1. vienādojumā par K = 1. 10.

Prognozes tika iegūtas, izmantojot pirmo K PLS komponenti un atbilstošais universālais krigings, izmantojot no apmācības komplekta aprēķinātos kriginga parametrus.

Mēs izmantojām R paketi pls, lai ietilptu PLS. universālā kriginga tika veikta, izmantojot R paketi geoR. Visveiksmīgākie modeļi tika atlasīti no tiem, kas izmantoja gan PLS, gan krigingu, pamatojoties uz savstarpēji apstiprināto prognozēšanas vidējo kvadrātisko kļūdu (RMSEP) un atbilstošo R 2. Datu kopai ar N* novērojumi un atbilstošas ​​prognozes, šo veiktspējas metriku formulas ir dotas

Šie rādītāji ir attiecīgi jutīgi pret mērogu, tie ir noderīgi, lai novērtētu modeļa veiktspēju konkrētam piesārņotājam, bet ne salīdzinātu modeļus starp piesārņotājiem.

Veselības modelēšana. Slimības modelis. Lai novērtētu katra atsevišķa PM ietekmi, tika izmantoti daudzfaktoru lineārās regresijas modeļi2.5 komponentu iedarbība uz CIMT. Katrā modelī bija iekļauts viens PM2.5 komponentu kopā ar priekšmetam specifisku kovariātu vektoru. Lai Y būtu 5298 × 1 veselības rezultātu vektors 5298 MESA dalībniekiem, kas iekļauti analīzē, W - 5298 × 1 ekspozīcijas prognozes vektors nepārveidotā skalā, un Z - iespējamo traucētāju matrica. Mēs pieņēmām lineāras attiecības starp Y, patieso ekspozīciju un Z un, izmantojot parasto mazāko kvadrātu (OLS), atbilst šādam vienādojumam:

E(Y) = β0 + Wβx + Zβz. [4]

Mērījumu kļūdu labošana. Modelis 4. vienādojumā bija piemērots, izmantojot interešu riska koeficientu, nevis patiesos riska darījumus. Izmantojot prognozēšanu, nevis patiesu ekspozīciju veselības modelēšanā, tiek ieviesti divi mērījumu kļūdas avoti, kas potenciāli var ietekmēt ^ β uzvedībux. Berksonam līdzīga kļūda rodas, izlīdzinot patieso ekspozīcijas virsmu, un tā var uzpūst ^ β DAx. Klasiska kļūda rodas, novērtējot ekspozīcijas modeļa parametrus α un θ. Klasiskajai līdzīgā kļūda potenciāli palielina ^ β SEx un varētu arī novirzīt punktu novērtējumu. Mēs ieviesām parametru bootstrap - efektīvu metodi, lai novērtētu un labotu mērījumu kļūdas sekas. [Skatīt Szpiro u.c. (2011b), lai iegūtu papildu informāciju un sīkāku informāciju.]

Mēs izmantojām parametru bootstrap saistībā ar prognozēm, kurās tiek izmantots gan PLS, gan universālais krigings, pieeja būtu ļoti līdzīga, ja tiktu izmantota tikai PLS (lai gan mēs šeit neieviesām šo korekciju).

Novērtējiet izlases blīvumu ^ α un ^ θ ar daudzfaktoru normālo sadalījumu.

Priekš j = 1. B bootstrap paraugi

Simulējiet jaunus “novērotos” bootstrap ekspozīcijas monitoringa vietās no 1. vienādojuma un veselības rezultātus no 4. vienādojuma.

Izlasiet jaunus iedarbības modeļa parametrus un, izmantojot 1. solī novērtēto paraugu ņemšanas blīvumu, izmantojot nemainīgu kovariācijas matricu, kas reizināta ar skalāru λ ≥ 0. λ kontrolē ( ^ α mainīgumuj, ^ θj): jo lielāks λ, ​​jo lielāka ( ^ α mainībaj, ^ θj).

Lai iegūtu W, izmantojiet imitētos veselības rezultātus un nesen atlasītos iedarbības modeļa parametrusj.

Aprēķiniet ^ βx, j izmantojot Wj autors: OLS.

Ļaujiet E.λ( ^ βx B) apzīmē ^ β empīrisko vidējox, j. Aprēķinātā neobjektivitāte tiek definēta kā neobjektivitāteλ( ^ βx) = Eλ( ^ βx B) –E0( ^ βx B) ar atbilstošu neobjektīvi koriģētu ietekmes novērtējumu βx, λ labots = ^ βx-Aizspriedumsλ( ^ βx).

Novērtējiet bootstrap SE kā

Lai ieviestu parametru bootstrap, mēs iestatījām B = 30 000 un λ⊇ = 1.

Parametra bootstrap mērķis ir tuvināt mērījumu kļūdu ietekmēto ^ β paraugu ņemšanas īpašībasx to varētu novērtēt, ja mēs veiktu mūsu divpakāpju analīzi ar daudzām faktiskām uzraudzības novērojumu un subjekta veselības datu kopu realizācijām. Attiecīgi 2. solis (a) dod mums B jaunu mūsu datu “realizāciju”. Ja λ⊇ = 1, 2. (b) solis atspoguļo klasiskajai līdzīgo kļūdu, atkārtoti paraugot ekspozīcijas modeļa parametrus. 2. solis (c) atspoguļo Berksonam līdzīgo kļūdu, izlīdzinot patieso ekspozīcijas virsmu. 2. solis (d) pēc tam aprēķina B jauns ^ βx, j'S, kuru izlases īpašībās ir iekļauti visi mērījumu kļūdu avoti. Salīdzinot tos ar vidējo bootstrapped ^ βx, j kas iegūti, izmantojot fiksētas ekspozīcijas modeļa parametrus (ti, λ⊇ = 0), sniedz aptuvenu klasiskās kļūdas izraisīto novirzi (3. solis), un empīriskā SD tuvina SE, kas veido abus mērījumu kļūdas avotus (solis 4).

Mēs arī ieviesām parametru bootstrap λ = 0. Tas ir līdzvērtīgs “daļējai parametriskai sāknēšanas joslai”, ko aprakstījuši Szpiro et al. (2011b), kas izskaidro Berksonam līdzīgo kļūdu tikai tāpēc, ka ekspozīcijas virsma joprojām ir izlīdzināta, bet ar fiksētiem parametriem.

Vēlamā parametra bootstrap iezīme ir spēja “noregulēt” klasiskajai līdzīgās kļūdas apjomu, mainot λ, kas ļauj mums izpētīt, kā mainās izlases sadalījums ( ^ αj, ^ θj) ietekmē ^ β neobjektivitātix. Tas var būt noderīgi, uzlabojot mūsu bootstrap aizspriedumu aprēķinus, izmantojot simulācijas ekstrapolāciju (SIMEX) (Stefanski un Cook 1995). (Lai iegūtu papildinformāciju par mūsu pieeju SIMEX un tās piemērošanas rezultātiem MESA datiem, skatiet papildmateriālu, 2. – 3. Lpp. Un S1. Attēlu.)

Rezultāti

Dati. Uzraudzības dati. Četru piesārņotāju vidējā koncentrācija saskaņā ar monitoringa tīklu ir parādīta 1. tabulā. EK un OC koncentrācija, ko mēra ar CSN monitoriem, parasti bija augstāka nekā koncentrācija, ko mēra ar IMPROVE monitoriem. Vidējās Si un S koncentrācijas, ko mēra ar CSN monitoriem, arī bija augstākas par IMPROVE vidējiem rādītājiem, tomēr, salīdzinot ar SD, atšķirības starp CSN un IMPROVE monitoriem Si un S koncentrācijās nebija tik lielas kā atšķirības starp EK un OC koncentrāciju.

1. tabula Kopsavilkuma dati par novērotajām piesārņojuma koncentrācijām (vidējais ± SD) monitoringa tīklos, paredzamās koncentrācijas (vidējais ± SD) MESA kohortai 1. eksāmenā un atlasīto LUR kovariātu kopsavilkumi.

KovariātiUZLABOTCSNVisi monitoriMESA Air
Vietnes (n)190982885501
EK (μg/m 3)0.19±0.180.66±0.240.37±0.300.74±0.18
OC (μg/m 3)0.93±0.552.23±0.711.43±0.882.17±0.36
Si (ng/m 3)0.16±0.120.10±0.090.14±0.110.09±0.03
S (μg/m 3)0.41±0.270.69±0.250.51±0.290.78±0.15
Vietnes & lt150 m līdz A1 ceļam [n (%)]4 (2)3 (3)7 (2)249 (6)
Vietnes & lt150 m līdz A3 ceļam [n (%)]36 (19)43 (44)79 (27)2,763 (50)
Vidējais attālums līdz kom (m)4,6961271,235302
Vidējie popdens a (personas/mi 2)3805203,496
NDVI b150140146137
Saīsinājumi: sabiedriskie, komerciālie vai pakalpojumu centri, iedzīvotāju blīvums. a Personas uz kvadrātjūdzi skaitīšanas blokam/bloku grupai, kurai pieder pārraugs/subjekts. b Vasaras NDVI mediānu vidējā vērtība 250 m buferī.

Ģeogrāfiskie kovariāti. Ģeogrāfiskie mainīgie, kurus mēs izmantojām, ir uzskaitīti 2. tabulā. Lielākā daļa šo mainīgo tika izmantoti visu četru piesārņotāju modelēšanai, bet ne visu. Si un S modelēšanai tika izmantoti šādi mainīgie, bet ne EC un OC: PM2.5 un PM10 emisijas, straumes un kanāli 3 km buferšķīdumā, cita pilsētas vai apbūvēta zemes izmantošana 400 m buferšķīdumā, ezeri 10 km buferšķīdumā, rūpnieciski un komerciāli kompleksi 15 km buferšķīdumā un zālaugu diapazons 3 km buferšķīdums. No otras puses, EC un OC modelēšanai tika izmantoti šādi mainīgie, bet ne Si un S: rūpnieciska zemes izmantošana 1 un 1,5 km buferos.

2. tabula LUR kovariāti (2. attēla saīsinājumi) un (attiecīgā gadījumā) kopārie bufera izmēri, kas tika veikti, veicot priekšapstrādi un kurus izskatīja PLS.

SaīsinājumsMainīgā aprakstsBufera izmēri
Attālums līdz īpašībām A1 ceļš aNA
Tuvākais ceļš aNA
Lidosta aNA
Liela lidosta aNA
Osta aNA
Piekrastes līnija a, bNA
Tirdzniecības vai pakalpojumu centrs aNA
Dzelzceļš aNA
Dzelzceļa pagalms aNA
22 Emisijas c30km
PM2.5PM2.5 c, d30km
PM10PM10 c, d30km
xx c30km
PopulācijaIedzīvotāju blīvums500 m, 1 km, 1,5 km, 2 km, 2,5 km, 3 km, 5 km, 10 km, 15 km
NDVI - ziemaVidējā ziema250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI - vasaraVidējā vasara250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI – Q7575. procentīle250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI - Q5050. procentīle250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI – Q2525. procentile250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
TransportsTransports, kopienas un komunālie pakalpojumi750 m, 3 km, 5 km, 10 km, 15 km
PārejaPārejas zonas15km
StraumeStraumes un kanāli3km d , 5 km, 10 km, 15 km
KrūmsKrūmu un krūmu platība1,5 km, 3 km, 5 km, 10 km, 15 km
DzīvojamaisDzīvojamais400 m, 500 m, 750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
Citas pilsētasCitas pilsētas vai apdzīvotas vietas400m d , 500 m, 1,5 km, 3 km, 5 km, 10 km, 15 km
Jaukts diapazonsJaukts areāls3 km, 5 km, 10 km, 15 km
Jaukts mežsJaukta meža zeme750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
EzeriEzeri d10 km
RūpnieciskaisRūpnieciskais1km e , 1,5 km e , 3 km, 5 km, 10 km, 15 km
Indust/commRūpniecības un tirdzniecības kompleksi d15km
Garšaugu klāstsZālaugu platība3km d , 5 km, 10 km
ZaļšMūžzaļā meža zeme400 m, 500 m, 750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
MežsLapu meža zeme750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
ApgrieztAugkopība un ganības400 m, 500 m, 750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
CommTirdzniecība un pakalpojumi500 m, 750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
A23Kopējais A2 un A3 ceļu attālums buferī100 m, 150 m, 300 m, 400 m, 500 m, 750 m, 1 km, 1,5 km, 3 km, 5 km
A1Kopējais A1 ceļu attālums buferī1 km, 1,5 km, 3 km, 5 km
Lielākā daļa mainīgo tika izmantoti katrā no četriem PM2.5 komponentu modeļos tomēr priekšapstrādes procedūrā tika atlasīti daži EK un OC mainīgie, kas nebija izvēlēti Si un S, un otrādi, jo EK un OC monitoringa vietas nebija identiskas Si un S atrašanās vietām. a Nogriezts 25km un žurnāls10 pārveidots. b žurnāls10 un nepārveidotās vērtības. c Tonas gadā izplūdes no augstiem skursteņiem. d Mainīgais, ko izmanto tikai Si, S modelēšanai. e Mainīgais, ko izmanto tikai EC un OC modelēšanai.

Izvēlēto ģeogrāfisko kovariātu sadalījums ir parādīts saskaņā ar monitoringa tīklu un MESA atrašanās vietām 1. tabulā. Lai gan salīdzinoši maz monitoru, kas pieder vai nu IMPROVE, vai CSN, atradās 150 m attālumā no A1 ceļa, tomēr lielāks CSN monitoru īpatsvars bija 150 m attālumā no A3 ceļš (44%) nekā IMPROVE monitori (19%), kas atbilst CSN monitoru izvietošanai vairāk pilsētās, salīdzinot ar IMPROVE monitoriem (1. tabula). Vidējais attālums līdz tirdzniecības un pakalpojumu centriem bija daudz mazāks CSN monitoriem (127 m pret 4696 m), un vidējais iedzīvotāju blīvums bija daudz lielāks CSN monitoriem (805 personas/mi 2) nekā IMPROVE monitoriem (tikai 3 personas/ mi 2). Vidējās vasaras NDVI vērtības 250 m robežās CSN monitoriem bija nedaudz mazākas nekā IMPROVE monitoriem, kas atbilst IMPROVE monitoru izvietošanai zaļākajos apgabalos. Ģeogrāfiskais kovariātu sadalījums starp MESA dalībnieku atrašanās vietām vairāk atbilst CSN monitoriem, kā tas īpaši redzams vietņu skaitam, kas atrodas zem 150 m no A3 ceļa, un vidējam iedzīvotāju blīvumam (1. tabula). Ģeogrāfisko kovariātu blīvuma paraugi monitoringam un subjektu atrašanās vietām norādīja uz ievērojamu pārklāšanos visiem ģeogrāfiskajiem kovariātiem (dati nav parādīti), kas liecina, ka ģeogrāfisko kovariātu atšķirības starp monitora un MESA atrašanās vietām atbilst MESA subjektu koncentrācijai pilsētu vietās, nevis ekstrapolācijai ārpus mūsu dati.

MESA kohorta. Veselības modeļa kovariātu sadalījums starp MESA kohortas dalībniekiem ir apkopots 3. tabulā. Vidējā CIMT (0,68 ± 0,19 mm) vidējā vecuma (62 ± 10 gadi) dzimuma (52% sieviešu) rase (39% balta, 12% ķīniešu amerikāņu, 27 % Afroamerikāņu un 22% spāņu) un statuss (44% hipertensijas stāvoklis un 15% statīnu lietošana) tika noteikti ar anketas palīdzību (Bild et al. 2002). Vislielākais dalībnieku procents dzīvoja Losandželosā (19,7%), bet sadalījums sešās pilsētās bija diezgan viendabīgs. Analīzē tika iekļauti tikai 5298 dalībnieki ar pilnīgiem datiem par visiem 3. tabulā uzskaitītajiem modeļa kovariātiem.

3. tabula Priekšmeta specifiskie kovariāti MESA kohortai, ko izmanto veselības modelēšanā.

MainīgsnVidējais ± SD vai %
CIMT5,5010.68±0.19
Vecums (gadi)5,50161.9±10.1
Svars (lb)5,501173.0±37.5
Augstums (cm)5,501166.6±10.0
Viduklis (cm)5,50097.8±14.1
Ķermeņa virsmas laukums (m 2)5,5011.9±0.2
ĶMI (kg/m 2)5,50128.2±5.3
DBP5,49971.8±10.3
Sekss
Sieviete2,87252.2
Vīrietis2,62947.8
Rase
Balts (kaukāzietis)2,16839.4
Ķīniešu amerikānis67512.3
Melns (afroamerikānis)1,45926.5
Spāņu valoda1,19921.8
Vietne
Vinstons-Salems87816.0
Ņujorka86715.8
Baltimora77614.1
Svētais Pāvils un Mineapole89916.3
Čikāga99818.1
Losandželosa1,08319.7
Izglītība
Nepabeigta vidusskola91616.7
Pabeigusi vidusskolu99118.0
Kāda koledža1,57128.6
Pabeigusi koledžu2,01036.5
Trūkst130.2
Ienākumi gadā
& lt 12 000 USD56610.3
$12,000–24,9991,02218.6
$25,000–49,9991,54328
$50,000–74,99990116.4
& gt 75 000 USD1,27123.1
Trūkst1983.6
Hipertensija
3,10656.5
2,39543.5
Statīnu lietošana
4,68185.1
81714.9
Trūkst30.1

Telpiskās prognozēšanas modeļi. Modeļa novērtējums. Izvēlētie modeļi, kas atbilst zemākajam savstarpēji apstiprinātajam R 2 visi izmantotie PLS un universālais krigings. Visiem četriem PM2.5 komponentiem un visiem PLS rādītāju skaitļiem krigings uzlaboja prognozēšanas precizitāti, kā norādīts R 2 un RMSEP statistika atlasītajiem prognozēšanas modeļiem, kas atbilst vislabākajiem PLS un PLS + universālajiem kriginga modeļiem (4. tabula). Salīdzinot R 2 ar universālu krigingu un bez tā norāda, ka krigings EK un OC nav daudz uzlabojies, turpretī universālais krigings uzlaboja Si prognozēšanas precizitāti un vēl jo vairāk S. atbalsta arī uzlabotas prognozes ar telpisku izlīdzināšanu, izmantojot krigingu. Fiksētam diapazonam mazākas šīs attiecības vērtības norāda, ka koncentrēšanās tuvumā esošajās vietās kriginga laikā iegūst lielāku svaru. Mēs redzam šo sakarību 4. tabulā, kur τ 2 /σ 2 bija liels, ja universālais krigings maz uzlaboja prognozēšanas precizitāti, un ļoti mazs, ja universālais krigings palīdzēja uzlabot prognozēšanas precizitāti.

4. tabula Katram PM komponentam savstarpēji apstiprināti R 2 un RMSEP2.5, gan primārajiem modeļiem, gan salīdzinošajiem tikai PLS modeļiem, un paredzamie kriginga parametri no iespējamības atbilst visai datu kopai par katru piesārņotāju.

KorekcijaModelisEKOCSiS
3 PLS rādītāji2 PLS rādītāji2 PLS rādītāji2 PLS rādītāji
R 2 Tikai PLS0.790.600.360.63
PLS+Lielbritānija0.820.690.620.95
RMSEPTikai PLS0.110.220.100.13
PLS+Lielbritānija0.100.200.080.05
Aptuvenie AK parametri(τ 2) a0.00740.02510.00430.0007
(σ 2) b0.00250.01990.00860.0251
(φ) c4133042,7892,145
(τ 2 /σ 2)2.961.260.50.03
Lielbritānija, universāls krigings. a Tīrradnis, ko izmanto krigingā. b Daļēja palodze, ko izmanto krigingā. c Diapazons, ko izmanto krigingā.

Kā jutīguma analīzi mēs veicām arī CV, izmantojot tuvākā monitora iedarbības aprēķinus. Šī metode ļoti slikti darbojās EC un OC (R 2 s attiecīgi 0 un 0,06), salīdzinoši slikti Si (R 2 = 0,36), bet labi darbojās S (R 2 = 0.88).

PLS interpretācija.2. attēlā parādīti ģeogrāfiskie kovariāti, kas bija vissvarīgākie, lai izskaidrotu piesārņotāju mainīgumu. Konkrēti, 2. attēlā ir apkopots lpp × 1 vektors m, vektors tāds, ka Rm ir vienāds ar 5298 ekspozīcijām, kas paredzētas tikai ar PLS. Katrs m elements ir atbilstoša ģeogrāfiskā kovariāta svars. Pozitīvie elementi m (ti, vērtības un gt 0 2. attēlā) norāda, ka augstākas ģeogrāfiskā kovariāta vērtības bija saistītas ar lielāku paredzamo ekspozīciju, jo lielāka ir elementa absolūtā vērtība m, jo ​​vairāk atbilstošais ģeogrāfiskais kovariāts veicināja iedarbības prognozēšanu.

2. attēls PLS koeficienti ir piemēroti, kur koeficienti raksturo katra ģeogrāfiskā kovariāta saistību ar (A) EK, (B) OC, (C) Si un (D) S. Katra apļa izmērs atspoguļo kovariāta bufera lielumu, lielāki apļi norāda lielākus buferus.Katrs slēgtais aplis “attālumam līdz objektam” apzīmē atšķirīgu iezīmi (norādīts 2. tabulā): A1 ceļš, tuvākais ceļš, lidosta, liela lidosta, osta, piekraste, tirdzniecības vai pakalpojumu centrs, dzelzceļš un dzelzceļa pagalms. Mainīgie saīsinājumi un bufera izmēri ir norādīti 2. tabulā. Lielākā daļa šeit parādīto mainīgo tika izmantoti visu četru piesārņotāju modelēšanai, bet ne visu. Mainīgie lielumi, ko izmantoja Si un S modelēšanai, bet ne EC un OC, bija PM2,5 un PM10 emisijas, straumes un kanāli 3 km buferšķīdumā, cita pilsētas vai apbūvēta zemes izmantošana 400 m buferšķīdumā, ezeri 10- km buferšķīdums, rūpnieciski un komerciāli kompleksi 15 km buferšķīdumā, un zālaugu diapazons 3 km buferšķīdumā. Mainīgie lielumi, ko izmantoja EC un OC modelēšanai, bet ne Si un S, bija rūpnieciska zemes izmantošana 1 un 1,5 km buferos.

Iedzīvotāju blīvums bija saistīts ar lielākām visu piesārņotāju paredzamajām vērtībām, īpaši attiecībā uz EK, OC un S. Rūpnieciskā zemes izmantošana mazākajā buferšķīdumā ļoti paredzēja EK un OC, un mūžzaļā meža zeme noteiktā buferšķīdumā stingri paredzēja to samazināšanos. S. NDVI, rūpnieciskais zemes izmantojums, emisijas un līnijas garuma mainīgie lielumi bija pozitīvi saistīti ar visiem riska darījumiem, izņemot Si, savukārt visi attāluma līdz īpašībām mainīgie bija negatīvi saistīti ar visiem riska darījumiem, izņemot Si. NDVI mainīgie bija svarīgāki OC un S prognozēšanai nekā EC. Si gadījumā NDVI un pārejas zemes izmantošanas mainīgie lielumi bija visinformatīvākie prognozēšanai, NDVI negatīvi un pārejas zemes izmantošana pozitīvi saistīta ar Si iedarbību. Attālums līdz īpašībām šķita informatīvs visiem četriem piesārņotājiem.

Iedarbības prognozes. 1. attēlā parādīta paredzamā koncentrācija visā ASV, ar sīkāku informāciju, kas ilustrēta Sentpolā, Minesotā. EK un OC prognozes bija daudz augstākas pilsētu teritoriju vidū un ātri izkliedējās tālāk no pilsētu centriem. S prognozes bija augstas vidusrietumu un austrumu štatos, kā arī Losandželosas apgabalā un zemākas līdzenumos un kalnos. Si prognozes bija zemas lielākajā daļā pilsētu teritoriju un augstas tuksneša valstīs.

MESA dalībniekiem paredzētās vidējās paredzētās EK un OC iedarbības koncentrācijas bija attiecīgi 0,74 ± 0,18 un 2,17 ± 0,36 μg/m 3 (1. tabula). Vidējās paredzamās Si un S iedarbības koncentrācijas bija attiecīgi 0,09 ± 0,03 ng/m 3 un 0,78 ± 0,15 μg/m 3.

Veselības modeļi. Rezultāti no naivā veselības modeļa, kurā nebija iekļauta neviena mērījumu kļūdu korekcija, kā arī veselības modeļa rezultāti, kas ietvēra bootstrap labotus punktu aprēķinus un SE of ^x, ir parādīti 5. tabulā. Naivā analīze liecināja par būtiskām pozitīvām asociācijām (lpp & lt 0,05) no CIMT ar OC, Si un S. Starp CIMT un EK bija arī pozitīva, bet nenozīmīga saistība. SE attiecībā uz EK un OC ietekmi uz veselību praktiski nemainījās, kad tika ieviesta mērījumu kļūdu korekcija, bet Si un S sāknēšanas koriģētie SE bija aptuveni par 50% lielāki nekā to attiecīgie naivie aprēķini. Aprēķinātās novirzes, kas izrietēja no klasiskajai mērīšanas kļūdai, bija tik niecīgas, ka no epidemioloģiskā viedokļa bija neinteresantas, jo visu četru piesārņotāju punktu aplēses pēc mērījumu kļūdu korekcijas ieviešanas nemainījās līdz trim zīmēm aiz komata.

5. tabula Punktu aprēķini ± SE un 95% TI dažādiem piesārņotājiem, izmantojot naivu analīzi un ar sāknēšanas korekciju mērījumu kļūdai interesējošā kovariāta gadījumā.

PM2.5 komponentsAnalīze/korekcijaβ̂x a ± DA95% TI
EK (μg/m 3)Naivs0.001±0.014–0.03, 0.03
PB, b λ = 00.001±0.015–0.03, 0.03
PB, λ = 10.001±0.015–0.03, 0.03
OC (μg/m 3)Naivs0.025±0.0080.01, 0.04
PB, λ = 00.025±0.0080.01, 0.04
PB, λ = 10.025±0.0080.01, 0.04
Si (ng/m 3)Naivs0.408±0.0810.25, 0.57
PB, λ = 00.408±0.1260.16, 0.66
PB, λ = 10.408±0.1270.16, 0.66
S (μg/m 3)Naivs0.055±0.0170.022, 0.088
PB, λ = 00.055±0.0250.006, 0.104
PB, λ = 10.055±0.0250.006, 0.104
Punktu aplēses ir aprēķini par CIMT pieaugumu par 1 vienības pieaugumu katrā piesārņotājā. a Λ = 1 gadījumā β̂x attiecas uz novērtējumu, kas koriģēts attiecībā uz jebkādu klasiskai kļūdai radītu novirzi. b PB attiecas uz parametru bootstrap rezultātiem, kas īstenoti ar norādīto vērtību λ.

Diskusija

Kopsavilkums. Mūsu visaptverošā divu posmu pieeja gaisa piesārņojuma iedarbības ilgtermiņa ietekmes novērtēšanai ietver valsts prognozēšanas modeli, lai novērtētu atsevišķu PM iedarbību2.5 Epidemioloģiskajā analīzē tiek izmantotas un koriģētas mērījumu kļūdas, izmantojot metodiku, kas nosaka atšķirīgu telpiskās struktūras daudzumu iedarbības virsmās. Gadījuma pētījumā par četrām PM sastāvdaļām2.5 un mērījumu kļūdu labotās asociācijas starp šiem komponentiem un CIMT MESA kohortā, koriģētie SE, kas atbilst piesārņotājiem, kuriem bija ievērojama telpiskā struktūra (ti, Si un S), bija par 50% lielāki nekā iepriekš nevērtēti aprēķini, bet labotie SE aprēķini EK un OC bija ļoti līdzīgi naiviem aprēķiniem.

Valsts iedarbības modeļi. Mēs uzskatām, ka valsts pieeja iedarbības modelēšanai ir saprātīga un labi darbojas prognozēšanas precizitātes ziņā. Mūsu primāro PLS + universālo kriginga modeļu rezultātā tika veikta savstarpēja apstiprināšana R 2 ≤ 0,95 (S koncentrācijas prognozēšanai) un ≥ 0,62 (Si prognozēšanai) jebkuram no PM2.5 sastāvdaļas. Kriginga izmantošana uzlaboja savstarpēji apstiprināto R 2 visiem četriem piesārņotājiem, salīdzinot ar modeļiem, kas izmantoja tikai PLS, lai gan uzlabojums nebija vienāds visiem četriem piesārņotājiem. Šie rezultāti ir noderīgi, lai izprastu mūsu ekspozīcijas virsmu telpisko raksturu. Attiecībā uz EK un OC ,. R 2 uzlabojās tikai par ≤ 0,09, ja tika izmantots krigings, salīdzinot ar PLS izmantošanu, kas liecina par nelielu liela mēroga telpisko struktūru šajos piesārņotājos. Attiecībā uz Si ,. R 2 uzlabojās no 0,36 līdz 0,62 un S - no 0,63 līdz 0,95. Tas norāda, ka S (un mazākā mērā Si) bija būtiska liela mēroga telpiskā struktūra, ko krigings varēja izmantot. Visiem modeļiem kriginga izmantošana ir uzlabojusies R 2, norādot, ka prognozēšanas precizitāte netika zaudēta (un diezgan daudz bija iespējams iegūt, ja bija telpiskā struktūra), izmantojot PLS+universālo krigingu, nevis PLS izmantošanu atsevišķi. Mūsu rezultāti arī liecina, ka ekspozīcijas modeļi, piemēram, tie, kurus esam izveidojuši, daudzos gadījumos var būt vēlami, salīdzinot ar vienkāršākām pieejām, piemēram, tuvākā monitora interpolāciju. Mūsu modeļi tika ražoti savstarpēji apstiprināti R 2, kas bija augstākas nekā tuvākā monitora pieeja, un mūsu rezultāti liecina, ka, ja ekspozīcijas virsmā nav ievērojamas telpiskās struktūras, var tikt zaudēta ievērojama prognozēšanas precizitāte, izmantojot tuvākā monitora pieeju.

Dažādu iemeslu dēļ mēs izmantojām divpakāpju modelēšanu, nevis kopīgu iedarbības un veselības modelēšanu. Viens no tiem ir pragmatisks: kopīga modelēšana ir skaitļošanas ziņā intensīva, tāpēc mūsu divu posmu pieeja ir īpaši vēlama, modelējot vairākus piesārņotājus. Kopīga modelēšana var būt arī jutīgāka pret veselības datu novirzēm. Divu posmu modelēšana arī intuitīvāk piesaista vairāku veselības rezultātu modelēšanas kontekstā, jo tā katram dalībniekam piešķir vienu iedarbību, kuru pēc tam var izmantot, lai modelētu vairākus dažādus veselības rezultātus. No otras puses, kopīga modelēšana piešķirtu dažādus viena un tā paša piesārņotāja līmeņus atkarībā no tā, kāds veselības rezultāts tika modelēts.

Epidemioloģiskā gadījuma izpēte. Šajā gadījumu pētījumā mēs koncentrējāmies uz četriem PM2.5 komponenti, kas atlasīti, lai gūtu ieskatu PM avotos vai iezīmēs2.5 kas varētu veicināt PM ietekmi2.5 par sirds un asinsvadu slimībām. EC un OC tika izvēlēti kā degšanas procesu primāro emisiju marķieri, OC ietverot arī sekundāro organisko aerosolu ieguldījumu, kas veidojas atmosfēras ķīmiskajās reakcijās Si tika izvēlēts par garozas putekļu marķieri, bet S tika izvēlēts kā sulfāta - neorganiska aerosola marķieris. veidojas sekundāri no atmosfēras ķīmiskajām reakcijām (Vedal et al., in press). Mehānismi, ar kuriem iedarbojas uz PM2.5 vai PM2.5 komponenti rada sirds un asinsvadu ietekmi, piemēram, aterosklerozi, nav labi saprotami, lai gan ir ierosināti vairāki mehānismi (Brook et al. 2010). [Lai apspriestu citus pētījumus par šo piesārņotāju ietekmi, skatiet Vedal et al. (presē).]

EK, OC un Si tuvākā monitora interpolācijas salīdzinoši sliktie rādītāji rada bažas par epidemioloģiskiem secinājumiem, pamatojoties uz prognozēm, kas iegūtas no šīs metodes. Attiecībā uz S-vienīgo piesārņotāju, kuram mūsu modeļi un tuvākā monitora interpolācija bija salīdzināmi, aprēķinātais CIMT pieaugums iedarbības pieaugumam par 1 vienību, pamatojoties uz tuvākā monitora interpolāciju, bija 0,074 ± 0,018, kas ir salīdzināms ar naivu secinājumu, kas izdarīts, izmantojot prognozes no mūsu ekspozīcijas modeļiem (0,055 ± 0,017). Tomēr, izmantojot šo metodi, nav iespējams labot mērījumu kļūdu, kas ir vēl viena būtiska mūsu modeļu priekšrocība.

Naivās veselības analīzes, kuru pamatā bija mūsu valstu modeļu iedarbības prognozes, norādīja uz būtiskām CIMT saistībām ar vidējās OC, Si un S pieaugumu par 1 vienību, bet ne EK. Izmantojot parametru bootstrap, lai ņemtu vērā un labotu mērījumu kļūdu, Si un S ievērojami palielinājās SE un plašākas CI, tomēr OC, Si un S joprojām bija ievērojami saistītas ar CIMT pat pēc mērījumu kļūdas labošanas.

Mērījumu kļūdu labošana. Attiecībā uz EK un OC tikai PLS izmantošana bija pietiekama, lai veiktu precīzas prognozes, turpretī telpiskā izlīdzināšana no universālā kriginga būtiski uzlaboja Si un S. prognozēšanas precizitāti. Tādējādi nav nejaušība, ka ar sāknēšanas joslu koriģētie SE aprēķini EK un OC nemainījās no naivie aprēķini, turpretī koriģētie SE aprēķini Si un S bija par aptuveni 50% lielāki (un rezultātā iegūtie 95% TI par 50% platāki) nekā to attiecīgie naivie aprēķini. Fakts, ka EK un OC iedarbības prognozes galvenokārt tika iegūtas no tikai PLS modeļiem, kuros tika pieņemti neatkarīgi atlikumi, nozīmē, ka Berksonam līdzīgā kļūda bija gandrīz tīra Berksona kļūda (ti, neatkarīga visā atrašanās vietā), un to pareizi ņēma vērā naivi SE aprēķini. No otras puses, Si un S izlīdzināšana notika daudz vairāk, kas izraisīja telpisko korelāciju atlikušajā atšķirībā starp patieso un paredzamo iedarbību. Attiecīgi SE, kas pareizi ņem vērā Berksonam līdzīgo kļūdu šajos divos piesārņotājos, tiek piepūsta, jo korelētās kļūdas prognozēs pārvēršas par korelētajām atliekām slimības modelī, kuras neņem vērā naivie SE aprēķini (Szpiro et al. 2011b). Fakts, ka SE aprēķina no parametra bootstrap, izmantojot λ = 1 (kas veido gan Berksonam līdzīgu, gan klasiskai līdzīgu kļūdu) un izmantojot λ = 0 (kas veido tikai Berksonam līdzīgu kļūdu), bija tik līdzīgs, turklāt norāda, ka lielākas koriģētās SE aplēses, visticamāk, bija Berksonam līdzīgas kļūdas rezultāts. Neviena no mūsu mērījumu kļūdu analīzēm neliecināja, ka klasikai līdzīga kļūda būtu izraisījusi kādu būtisku novirzi.

Ierobežojumi un modeļa apsvērumi. Lai gan mūsu ekspozīcijas modeļi darbojās labi, joprojām ir iespējams uzlabot prognozēšanas precizitāti, jo īpaši attiecībā uz EK, OC un Si modeļiem, kuriem tika veikta savstarpēja validācija. R 2, ko varētu uzlabot. Šiem modeļiem ir iespējams, ka papildu ģeogrāfisko kovariātu iekļaušana PLS palīdzētu uzlabot modeļa veiktspēju. Piemēri ir koksnes dedzināšanas avoti noteiktā buferšķīdumā EK un OC koncentrācijai vai putekļu un smilšu avoti Si. Šie kovariāti pašlaik nav pieejami mūsu datu bāzēs. Turklāt, lai gan ir iespējams interpretēt atsevišķus kovariātus PLS komponentos (2. attēls), šādas interpretācijas jāvērtē piesardzīgi, jo daudzu savstarpēji saistītu kovariātu iekļaušana var radīt acīmredzamas asociācijas, kas ir pretintuitīvas un pretējas tam, kas varētu būt sagaidāms zinātniski. Visbeidzot, PLS neņem vērā ģeogrāfisko kovariātu mijiedarbību vai nelineāras kombinācijas - faktorus, kas varētu uzlabot modeļa veiktspēju.

Ietekme un nākotnes virzieni. Mūsu rezultāti rāda, ka rūpīga iedarbības modeļa īpašību izpēte var palīdzēt noskaidrot ietekmi uz turpmākajām epidemioloģiskajām analīzēm, kurās tiek izmantota paredzamā iedarbība. Kā atzīmēja Szpiro et al. (2011a), visaptveroša sistēma, kurā tiek uzskatīts, ka veselības modelēšanas gala mērķis ir pievilcīgāks nekā iedarbības modeļu apstrāde tā, it kā tie eksistētu viņu pašu dēļ. Šī analīze kalpo kā piemērs, kas informēs mūsu un citu grupu pastāvīgos centienus izveidot un izmantot iedarbības prognozēšanas modeļus, kas ir vispiemērotākie epidemioloģiskajiem pētījumiem.

Mūsu epidemioloģiskā secinājuma pamatā bija viens veselības modelis uz katru piesārņotāju. Var pamatoti interesēties par to, kā vairāki piesārņotāji kopā ietekmē veselību. Tomēr pašreizējā literatūra mērījumu kļūdu labošanai neattiecas uz modeļiem, kas kā iedarbību izmanto vairākus paredzamos piesārņotājus. Mūsu grupa pašlaik izstrādā metodes, kā risināt šo problēmu.

Papildu materiāls

(2,4 MB) PDF Noklikšķiniet šeit, lai iegūtu papildu datu failu.

Mēs pateicamies trim recenzentiem par noderīgajiem komentāriem.

Pētījumus šajā publikācijā atbalstīja dotācijas T32ES015459, P50ES015915 un R01ES009411 no Nacionālo veselības institūtu (NIH) Nacionālā vides veselības zinātņu institūta. Papildu atbalstu sniedza balva Vašingtonas Universitātei saskaņā ar Veselības ietekmes institūta Nacionālās daļiņu komponentu toksicitātes iniciatīvu un ASV Vides aizsardzības aģentūra (EPA), palīdzības līgums RD-83479601-0 (tīra gaisa izpētes centri). Šī publikācija tika izstrādāta saskaņā ar STAR (Science to Achieve Results) programmas pētniecības palīdzības līgumu RD831697, ko piešķīra ASV EPN. Šajā dokumentā paustie viedokļi ir tikai Vašingtonas Universitātes viedokļi, un ASV EPN neapstiprina šajā publikācijā minētos produktus vai komerciālos pakalpojumus. Daudznacionālo aterosklerozes pētījumu (MESA) veic un atbalsta Nacionālais sirds, plaušu un asins institūts (NHLBI) sadarbībā ar MESA izmeklētājiem. Atbalstu MESA nodrošina NHLBI līgumi N01HC-95159 līdz N01HC95169 un UL1RR024156. MESA Air finansē no ASV EPA STAR dotācijas RD831697.

Par šī darba saturu atbild tikai autori, un tas ne vienmēr atspoguļo NIH oficiālos uzskatus.

Autori paziņo, ka viņiem nav faktisku vai potenciālu konkurējošu finansiālu interešu.


Nevar pārveidot no BYTE bufera uz cv :: Mat attēlu

Tāpēc man ir problēma ar BYTE bufera pārveidošanu par attēlu (cv :: Mat). Es mēģinu lasīt reāllaika video no attālas kameras, un man ir divi elementi, rādītājs uz buferi un bufera izmērs, un man tas ir jāpārvērš par cv :: Mat attēlu, lai es to varētu parādīt cv :: imshow. es mēģināju izmantot:

bet tas nedarbojas, un es saņemu šādu kļūdu:

kad mēģinu konvertēt tieši, neizmantojot imdecode funkciju:

Man ir attēls, bet es to nevaru parādīt, tāpēc programma turpina darboties, neko nedarot.

Vai kāds var man palīdzēt, lūdzu, kā mēs varam pārvērst no BYTE bufera rādītāja uz cv :: Mat attēlu

Buferis tiek deklarēts šādi: BYTE *Buferis funkcija, no kuras es saņemu buferi, tiek deklarēta šādi

kur: lRealHandle: Reālā laika uzraudzības rokturis dwDataType:

pBuffer: atzvanīšanas datu buferis. Dažāda garuma dati tiks atzvanīti atbilstoši dažādiem datu tipiem. Dati tiek atsaukti pa kadriem katram tipam, izņemot tipu 0, un katru reizi tiek atzvanīts viens kadrs.

dwBufSize: atzvanīšanas datu garums. Datu buferi dažādiem tipiem ir atšķirīgi. Vienība ir BYTE

Manā gadījumā es vienmēr saņemu datu tipu 0 Šādi es mēģinu atšifrēt:

mana programma apstājas šeit, tā turpina darboties, bet neko nedara pēc tam, kad esmu ievietojis std :: cout šeit, lai pārbaudītu, vai tā izturēs šo parādīšanas rindu vai nē, bet nekas nenotiek


Saturs

Termins "Tuvie Austrumi", iespējams, radās 1850. gados Lielbritānijas Indijas birojā. [6] Tomēr plašāk tas kļuva zināms, kad amerikāņu jūras stratēģis Alfrēds Tajers Mahans 1902. gadā izmantoja šo terminu [7], lai "apzīmētu teritoriju starp Arābiju un Indiju". [8] [9] Šajā laikā Lielbritānijas un Krievijas impērijas cīnījās par ietekmi Vidusāzijā - sāncensību, kas kļūs pazīstama kā Lielā spēle. Mahans saprata ne tikai reģiona stratēģisko nozīmi, bet arī tā centru - Persijas līci. [10] [11] Viņš apzīmēja Persijas līča apkārtni kā Tuvos Austrumus un sacīja, ka pēc Ēģiptes Suecas kanāla tas bija vissvarīgākais eja, ko Lielbritānija varēja kontrolēt, lai neļautu krieviem virzīties uz priekšu Britu Indijas virzienā. [12] Mahans pirmo reizi izmantoja šo terminu savā rakstā "Persijas līcis un starptautiskās attiecības", kas publicēts 1902. gada septembrī žurnālā Nacionālais apskats, britu žurnāls.

Tuvie Austrumi, ja es drīkstu pieņemt terminu, kuru es neesmu redzējis, kādreiz būs vajadzīga tā Malta, kā arī Gibraltārs, no tā neizriet, ka tas būs Persijas līcī. Jūras spēkiem piemīt mobilitātes kvalitāte, kas dod tiesības uz īslaicīgu prombūtni, taču tiem katrā darbības vietā ir jāatrod noteiktas pārbūves, piegādes un katastrofas gadījumā drošības bāzes. Lielbritānijas Jūras spēkiem vajadzētu būt iespējai koncentrēties spēkā, ja rodas iespēja, attiecībā uz Adenu, Indiju un Persijas līci. [13]

Mahana raksts tika atkārtoti izdrukāts Laiki un oktobrī sekoja 20 rakstu sērija ar nosaukumu "Tuvo Austrumu jautājums", kuras autors ir sers Ignatijs Valentīns Širols. Šīs sērijas laikā sers Ignatijs paplašināja definīciju Tuvie Austrumi iekļaut "tos Āzijas reģionus, kas sniedzas līdz Indijas robežām vai pavada pieejas Indijai". [14] Pēc sērijas beigām 1903. gadā Laiki no pēdējiem termina lietojumiem tika noņemtas pēdiņas. [15]

Līdz Otrajam pasaules karam apvidus ap Turciju un Vidusjūras austrumu krastu bija ierasts saukt par “Tuvajiem Austrumiem”, bet “Tālie Austrumi”, kuru centrā bija Ķīna [16] un Tuvie Austrumi, tad nozīmēja šo teritoriju no Mesopotāmijas līdz Birmai, proti, teritorija starp Tuvajiem Austrumiem un Tālajiem Austrumiem. [ nepieciešams citāts ] Trīsdesmito gadu beigās briti saviem militārajiem spēkiem reģionā izveidoja Tuvo Austrumu pavēlniecību, kas atradās Kairā. Pēc tam termins "Tuvie Austrumi" Eiropā un Amerikas Savienotajās Valstīs ieguva plašāku lietojumu, cita starpā 1946. gadā Vašingtonā dibinot Tuvo Austrumu institūtu. [17]

Atbilstošais īpašības vārds ir Tuvie Austrumi un atvasinātais lietvārds ir Tuvo Austrumu.

Kaut arī termini, kas nav eirocentriski, piemēram, "Dienvidrietumu Āzija" vai "Svasija", ir izmantoti reti, Āfrikas valsts Ēģiptes iekļaušana definīcijā apšauba šādu terminu lietošanas lietderību.[18]

Kritika un lietošana

Apraksts Vidus ir radījis arī zināmu neskaidrību, mainot definīcijas. Pirms Pirmā pasaules kara "Tuvie Austrumi" tika lietots angļu valodā, lai apzīmētu Balkānus un Osmaņu impēriju, bet "Tuvie Austrumi" - Irānu, Kaukāzu, Afganistānu, Vidusāziju un Turkestānu. Turpretī “Tālie Austrumi” attiecās uz Austrumāzijas valstīm (piemēram, Ķīnu, Japānu, Koreju utt.)

Līdz ar Osmaņu impērijas izzušanu 1918. gadā "Tuvie Austrumi" lielā mērā izkrita no vispārpieņemta lietojuma angļu valodā, savukārt "Tuvie Austrumi" sāka tikt piemērots islāma pasaules jaunajām valstīm. Tomēr lietojumu "Tuvie Austrumi" saglabāja dažādas akadēmiskās disciplīnas, tostarp arheoloģija un senā vēsture, kur tā apraksta apgabalu, kas ir identisks terminam Tuvie Austrumi, ko šīs disciplīnas neizmanto (sk. Senie Tuvie Austrumi).

ASV valdība pirmo reizi oficiāli lietoja terminu "Tuvie Austrumi" 1957. gada Eizenhauera doktrīnā, kas attiecās uz Suecas krīzi. Valsts sekretārs Džons Fosters Dulless definēja Tuvos Austrumus kā "teritoriju, kas atrodas starp Lībiju, ieskaitot rietumos un Pakistānu austrumos, Sīriju un Irāku ziemeļos un Arābijas pussalu dienvidos, kā arī Sudānu un Etiopiju". [16] Valsts departaments 1958. gadā paskaidroja, ka termini "Tuvie Austrumi" un "Tuvie Austrumi" ir savstarpēji aizvietojami, un definēja šo reģionu kā tikai Ēģipti, Sīriju, Izraēlu, Libānu, Jordāniju, Irāku, Saūda Arābiju, Kuveitu, Bahreinu , un Katara. [19]

Associated Press Stylebook saka, ka Tuvie Austrumi agrāk attiecās uz tālākām rietumu valstīm, bet Tuvie Austrumi - uz austrumiem, bet tagad tie ir sinonīmi. Tas norāda:

Izmantot Tuvie Austrumi ja vien Tuvie Austrumi to izmanto avots stāstā. Tuvākie ir arī pieņemams, bet Tuvie Austrumi ir priekšroka. [20]

Termiņš Tuvie Austrumi ir kritizēts arī kā eirocentrisks ("balstīts uz britu Rietumu uztveri") Hanafi (1998). [21]

Tulkojumi

Ir līdzīgi termini Tuvie Austrumi un Tuvie Austrumi citās Eiropas valodās, bet, tā kā tas ir relatīvs apraksts, nozīmes ir atkarīgas no valsts un atšķiras no angļu valodas terminiem kopumā. Vācu valodā termins Naher Osten (Tuvie Austrumi) joprojām tiek plaši izmantots (mūsdienās šis termins) Mazulis Osten arvien biežāk sastopams preses tekstos, kas tulkoti no angļu valodas avotiem, kaut arī tiem ir atšķirīga nozīme) un krievu valodā Ближний Восток vai Blizhniy Vostok, Bulgāru Близкия Изток, poļu Bliski Wschód vai horvātu Bliski istok (nozīme Tuvie Austrumi visās četrās slāvu valodās) joprojām ir vienīgais atbilstošais reģiona apzīmējums. Tomēr dažām valodām ir "Tuvo Austrumu" ekvivalenti, piemēram, franču Moyen-Orient, zviedru Mellanöstern, spāņu Oriente Medio vai Medio Oriente un itāļu Medio Oriente. [1. piezīme]

Varbūt Rietumu preses ietekmes dēļ arābu ekvivalents Tuvie Austrumi (Arābu: الشرق الأوسط ash-Sharq al-Awsaṭ) ir kļuvusi par standarta lietojumu galvenajā arābu presē, un tai ir tāda pati nozīme kā terminam "Tuvie Austrumi" Ziemeļamerikas un Rietumeiropas lietojumā. Apzīmējums, Mashriq, arī no arābu saknes par Austrumi, apzīmē arī dažādi definētu reģionu ap Levantu, arābu valodā runājošās pasaules austrumu daļu (pretstatā Magreba, rietumu daļa). [22] Kaut arī šī termina izcelsme ir Rietumos, izņemot arābu valodu, citās Tuvo Austrumu valstu valodās tiek izmantots arī tā tulkojums. Persiešu ekvivalents Tuvajiem Austrumiem ir خاورمیانه (Khāvar-e miyāneh), ebreju valoda ir המזרח התיכון (hamizrach hatikhon), bet turku valoda ir Orta Dogu.

Teritorijas un reģioni, kas parasti tiek uzskatīti par Tuvajiem Austrumiem

Tradicionāli Tuvajos Austrumos ietilpst Irāna (Persija), Mazāzija, Mezopotāmija, Levanta, Arābijas pussala un Ēģipte. Mūsdienu valstī tie ir šādi:

Ieroči Karogs Valsts Platība
(km 2)
Populācija
(2012) [ nepieciešams atjauninājums ]
Blīvums
(uz km 2)
Kapitāls Nomināls
IKP, miljardi (2018) [23]
Uz vienu iedzīvotāju (2018) [24] Valūta Valdība Oficiāls
valodās
Akrotiri un Dhekelia 254 15,700 Nav Episkopi Nav Nav Eiro De facto stratokrātiskā atkarība konstitucionālās monarhijas laikā Angļu
Bahreina 780 1,234,596 1,582.8 Manama $30.355 $25,851 Bahreinas dinārs Absolūta monarhija Arābu valoda
Kipra 9,250 1,088,503 117 Nikosija $24.492 $28,340 Eiro Prezidenta republika Grieķu,
Turku
Ēģipte 1,010,407 82,798,000 90 Kaira $249.559 $2,573 Ēģiptes mārciņa Prezidenta republika Arābu valoda
Irāna 1,648,195 78,868,711 45 Teherāna $452.275 $5,491 Irānas rials Islāma republika Persiešu
Irāka 438,317 33,635,000 73.5 Bagdāde $226.07 $5,930 Irākas dinārs Parlamentārā republika Arābu,
Kurdu
Izraēla 20,770 7,653,600 365.3 Jeruzaleme a $369.843 $41,644 Izraēlas šekelis Parlamentārā republika Ebreju
Jordānija 92,300 6,318,677 68.4 Ammāna $42.371 $4,278 Jordānijas dinārs Konstitucionāla monarhija Arābu valoda
Kuveita 17,820 3,566,437 167.5 Kuveitas pilsēta $141.05 $30,839 Kuveitas dinārs Konstitucionāla monarhija Arābu valoda
Libāna 10,452 4,228,000 404 Beirūta $56.409 $9,257 Libānas mārciņa Parlamentārā republika Arābu valoda
Omāna 212,460 2,694,094 9.2 Maskats $82.243 $19,302 Omānas rials Absolūta monarhija Arābu valoda
Palestīna 6,220 4,260,636 667 Ramallā a n/a n/a Izraēlas šekelis,
Jordānijas dinārs
Pusprezidenta republika Arābu valoda
Katara 11,437 1,696,563 123.2 Doha $192.45 $70,780 Kataras karalis Absolūta monarhija Arābu valoda
Saūda Arābija 2,149,690 27,136,977 12 Rijāda $782.483 $23,566 Saūda Arābijas karalis Absolūta monarhija Arābu valoda
Sīrija 185,180 23,695,000 118.3 Damaska n/a n/a Sīrijas mārciņa Prezidenta republika Arābu valoda
Turcija 783,562 73,722,988 94.1 Ankara $766.428 $9,346 Turcijas lira Prezidenta republika Turku
Apvienotie Arābu Emirāti 82,880 8,264,070 97 Abu dabī $424.635 $40,711 AAE dirhams Absolūtā federālā monarhija Arābu valoda
Jemena 527,970 23,580,000 44.7 Sanā b
Adens (pagaidu)
$26.914 $872 Jemenas rials Pagaidu prezidenta republika Arābu valoda
a. ^ ^ Jeruzaleme ir pasludinātā Izraēlas galvaspilsēta, kas tiek apstrīdēta, un faktiskā Knesetas, Izraēlas Augstākās tiesas un citu Izraēlas valsts iestāžu atrašanās vieta. Ramallah ir faktiskā Palestīnas valdības atrašanās vieta, bet Palestīnas pasludinātā galvaspilsēta ir Austrumjeruzaleme, kas ir apstrīdēta. b. ^ Houthis kontrolē notiekošā kara dēļ. Valdība pārcēlās uz Adenu.

Citas Tuvo Austrumu definīcijas

Dažādi jēdzieni bieži tiek paralēli Tuvajiem Austrumiem, jo ​​īpaši Tuvajiem Austrumiem, Auglīgajam Pusmēnesim un Levantam. Tuvie Austrumi, Levant un Auglīgais pusmēness ir ģeogrāfiski jēdzieni, kas attiecas uz lielām mūsdienu definēto Tuvo Austrumu daļām, un Tuvie Austrumi ir vistuvāk Tuvajiem Austrumiem savā ģeogrāfiskajā nozīmē. Tā kā galvenokārt runā arābu valodā, dažreiz tiek iekļauts Ziemeļāfrikas Magribas reģions.

Dienvidkaukāza valstis - Armēnija, Azerbaidžāna un Gruzija - laiku pa laikam tiek iekļautas Tuvo Austrumu definīcijās. [25]

Lielie Tuvie Austrumi bija politisks termins, ko 21. Buša administrācija izgudroja 21. gadsimta pirmajā desmitgadē [26], lai apzīmētu dažādas valstis, kas attiecas uz musulmaņu pasauli, īpaši Irānu, Turciju, Afganistānu un Pakistānu. [27] Dažreiz tiek iekļautas arī dažādas Vidusāzijas valstis. [28]

Tuvie Austrumi atrodas Eirāzijas un Āfrikas, kā arī Vidusjūras un Indijas okeāna savienojuma vietā. Tā ir tādu reliģiju dzimtene un garīgais centrs kā kristietība, islāms, jūdaisms, manīheisms, jezīdi, druze, jarsāns un mandandisms, bet Irānā - mitisms, zoroastrisms, manišeānisms un bahājiešu ticība. Visā tās vēsturē Tuvie Austrumi ir bijis nozīmīgs pasaules lietu centrs stratēģiski, ekonomiski, politiski, kultūras un reliģiski jutīgā jomā. Reģions ir viens no reģioniem, kurā lauksaimniecība tika atklāta neatkarīgi, un no Tuvajiem Austrumiem tā tika izplatīta neolīta laikā dažādos pasaules reģionos, piemēram, Eiropā, Indas ielejā un Austrumāfrikā.

Pirms civilizāciju veidošanās akmens laikmetā visā Tuvajos Austrumos izveidojās attīstītas kultūras. Lauksaimnieku meklētās lauksaimniecības zemes un ganu mācītāju zemes nozīmēja dažādas migrācijas reģionā un veidoja tā etnisko un demogrāfisko sastāvu.

Tuvie Austrumi ir plaši un slavenāk pazīstami kā civilizācijas šūpulis. Senākās pasaules civilizācijas - Mezopotāmija (Šumera, Akāda, Asīrija un Babilonija), senā Ēģipte un Kišana Levantā - visas radās auglīgajā Pusmēness un Nīlas ielejas reģionos senajos Tuvajos Austrumos. Tiem sekoja Mazāzijas elāmu, grieķu, urrāņu un urrtiešu civilizācijas Irānā, Persijā un Vidusjūras civilizācijās Irānā, kā arī Levantes civilizācijas (piemēram, Ebla, Mari, Nagar, Ugarit, Kanaāna, Aramea, Mitanni, Feniķija un Izraēla) un Arābijas pussala (Magana, Šeba, Ubara). Tuvie Austrumi vispirms lielā mērā tika apvienoti Neo Asīrijas impērijā, pēc tam Ahamenīdu impērijā, vēlāk sekoja Maķedonijas impērija un pēc tam zināmā mērā Irānas impērijas (proti, Partijas un Sasanīdu impērijas), Romas impērija un Bizantijas impērija. Reģions kalpoja kā Romas impērijas intelektuālais un ekonomiskais centrs, un tam bija ārkārtīgi svarīga loma, pateicoties tā perifērijai Sasanīdu impērijā. Tādējādi romieši šajā reģionā izvietoja līdz pieciem vai sešiem leģioniem tikai ar mērķi aizsargāt to no Sasanīdu un beduīnu reidiem un iebrukumiem.

Kopš mūsu ēras 4. gadsimta Tuvie Austrumi kļuva par tā laika divu galveno varu - Bizantijas impērijas un Sasanīdu impērijas - centru. Tomēr tieši Viduslaiku vēlākie islāma kalifāti jeb islāma zelta laikmets, kas sākās ar šī reģiona islāma iekarošanu 7. gadsimtā pirms mūsu ēras, vispirms apvienos visus Tuvos Austrumus kā atšķirīgu reģionu un radīs dominējošo islāma valsti. Arābu etniskā identitāte, kas lielā mērā (bet ne tikai) saglabājas arī mūsdienās. Četri kalifāti, kas vairāk nekā 600 gadus dominēja Tuvajos Austrumos, bija Rašiduna kalifāts, Umaijada kalifāts, Abbasid kalifāts un Fatimīda kalifāts. Turklāt reģionā dominēs mongoļi, Armēnijas Karaliste savā apgabalā iekļaus reģiona daļas, seldžuki pārvaldīs šo reģionu un izplatīs turku-persiešu kultūru, bet franki atradīs krustnešu valstis, kas iestāsies par to. apmēram divus gadsimtus. Džosija Rasels uzskata, ka iedzīvotāju skaits, ko viņš sauc par "islāma teritoriju", ir aptuveni 12,5 miljoni no 1000 - Anatolija - 8 miljoni, Sīrija - 2 miljoni un Ēģipte - 1,5 miljoni. [29] Kopš 16. gadsimta Tuvajos Austrumos atkal sāka dominēt divas galvenās varas: Osmaņu impērija un Safavīdu dinastija.

Mūsdienu Tuvie Austrumi sākās pēc Pirmā pasaules kara, kad Osmaņu impēriju, kas bija savienota ar centrālajām lielvalstīm, sakāva Lielbritānijas impērija un to sabiedrotie un sadalījās vairākās atsevišķās valstīs, sākotnēji saskaņā ar britu un franču mandātu. Citi noteicošie notikumi šajā transformācijā bija Izraēlas izveide 1948. gadā un Eiropas valstu, īpaši Lielbritānijas un Francijas, aiziešana līdz 20. gadsimta 60. gadu beigām. Viņus daļēji aizstāja ASV pieaugošā ietekme, sākot ar septiņdesmitajiem gadiem.

20. gadsimtā reģiona ievērojamie jēlnaftas krājumi tam piešķīra jaunu stratēģisku un ekonomisku nozīmi. Masveida naftas ražošana sākās ap 1945. gadu, un Saūda Arābijā, Irānā, Kuveitā, Irākā un Apvienotajos Arābu Emirātos bija liels naftas daudzums. [30] Aprēķinātās naftas rezerves, īpaši Saūda Arābijā un Irānā, ir dažas no augstākajām pasaulē, un starptautiskajā naftas kartelī OPEC dominē Tuvo Austrumu valstis.

Aukstā kara laikā Tuvie Austrumi bija ideoloģiskas cīņas teātris starp abām lielvalstīm un to sabiedrotajiem: NATO un ASV vienā pusē, bet Padomju Savienība un Varšavas pakts, no otras puses, jo tās konkurēja, lai ietekmētu reģionālos sabiedrotos. Papildus politiskajiem iemesliem starp abām sistēmām bija arī "ideoloģiskais konflikts". Turklāt, kā apgalvo Luīze Foseta, starp daudzām svarīgām strīdu vai varbūt precīzāk satraukuma jomām, pirmkārt, bija lielvaru vēlmes iegūt stratēģiskas priekšrocības reģionā, otrkārt, tas, ka reģionā bija apmēram divas trešdaļas pasaules naftas rezervju kontekstā, kur nafta kļuva arvien svarīgāka Rietumu pasaules ekonomikai [. ] [31] Šajā kontekstā ASV centās novirzīt arābu pasauli no padomju ietekmes. 20. un 21. gadsimtā reģions ir piedzīvojis gan relatīva miera un iecietības periodus, gan konfliktu periodus, īpaši starp sunnītiem un šiītiem.

Etniskās grupas

Arābi veido lielāko etnisko grupu Tuvajos Austrumos, kam seko dažādas Irānas tautas un pēc tam turku valodā runājošās grupas (turku, azeru un irākiešu turkmēņi). Reģiona vietējās etniskās grupas papildus arābiem, aramiešiem, asīriešiem, Beludžiem, berberiem, koptiem, druziem, Kipras grieķiem, ebrejiem, kurdiem, luriem, mandeiešiem, persiešiem, samariešiem, šabakiem, tatiem un zaziem. Eiropas etniskās grupas, kas reģionā veido diasporu, ir albāņi, bosnieši, čerkesi (ieskaitot kabaardiešus), Krimas tatāri, grieķi, franču-levantieši, itāllevantieši un irākiešu turkmēņi. Citu migrantu vidū ir ķīnieši, filipīnieši, indiāņi, indonēzieši, pakistānieši, puštuni, romi un afro-arābi.

Migrācija

"Migrācija vienmēr ir bijusi nozīmīga izeja spiedienam uz darba tirgu Tuvajos Austrumos. Laikposmā no 70. līdz 90. gadiem Persijas līča arābu valstis jo īpaši nodrošināja bagātīgu nodarbinātības avotu strādniekiem no Ēģiptes, Jemenas un valstīm no Levantes, kamēr Eiropa bija piesaistījusi jaunus strādniekus no Ziemeļāfrikas valstīm gan Francijas, gan Ziemeļāfrikas valstu lielākās daļas tuvuma un koloniālo saišu dēļ. " [32] Saskaņā ar Starptautiskās Migrācijas organizācijas datiem pasaulē ir 13 miljoni pirmās paaudzes migrantu no arābu valstīm, no kuriem 5,8 dzīvo citās arābu valstīs. Ārzemnieki no arābu valstīm veicina finanšu un cilvēkkapitāla apriti reģionā un tādējādi ievērojami veicina reģionālo attīstību. 2009. gadā arābu valstis saņēma 35,1 miljardu ASV dolāru lielu naudas pārvedumu plūsmu un pārvedumus, kas no citām arābu valstīm nosūtīti uz Jordāniju, Ēģipti un Libānu, ir par 40 līdz 190 procentiem lielāki nekā tirdzniecības ieņēmumi starp šīm un citām arābu valstīm. [33] Somālijā Somālijas pilsoņu karš ir ievērojami palielinājis somāliešu diasporas lielumu, jo daudzi vislabāk izglītotie somālieši aizbrauca uz Tuvo Austrumu valstīm, kā arī uz Eiropu un Ziemeļameriku.

Tuvās Austrumu valstis, kas nav arābu valstis, piemēram, Turcija, Izraēla un Irāna, ir pakļautas arī nozīmīgai migrācijas dinamikai.

Liela daļa no tiem, kas migrē no arābu valstīm, ir no etniskajām un reliģiskajām minoritātēm, kuras saskaras ar rasu vai reliģiskām vajāšanām, un ne vienmēr ir etniskie arābi, irāņi vai turki. [ nepieciešams citāts ] Liels skaits kurdu, ebreju, asīriešu, grieķu un armēņu, kā arī daudzi mandānieši šo iemeslu dēļ pagājušā gadsimta laikā ir pametuši tādas valstis kā Irāka, Irāna, Sīrija un Turcija. Irānā daudzas reliģiskās minoritātes, piemēram, kristieši, bahāļi un zoroastrieši, ir pametušas kopš 1979. gada islāma revolūcijas. [ nepieciešams citāts ]

Reliģijas

Tuvie Austrumi ir ļoti dažādi, kad runa ir par reliģijām, no kurām daudzas radās tur. Islāms ir lielākā reliģija Tuvajos Austrumos, taču arī citas tur radušās ticības, piemēram, jūdaisms un kristietība, ir labi pārstāvētas. Kristieši pārstāv 40,5% Libānas, kur Libānas prezidents, puse kabineta un puse parlamenta ievēro vienu no dažādiem Libānas kristiešu rituāliem. Pastāv arī svarīgas minoritāšu reliģijas, piemēram, bahājiešu ticība, jarsānisms, jazīdisms, zoroastrisms, mandeisms, drūzs un šabakisms, un senos laikos reģionā dzīvoja Mesopotāmijas reliģijas, kanaāniešu reliģijas, manīheisms, mītisms un dažādas monoteistu gnostiķu sektas.

Valodas

Sešas galvenās valodas runātāju skaita ziņā ir arābu, persiešu, turku, kurdu, ebreju un grieķu. Arābu un ebreju valoda pārstāv afro-aziātu valodu saimi. Persiešu, kurdu un grieķu valoda pieder indoeiropiešu valodu saimei. Turku valoda pieder turku valodu saimei. Apmēram 20 minoritāšu valodās runā arī Tuvajos Austrumos.

Arābu valoda ar visiem tās dialektiem ir visizplatītākā valoda Tuvajos Austrumos, un literārā arābu valoda ir oficiāla visās Ziemeļāfrikas un lielākajā daļā Rietumāzijas valstu. Arābu dialektus runā arī dažos blakus esošajos apgabalos kaimiņu Tuvo Austrumu valstīs, kas nav arābu valstis. Tā ir afro-aziātu valodu semītu nodaļas locekle. Jemenā un Omānā runā arī vairākas mūsdienu Dienvidarābijas valodas, piemēram, Mehri un Soqotri. Citā semītu valodā, piemēram, aramiešu valodā un tās dialektos, runā galvenokārt asīrieši un mandeāņi. Ēģiptē ir arī Oasis berberu runājoša kopiena, kur valoda ir pazīstama arī kā Siwa. Tā ir ne-semītu afro-aziātu valoda.

Persiešu valoda ir otrā visbiežāk lietotā valoda. Lai gan tas galvenokārt tiek runāts Irānā un dažos pierobežas apgabalos kaimiņvalstīs, valsts ir viena no reģiona lielākajām un apdzīvotākajām. Tas pieder indoirāņu valodu saimes indoirāņu grupai. Citas Rietumirāņu valodas, kurās runā šajā reģionā, ir Ahomi, Daylami, kurdu dialekti, Semmani, Lurish un daudzas citas.

Trešā visplašāk lietotā valoda-turku valoda-lielākoties aprobežojas ar Turciju, kas ir arī viena no reģiona lielākajām un apdzīvotākajām valstīm, taču tā ir sastopama kaimiņvalstu teritorijās. Tas ir turku valodu pārstāvis, kuru izcelsme ir Vidusāzijā. Citā turku valodā - azerbaidžāņu valodā - azerbaidžāņi runā Irānā.

Ebreju valoda ir viena no divām oficiālajām Izraēlas valodām, otra ir arābu. Ebreju valodu runā un lieto vairāk nekā 80% Izraēlas iedzīvotāju, bet pārējie 20% lieto arābu valodu.

Grieķu valoda ir viena no divām Kipras oficiālajām valodām un valsts galvenā valoda. Nelielas grieķu valodā runājošo kopienas pastāv visā Tuvajos Austrumos līdz pat 20. gadsimtam, un to plaši runāja arī Mazāzijā (pēc turku valodas tā ir otrā visbiežāk lietotā valoda) un Ēģiptē. Senatnē sengrieķu valoda bija lingua franca daudzos Tuvo Austrumu rietumu apgabalos, un līdz musulmaņu ekspansijai arī tur tika plaši runāts. Līdz 11. gadsimta beigām tā bija arī galvenā runājošā valoda Mazāzijā, pēc tam to pakāpeniski aizstāja ar turku valodu, jo Anatolijas turki paplašinājās un vietējie grieķi tika asimilēti, it īpaši interjerā.

Angļu valoda ir viena no oficiālajām Akrotiri un Dhekelia valodām.[34] [35] To parasti māca un lieto arī kā otro valodu, īpaši vidējās un augstākās klases vidū, tādās valstīs kā Ēģipte, Jordānija, Irāna, Kurdistāna, Irāka, Katara, Bahreina, Apvienotie Arābu Emirāti un Kuveita. [36] [37] Tā ir arī galvenā valoda dažos Apvienoto Arābu Emirātu Emirātos.

Franču valodu māca un lieto daudzās Libānas valdības iestādēs un plašsaziņas līdzekļos, un to māca dažās Ēģiptes un Sīrijas pamatskolās un vidusskolās. Maltiešu valodu, semītu valodu, kurā galvenokārt runā Eiropā, lieto arī franču-maltiešu diaspora Ēģiptē.

Šajā reģionā ir sastopami arī armēņu valodā runājošie. Gruzīnu valodā runā gruzīnu diaspora. Deviņdesmito gadu beigās emigrācijas dēļ liela daļa Izraēlas iedzīvotāju runā krieviski. [38] Krievu valoda mūsdienās ir populāra neoficiāla valoda, ko lieto Izraēlā. Ziņas, radio un izkārtņu dēļi visā valstī ir atrodami krievu valodā pēc ebreju un arābu valodas. Čerkesu runā arī reģiona diaspora un gandrīz visi Izraēlas čerkesi, kas runā arī ebreju un angļu valodā. Lielākā rumāņu valodā runājošā kopiena Tuvajos Austrumos ir atrodama Izraēlā, kur kopš 1995. gada [atjauninājums] rumāņu valodā runā 5% iedzīvotāju. [2. piezīme] [39] [40]

Bengāļu, hindi un urdu valodā plaši runā migrantu kopienas daudzās Tuvo Austrumu valstīs, piemēram, Saūda Arābijā (kur 20–25% iedzīvotāju ir Dienvidāzija), Apvienotajos Arābu Emirātos (kur 50–55% iedzīvotāju ir dienvidi). Āzijā) un Katarā, kur ir liels skaits Pakistānas, Bangladešas un Indijas imigrantu.


Kā atrast & ldquoempty & rdquo buferi? - Ģeogrāfiskās informācijas sistēmas

Academia.edu vairs neatbalsta pārlūkprogrammu Internet Explorer.

Lai ātrāk un drošāk pārlūkotu Academia.edu un plašāku internetu, lūdzu, veltiet dažas sekundes, lai jauninātu savu pārlūkprogrammu.

Stu Hamiltons ir Solsberi universitātes ģeogrāfijas un ģeozinātņu asociētais profesors, kā arī ĢIS absolventu programmas direktors. Viņa pētnieciskās intereses ir globālas vides izmaiņas un cilvēka un vides mijiedarbība. Viņš ir Karaliskās ģeogrāfu biedrības (FRGS) biedrs, kā arī sertificēts ĢIS profesionālis (GISP). Viņš ir ieguvis bakalaura grādu ģeogrāfijā un lietišķajās sociālajās zinātnēs Kenterberijas Krista baznīcas universitātē Lielbritānijā, maģistra grādu ģeogrāfijā (GIS) no SUNY Bufalo un ģeogrāfijas doktora grādu Misisipi dienvidu universitātē.

Mērķis Sniegt augstas izšķirtspējas vietējās, reģionālās, valsts un pasaules aplēses par gada mangrovju. vairāk Mērķis
Sniegt augstas izšķirtspējas vietējās, reģionālās, valsts un globālās aplēses par ikgadējo mangrovju mežu platību no 2000. līdz 2012. gadam, lai virzītu mangrovju izpētes jautājumus par bioloģisko daudzveidību, oglekļa krājumiem, klimata pārmaiņām, funkcionalitāti, nodrošinātību ar pārtiku, iztiku, zivsaimniecības atbalstu un saglabāšanu, ko līdz šim kavējis atbilstošu datu trūkums.

Atrašanās vieta
Globāls, aptverot 99% no visiem mangrovju mežiem.

Metodes
Mēs sintezējām Global Forest Change datubāzi, Pasaules sauszemes ekosistēmas un Mangrove Forests of the World datubāzi, lai iegūtu mangrovju mežu segumu ar augstu telpisko un laika izšķirtspēju. Pēc tam mēs izmantojām jauno datu bāzi, lai uzraudzītu mangrovju segumu pasaules, valsts un aizsargājamo teritoriju mērogos.

Rezultāti
Valstis, kurās mangrovju zaudējumi ir salīdzinoši lieli, ir Mjanma, Malaizija, Kambodža, Indonēzija un Gvatemala. Indonēzija joprojām ir lielākā mangrovju turētāja, kurā ir no 26% līdz 29% pasaules mangrovju krājumu, un mežu izciršanas līmenis ir no 0,26% līdz 0,66% gadā. Mēs esam padarījuši mūsu jauno datu bāzi CGMFC-21 brīvi pieejamu.

Galvenie secinājumi
Globālā mangrovju mežu izciršana turpinās, bet ar ievērojami samazinātu ātrumu - no 0,16% līdz 0,39% gadā. Dienvidaustrumu Āzija ir problemātisks reģions, kur mangrovju mežu izciršanas rādītāji ir no 3,58% līdz 8,08%, tas ir reģionā, kurā ir puse no visa pasaules mangrovju mežu inventāra. Globālais mangrovju mežu izciršanas modelis no 2000. līdz 2012. gadam ir viens no samazinošajiem mežu izciršanas rādītājiem, un daudzas valstis būtībā ir stabilas, izņemot Dienvidaustrumāzijas lielāko mangrovju turēšanas reģionu. Mēs piedāvājam standartizētu telpisko datu kopu, kas uzrauga mangrovju mežu izciršanu visā pasaulē ar augstu telpisko un laika izšķirtspēju. Šos datus var izmantot, lai virzītu mangrovju pētniecības programmu, jo īpaši tas attiecas uz mangrovju oglekļa krājumu uzraudzību un sākotnējo vietējo mangrovju meža inventarizācijas izveidi, kas nepieciešama, lai samaksātu par ekosistēmu pakalpojumu iniciatīvām.

750, 1450 un 4550 m), kas ir statistiski nozīmīgi 95% ticamības līmenī. Kospektrālā analīze liecina, ka kāpu morfoloģijas atšķirības korelē ar šķērsvirziena izciļņiem iekšējā plauktā, aizmugures barjeru galotnēm un vēsturiskajām un ar vētrām saistītajām krasta maiņas tendencēm. Piekrastes posmi ar nelielu kāpu attīstību pirms viesuļvētras Ivana tika novēroti salas šaurākajās daļās (starp zemesgabaliem), uz rietumiem no šķērsām. Šajos apgabalos parasti bija lielāka iespiešanās spēja, un salu pārrāvumi bija plaši izplatīti, atstājot virsmu tuvu ūdenstilpnei un pārklājot ar čaumalu un grants. Turpretī lielākās priekškāpas un aizmugurējās kāpas tika novērotas salas platākajos posmos (galotnes galotnēs) un šķērsenisko grēdu virsotnē. Lielo kāpu un aizmugurējo kāpu klātbūtnes dēļ šajos apgabalos bija mazāka iespiešanās, un lielākā daļa nogulumu no pludmales un kāpām tika noglabāti krasta augšējā daļā. Tiek apgalvots, ka šie nogulumi pēc vētras tiek atgriezti pludmales krastā, tuvojoties krasta joslu migrācijai, un ka apgabalos ar lielākām priekškāpām un aizmugurējām kāpnēm ir mazāka vēsturiskā krasta erozija, salīdzinot ar teritorijām, kurās ir mazākas kāpas un lielāka nogulumu pārnešana uz izmazgāšanas terasi . Tā kā kāpu atjaunošanās būs atšķirīga atkarībā no nogulumu pieejamības no nogāzēm un pludmales virsmas, tiek apgalvots, ka kāpu morfoloģijas piekrastes modelis un salas reakcija uz nākamo galējo vētru ir spiesta šķērsvirziena grēdas un sala platumā, izmantojot krasta izmaiņas vētras uzplūdos un pārplūdes slīpumos. Šie atklājumi var būt īpaši svarīgi piekrastes pārvaldniekiem, kas iesaistīti viesuļvētras Ivan laikā bojātās vai iznīcinātās piekrastes infrastruktūras remontā un atjaunošanā.

750, 1450 un 4550 m), kas ir statistiski nozīmīgi 95% ticamības līmenī. Kospektrālā analīze liecina, ka kāpu morfoloģijas atšķirības korelē ar šķērsvirziena izciļņiem iekšējā plauktā, aizmugures barjeru galotnēm un vēsturiskajām un ar vētrām saistītajām krasta maiņas tendencēm. Piekrastes posmi ar nelielu kāpu attīstību pirms viesuļvētras Ivana tika novēroti salas šaurākajās daļās (starp zemesgabaliem), uz rietumiem no šķērsām. Šajos apgabalos parasti bija lielāka iespiešanās spēja, un salu pārrāvumi bija izplatīti, atstājot virsmu tuvu ūdenstilpnei un pārklājot čaumalu un grants. Turpretī lielākās priekškāpas un aizmugurējās kāpas tika novērotas salas platākajos posmos (galotnes galotnēs) un šķērsenisko grēdu virsotnē. Lielo kāpu un aizmugurējo kāpu klātbūtnes dēļ šajos apgabalos bija mazāka iespiešanās, un lielākā daļa nogulumu no pludmales un kāpām tika noglabāti krasta augšējā daļā. Tiek apgalvots, ka šie nogulumi pēc vētras tiek atgriezti pludmales krastā, tuvojoties krasta joslu migrācijai, un ka apgabalos ar lielākām priekškāpām un aizmugurējām kāpnēm ir mazāka vēsturiskā krasta erozija, salīdzinot ar teritorijām, kurās ir mazākas kāpas un lielāka nogulumu pārnešana uz mazgāšanas terasi . Tā kā kāpu atjaunošanās būs atšķirīga atkarībā no nogulumu pieejamības no nogāzēm un pludmales virsmas, tiek apgalvots, ka kāpu morfoloģijas piekrastes modelis un salas reakcija uz nākamo galējo vētru ir spiesta šķērsvirziena grēdas un sala platumā, izmantojot krasta izmaiņas vētras uzplūdos un pārplūdes slīpumos. Šie atklājumi var būt īpaši svarīgi piekrastes pārvaldniekiem, kas iesaistīti viesuļvētras Ivan laikā bojātās vai iznīcinātās piekrastes infrastruktūras remontā un atjaunošanā.

Mērķis Sniegt augstas izšķirtspējas vietējās, reģionālās, valsts un pasaules aplēses par gada mangrovju. vairāk Mērķis
Sniegt augstas izšķirtspējas vietējās, reģionālās, valsts un globālās aplēses par ikgadējo mangrovju mežu platību no 2000. līdz 2012. gadam, lai virzītu mangrovju izpētes jautājumus par bioloģisko daudzveidību, oglekļa krājumiem, klimata pārmaiņām, funkcionalitāti, nodrošinātību ar pārtiku, iztiku, zivsaimniecības atbalstu un saglabāšanu, ko līdz šim kavējis atbilstošu datu trūkums.

Atrašanās vieta
Globāls, aptverot 99% no visiem mangrovju mežiem.

Metodes
Mēs sintezējām Global Forest Change datubāzi, Pasaules sauszemes ekosistēmas un Mangrove Forests of the World datubāzi, lai iegūtu mangrovju mežu segumu ar augstu telpisko un laika izšķirtspēju. Pēc tam mēs izmantojām jauno datu bāzi, lai uzraudzītu mangrovju segumu pasaules, valsts un aizsargājamo teritoriju mērogos.

Rezultāti
Valstis, kurās mangrovju zaudējumi ir salīdzinoši lieli, ir Mjanma, Malaizija, Kambodža, Indonēzija un Gvatemala. Indonēzija joprojām ir lielākā mangrovju turētāja, kurā ir no 26% līdz 29% pasaules mangrovju krājumu, un mežu izciršanas līmenis ir no 0,26% līdz 0,66% gadā. Mēs esam padarījuši mūsu jauno datu bāzi CGMFC-21 brīvi pieejamu.

Galvenie secinājumi
Globālā mangrovju mežu izciršana turpinās, bet ar ievērojami samazinātu ātrumu - no 0,16% līdz 0,39% gadā. Dienvidaustrumāzija ir satraucošs reģions, kur mangrovju mežu izciršanas līmenis ir no 3,58% līdz 8,08%, tas ir reģionā, kurā ir puse no visa pasaules mangrovju mežu inventāra. Globālais mangrovju mežu izciršanas modelis no 2000. līdz 2012. gadam ir viens no samazinošajiem mežu izciršanas rādītājiem, un daudzas valstis būtībā ir stabilas, izņemot Dienvidaustrumāzijas lielāko mangrovju turēšanas reģionu. Mēs piedāvājam standartizētu telpisko datu kopu, kas uzrauga mangrovju mežu izciršanu visā pasaulē ar augstu telpisko un laika izšķirtspēju. Šos datus var izmantot, lai virzītu mangrovju izpētes programmu, jo īpaši tas attiecas uz mangrovju oglekļa krājumu uzraudzību un sākotnējo vietējo mangrove meža inventarizāciju izveidi, kas nepieciešama, lai samaksātu par ekosistēmu pakalpojumu iniciatīvām.

750, 1450 un 4550 m), kas ir statistiski nozīmīgi 95% ticamības līmenī. Kospektrālā analīze liecina, ka kāpu morfoloģijas atšķirības korelē ar šķērsvirziena izciļņiem iekšējā plauktā, aizmugures barjeru galotnēm un vēsturiskajām un ar vētrām saistītajām krasta maiņas tendencēm. Piekrastes posmi ar nelielu kāpu attīstību pirms viesuļvētras Ivana tika novēroti salas šaurākajās daļās (starp zemesgabaliem), uz rietumiem no šķērsām. Šajos apgabalos parasti bija lielāka iespiešanās spēja, un salu pārrāvumi bija izplatīti, atstājot virsmu tuvu ūdenstilpnei un pārklājot čaumalu un grants. Turpretī lielākās priekškāpas un aizmugurējās kāpas tika novērotas salas platākajos posmos (galotnes galotnēs) un šķērsenisko grēdu virsotnē. Lielo kāpu un aizmugurējo kāpu klātbūtnes dēļ šajos apgabalos bija mazāka iespiešanās, un lielākā daļa nogulumu no pludmales un kāpām tika noglabāti krasta augšējā daļā. Tiek apgalvots, ka šie nogulumi pēc vētras tiek atgriezti pludmales krastā, tuvojoties krasta joslu migrācijai, un ka apgabalos ar lielākām priekškāpām un aizmugurējām kāpnēm ir mazāka vēsturiskā krasta erozija, salīdzinot ar teritorijām, kurās ir mazākas kāpas un lielāka nogulumu pārnešana uz izmazgāšanas terasi . Tā kā kāpu atjaunošanās būs atšķirīga atkarībā no nogulumu pieejamības no nogāzes un pludmales virsmas, tiek apgalvots, ka kāpu morfoloģijas piekrastes modelis un salas reakcija uz nākamo galējo vētru ir spiesta šķērsvirziena grēdas un sala platumā, izmantojot krasta izmaiņas vētras uzplūdos un pārplūdes slīpumos. Šie atklājumi var būt īpaši svarīgi piekrastes pārvaldniekiem, kas iesaistīti viesuļvētras Ivan laikā bojātās vai iznīcinātās piekrastes infrastruktūras remontā un atjaunošanā.

750, 1450 un 4550 m), kas ir statistiski nozīmīgi 95% ticamības līmenī. Kospektrālā analīze liecina, ka kāpu morfoloģijas atšķirības korelē ar šķērsvirziena izciļņiem iekšējā plauktā, aizmugures barjeru galotnēm un vēsturiskajām un ar vētrām saistītajām krasta maiņas tendencēm. Piekrastes posmi ar nelielu kāpu attīstību pirms viesuļvētras Ivana tika novēroti salas šaurākajās daļās (starp zemesgabaliem), uz rietumiem no šķērsām. Šajos apgabalos parasti bija lielāka iespiešanās spēja, un salu pārrāvumi bija izplatīti, atstājot virsmu tuvu ūdenstilpnei un pārklājot čaumalu un grants. Turpretī lielākās priekškāpas un aizmugurējās kāpas tika novērotas salas platākajos posmos (galotnes galotnēs) un šķērsenisko grēdu virsotnē. Lielo kāpu un aizmugurējo kāpu klātbūtnes dēļ šajos apgabalos bija mazāka iespiešanās, un lielākā daļa nogulumu no pludmales un kāpām tika noglabāti krasta augšējā daļā. Tiek apgalvots, ka šie nogulumi pēc vētras tiek atgriezti pludmales krastā, tuvojoties krasta joslu migrācijai, un ka apgabalos ar lielākām priekškāpām un aizmugurējām kāpnēm ir mazāka vēsturiskā krasta erozija, salīdzinot ar teritorijām, kurās ir mazākas kāpas un lielāka nogulumu pārnešana uz izmazgāšanas terasi . Tā kā kāpu atjaunošanās būs atšķirīga atkarībā no nogulumu pieejamības no nogāzes un pludmales virsmas, tiek apgalvots, ka kāpu morfoloģijas piekrastes modelis un salas reakcija uz nākamo galējo vētru ir spiesta šķērsvirziena grēdas un sala platumā, izmantojot krasta izmaiņas vētras uzplūdos un pārplūdes slīpumos. Šie atklājumi var būt īpaši svarīgi piekrastes pārvaldniekiem, kas iesaistīti viesuļvētras Ivan laikā bojātās vai iznīcinātās piekrastes infrastruktūras remontā un atjaunošanā.


& ldquoPareizs & rdquo veids, kā rīkoties ar C6386 Visual C ++ (bufera pārsniegums)?

Man ir koda fragments, kas aktivizē bufera pārsniegšanas brīdinājumu:

Līnija, kas aktivizē brīdinājumu, ir [rinda] [kolonna] = 0, kur tā uzskata, ka kolonna var būt negatīva. Brīdinājums pazūd, ja veicu kādu no šīm darbībām:

  • paziņojumā iekļaut & amp & amp col & gt = 0 (kas ciklam pievieno nevajadzīgu pārbaudi, jo reālajā kodā es jau esmu pārbaudījis mainīgās robežas un zinu, ka nekad nepārpildīšu)
  • izdzēsiet manekenu cilpai koda fragmenta vidū (dīvaini, es zinu, un īstajā kodā, ko cilpa "manekena" veic reāli)
  • Mainīt manekenu uz size_t (dīvaini, nav saistīts ar cilpu ar brīdinājumu)
  • Mainiet n uz neparakstītu int (atkal dīvaini, nav saistīti ar attiecīgo cilpu)
  • noņemiet nepāra mainīgo no kolu inicializatora (tas padarītu kodu nepareizu)
  • izmantojiet #pragma, lai ignorētu problēmu (no kuras es parasti labprātāk izvairos)
  • Pārbaudiet jebkur virs cilpas, vai nav diapazonu, kas varētu izraisīt pārplūdi (es izmēģināju m, n, x, y un pat nepāra diapazona pārbaudes).
  • Mainiet kolonu uz neparakstītu veidu, piemēram, size_t, vai veiciet jebkāda veida neparakstītu liešanu

Neviens no risinājumiem man neļauj justies siltam un izplūdušam. Pēdējā laikā esmu diezgan bieži redzējis šādus brīdinājumus, bieži vien ar savdabīgu atkarību no nesaistītiem koda bitiem, piemēram, šeit redzamo manekenu, un gandrīz nekad neatklājot reālu problēmu. Vai ir laba prakse, kā izvairīties no šāda veida brīdinājumiem?


Maršrutētāja izvades bufera lielums ir atkarīgs no RTT. Kā?

Saskaņā ar grāmatu par datortīkliem un kvotu maršrutētājam nepieciešams buferizācijas apjoms, kas vienāds ar plūsmas vidējo turp un atpakaļ laiku, kas iet caur maršrutētāju, reizināts ar maršrutētāja tīkla saskarnes ietilpību, B = RTT * C & quot. Tas ir labi zināms noteikums.

Mans jautājums Kā šo RTT var nodrošināt maršrutētājam pirms tā instalēšanas vai kā šo RTT aprēķināt iepriekš? Cik es zinu, maršrutētājs pats nevar novērtēt šo RTT.


Pastāv diezgan pastāvīgs nepareizs uzskats, ka bez bloķēšanas algoritmi ir ātrāki nekā bloķēšanas algoritmi. Tomēr tā var nebūt taisnība. Mūsdienu mutex ieviešana ir ārkārtīgi ātra bezproblēmas gadījumā, un, ja ir daudz strīdu, viņi izmanto sistēmas izsaukumu, kas ļauj kodolam gaidīt, līdz mutex tiek atbloķēts. Sistēmas izsaukumam noteikti ir daudz pieskaitāmo izdevumu, taču jūsu risinājums ir griezties 255 reizes. Atomu darbības nav bezmaksas, tāpēc strīdīgajā gadījumā, kad daudzi pavedieni mēģina piekļūt, tas var tērēt daudz CPU laika.

Jums patiešām vajadzētu mēģināt pierādīt savu teoriju, ka bezslēgšanas ieviešana ir ātrāka nekā mutexes, izmantojot etalonus.


Nosaukums Kurna nozīmē "zemes rags " vai "kalna punkts ". [1]

Atsauces uz Kornu, Gurnu, Kurnu, Gurnu, Elkouru, Gurnu, el Abūabu, El-Gornu vai daudziem citiem variantiem pirms 1940. gadu literatūrā attiecas uz izkaisītu mājokļu izplešanos, kas stiepjas aptuveni no Rāmesuma ( Rāmesa templis II) līdz Seti I Mortuāra templim Theban Hills austrumu pusē, ieskaitot pašreizējos vietvārdus Šeihs 'Adb el-Kurna, El-Asasifs, El-Khokha, Dra ’Abu el-Nage’ un Korna.

18., 19. un 20. gadsimtā apkārtnes apmeklētāji un ceļotāji reti izmanto šo nosaukumu, un starp Medinet Habu un el-Tarif kapiem laiku pa laikam var saukt par Kornas kopienas daļu.

Atsauce uz "Gurnas templis vai līdzīgs, vairumā gadījumu ir atsauce uz Ramesseum, mazākā mērā uz Seti I templi, un reti tā ir atsauce uz visiem Ramses IV, Thutmose III vai Thutmose IV Mortuary tempļiem.