نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

تجزیه و تحلیل نقاط تمرکز بیماری لیشمانیوز احشایی و بررسی ارتباط آن با دمای هوا در GIS

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار دانشگاه حکیم سبزواری دانشکده جغرافیا و علوم محیطی گروه سنجش از دور و GIS ،سبزوار،ایران

10.22034/rsgi.2024.61958.1078

چکیده

لیشمانیوز احشایی (VL) یک بیماری ناقل زئونوز است. چندین عامل خطر جغرافیایی بر بروز VL تأثیر می‌گذارند، از جمله دمای هوا، که برای توسعه پشه خاکی حیاتی است. تعداد کمی ایستگاه‌های هواشناسی پراکنده اقدام به ثبت دمای هوا می‌کنند و اندازه‌گیری‌های میدانی پرهزینه و زمان‌بر است، اگر چه ارزیابی دمای هوا برای فعالیت‌های پیشگیرانه برای اپیدمیولوژیست‌ها بسیار مهم است. دما را می‌توان با سطوح پیوسته استخراج شده از طریق سیستم اطلاعات جغرافیایی تعیین کرد. این سطوح با استفاده از روش‌های زمین‌آماری شامل کریجینگ/ کوکریجینگ معمولی، کریجینگ /کوکریجینگ سراسری در مناطق کلیبر و خداآفرین ایران تولید شد. با استفاده از آمار *Getis-Ord Gi و Moran's I جهانی، نقاط تمرکز یا داغ و تجزیه و تحلیل خود همبستگی مکانی بیماری VL تعیین شده است. با توجه به z-score و p-value به ترتیب 2.22 و 0.026، کمتر از 5 درصد احتمال دارد که این الگوی خوشه‌ای بیماری می‌تواند نتیجه شانس تصادفی باشد. برآورد MAE=1.9897، RMSE=2.714 و PE=13.72 نشان داد که روش کوکریجینگ معمولی روش برتر در این مطالعه بوده است. بروز VL با دمای هوا از طریق ضریب همبستگی پیرسون ارتباط نزدیکی داشت. اپیدمیولوژیست ها باید مطالعات خود را بر روی سایر روستاهای مشابه روستاهای مبتلا به بیماری از نظر دمای هوا گسترش دهند. در این روستاها احتمال فعالیت پشه خاکی و بروز VL بیشتر از سایر روستاهاست، بنابراین انجام اقدامات پیشگیرانه ضروری به نظر می‌رسد.

تازه های تحقیق

لیشمانیوز احشایی) VL( یک بیماری ناقل زئونوز است. چندین عامل خطر جغرافیایی بر بروز VL تأثیر میگذارند، از جمله دمای هوا، که برای توسعه پشه خاکی حیاتی است. تعداد کمی ایستگاههای هواشناسی پراکنده اقدام به ثبت دمای هوا میکنند و اندازهگیریهای میدانی پرهزینه و زمانبر است، اگر چه ارزیابی دمای هوا برای فعالیتهای پیشگیرانه برای اپیدمیولوژیستها بسیار مهم است. دما را میتوان با سطوح پیوسته استخراج شده از طریق سیستم اطلاعات جغرافیایی تعیین کرد .این سطوح با استفاده از روشهای زمینآماری شامل کریجینگ/ کوکریجینگ معمولی، کریجینگ /کوکریجینگ سراسری در مناطق کلیبر و خداآفرین ایران تولید شد. با استفاده از آمار *Getis-Ord Gi و Moran's I جهانی، نقاط تمرکز یا داغ و تجزیه و تحلیل خود همبستگی مکانی بیماری VL تعیین شده است. با توجه به z-score و p-value به ترتیب 2.22 و 0.026، کمتر از 5 درصد احتمال دارد که این الگوی خوشهای بیماری میتواند نتیجه شانس تصادفی باشد. برآورد 1.9897RMSE=2.714 ،MAE= و 13.72PE= نشان داد که روش کوکریجینگ معمولی روش برتر در این مطالعه بوده است. بروز VL با دمای هوا از طریق ضریب همبستگی پیرسون ارتباط نزدیکی داشت. اپیدمیولوژیست ها باید مطالعات خود را بر روی سایر روستاهای مشابه روستاهای مبتلا به بیماری از نظر دمای هوا گسترش دهند. در این روستاها احتمال فعالیت پشه خاکی و بروز VL بیشتر از سایر روستاهاست، بنابراین انجام اقدامات پیشگیرانه ضروری به نظر میرسد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Hot Spot Analysis of Visceral Leishmaniasis Disease and Evaluation of its Relation with Air Temperature in GIS

نویسنده [English]

  • Elahe Akbari

Department of remote sensing and Geographic Information System, Faculty of Geography and Environmental Science, Hakim Sabzevari University, Sabzevar, Iran.

چکیده [English]

Visceral Leishmaniasis (VL) is a zoonotic vector born disease. Several geographical risk factors affect VL incidence including air temperature, critical to the development of sand fly. Few and scattered meteorological stations tend to record air temperature with field measurements which costly and time consuming, albeit its evaluations for preventive activities are crucial for epidemiologists. Temperature can be determined by continuous surfaces extracted via Geographic Information System. Surfaces were produced by using geostatistical methods including Ordinary Kriging/Cokriging, Universal Kriging/Cokriging in Kalaybar and Khoda-afarin districts of Iran. I determined hot spot and spatial auto-correlation analysis of VL disease by Getis-Ord Gi* statistic and global Moran's I, too. Given the z-score and p-value of 2.22 and 0.026, respectively, showed less than 5 % likelihood that this VL clustered pattern could be the result of random chance. Estimating MAE=1.9897, RMSE=2.714 and PE =13.72, was indicated the Ordinary Cokriging method was the superior method in this study. VL incidence correlated closely with air temperature as Pearson’s coefficient. Epidemiologists should expand their studies on other villages similar to the involved disease-stricken villages in terms of air temperature. Albeit in these villages, the probability of sand fly activities and VL incidence are higher than others, so preventative activities seem necessary.

کلیدواژه‌ها [English]

  • Visceral Leishmaniasis
  • Hot spot and spatial auto-correlation analysis
  • Air Temperature
  • Geostatistics
  • Geographical Information System (GIS)

لیشمانیوز احشایی) VL( یک بیماری ناقل زئونوز است. چندین عامل خطر جغرافیایی بر بروز VL تأثیر میگذارند، از جمله دمای هوا، که برای توسعه پشه خاکی حیاتی است. تعداد کمی ایستگاههای هواشناسی پراکنده اقدام به ثبت دمای هوا میکنند و اندازهگیریهای میدانی پرهزینه و زمانبر است، اگر چه ارزیابی دمای هوا برای فعالیتهای پیشگیرانه برای اپیدمیولوژیستها بسیار مهم است. دما را میتوان با سطوح پیوسته استخراج شده از طریق سیستم اطلاعات جغرافیایی تعیین کرد .این سطوح با استفاده از روشهای زمینآماری شامل کریجینگ/ کوکریجینگ معمولی، کریجینگ /کوکریجینگ سراسری در مناطق کلیبر و خداآفرین ایران تولید شد. با استفاده از آمار *Getis-Ord Gi و Moran's I جهانی، نقاط تمرکز یا داغ و تجزیه و تحلیل خود همبستگی مکانی بیماری VL تعیین شده است. با توجه به z-score و p-value به ترتیب 2.22 و 0.026، کمتر از 5 درصد احتمال دارد که این الگوی خوشهای بیماری میتواند نتیجه شانس تصادفی باشد. برآورد 1.9897RMSE=2.714 ،MAE= و 13.72PE= نشان داد که روش کوکریجینگ معمولی روش برتر در این مطالعه بوده است. بروز VL با دمای هوا از طریق ضریب همبستگی پیرسون ارتباط نزدیکی داشت. اپیدمیولوژیست ها باید مطالعات خود را بر روی سایر روستاهای مشابه روستاهای مبتلا به بیماری از نظر دمای هوا گسترش دهند. در این روستاها احتمال فعالیت پشه خاکی و بروز VL بیشتر از سایر روستاهاست، بنابراین انجام اقدامات پیشگیرانه ضروری به نظر میرسد.

Akbari, E. (2024). Remote Sensing Data Assimilation by Forcing method in Simulation of Silage maize Yield using AquaCrop Model. Iranian Journal of Remote Sensing & GIS, (), -. doi:
10.48308/gisj.2024.233912.1190. (In Persian).
Akbari, E., Fakheri, M., Pourgholamhasan, E., & Akbari, Z. (2015). Monthly Zoning of the Air Pollution and Surveying its Relationship with Climatic Factors (Case Study: Mashhad City). Journal of Natural Environment, 68(4), 533-547. doi: 10.22059/jne.2015.56927.  (In Persian). 
Benavides R., Montes F., Rubio A., Osoro K. (2007). Geostatistical modelling of air temperature in a mountainous region of Northern Spain. Agricultural and forest meteorology. 146(3-4): 173-88. https://doi.org/10.1016/j.agrformet.2007.05.014.
Bohling G. (2005). Introduction to geostatistics and variogram analysis. Kansas geological survey. Oct
17; 1(10):1-20. http://people.ku.edu/gbohling/cpe940/Varigrams.pdf
Burrough P.A. and McDonnell R.A. (1998). Principles of Geographical Information Systems. Oxford University Press, Oxford, 333pp.
Carrera- Herna’ndez J.J. and Gaskin S.J. (2007). Spatio-Temporal Analysis of Daily Precipitation and Temperature in the Basin of Mexico. J. Hydro1. 336 (3-4): 231-249. https://doi.org/10.1016/j.jhydrol.2006.12.021.
Country’s Meteorological Organization. (1998-2012). Hourly meteorological data of Synoptic stations of East Azarbaijan and Ardebil provinces. 
Dai, Y., Du, S., & Min, H. (2023). Comparative Hotspot Analysis of Urban Living Environments and
Transit-Oriented Development (TOD) Strategies: A Case Study of Beijing and Xi’an. ISPRS International Journal of Geo-Information, 12(11), 446.
Dorak MT. (2009). Epiemiology of Infectious Diseases. URL: http://www.dorak.info/epi/epiinf.ppt, (accessed 7 May 2023).
ESRI. (2023). Arc GIS 10.3 Geostatistical Analyst Tutorial.
Feliciangeli M.D., Campbell Lendrum D., Martinez C., Gonzalez D. and Davies C.R. (2023). Chagas disease in Venezuela, lessons for the Andean region and beyond. Trends Parasitol. 19: 44-49. https://doi.org/10.1016/S1471-4922(02)00013-2. 
Goovaerts P. (1997). Geostatistics for Natural Resources Evaluation. New York, NY: Oxford University Press. 
Goovaerts P. (1999). Performance Comparison of Geostatistical Algorithms for Incorporating Elevation into the Mapping of Precipitation. The IV International Conference on GeoComputation (Geocomputation 99). Fredericksburg, VA, USA. 25-28 July.
Gutiérrez, J. D., Altamiranda-Saavedra, M., Ávila-Jiménez, J., Martins, I. A., & Virginio, F. (2024). Effect of environmental variables on the incidence of Visceral Leishmaniasis in Brazil and Colombia. Acta Tropica, 252, 107131.
Habib, M. F., Bridgelall, R., Motuba, D., & Rahman, B. (2023). Exploring the robustness of alternative cluster detection and the threshold distance method for crash hot spot analysis: a study on vulnerable road users. Safety, 9(3), 57.
Hsu S., Mavrogianni A., & Hamilton I. (2017). Comparing spatial interpolation techniques of local urban temperature for heat-related health risk estimation in a subtropical city. Procedia engineering. 198: 354-365. https://doi.org/10.1016/j.proeng.2017.07.091. 
Irmak A. and Ranade P.K. (2008). GIS based Estimation of Spatial Distribution of Temperature and Evapotranspiration in Nebraska. Published by the American Society of Agricultural and Biological Engineers, St. Joseph, Michigan. 
Ischia T. and Kawashima S. (1993). Use of cokriging to estimate surface air temperature from elevation. Theoretical and Applied Climatology. 47 (3). 147-157. https://doi.org/10.1007/BF00867447. 
Jaber S. M., Ibbini J. H., Hijjawi N. S., Amdar N. M., Huwail M. J., & Al-Aboud K. (2013). Exploring recent spatial patterns of cutaneous leishmaniasis and their associations with climate in some countries of the Middle East using geographical information systems. Geospatial health, 8(1): 143-158. DOI:
10.4081/gh.2013.62.
Joafshany M.A, Zoghi I., Cimanti S., Tabatabai Moghadam H., Mohebaly M., Mazkrany M., Mortazavi Tabatabaei A., Manouchehr C. and Natqyan A.R. (2005). Important diseases shared between humans and animals in Iran. data Published. Department of Health and Medical Education. Deputy Education and Student Affairs.  (In Persian). 
Laciak M., Vízi L., Kačur J., Durdán M., Flegner P. (2021). Application of geostatistical methods in spatio-temporal modelling of temperature changes of UCG experimental trial. Measurement. Feb 1; 171:108826. https://doi.org/10.1016/j.measurement.2020.108826. 
Li X., Cheng G., and Lu L. (2005). Spatial analysis of air temperature in the Qinghai-Tibet Plateau. Arctic, Antarctic, and Alpine Research. 37(2): 246-252.
Li, Y., & Zheng, C. (2019). Associations between meteorological factors and visceral leishmaniasis outbreaks in Jiashi County, Xinjiang Uygur Autonomous Region, China, 2005–2015. International journal of environmental research and public health, 16(10), 1775.
Lu George Y. and Wong David W. (2008). An adaptive inverse-distance weighting spatial interpolation technique, Computers & Geosciences. 34: 1044– 1055. https://doi.org/10.1016/j.cageo.2007.07.010. 
Madani H. (1994). Geostatistics Fundamentals. Amirkabir University of Technology - Tafresh. First Edition. (In Persian).
Mahdian M.H., Rahimi Bandarabady S., Sokouti R. and Norouzi Banis Y. (2009). Appraisal of the Geostatistical Methods to Estimate Monthly and Annual Temperature. Journal of Applied Sciences. 9(1): 128-134. DOI: 10.3923/jas.2009.128.134. 
Maruashvili G.M. and Bardzhade B.G. (1966). On the natural focality of visceral leishmaniasis in the Georgian SSR. Med Parazitol. 35: 462-463.
Matthew O.J., Eludoyin A.O., Oluwadiya K.S. (2021). Spatio-temporal variations in COVID-19 in relation to the global climate distribution and fluctuations. Spatial and spatio-temporal epidemiology. 37: 100417. https://doi.org/10.1016/j.sste.2021.100417. 
Mazloumi Gavgani A.S., Mohite H., Edrissian G.H., Mohebali M. and Davies C.R. (2002). Domestic dog ownership in Iran is a risk factor for human infection with Leishmania infantum. The American Journal of Tropical Medicine and Hygiene. 67(5): 511-5.
Mitchell, A. (2005). The ESRI Guide to GIS Analysis, Volume 2. ESRI Press.
MOH. (2018). Records of the health and communicable diseases; (by permission of the Ministry of Health). 
Njoku E. A., Akpan P. E., Effiong A. E., & Babatunde I. O. (2023). The effects of station density in geostatistical prediction of air temperatures in Sweden: A comparison of two interpolation techniques. Resources,   Environment         and         Sustainability,         11:          100092. https://doi.org/10.1016/j.resenv.2022.100092. 
Ord, J.K. and A. Getis. (1995). Local spatial autocorrelation statistics: Distributional issuse and an application. Geographical analysis. 27 (4).
Puggioni G., Couret J., Serman E., Akanda A.S., Ginsberg H.S. (2020). Spatiotemporal modeling of dengue fever risk in Puerto Rico. Spatial and Spatio-temporal Epidemiology. 35:100375. https://doi.org/10.1016/j.sste.2020.100375. 
Sabzevari S., Mohebali M., & Hashemi A. (2020). Cutaneous and visceral leishmaniasis: parasites, vectors and reservoir hosts in endemic foci of North Khorasan, Northeastern Iran-a Narrative Review. Journal of Medical Microbiology and Infectious Diseases, 8(2): 40-44. DOI:
10.29252/JoMMID.8.2.40.
Scarpini S., Dondi A., Totaro C., Biagi C., Melchionda F., Zama D., Pierantoni L., Gennari M., Campagna C., Prete A. and Lanari M. (2022). Visceral leishmaniasis: epidemiology, diagnosis, and treatment regimens in different geographical areas with a focus on pediatrics. Microorganisms, 10(10): p.1887. DOI: 10.3390/microorganisms10101887. 
Subramanian, S., Maheswari, R.U., Prabavathy, G., Khan, M.A., Brindha, B., Srividya, A., Kumar, A., Rahi, M., Nightingale, E.S., Medley, G.F. and Cameron, M.M. (2024). Modelling spatiotemporal patterns of visceral leishmaniasis incidence in two endemic states in India using environment, bioclimatic and demographic data, 2013–2022. PLoS neglected tropical diseases, 18(2), e0011946.
Wang M., He G., Zhang Z., Wang G., Zhang Z., Cao X., Wu Z. and Liu X. (2017). Comparison of spatial interpolation and regression analysis models for an estimation of monthly near surface air temperature in China. Remote Sensing, 9(12): p.1278. https://doi.org/10.3390/rs9121278. 
World Health Organization. (2004). Focus: Leishmaniasis; URL: http://www.who.int/tdrold/dw/leish2004.htm, (accessed 7 December 2012).
World Health Organization. (2010). First WHO report on neglected tropical diseases: working to overcome the global impact of neglected tropical diseases. p 104 and 106.
Zaeem M. (1997). General medical entomology. Tehran University. (In Persian).
Zakeri S., Mamaghani S., Mehrizi A.A., Shahsavari Z., Raeisi A., Arshi S. and Dinparast-Djadid N.
(2004). Molecular Evidence of Mixed P. vivax and P. falciparum infections in Northern Islamic Republic of IRAN. East Mediterr Health J. 10 (3): 336-42. https://apps.who.int/iris/handle/10665/119418. 
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 3، شماره 9 - شماره پیاپی 8
دی 1402
صفحه 150-132
  • تاریخ دریافت: 15 خرداد 1403
  • تاریخ بازنگری: 10 مرداد 1403
  • تاریخ پذیرش: 21 مرداد 1403