Suite

Comment trouver un tampon « vide » ?


J'ai donc des lignes (réseau routier) et des tampons autour d'eux. J'ai besoin de trouver des "tampons vides" dont les lignes sont manquantes (photo ci-dessous). Les lignes ont des attributs de largeur de tampon, mais cela est incorrect dans certains cas (ne correspond pas au tampon réel avec). Donc, créer/effacer avec de nouveaux polygones n'est pas une option, car cela laissera beaucoup de polygones poubelles. Les tampons sont également dissous dans la plupart des cas.


C'est juste une idée qu'il faudrait expérimenter davantage car elle peut être imparfaite?

Que diriez-vous de regarder une sorte de valeur de rapport longueur/périmètre ?

Imaginez que vous ayez une ligne de 10 m de long et que sa zone tampon soit pleine de 2 m, le périmètre de la zone tampon serait d'environ 20 m. donc 10/20 = 0,5.

Imaginez maintenant que vous ayez une ligne de 25 m de long dans un tampon en forme de L qui avait été créé par une polyligne en forme de L de 50 m pour laquelle vous n'aviez qu'un côté, donnant ainsi votre scénario d'un tampon à moitié vide. Vous auriez un périmètre de 25m / ~100m = 0,25.

Ainsi, les valeurs proches de 0,5 sont des polygones avec leurs lignes centrales, il faudrait donc tester quelle serait une bonne valeur de coupure.

Juste une idée…


C'est juste une autre idée, en regardant l'angle opposé à votre question, pour trouver d'abord les axes médians comme expliqué l'une des méthodes ici, puis rechercher les caractéristiques de ligne correspondantes. Bien sûr, cette approche donnera des résultats robustes si les lignes de route sont au « centre » des polygones. Peut-être que l'ajout de tampons minces (« combien mince » est un autre problème bien sûr) à vos caractéristiques routières existantes, ce qui introduira une pseudo-tolérance, vous aidera à trouver des caractéristiques similaires en examinant la quantité de la ligne centrale « contenue » par le tampon .


Contexte : Les études estimant les effets sur la santé d'une exposition à long terme à la pollution atmosphérique utilisent souvent une approche en deux étapes : la construction de modèles d'exposition pour attribuer des expositions au niveau individuel, qui sont ensuite utilisées dans des analyses de régression. Cela nécessite une modélisation précise de l'exposition et un traitement minutieux de l'erreur de mesure de l'exposition.

Objectif : Pour illustrer l'importance de tenir compte des caractéristiques du modèle d'exposition dans les études sur la pollution atmosphérique en deux étapes, nous avons examiné une étude de cas basée sur les données de l'Étude multiethnique de l'athérosclérose (MESA).

Méthodes : Nous avons construit des modèles d'exposition spatiale nationaux qui ont utilisé les moindres carrés partiels et le krigeage universel pour estimer les concentrations moyennes annuelles de quatre PM2.5 composants : carbone élémentaire (EC), carbone organique (OC), silicium (Si) et soufre (S). Nous avons prédit PM2.5 les expositions des composants pour la cohorte MESA et les associations transversales estimées avec l'épaisseur intima-média carotidienne (CIMT), en ajustant les covariables spécifiques au sujet. Nous avons corrigé l'erreur de mesure en utilisant des méthodes récemment développées qui tiennent compte de la structure spatiale des expositions prévues.

Résultats : Nos modèles ont bien fonctionné, avec des validations croisées R 2 valeurs allant de 0,62 à 0,95. Des analyses naïves qui ne tenaient pas compte de l'erreur de mesure ont indiqué des associations statistiquement significatives entre le CIMT et l'exposition à OC, Si et S. EC et OC présentaient peu de corrélation spatiale, et l'inférence corrigée était inchangée par rapport à l'analyse naïve. Les surfaces d'exposition Si et S présentaient une corrélation spatiale notable, résultant en des intervalles de confiance (IC) corrigés qui étaient 50 % plus larges que les IC naïfs, mais qui étaient toujours statistiquement significatifs.

Conclusion : L'impact de la correction de l'erreur de mesure sur l'inférence des effets sur la santé est concordant avec le degré de corrélation spatiale dans les surfaces d'exposition. Les caractéristiques du modèle d'exposition doivent être prises en compte lors de l'exécution d'analyses épidémiologiques de la pollution atmosphérique en deux étapes, car l'inférence naïve d'effets sur la santé peut être inappropriée.

Citation : Bergen S, Sheppard L, Sampson PD, Kim SY, Richards M, Vedal S, Kaufman JD, Szpiro AA. 2013. Un modèle de prévision national pour les PM2.5 les expositions aux composants et l'inférence des effets sur la santé avec correction des erreurs de mesure. Environ Health Perspect 121:1017-1025 http://dx.doi.org/10.1289/ehp.1206010

Introduction

La relation entre la pollution atmosphérique et les effets néfastes sur la santé a été bien documentée (Pope et al. 2002 Samet et al. 2000). De nombreuses études se concentrent sur les matières particulaires, en particulier les matières particulaires ≤ 2,5 μm de diamètre aérodynamique (PM2.5) (Kim et al. 2009 Miller et al. 2007). Effets des PM sur la santé2.5 peut dépendre des caractéristiques des particules, y compris la forme, la solubilité, le pH ou la composition chimique (Vedal et al., sous presse), et une meilleure compréhension de ces effets différentiels pourrait aider à éclairer les politiques. L'un des défis de l'évaluation de l'impact des différents composants chimiques des PM2.5 dans une étude épidémiologique, il est nécessaire d'attribuer des expositions aux participants à l'étude en fonction des données de surveillance provenant de différents emplacements (c'est-à-dire des données spatialement désalignées). Lorsque vous effectuez cela pour de nombreux composants, la procédure de prédiction doit être rationalisée pour être pratique. Quel que soit l'algorithme de prédiction, l'utilisation des expositions estimées plutôt que réelles induit une erreur de mesure dans l'analyse épidémiologique ultérieure. Nous décrivons ici un modèle de prédiction flexible et efficace qui peut être appliqué à l'échelle nationale pour estimer les niveaux d'exposition à long terme pour plusieurs polluants et qui met en œuvre les méthodes existantes de correction des erreurs de mesure dans le modèle de santé.

Les méthodes actuelles d'attribution des expositions comprennent la régression de l'utilisation des terres (LUR) avec les covariables du système d'information géographique (SIG) (Hoek et al. 2008) et le krigeage universel, qui exploite également la structure spatiale résiduelle (Kim et al. 2009 Mercer et al. 2011) . Souvent, des centaines de covariables SIG corrélées candidates sont disponibles, ce qui nécessite une procédure de réduction de dimension. Les méthodes de sélection de variables qui ont été envisagées dans la littérature comprennent la recherche exhaustive, la sélection par étapes et le rétrécissement au « lasso » (Mercer et al. 2011 Tibshirani 1996). Cependant, les méthodes de sélection de variables ont tendance à être gourmandes en calculs, réalisables peut-être lorsque l'on considère un seul polluant, mais deviennent rapidement impraticables lors de l'élaboration de prévisions pour plusieurs polluants. Une alternative plus rationalisée est la régression des moindres carrés partiels (PLS) (Sampson et al. 2009), qui trouve un petit nombre de combinaisons linéaires des covariables SIG qui tiennent le plus efficacement compte de la variabilité des concentrations mesurées. Ces combinaisons linéaires réduisent l'espace des covariables à une dimension beaucoup plus petite et peuvent ensuite être utilisées comme structure moyenne dans un modèle LUR ou de krigeage universel à la place des covariables SIG individuelles. Cela offre les avantages d'utiliser toutes les covariables SIG disponibles et d'éliminer les processus de sélection de variables potentiellement longs.

L'utilisation d'expositions prédites à partir de données spatialement désalignées plutôt que d'expositions réelles dans les modèles de santé introduit une erreur de mesure qui peut avoir des implications pour ^ βX, le coefficient d'intérêt estimé du modèle de santé (Szpiro et al. 2011b). Une erreur de type Berkson qui résulte du lissage de la vraie surface d'exposition peut gonfler le SE de ^ βX. Une erreur de type classique résulte de l'estimation des paramètres du modèle de prédiction et peut biaiser ^ βX en plus de gonfler son SE. Les méthodes bootstrap pour ajuster les effets de l'erreur de mesure ont été discutées par Szpiro et al. (2011b).

Nous présentons ici une étude de cas pour illustrer une approche holistique de la modélisation épidémiologique de la pollution atmosphérique en deux étapes, qui comprend la modélisation de l'exposition dans la première étape et la modélisation de la santé qui intègre la correction des erreurs de mesure dans la deuxième étape. Nous construisons des modèles d'exposition nationaux à l'aide du PLS et du krigeage universel, et les utilisons pour estimer les concentrations moyennes à long terme de quatre espèces chimiques de particules.2.5—carbone élémentaire (EC), carbone organique (OC), silicium (Si) et soufre (S)—sélectionné pour refléter une variété de particules différentes2.5 sources et processus de formation (Vedal et al., sous presse). Après avoir développé les modèles d'exposition, nous dérivons des prédictions pour la cohorte de l'étude multiethnique de l'athérosclérose (MESA). Ces prédictions sont utilisées comme covariables d'intérêt dans les analyses de santé évaluant les associations entre l'épaisseur intima-média carotidienne (CIMT), une mesure subclinique de l'athérosclérose et l'exposition aux particules.2.5 Composants. Nous appliquons des méthodes de correction des erreurs de mesure pour tenir compte du fait que des expositions prédites plutôt que réelles sont utilisées dans ces modèles de santé. Nous discutons de nos résultats et de leurs implications en ce qui concerne l'effet de la corrélation spatiale dans les surfaces d'exposition sur les associations estimées entre les expositions et les effets sur la santé.

Données de surveillance. Les données sur EC, OC, Si et S ont été collectées pour construire les modèles nationaux. Ces données consistaient en des moyennes annuelles de 2009 à 2010, mesurées par l'Interagency Monitoring for Protected Visual Environments (IMPROVE) et le Chemical Speciation Network (CSN) de l'Environmental Protection Agency des États-Unis (U.S. EPA 2009). Les moniteurs IMPROVE sont un réseau national situé principalement dans des zones reculées. Les moniteurs de la CSN sont situés dans des zones plus urbaines. Ces deux réseaux fournissent des données uniformément dispersées dans les 48 états inférieurs (Figure 1).

Figure 1 Emplacements des moniteurs IMPROVE et CSN et prévisions des PM moyennes nationales2.5 concentrations de composants à partir des modèles de prédictions finales. (UNE) CE, (B) OC, (C) Si, et () S. Les encarts montrent des prédictions pour St. Paul, MN.

Tous les moniteurs IMPROVE et CSN qui avaient au moins 10 points de données par trimestre et un maximum de 45 jours entre les mesures ont été inclus dans nos analyses. Les mesures de Si et S ont été moyennées du 1er janvier 2009 au 31 décembre 2009. L'ensemble de données EC/OC se composait des mesures de 204 moniteurs IMPROVE et CSN moyennées du 1er janvier 2009 au 31 décembre 2009, et des mesures de 51 moniteurs du CSN moyennées au cours du 1er mai. 2009-30 avril 2010. Nous avons utilisé cette dernière période car le protocole de mesure utilisé par les moniteurs du CSN avant le 1er mai 2009 était incompatible avec le protocole réseau IMPROVE. La comparaison des valeurs moyennes du 1er mai 2009 au 30 avril 2010 avec celles du 1er janvier 2009 au 31 décembre 2009 a indiqué peu de différence entre les périodes (données non présentées). Les moyennes annuelles ont été transformées en racine carrée avant la modélisation.

Covariables géographiques. Environ 600 covariables LUR étaient disponibles pour tous les emplacements des moniteurs et des sujets. Celles-ci comprenaient les distances par rapport aux routes A1, A2 et A3 [codes de classe d'entités de recensement (CFCCs US Census Bureau 2013)] l'utilisation des terres dans une zone tampon donnée, la densité de population dans une zone tampon donnée et l'indice de végétation par différence normalisée (NDVI National Oceanic and Atmospheric Administration 2013) , qui mesure le niveau de végétation à proximité d'un moniteur. Les routes CFCC A1 sont des autoroutes à accès limité Les routes A2 et A3 sont d'autres routes principales telles que les autoroutes de comté et d'État sans accès limité (Mercer et al. 2011). Pour le NDVI, une série de 23 images satellitaires composites de 16 jours spécifiques au moniteur a été obtenue, et les pixels dans une mémoire tampon donnée ont été moyennés pour chaque image. Le PLS a incorporé les 25e, 50e et 75e centiles de ces 23 moyennes. La médiane des moyennes des images de « haute saison de végétation » (définie comme du 1er avril au 30 septembre) et des moyennes de « basse saison de végétation » (du 1er octobre au 31 mars) a également été incluse. Les covariables géographiques ont été prétraitées pour éliminer les covariables LUR qui étaient trop homogènes ou sujettes aux valeurs aberrantes pour être utiles. Plus précisément, nous avons éliminé les variables avec > 85 % de valeurs identiques et celles avec la valeur aberrante standardisée la plus extrême > 7. Nous avons transformé en log et tronqué toutes les variables de distance à 10 km et calculé des variables de distance « compilées » supplémentaires telles que la distance minimale aux routes et la distance à tout port. Ces variables compilées ont ensuite été soumises aux mêmes critères d'inclusion. Toutes les covariables sélectionnées étaient centrées sur la moyenne et mises à l'échelle par leurs SD respectifs.

Cohorte MESA. MESA est une étude basée sur la population qui a commencé en 2000, avec une cohorte composée de 6 814 participants de six villes américaines : Los Angeles, Californie St. Paul, Minnesota Chicago, Illinois Winston-Salem, Caroline du Nord New York, New York et Baltimore, Maryland. Quatre groupes ethniques/raciaux ont été ciblés : les blancs, les sino-américains, les afro-américains et les hispaniques. Tous les participants étaient exempts de maladie cardiovasculaire diagnostiquée par un médecin au moment de l'admission. [Pour plus de détails sur l'étude MESA, voir Bild et al. (2002).] Ces participants ont également été utilisés dans la Multi-Ethnic Study of Atherosclerosis and Air Pollution (MESA Air), une étude auxiliaire à MESA financée par l'US EPA pour étudier la relation entre l'exposition chronique à la pollution atmosphérique et la progression de l'infection subclinique. maladies cardiovasculaires (Kaufman et al. 2012). Les études MESA et MESA Air ont toutes deux été approuvées par le comité d'examen institutionnel (IRB) de chaque site, y compris les IRB de l'Université de Californie, Los Angeles (Los Angeles, CA), Columbia University (New York, NY), Johns Hopkins University (Baltimore, MD), University of Minnesota (Minneapolis-St. Paul, MN), Wake Forest University (Winston-Salem, NC) et Northwestern University (Evanston, IL). Tout les sujets ont fait connaître leur consentement par écrit.

Nous avons sélectionné le critère d'évaluation CIMT dans MESA comme résultat de santé pour notre étude de cas. La CIMT, une mesure subclinique de l'athérosclérose, a été mesurée par échographie en mode B à l'aide d'un scanner GE Logiq (GE Healthcare, Wauwatosa, WI), et le point final a été quantifié comme les mesures CIMT de la paroi extrême droite effectuées lors de l'examen MESA 1, qui a pris lieu entre 2000 et 2002 (Vedal et al., sous presse). Nous avons considéré les 5 501 participants MESA qui avaient des mesures CIMT lors de l'examen 1, notre analyse était basée sur les 5 298 participants MESA qui avaient des mesures CIMT lors de l'examen 1 et des données complètes pour toutes les covariables du modèle sélectionnées.

Méthodes

La première étape de l'approche en deux étapes comprenait la construction des modèles d'exposition en utilisant PLS comme covariables dans les modèles de krigeage universels. Nous avons utilisé la validation croisée (CV) pour sélectionner le nombre de scores PLS, déterminer la fiabilité des prédictions de chaque modèle d'exposition et évaluer dans quelle mesure la structure spatiale était présente pour chaque polluant. L'étape de modélisation de la santé de l'approche en deux étapes comprenait les modèles de santé que nous avons ajustés et les méthodes de correction des erreurs de mesure que nous avons utilisées. [Pour un exposé technique plus détaillé, voir Bergen et al. (2012).]

Modèles de prédiction spatiale. Notation. Soit Xt* désigne le N* × 1 vecteur des concentrations transformées en racine carrée observées aux emplacements de surveillance R* le N* × p matrice de covariables géographiques aux emplacements de surveillance Xt les N × 1 vecteur de concentrations transformées en racine carrée inconnue aux emplacements des sujets non observés et R le N × p matrice de covariables géographiques aux emplacements des sujets. Notez que pour nos modèles d'exposition, Xt* et Xt sont des variables dépendantes, et R* et R sont des variables indépendantes. Nous avons utilisé PLS pour décomposer R* en un ensemble de combinaisons linéaires de dimension beaucoup plus petite que R*. Spécifiquement,

Ici, H est un p × k matrice de poids pour les covariables géographiques, et T* est un N* × k matrice de composantes ou de scores PLS. Ces scores sont des combinaisons linéaires des covariables géographiques trouvées de manière à maximiser la covariance entre Xt* et toutes les combinaisons linéaires possibles de R*. On peut remarquer des similitudes entre le PLS et l'analyse en composantes principales (ACP). Bien que les deux méthodes soient similaires en ce qu'elles sont toutes deux des méthodes de réduction de dimension, les scores de PLS maximisent la covariance entre Xt* et toutes les autres combinaisons linéaires possibles de R*, alors que les scores de l'ACP sont choisis pour expliquer autant que possible la covariance de R*. [Pour plus de détails, voir Sampson et al. (2013)]. Les scores PLS aux emplacements non observés sont ensuite dérivés comme T = RH.

Une fois que les scores PLS T et T* ont été obtenus pour le sujet et les emplacements de surveillance, respectivement, nous avons supposé le modèle conjoint suivant pour les expositions non observées et observées :

Ici α est un vecteur de coefficients de régression pour les scores PLS, et η et η* sommes N × 1 et N* × 1 vecteurs d'erreurs, respectivement. Nos principaux modèles d'exposition supposaient que les termes d'erreur présentaient une corrélation spatiale qui pouvait être modélisée avec un variogramme de krigeage paramétré par un vecteur de paramètres θ⊇= (τ 2 , σ 2 , ϕ) (Cressie 1992). La pépite, 2 , est interprétable comme la quantité de variabilité dans les expositions à la pollution qui n'est pas expliquée par la structure spatiale le seuil partiel, σ 2 , est interprétable comme la quantité de variabilité qui est expliquée par la structure spatiale et la plage, , est interprétable comme la distance maximale entre deux emplacements au-delà de laquelle ils ne peuvent plus être considérés comme spatialement corrélés. Nous avons estimé ces paramètres et les coefficients de régression via le maximum de vraisemblance de profil. Une fois ces paramètres estimés, nous avons obtenu des prédictions à des emplacements non observés en prenant la moyenne de Xt conditionnel à Xt* et les paramètres estimés du modèle d'exposition. Parce que nos méthodes de correction des erreurs de mesure reposent sur un modèle d'exposition correctement spécifié, nous avons pris soin de choisir le variogramme de krigeage le mieux adapté pour modéliser nos données. Nous avons initialement ajusté des variogrammes exponentiels pour les quatre polluants et examiné si les tracés du variogramme estimé semblaient bien correspondre au variogramme empirique. S'ils semblaient mal ajustés, nous avons étudié des variogrammes sphériques et cubiques. Le variogramme exponentiel s'ajuste bien pour EC, OC et S, mais fournit un mauvais ajustement pour Si (données non présentées). Nous avons donc examiné les variogrammes cubiques et sphériques et avons trouvé que le variogramme sphérique offrait un meilleur ajustement et l'avons utilisé pour modéliser Si dans nos modèles d'exposition.

En comparaison avec nos modèles de krigeage primaires, nous avons également dérivé des prédictions à partir de PLS seul sans ajuster un variogramme de krigeage. Ceci est analogue à un modèle LUR pur mais utilisant les scores PLS au lieu des covariables géographiques réelles. Pour cette analyse, η et * ont été supposés indépendants, et α a été estimé à l'aide d'un ajustement des moindres carrés à la régression de Xt* sur T*. Les prédictions PLS uniquement aux emplacements non observés ont ensuite été dérivées en tant que valeurs ajustées de cette régression en utilisant les scores PLS aux emplacements des sujets.

CV et sélection de modèles. Nous avons utilisé un CV de 10 fois (Hastie et al.2001) pour évaluer la précision des prédictions des modèles, pour sélectionner le nombre de composants PLS à utiliser dans les modèles de prédiction finaux et pour comparer les prédictions générées à l'aide de PLS uniquement à nos modèles principaux, qui utilisaient à la fois PLS et le krigeage universel. Les données ont été assignées au hasard à 1 des 10 groupes. Un groupe (un « ensemble de test ») a été omis et les groupes restants (un « ensemble d'apprentissage ») ont été utilisés pour ajuster le modèle et générer des prédictions d'ensemble de test. Chaque groupe a joué le rôle d'ensemble de test jusqu'à ce que des prédictions soient obtenues pour l'ensemble des données. À chaque itération, les étapes suivantes ont été suivies pour valider de manière croisée nos modèles principaux (des étapes similaires ont été suivies pour dériver des prédictions à validation croisée utilisant uniquement PLS) :

PLS a été adapté à l'aide de l'ensemble d'entraînement, et K les scores ont été calculés pour l'ensemble de tests, pour K = 1. 10.

Les paramètres de krigeage universels et les coefficients ont été estimés via le maximum de vraisemblance de profil en utilisant l'ensemble d'apprentissage. La première K Les scores PLS correspondent à T* dans l'équation 1, pour K = 1. 10.

Les prédictions ont été dérivées en utilisant le premier K Composants PLS et krigeage universel correspondant, en utilisant les paramètres de krigeage estimés à partir de l'ensemble d'apprentissage.

Nous avons utilisé le package R pls pour s'adapter au PLS. le krigeage universel a été réalisé à l'aide du package R geoR. Les modèles les plus performants ont été sélectionnés parmi ceux qui utilisaient à la fois le PLS et le krigeage en fonction de leur erreur quadratique moyenne de prédiction (RMSEP) à validation croisée et correspondant R 2 . Pour un ensemble de données avec N* observations et prédictions correspondantes, les formules de ces métriques de performance sont données par

Ces métriques sont sensibles à l'échelle en conséquence, elles sont utiles pour évaluer les performances du modèle pour un polluant donné mais pas pour comparer les modèles entre les polluants.

Modélisation de la santé. Modèle de maladie. Des modèles de régression linéaire multivariée ont été utilisés pour estimer les effets de chaque MP individuelle2.5 exposition des composants sur CIMT. Chaque modèle comprenait un seul PM2.5 composante avec un vecteur de covariables spécifiques au sujet. Soit Y le vecteur 5 298 × 1 des résultats pour la santé des 5 298 participants MESA inclus dans l'analyse, W le vecteur 5 298 × 1 des prévisions d'exposition sur l'échelle non transformée et Z une matrice de facteurs de confusion potentiels. Nous avons supposé des relations linéaires entre Y, les expositions réelles, et Z, et avons ajusté l'équation suivante via les moindres carrés ordinaires (OLS) :

E(Oui) =0 + WβX + Zβz. [4]

Correction d'erreur de mesure. Le modèle de l'équation 4 a été ajusté en utilisant les expositions prédites W au lieu des expositions réelles comme covariable d'intérêt. L'utilisation de prédictions plutôt que d'expositions réelles dans la modélisation de la santé introduit deux sources d'erreur de mesure qui influencent potentiellement le comportement de ^ βX. Une erreur de type Berkson provient du lissage de la vraie surface d'exposition et pourrait gonfler le SE de ^ βX. Une erreur de type classique provient de l'estimation des paramètres du modèle d'exposition α et . L'erreur de type classique gonfle potentiellement le SE de ^ βX et pourrait également biaiser l'estimation ponctuelle. Nous avons mis en œuvre le paramètre bootstrap, une méthode efficace pour évaluer et corriger les effets de l'erreur de mesure. [Voir Szpiro et al. (2011b) pour plus d'informations et de détails.]

Nous avons utilisé le paramètre bootstrap dans le contexte de prédictions utilisant à la fois le PLS et le krigeage universel, l'approche serait très similaire si le PLS seul était utilisé (bien que nous n'ayons pas mis en œuvre cette correction ici).

Estimez une densité d'échantillonnage pour ^ α et ^ θ avec une distribution normale multivariée.

Pour j = 1. B échantillons d'amorçage

Simulez de nouvelles expositions bootstrap « observées » aux emplacements de surveillance de l'Équation 1 et les résultats pour la santé de l'Équation 4.

Échantillonner de nouveaux paramètres de modèle d'exposition et, à partir de la densité d'échantillonnage estimée à l'étape 1, en utilisant une matrice de covariance constante multipliée par un scalaire λ ≥ 0. λ contrôle la variabilité de ( ^ αj, ^ θj) : plus λ est grand, plus grande est la variabilité de ( ^ αj, ^ θj).

Utilisez les résultats de santé simulés et les paramètres du modèle d'exposition nouvellement échantillonnés pour dériver Wj.

Calculer ^ βx,j en utilisant Wj par OLS.

Soit Eλ( ^X B ) désigne la moyenne empirique des ^ βx,j. Le biais estimé est défini comme le biaisλ( ^X) = Eλ( ^X ÊTRE0( ^X B ) avec l'estimation de l'effet corrigée du biais correspondante βx,λ corrigé = ^ βX-Biaisλ( ^X).

Estimez le bootstrap SE comme

Pour notre implémentation du paramètre bootstrap, nous définissons B = 30 000 et = 1.

L'objectif du paramètre bootstrap est d'approximer les propriétés d'échantillonnage de la mesure impactée par l'erreur ^ βX cela serait estimé si nous effectuions notre analyse en deux étapes avec de nombreuses réalisations réelles d'observations de surveillance et d'ensembles de données sur la santé des sujets. En conséquence, l'étape 2(a) nous donne B de nouvelles « réalisations » de nos données. Pour λ⊇= 1, l'étape 2(b) tient compte de l'erreur de type classique en rééchantillonnant les paramètres du modèle d'exposition. L'étape 2(c) tient compte de l'erreur de type Berkson en lissant la vraie surface d'exposition. L'étape 2(d) calcule ensuite B nouveau ^ βx,j's, dont les propriétés d'échantillonnage ont intégré toutes les sources d'erreur de mesure. En les comparant à la moyenne de bootstrap ^ βx,j dérivées à l'aide de paramètres de modèle d'exposition fixes (c'est-à-dire λ⊇= 0) nous donne une approximation du biais induit par l'erreur de type classique (étape 3), et l'écart type 4).

Nous avons également implémenté le paramètre bootstrap pour λ = 0. Ceci est équivalent au « bootstrap paramétrique partiel » décrit par Szpiro et al. (2011b), qui ne rend compte de l'erreur de type Berkson que parce que la surface d'exposition est toujours lissée, mais avec des paramètres fixes.

Un trait souhaitable du paramètre bootstrap est la capacité d'« ajuster » le montant de l'erreur de type classique en faisant varier , ce qui nous permet d'étudier comment la variabilité de la distribution d'échantillonnage de ( ^ αj, ^ θj) affecte le biais de ^ βX. Cela peut être utile pour affiner nos estimations de biais bootstrap par extrapolation par simulation (SIMEX) (Stefanski et Cook 1995). (Pour plus d'informations sur notre approche de SIMEX et les résultats de son application aux données MESA, voir le matériel supplémentaire, pp. 2-3 et Figure S1.)

Résultats

Données. Données de surveillance. Les concentrations moyennes des quatre polluants selon le réseau de surveillance sont présentées au tableau 1. Les concentrations d'EC et de CO mesurées par les moniteurs du CSN avaient tendance à être plus élevées que les concentrations mesurées par les moniteurs IMPROVE. Les concentrations moyennes de Si et S mesurées par les moniteurs CSN étaient également plus élevées que les moyennes IMPROVE. Cependant, par rapport à leurs SD, les différences entre les moniteurs CSN et IMPROVE dans les concentrations Si et S n'étaient pas aussi importantes que les différences entre les concentrations EC et OC.

Tableau 1 Données récapitulatives pour les concentrations de pollution observées (moyenne ± ET) dans les réseaux de surveillance des concentrations prédites (moyenne ± ET) pour la cohorte MESA à l'examen 1 et résumés des covariables LUR sélectionnées.

CovariablesAMÉLIORERCSNTous les moniteursMESA Air
Des sites (m)190982885501
CE (μg/m 3 )0.19±0.180.66±0.240.37±0.300.74±0.18
CO (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
Sites <150m d'une route A1[m (%)]4 (2)3 (3)7 (2)249 (6)
Sites <150m d'une route A3[m (%)]36 (19)43 (44)79 (27)2,763 (50)
Distance médiane à comm (m)4,6961271,235302
Dens pop médians une (personnes/mi 2 )3805203,496
NDVI b150140146137
Abréviations : comm, centres commerciaux ou de services, tanières pop, densité de population. une Personnes par mile carré pour l'îlot/groupe d'îlots de recensement auquel le moniteur/sujet appartient. b Valeur médiane des médianes NDVI estivales dans une zone tampon de 250 m.

Covariables géographiques. Les variables géographiques que nous avons utilisées sont répertoriées dans le tableau 2. La plupart de ces variables ont été utilisées pour modéliser les quatre polluants, mais pas tous. Les variables suivantes ont été utilisées pour modéliser Si et S mais pas EC et OC : PM2.5 et PM10 émissions, cours d'eau et canaux dans une zone tampon de 3 km, autres utilisations des terres urbaines ou bâties dans une zone tampon de 400 m, lacs dans une zone tampon de 10 km, complexes industriels et commerciaux dans une zone tampon de 15 km et parcours herbacés dans une zone tampon de 3 km. D'autre part, les variables suivantes ont été utilisées pour modéliser EC et OC mais pas Si et S : utilisation industrielle des terres dans des zones tampons de 1 et 1,5 km.

Tableau 2 Les covariables LUR (abréviations de la figure 2) et (le cas échéant) les tailles de tampon de covariable qui ont réussi le prétraitement et ont été prises en compte par PLS.

AbréviationDescription des variablesTailles des tampons
Distance aux caractéristiques route A1 uneN / A
Route la plus proche uneN / A
Aéroport uneN / A
Grand aéroport uneN / A
Port uneN / A
Littoral un BN / A
Centre commercial ou de service uneN / A
Chemin de fer uneN / A
Cour de triage uneN / A
ALORS2ALORS2 Émissions c30km
PM2.5PM2.5 CD30km
PM10PM10 CD30km
NONXNONX c30km
PopulationDensité de population500 m, 1 km, 1,5 km, 2 km, 2,5 km, 3 km, 5 km, 10 km, 15 km
NDVI–hiverHiver médian250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI–étéÉté médian250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI–Q7575e centile250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI–Q5050e centile250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
NDVI–Q2525e centile250 m, 500 m, 1 km, 2,5 km, 5 km, 7,5 km, 10 km
TransportTransports, collectivités et services publics750m, 3km, 5km, 10km, 15km
TransitionZones de transition15km
FluxRuisseaux et canaux3km , 5km, 10km, 15km
ArbustePâturage d'arbustes et de broussailles1,5 km, 3 km, 5 km, 10 km, 15 km
RésidentielRésidentiel400m, 500m, 750m, 1km, 1,5km, 3km, 5km, 10km, 15km
Autre urbainAutre urbain ou bâti400m , 500 m, 1,5 km, 3 km, 5 km, 10 km, 15 km
Gamme mixtePâturage mixte3km, 5km, 10km, 15km
Forêt mixteTerre de forêt mixte750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
des lacsdes lacs 10 km
IndustrielIndustriel1km e , 1,5 km e , 3km, 5km, 10km, 15km
Industrie/commComplexes industriels et commerciaux 15km
Gamme d'herbesPâturage herbacé3km , 5km, 10km
VertTerre de forêt à feuilles persistantes400m, 500m, 750m, 1km, 1,5km, 3km, 5km, 10km, 15km
forêtForêt de feuillus750 m, 1 km, 1,5 km, 3 km, 5 km, 10 km, 15 km
RecadrerTerres cultivées et pâturages400m, 500m, 750m, 1km, 1,5km, 3km, 5km, 10km, 15km
CommCommerces et services500m, 750m, 1km, 1,5km, 3km, 5km, 10km, 15km
A23Distance totale des routes A2 et A3 dans la zone tampon100m, 150m, 300m, 400m, 500m, 750m, 1km, 1,5km, 3km, 5km
A1Distance totale des routes A1 dans la zone tampon1 km, 1,5 km, 3 km, 5 km
La plupart des variables ont été utilisées dans chacun des quatre PM2.5 Cependant, la procédure de prétraitement a sélectionné certaines variables pour EC et OC qui n'ont pas été sélectionnées pour Si et S, et vice versa parce que les emplacements de surveillance EC et OC n'étaient pas identiques aux emplacements Si et S. une Tronqué à 25km et log10 transformé. b Journal10 et les valeurs non transformées toutes deux incluses. c Tonnes par an d'émissions des cheminées hautes. Variable utilisée pour la modélisation Si, S uniquement. e Variable utilisée pour la modélisation EC et OC uniquement.

Les distributions des covariables géographiques sélectionnées sont présentées en fonction du réseau de surveillance et des emplacements MESA dans le tableau 1. Bien que relativement peu de moniteurs appartenant à IMPROVE ou au CSN se trouvaient à moins de 150 m d'une route A1, il y avait une plus grande proportion de moniteurs du CSN à moins de 150 m de une route A3 (44 %) que les moniteurs IMPROVE (19 %), ce qui correspond au placement des moniteurs CSN dans des emplacements plus urbains par rapport aux moniteurs IMPROVE (tableau 1). La distance médiane des centres commerciaux et de services était beaucoup plus petite pour les moniteurs CSN (127 m contre 4 696 m), et la densité de population médiane était beaucoup plus grande pour les moniteurs CSN (805 personnes/mi 2 ) que pour les moniteurs IMPROVE (seulement 3 personnes/mi 2 ) mi 2 ). Les valeurs médianes du NDVI d'été à moins de 250 m étaient légèrement inférieures pour les moniteurs CSN que pour les moniteurs IMPROVE, ce qui correspond à l'emplacement des moniteurs IMPROVE dans des zones plus vertes. Les distributions géographiques des covariables parmi les emplacements des participants MESA étaient plus cohérentes avec les moniteurs CSN, comme cela est particulièrement évident pour le nombre de sites < 150 m d'une route A3 et la densité de population médiane (tableau 1). Les graphiques de densité des covariables géographiques pour la surveillance et les emplacements des sujets ont indiqué un chevauchement notable pour toutes les covariables géographiques (données non présentées), suggérant que les différences dans les covariables géographiques entre les emplacements de surveillance et les emplacements MESA étaient cohérentes avec la concentration de sujets MESA dans les emplacements urbains, et non une extrapolation au-delà de notre Les données.

Cohorte MESA. Les distributions des covariables du modèle de santé parmi les participants de la cohorte MESA sont résumées dans le tableau 3. L'âge moyen du CIMT (0,68 ± 0,19 mm) (62 ± 10 ans) le sexe (52 % de femmes) la race (39 % de Blancs, 12 % d'Amérique chinoise, 27 Le pourcentage d'Afro-américains et 22 % d'Hispaniques) et le statut (44 % d'hypertension et 15 % d'utilisation de statines) ont été déterminés par questionnaire (Bild et al. 2002). Le pourcentage le plus élevé de participants résidait à Los Angeles (19,7 %), mais la répartition entre les six villes était assez homogène. Seuls les 5 298 participants avec des données complètes pour toutes les covariables du modèle sélectionnées répertoriées dans le tableau 3 ont été inclus dans l'analyse.

Tableau 3 Covariables spécifiques au sujet pour la cohorte MESA utilisées dans la modélisation de la santé.

VariablemMoyenne ± ET ou %
CIMT5,5010.68±0.19
Années d'âge)5,50161.9±10.1
Poids (lb)5,501173.0±37.5
Hauteur (cm)5,501166.6±10.0
Taille (cm)5,50097.8±14.1
Surface corporelle (m 2 )5,5011.9±0.2
IMC (kg/m 2 )5,50128.2±5.3
DBP5,49971.8±10.3
Sexe
Femme2,87252.2
Homme2,62947.8
Course
Blanc (caucasien)2,16839.4
chinois américain67512.3
Noir (Afro-américain)1,45926.5
hispanique1,19921.8
Site
Winston-Salem87816.0
New York86715.8
Baltimore77614.1
Saint-Paul et Minneapolis89916.3
Chicago99818.1
Los Angeles1,08319.7
Éducation
Lycée incomplet91616.7
Lycée terminé99118.0
Certains collège1,57128.6
Collège terminé2,01036.5
Manquant130.2
Revenu par an
<$12 00056610.3
$12,000–24,9991,02218.6
$25,000–49,9991,54328
$50,000–74,99990116.4
>$75 0001,27123.1
Manquant1983.6
Hypertension
Non3,10656.5
Oui2,39543.5
Utilisation de statines
Non4,68185.1
Oui81714.9
Manquant30.1

Modèles de prédiction spatiale. Évaluation du modèle. Les modèles sélectionnés correspondant à la plus faible validation croisée R 2 tous utilisés PLS et krigeage universel. Pour les quatre PM2.5 composants et pour tous les nombres de scores PLS, le krigeage a amélioré la précision de la prédiction, comme indiqué par le R 2 et les statistiques RMSEP pour les modèles de prédiction sélectionnés correspondant aux modèles de krigeage PLS uniquement et PLS + universel les plus performants (tableau 4). En comparant le R 2 avec et sans krigeage universel indique que EC et OC n'ont pas été beaucoup améliorés par le krigeage, alors que le krigeage universel a amélioré la précision de prédiction pour Si et encore plus pour S. Le rapport entre la pépite et le seuil (c'est-à-dire τ 2 /σ 2 ) prend également en charge des prédictions améliorées avec lissage spatial par krigeage. Pour une plage fixe, des valeurs plus petites de ce rapport indiquent que les concentrations aux emplacements proches reçoivent un poids plus important lors du krigeage. Nous voyons cette relation dans le tableau 4 où τ 2 /σ 2 était grand lorsque le krigeage universel a peu amélioré la précision de la prédiction, et très petit lorsque le krigeage universel a contribué à améliorer la précision de la prédiction.

Tableau 4 R 2 et RMSEP à validation croisée pour chaque composante de PM2.5, à la fois pour les modèles primaires et les modèles de comparaison PLS uniquement, et les paramètres de krigeage estimés à partir de la vraisemblance s'adaptent à l'ensemble des données pour chaque polluant.

CorrectionModèleCECOSiS
3 notes PLS2 notes PLS2 notes PLS2 notes PLS
R 2 PLS uniquement0.790.600.360.63
PLS+Royaume-Uni0.820.690.620.95
RMSEPPLS uniquement0.110.220.100.13
PLS+Royaume-Uni0.100.200.080.05
Paramètres britanniques estimés(τ 2 ) une0.00740.02510.00430.0007
(σ 2 ) b0.00250.01990.00860.0251
(φ) c4133042,7892,145
(τ 2 /σ 2 )2.961.260.50.03
Royaume-Uni, krigeage universel. une Pépite utilisée en krigeage. b Seuil partiel utilisé en krigeage. c Gamme utilisée en krigeage.

En tant qu'analyse de sensibilité, nous avons également effectué un CV en utilisant des estimations d'exposition du moniteur le plus proche. Cette méthode a donné de très mauvais résultats pour EC et OC (R 2 s de 0 et 0,06, respectivement), relativement mal pour Si (R 2 = 0,36), mais a bien fonctionné pour S (R 2 = 0.88).

Interprétation de PLS.La figure 2 illustre les covariables géographiques qui étaient les plus importantes pour expliquer la variabilité des polluants. Plus précisément, la figure 2 résume les p × 1 vecteur m, le vecteur tel que Rm est égal aux 5 298 expositions prédites avec PLS uniquement. Chaque élément de m est un poids pour une covariable géographique correspondante. Les éléments positifs dans m (c'est-à-dire les valeurs > 0 dans la figure 2) indiquent que des valeurs plus élevées de la covariable géographique étaient associées à une exposition prédite plus élevée.

Figure 2 Coefficients de l'ajustement PLS, où les coefficients décrivent les associations de chaque covariable géographique avec l'exposition pour (UNE) CE, (B) OC, (C) Si, et () S. La taille de chaque cercle représente la taille du tampon covariable, les cercles plus grands indiquant des tampons plus grands.Chaque cercle fermé pour la « distance jusqu'à l'entité » représente une entité différente (répertoriée dans le tableau 2) : route A1, route la plus proche, aéroport, grand aéroport, port, littoral, centre commercial ou de service, voie ferrée et gare de triage. Les abréviations des variables et les tailles des tampons sont indiquées dans le tableau 2. La plupart des variables présentées ici ont été utilisées pour modéliser les quatre polluants, mais pas tous. Les variables utilisées pour modéliser Si et S mais pas EC et OC étaient les émissions de PM2,5 et PM10, les cours d'eau et canaux dans une zone tampon de 3 km, d'autres utilisations des terres urbaines ou bâties dans une zone tampon de 400 m, les lacs dans une zone tampon de 10 mètres. zone tampon de km, complexes industriels et commerciaux dans une zone tampon de 15 km et parcours herbacés dans une zone tampon de 3 km. Les variables utilisées pour modéliser EC et OC mais pas Si et S étaient l'utilisation industrielle des terres dans des zones tampons de 1 et 1,5 km.

La densité de population était associée à des valeurs prédites plus élevées de tous les polluants, en particulier pour EC, OC et S. L'utilisation des terres industrielles dans la plus petite zone tampon était très prédictive de l'EC et de l'OC, et les terres forestières à feuilles persistantes dans une zone tampon donnée étaient fortement prédictives des diminutions de S. NDVI, utilisation des terres industrielles, émissions et variables de longueur de ligne étaient positivement associées à toutes les expositions sauf Si, tandis que toutes les variables de distance aux éléments étaient négativement associées à toutes les expositions sauf Si. Les variables NDVI étaient plus importantes pour la prédiction de OC et S qu'elles ne l'étaient pour EC. Pour Si, le NDVI et les variables d'utilisation des terres de transition semblaient être les plus informatives pour la prédiction, le NDVI étant négativement et l'utilisation des terres de transition positivement associées à l'exposition au Si. La distance aux caractéristiques semble être informative pour les quatre polluants.

Prédictions d'exposition. La figure 1 montre les concentrations prévues à travers les États-Unis, avec des détails plus fins illustrés pour St. Paul, Minnesota. Les prévisions EC et OC étaient beaucoup plus élevées au milieu des zones urbaines et se sont rapidement dissipées plus loin des centres urbains. Les prévisions de S étaient élevées dans les États du Midwest et de l'Est et dans la région de Los Angeles, et plus faibles dans les plaines et les montagnes. Les prédictions de Si étaient faibles dans la plupart des zones urbaines et élevées dans les états désertiques.

Les concentrations moyennes d'exposition à la CE et à la CO prévues pour les participants MESA étaient de 0,74 ± 0,18 et de 2,17 ± 0,36 μg/m 3 , respectivement (tableau 1). Les concentrations moyennes prévues d'exposition au Si et au S étaient de 0,09 ± 0,03 ng/m 3 et de 0,78 ± 0,15 g/m 3 , respectivement.

Modèles de santé. Les résultats du modèle de santé naïf qui n'incluait aucune correction d'erreur de mesure, ainsi que les résultats du modèle de santé qui incluait des estimations ponctuelles corrigées par bootstrap et des SE de ^ βX, sont présentées dans le tableau 5. L'analyse naïve a indiqué des associations positives significatives (p < 0,05) de CIMT avec OC, Si et S. Il y avait également une association positive mais non significative entre CIMT et EC. Les SE pour les effets sur la santé des EC et OC étaient pratiquement inchangés lorsque la correction des erreurs de mesure a été mise en œuvre, tandis que les SE corrigés par bootstrap pour Si et S étaient environ 50 % plus grands que leurs estimations naïves respectives. Les biais estimés résultant de l'erreur de mesure de type classique étaient si faibles qu'ils étaient inintéressants d'un point de vue épidémiologique, car les estimations ponctuelles des quatre polluants après la mise en œuvre de la correction d'erreur de mesure étaient inchangées à trois décimales près.

Tableau 5 Estimations ponctuelles ± ES et IC à 95 % pour les différents polluants, en utilisant une analyse naïve et avec une correction bootstrap pour l'erreur de mesure dans la covariable d'intérêt.

PM2.5 composantAnalyse/correctionβX une ±SEIC à 95 %
CE (μg/m 3 )Naïve0.001±0.014–0.03, 0.03
PB, b =00.001±0.015–0.03, 0.03
PB, =10.001±0.015–0.03, 0.03
CO (μg/m 3 )Naïve0.025±0.0080.01, 0.04
PB, =00.025±0.0080.01, 0.04
PB, =10.025±0.0080.01, 0.04
Si (ng/m 3 )Naïve0.408±0.0810.25, 0.57
PB, =00.408±0.1260.16, 0.66
PB, =10.408±0.1270.16, 0.66
S (μg/m 3 )Naïve0.055±0.0170.022, 0.088
PB, =00.055±0.0250.006, 0.104
PB, =10.055±0.0250.006, 0.104
Les estimations ponctuelles sont des estimations de l'augmentation du CIMT pour une augmentation d'une unité de chaque polluant. une Dans le cas de λ=1, β̂X fait référence à l'estimation corrigée de tout biais dû à une erreur de type classique. b PB fait référence aux résultats du paramètre bootstrap implémenté avec une valeur donnée de .

Discussion

Résumé. Notre approche globale en deux étapes pour estimer les effets à long terme de l'exposition à la pollution atmosphérique comprend un modèle de prévision national pour estimer les expositions aux particules individuelles.2.5 composants et corrige l'erreur de mesure dans l'analyse épidémiologique en utilisant une méthodologie qui tient compte des différentes quantités de structure spatiale dans les surfaces d'exposition. Dans une étude de cas de quatre composantes de PM2.5 et les associations corrigées des erreurs de mesure entre ces composants et le CIMT dans la cohorte MESA, les SE corrigés correspondant aux polluants qui présentaient une structure spatiale significative (c. très similaire aux estimations naïves.

Modèles d'exposition nationaux. Nous constatons qu'une approche nationale de la modélisation de l'exposition est raisonnable et donne de bons résultats en termes de précision des prévisions. Nos principaux modèles de krigeage universel PLS + ont abouti à une validation croisée R 2 ≤ 0,95 (pour prédire les concentrations de S) et ≥ 0,62 (pour prédire Si) pour l'un des PM2.5 Composants. L'utilisation du krigeage a amélioré la validation croisée R 2 pour les quatre polluants par rapport aux modèles utilisant uniquement le PLS, bien que l'amélioration ne soit pas égale pour les quatre polluants. Ces résultats sont utiles pour comprendre la nature spatiale de nos surfaces d'exposition. Pour EC et OC, le R 2 ne s'est amélioré que de ≤ 0,09 lorsque le krigeage a été utilisé par rapport à lorsque le PLS seul a été utilisé, ce qui indique une faible structure spatiale à grande échelle dans ces polluants. Pour Si, le R 2 amélioré de 0,36 à 0,62 et pour S, de 0,63 à 0,95. Cela indique que S (et dans une moindre mesure Si) avait une structure spatiale substantielle à grande échelle que le krigeage a pu exploiter. Pour tous les modèles, utilisation du krigeage améliorée R 2 , indiquant qu'aucune précision de prédiction n'a été perdue (et qu'il y avait beaucoup à gagner, lorsque la structure spatiale était présente) en utilisant PLS + krigeage universel par opposition à l'utilisation de PLS seul. Nos résultats suggèrent également que les modèles d'exposition tels que ceux que nous avons construits peuvent être préférables dans de nombreux cas à des approches plus simples telles que l'interpolation du moniteur le plus proche. Nos modèles produits contre-validés R 2 qui étaient plus élevés que l'approche du moniteur le plus proche, et nos résultats indiquent qu'à moins qu'il n'y ait une structure spatiale considérable dans la surface d'exposition, une quantité substantielle de précision de prédiction peut être perdue lorsque l'approche du moniteur le plus proche est utilisée.

Nous avons utilisé une modélisation en deux étapes au lieu d'une modélisation conjointe de l'exposition et de la santé pour diverses raisons. L'une est pragmatique : la modélisation conjointe est gourmande en calculs, notre approche en deux étapes est donc particulièrement souhaitable lors de la modélisation de plusieurs polluants. La modélisation conjointe peut également être plus sensible aux valeurs aberrantes dans les données de santé. La modélisation en deux étapes est également plus intuitive dans le contexte de la modélisation de multiples effets sur la santé, car elle attribue une exposition par participant qui peut ensuite être utilisée pour modéliser un certain nombre de différents effets sur la santé. La modélisation conjointe, d'autre part, attribuerait différents niveaux du même polluant en fonction de l'effet sur la santé modélisé.

Étude de cas épidémiologique. Dans cette étude de cas, nous nous sommes concentrés sur quatre PM2.5 composants sélectionnés pour mieux comprendre les sources ou les caractéristiques de la MP2.5 qui pourraient contribuer aux effets des PM2.5 sur les maladies cardiovasculaires. EC et OC ont été choisis comme marqueurs des émissions primaires provenant des processus de combustion, avec OC incluant également les contributions des aérosols organiques secondaires formés à partir des réactions chimiques atmosphériques Si a été choisi comme marqueur de poussière crustale et S a été choisi comme marqueur de sulfate, un aérosol inorganique formé secondairement à partir de réactions chimiques atmosphériques (Vedal et al., sous presse). Les mécanismes par lesquels les expositions aux particules2.5 ou MP2.5 les composants produisant des effets cardiovasculaires tels que l'athérosclérose ne sont pas bien compris, bien que plusieurs mécanismes aient été proposés (Brook et al. 2010). [Pour une discussion d'autres études examinant les effets de ces polluants, voir Vedal et al. (dans la presse).]

Les performances relativement médiocres de l'interpolation du moniteur le plus proche pour EC, OC et Si soulèvent des inquiétudes concernant les inférences épidémiologiques basées sur les prédictions dérivées de cette méthode. Pour S, le seul polluant pour lequel nos modèles et l'interpolation du moniteur le plus proche ont fonctionné de manière comparable, l'augmentation estimée du CIMT pour une augmentation d'une unité de l'exposition basée sur l'interpolation du moniteur le plus proche était de 0,074 ± 0,018, comparable à l'inférence naïve faite à l'aide de prédictions. à partir de nos modèles d'exposition (0,055 ± 0,017). Cependant, il n'y a aucun moyen de corriger l'erreur de mesure en utilisant cette méthode, ce qui est un autre avantage important de nos modèles.

Des analyses de santé naïves basées sur les prévisions d'exposition de nos modèles nationaux ont indiqué des associations significatives de CIMT avec des augmentations d'une unité de la moyenne des CO, Si et S, mais pas de la CE. L'utilisation du paramètre bootstrap pour tenir compte et corriger l'erreur de mesure a conduit à des SE sensiblement plus grands et des IC plus larges pour Si et S, cependant, OC, Si et S étaient encore significativement associés à CIMT même après correction de l'erreur de mesure.

Correction d'erreur de mesure. Pour EC et OC, l'utilisation de PLS seul était suffisante pour faire des prédictions précises, tandis que le lissage spatial du krigeage universel a considérablement amélioré la précision de prédiction pour Si et S. Ce n'est donc pas une coïncidence si les estimations SE corrigées par bootstrap pour EC et OC sont restées inchangées par rapport à les estimations naïves, tandis que les estimations SE corrigées pour Si et S étaient environ 50 % plus grandes (et les IC à 95 % résultants 50 % plus larges) que leurs estimations naïves respectives. Le fait que les prévisions d'exposition à la CE et au CO aient été dérivées principalement des modèles PLS uniquement, qui supposaient des résidus indépendants, implique que l'erreur de type Berkson était une erreur de Berkson presque pure (c'est-à-dire indépendante d'un endroit à l'autre), qui a été correctement prise en compte par estimations SE naïves. D'autre part, un lissage beaucoup plus important a eu lieu pour Si et S, ce qui a induit une corrélation spatiale dans la différence résiduelle entre l'exposition vraie et prévue. En conséquence, les SE qui tiennent correctement compte de l'erreur de type Berkson dans ces deux polluants sont gonflés car les erreurs corrélées dans les prédictions se traduisent par des résidus corrélés dans le modèle de maladie qui ne sont pas pris en compte par les estimations SE naïves (Szpiro et al. 2011b). Le fait que les estimations SE à partir du paramètre bootstrap utilisant λ = 1 (qui tient compte à la fois de l'erreur de type Berkson et de type classique) et utilisant λ = 0 (qui ne tient compte que de l'erreur de type Berkson) étaient si similaires indique en outre que le des estimations SE corrigées plus importantes étaient très probablement le résultat de l'erreur de type Berkson. Aucune de nos analyses d'erreur de mesure n'a indiqué qu'un biais important était induit par l'erreur de type classique.

Limitations et considérations de modèle. Bien que nos modèles d'exposition aient bien fonctionné, il est encore possible d'améliorer la précision des prédictions, en particulier pour les modèles EC, OC et Si, qui ont fait l'objet d'une validation croisée. R 2 qui pourrait être amélioré. Pour ces modèles, il est possible que l'inclusion de covariables géographiques supplémentaires dans le PLS contribue à améliorer les performances du modèle. Les exemples incluent les sources de chauffage au bois dans une zone tampon donnée pour les concentrations d'EC et de CO, ou les sources de poussière et de sable pour le Si. Ces covariables ne sont actuellement pas disponibles dans nos bases de données. De plus, bien qu'il soit possible d'interpréter les covariables individuelles dans les composantes PLS (figure 2), de telles interprétations doivent être considérées avec prudence car l'inclusion de nombreuses covariables corrélées peut conduire à des associations apparentes qui sont contre-intuitives et à l'opposé de ce qui pourrait être attendu scientifiquement. Enfin, PLS ne prend pas en compte les interactions ou les combinaisons non linéaires des covariables géographiques, facteurs qui pourraient améliorer les performances du modèle.

Implications et orientations futures. Nos résultats montrent qu'une étude minutieuse des caractéristiques du modèle d'exposition peut aider à clarifier les implications pour les analyses épidémiologiques ultérieures qui utilisent les expositions prévues. Comme l'ont noté Szpiro et al. (2011a), un cadre global qui considère l'objectif final de la modélisation de la santé semble plus attrayant que de traiter les modèles d'exposition comme s'ils existaient pour eux-mêmes. Cette analyse sert d'exemple qui éclairera les efforts en cours de notre groupe et d'autres pour construire et utiliser des modèles de prévision de l'exposition qui conviennent le mieux aux études épidémiologiques.

Notre inférence épidémiologique était basée sur un modèle de santé par polluant. On pourrait raisonnablement s'intéresser à la façon dont plusieurs polluants affectent conjointement la santé. Cependant, la littérature actuelle pour la correction des erreurs de mesure n'aborde pas les modèles qui utilisent plusieurs polluants prévus comme expositions. Notre groupe travaille actuellement sur des méthodes pour relever ce défi.

Matériel supplémentaire

(2,4 Mo) PDF Cliquez ici pour un fichier de données supplémentaire.

Nous remercions les trois relecteurs pour leurs précieux commentaires.

Les recherches présentées dans cette publication ont été financées par les subventions T32ES015459, P50ES015915 et R01ES009411 du National Institute of Environmental Health Sciences des National Institutes of Health (NIH). Un soutien supplémentaire a été fourni par une récompense à l'Université de Washington dans le cadre de l'initiative National Particle Component Toxicity du Health Effects Institute et par l'Environmental Protection Agency (EPA) des États-Unis, Accord d'assistance RD-83479601-0 (Clean Air Research Centers). Cette publication a été élaborée dans le cadre d'un accord d'aide à la recherche du programme STAR (Science to Achieve Results), RD831697, décerné par l'U.S. EPA. Les opinions exprimées dans ce document sont uniquement celles de l'Université de Washington, et l'U.S. EPA n'approuve aucun produit ou service commercial mentionné dans cette publication. L'étude multiethnique de l'athérosclérose (MESA) est menée et soutenue par le National Heart, Lung, and Blood Institute (NHLBI) en collaboration avec les chercheurs de MESA. La prise en charge de MESA est fournie par les contrats NHLBI N01HC-95159 à N01HC95169 et UL1RR024156. MESA Air est financé par la subvention STAR RD831697 de l'EPA des États-Unis.

Le contenu de cet ouvrage relève de la seule responsabilité des auteurs et ne représente pas nécessairement les opinions officielles du NIH.

Les auteurs déclarent n'avoir aucun intérêt financier concurrent réel ou potentiel.


Impossible de convertir un tampon BYTE en une image cv::Mat

J'ai donc un problème avec la conversion d'un tampon BYTE en image (cv::Mat). J'essaie de lire une vidéo en temps réel à partir d'une caméra distante, et j'ai deux éléments, un pointeur vers le tampon et la taille du tampon, et je dois le convertir en une image cv::Mat afin que je puisse le montrer avec cv::imshow. j'ai essayé d'utiliser :

mais cela ne fonctionne pas et j'obtiens cette erreur:

quand j'essaye de convertir directement sans la fonction imdecode comme ceci :

Je reçois une image mais je ne peux pas la montrer, donc le programme continue de s'exécuter sans rien faire.

Quelqu'un peut-il m'aider s'il vous plaît sur la façon dont nous convertissons le pointeur de tampon BYTE en une image cv::Mat

Le tampon est déclaré comme ceci : BYTE * Buffer la fonction d'où je récupère le tampon est déclaré comme ceci

où : lRealHandle : Descripteur de surveillance en temps réel dwDataType :

pBuffer : Buffer pour les données de rappel. Les données de longueur différente seront rappelées en fonction du type de données différent. Les données sont rappelées par trame pour chaque type sauf le type 0, et à chaque fois une trame est rappelée.

dwBufSize : Longueur des données de rappel. Les tampons de données sont différents pour différents types. L'unité est BYTE

Dans mon cas, j'obtiens toujours le type de données 0 C'est ainsi que j'essaie de décoder alors :

mon programme s'arrête ici, il continue de fonctionner mais il ne fait rien après que j'ai mis un std :: cout ici pour vérifier s'il passera cette ligne d'imshow ou non mais rien ne se passe


Contenu

Le terme "Moyen-Orient" peut avoir son origine dans les années 1850 dans le British India Office. [6] Cependant, il est devenu plus largement connu quand le stratège naval américain Alfred Thayer Mahan a utilisé le terme en 1902 [7] pour « désigner la zone entre l'Arabie et l'Inde ». [8] [9] Pendant ce temps, les empires britannique et russe se disputaient l'influence en Asie centrale, une rivalité qui deviendrait connue sous le nom de Grand Jeu. Mahan a réalisé non seulement l'importance stratégique de la région, mais aussi de son centre, le golfe Persique. [10] [11] Il a qualifié la zone entourant le golfe Persique de Moyen-Orient et a déclaré qu'après le canal de Suez en Égypte, c'était le passage le plus important à contrôler pour la Grande-Bretagne afin d'empêcher les Russes d'avancer vers l'Inde britannique. [12] Mahan a utilisé le terme pour la première fois dans son article "Le golfe Persique et les relations internationales", publié en septembre 1902 dans le Examen national, un journal britannique.

Le Moyen-Orient, si je peux adopter un terme que je n'ai pas vu, aura un jour besoin de son Malte, ainsi que de son Gibraltar il ne s'ensuit pas que l'un ou l'autre sera dans le golfe Persique. La force navale a la qualité de mobilité qui lui confère le privilège des absences temporaires mais elle a besoin de trouver sur chaque scène d'opération des bases établies de radoub, de ravitaillement, et en cas de catastrophe, de sécurité. La marine britannique devrait avoir la possibilité de concentrer ses forces si l'occasion se présente, autour d'Aden, de l'Inde et du golfe Persique. [13]

L'article de Mahan a été réimprimé dans Les temps et suivi en octobre d'une série de 20 articles intitulée "La question du Moyen-Orient", écrite par Sir Ignatius Valentine Chirol. Au cours de cette série, Sir Ignatius a élargi la définition de Moyen-Orient pour inclure « ces régions de l'Asie qui s'étendent jusqu'aux frontières de l'Inde ou commandent les approches de l'Inde ». [14] Après la fin de la série en 1903, Les temps supprimé les guillemets des utilisations ultérieures du terme. [15]

Jusqu'à la Seconde Guerre mondiale, il était d'usage de désigner les zones centrées autour de la Turquie et de la rive orientale de la Méditerranée sous le nom de « Proche-Orient », tandis que « l'Extrême-Orient » était centré sur la Chine, [16] et le Moyen-Orient désignait alors la zone de la Mésopotamie à la Birmanie, c'est-à-dire la zone comprise entre le Proche-Orient et l'Extrême-Orient. [ citation requise ] À la fin des années 1930, les Britanniques ont établi le Commandement du Moyen-Orient, basé au Caire, pour ses forces militaires dans la région. Après cette période, le terme « Moyen-Orient » a gagné un usage plus large en Europe et aux États-Unis, avec le Middle East Institute fondé à Washington, D.C. en 1946, entre autres utilisations. [17]

L'adjectif correspondant est Moyen-Orient et le nom dérivé est Moyen-Oriental.

Alors que des termes non eurocentriques tels que « Asie du Sud-Ouest » ou « Swasie » ont été peu utilisés, l'inclusion d'un pays africain, l'Égypte, dans la définition remet en question l'utilité d'utiliser de tels termes.[18]

Critique et usage

La description Milieu a également conduit à une certaine confusion quant à la modification des définitions. Avant la Première Guerre mondiale, « Near East » était utilisé en anglais pour désigner les Balkans et l'Empire ottoman, tandis que « Middle East » faisait référence à l'Iran, le Caucase, l'Afghanistan, l'Asie centrale et le Turkestan. En revanche, "Extrême-Orient" fait référence aux pays d'Asie de l'Est (par exemple, la Chine, le Japon, la Corée, etc.)

Avec la disparition de l'Empire ottoman en 1918, « Near East » est largement tombé en désuétude en anglais, tandis que « Middle East » a été appliqué aux pays réémergents du monde islamique. Cependant, l'usage « Proche-Orient » a été retenu par diverses disciplines universitaires, dont l'archéologie et l'histoire ancienne, où il décrit une zone identique au terme Moyen-Orient, qui n'est pas utilisé par ces disciplines (voir Proche-Orient ancien).

La première utilisation officielle du terme « Moyen-Orient » par le gouvernement des États-Unis remonte à la doctrine Eisenhower de 1957, qui concernait la crise de Suez. Le secrétaire d'État John Foster Dulles a défini le Moyen-Orient comme « la zone comprise entre la Libye à l'ouest et le Pakistan à l'est, la Syrie et l'Irak au nord et la péninsule arabique au sud, plus le Soudan et l'Éthiopie ». [16] En 1958, le Département d'État a expliqué que les termes « Proche-Orient » et « Moyen-Orient » étaient interchangeables, et défini la région comme n'incluant que l'Égypte, la Syrie, Israël, le Liban, la Jordanie, l'Irak, l'Arabie saoudite, le Koweït, Bahreïn , et le Qatar. [19]

L'Associated Press Stylebook dit que Proche-Orient désignait autrefois les pays les plus à l'ouest tandis que Moyen-Orient désignait les pays de l'Est, mais qu'ils sont maintenant synonymes. Il instruit :

Utilisation Moyen-Orient à moins que Proche Orient est utilisé par une source dans une histoire. Moyen-Orient est également acceptable, mais Moyen-Orient est préféré. [20]

Le terme Moyen-Orient a également été critiqué comme eurocentrique ("basé sur une perception occidentale britannique") par Hanafi (1998). [21]

Traductions

Il existe des termes similaires à Proche Orient et Moyen-Orient dans d'autres langues européennes, mais comme il s'agit d'une description relative, les significations dépendent du pays et sont différentes des termes anglais en général. En allemand le terme Naher Osten (Proche-Orient) est encore d'usage courant (aujourd'hui le terme Mittlerer Osten est de plus en plus courant dans les textes de presse traduits à partir de sources anglaises, bien qu'ayant un sens distinct) et en russe Ближний Восток ou Blijniy Vostok, bulgare Близкия Изток, polonais Bliski Wschód ou croate Bliski istok (sens Proche Orient dans les quatre langues slaves) reste le seul terme approprié pour la région. Cependant, certaines langues ont des équivalents au « Moyen-Orient », comme le Moyen-Orient français, le Mellanöstern suédois, l'Oriente Medio espagnol ou Medio Oriente et l'Oriente italien Medio. [note 1]

Peut-être à cause de l'influence de la presse occidentale, l'équivalent arabe de Moyen-Orient (arabe : الشرق الأوسط ash-Sharq al-Awsaṭ) est devenu un usage standard dans la presse arabe grand public, comprenant la même signification que le terme "Moyen-Orient" dans l'usage nord-américain et ouest-européen. La désignation, Machrek, également de la racine arabe pour est, désigne également une région diversement définie autour du Levant, la partie orientale du monde arabophone (par opposition à la le Maghreb, la partie ouest). [22] Même si le terme est originaire d'Occident, à part l'arabe, d'autres langues des pays du Moyen-Orient en utilisent également une traduction. L'équivalent persan pour le Moyen-Orient est خاورمیانه (Khavar-e miyaneh), l'hébreu est המזרח התיכון (hamizrach hatikhon) et le turc est Orta Doğu.

Territoires et régions habituellement considérés comme faisant partie du Moyen-Orient

Traditionnellement inclus dans le Moyen-Orient sont l'Iran (Perse), l'Asie Mineure, la Mésopotamie, le Levant, la péninsule arabique et l'Égypte. En termes de pays modernes, ce sont les suivants :

Les bras Drapeau État Surface
(km 2 )
Population
(2012) [ besoin de mise à jour ]
Densité
(par km 2 )
Capitale Nominal
PIB, milliards (2018) [23]
Par habitant (2018) [24] Devise Gouvernement Officiel
langues
Akrotiri et Dhekelia 254 15,700 N / A Episkopi N / A N / A euro De facto dépendance stratocratique sous une monarchie constitutionnelle Anglais
Bahreïn 780 1,234,596 1,582.8 Manama $30.355 $25,851 dinar bahreïni Monarchie absolue arabe
Chypre 9,250 1,088,503 117 Nicosie $24.492 $28,340 euro République présidentielle Grec,
turc
Egypte 1,010,407 82,798,000 90 Caire $249.559 $2,573 livre égyptienne République présidentielle arabe
L'Iran 1,648,195 78,868,711 45 Téhéran $452.275 $5,491 Rial iranien République islamique persan
Irak 438,317 33,635,000 73.5 Bagdad $226.07 $5,930 dinar irakien République parlementaire Arabe,
kurde
Israël 20,770 7,653,600 365.3 Jérusalem un $369.843 $41,644 shekel israélien République parlementaire hébreu
Jordan 92,300 6,318,677 68.4 Amman $42.371 $4,278 Dinar jordanien Monarchie constitutionnelle arabe
Koweit 17,820 3,566,437 167.5 Koweït Ville $141.05 $30,839 Dinar koweïtien Monarchie constitutionnelle arabe
Liban 10,452 4,228,000 404 Beyrouth $56.409 $9,257 livre libanaise République parlementaire arabe
Oman 212,460 2,694,094 9.2 Muscat $82.243 $19,302 Rial omanais Monarchie absolue arabe
Palestine 6,220 4,260,636 667 Ramallah un n / A n / A shekel israélien,
Dinar jordanien
République semi-présidentielle arabe
Qatar 11,437 1,696,563 123.2 Doha $192.45 $70,780 riyal qatari Monarchie absolue arabe
Arabie Saoudite 2,149,690 27,136,977 12 Riyad $782.483 $23,566 riyal saoudien Monarchie absolue arabe
Syrie 185,180 23,695,000 118.3 Damas n / A n / A livre syrienne République présidentielle arabe
dinde 783,562 73,722,988 94.1 Ankara $766.428 $9,346 lire turque République présidentielle turc
Emirats Arabes Unis 82,880 8,264,070 97 Abou Dabi $424.635 $40,711 dirham des Émirats arabes unis Monarchie fédérale absolue arabe
Yémen 527,970 23,580,000 44.7 Sanaa b
Aden (provisoire)
$26.914 $872 Rial yéménite République présidentielle provisoire arabe
une. ^ ^ Jérusalem est la capitale proclamée d'Israël, qui est contestée et l'emplacement réel de la Knesset, de la Cour suprême israélienne et d'autres institutions gouvernementales d'Israël. Ramallah est l'emplacement réel du gouvernement de la Palestine, alors que la capitale proclamée de la Palestine est Jérusalem-Est, ce qui est contesté. b. ^ Contrôlé par les Houthis en raison de la guerre en cours. Siège du gouvernement déplacé à Aden.

Autres définitions du Moyen-Orient

Divers concepts sont souvent mis en parallèle avec le Moyen-Orient, notamment le Proche-Orient, le Croissant fertile et le Levant. Le Proche-Orient, le Levant et le Croissant fertile sont des concepts géographiques qui font référence à de grandes parties du Moyen-Orient défini de manière moderne, le Proche-Orient étant le plus proche du Moyen-Orient dans sa signification géographique. Du fait qu'elle est principalement arabophone, la région du Maghreb en Afrique du Nord est parfois incluse.

Les pays du Caucase du Sud—l'Arménie, l'Azerbaïdjan et la Géorgie—sont parfois inclus dans les définitions du Moyen-Orient. [25]

Le Grand Moyen-Orient était un terme politique inventé par la deuxième administration Bush au cours de la première décennie du 21e siècle [26] pour désigner divers pays appartenant au monde musulman, en particulier l'Iran, la Turquie, l'Afghanistan et le Pakistan. [27] Divers pays d'Asie centrale sont parfois également inclus. [28]

Le Moyen-Orient se situe à la jonction de l'Eurasie et de l'Afrique et de la mer Méditerranée et de l'océan Indien. C'est le berceau et le centre spirituel de religions telles que le christianisme, l'islam, le judaïsme, le manichéisme, le yézidi, le druze, le yarsan et le mandéisme, et en Iran, le mithraïsme, le zoroastrisme, le manichéisme et la foi bahá'íe. Tout au long de son histoire, le Moyen-Orient a été un centre majeur des affaires mondiales, une zone stratégiquement, économiquement, politiquement, culturellement et religieusement sensible. La région est l'une des régions où l'agriculture a été découverte de manière indépendante, et du Moyen-Orient, elle s'est propagée, au néolithique, à différentes régions du monde telles que l'Europe, la vallée de l'Indus et l'Afrique de l'Est.

Avant la formation des civilisations, des cultures avancées se sont formées dans tout le Moyen-Orient pendant l'âge de pierre. La recherche de terres agricoles par les agriculteurs et de terres pastorales par les bergers a entraîné différentes migrations au sein de la région et a façonné sa composition ethnique et démographique.

Le Moyen-Orient est largement et surtout connu comme le berceau de la civilisation. Les premières civilisations du monde, la Mésopotamie (Sumer, Akkad, Assyrie et Babylonie), l'Égypte ancienne et Kish au Levant, sont toutes originaires des régions du Croissant fertile et de la vallée du Nil de l'ancien Proche-Orient. Viennent ensuite les civilisations hittite, grecque, hourrite et urartienne d'Asie Mineure, les civilisations élam, perse et médiane en Iran, ainsi que les civilisations du Levant (comme Ebla, Mari, Nagar, Ugarit, Canaan, Aramea, Mitanni, Phénicie et Israël) et la péninsule arabique (Magan, Sheba, Ubar). Le Proche-Orient a d'abord été largement unifié sous l'empire néo-assyrien, puis l'empire achéménide suivi plus tard par l'empire macédonien et ensuite dans une certaine mesure par les empires iraniens (à savoir les empires parthe et sassanide), l'empire romain et l'empire byzantin. La région a servi de centre intellectuel et économique de l'empire romain et a joué un rôle exceptionnellement important en raison de sa périphérie sur l'empire sassanide. Ainsi, les Romains ont posté jusqu'à cinq ou six de leurs légions dans la région dans le seul but de la défendre contre les raids et les invasions sassanides et bédouines.

À partir du IVe siècle de notre ère, le Moyen-Orient est devenu le centre des deux principales puissances de l'époque, l'empire byzantin et l'empire sassanide. Cependant, ce seraient les derniers califats islamiques du Moyen Âge, ou âge d'or islamique qui ont commencé avec la conquête islamique de la région au 7ème siècle après JC, qui unifieraient d'abord l'ensemble du Moyen-Orient en tant que région distincte et créeraient l'Islam dominant. Identité ethnique arabe qui persiste largement (mais pas exclusivement) aujourd'hui. Les 4 califats qui ont dominé le Moyen-Orient pendant plus de 600 ans étaient le califat Rashidun, le califat omeyyade, le califat abbasside et le califat fatimide. De plus, les Mongols finiraient par dominer la région, le royaume d'Arménie incorporerait des parties de la région à leur domaine, les Seldjoukides gouverneraient la région et répandraient la culture turco-persane, et les Francs fonderaient les États croisés qui représenteraient environ deux siècles. Josiah Russell estime la population de ce qu'il appelle le « territoire islamique » à environ 12,5 millions en 1000 – l'Anatolie 8 millions, la Syrie 2 millions et l'Égypte 1,5 million. [29] À partir du XVIe siècle, le Moyen-Orient est à nouveau dominé par deux puissances principales : l'Empire ottoman et la dynastie safavide.

Le Moyen-Orient moderne a commencé après la Première Guerre mondiale, lorsque l'Empire ottoman, qui était allié aux puissances centrales, a été vaincu par l'Empire britannique et leurs alliés et divisé en plusieurs nations distinctes, initialement sous mandats britannique et français. D'autres événements déterminants dans cette transformation comprenaient la création d'Israël en 1948 et le départ éventuel des puissances européennes, notamment la Grande-Bretagne et la France à la fin des années 1960. Ils ont été supplantés en partie par l'influence croissante des États-Unis à partir des années 1970.

Au XXe siècle, les importants stocks de pétrole brut de la région lui confèrent une nouvelle importance stratégique et économique. La production de masse de pétrole a commencé vers 1945, l'Arabie saoudite, l'Iran, le Koweït, l'Irak et les Émirats arabes unis disposant de grandes quantités de pétrole. [30] Les réserves de pétrole estimées, en particulier en Arabie saoudite et en Iran, sont parmi les plus élevées au monde, et le cartel pétrolier international de l'OPEP est dominé par les pays du Moyen-Orient.

Pendant la guerre froide, le Moyen-Orient a été le théâtre d'une lutte idéologique entre les deux superpuissances et leurs alliés : l'OTAN et les États-Unis d'un côté, et l'Union soviétique et le Pacte de Varsovie de l'autre, alors qu'ils rivalisaient pour influencer leurs alliés régionaux. Outre les raisons politiques, il y avait aussi le « conflit idéologique » entre les deux systèmes. De plus, comme le soutient Louise Fawcett, parmi de nombreux sujets de discorde importants, ou peut-être plus exactement d'inquiétude, figuraient, premièrement, le désir des superpuissances d'obtenir un avantage stratégique dans la région, deuxièmement, le fait que la région contenait environ les deux tiers des réserves mondiales de pétrole dans un contexte où le pétrole devenait de plus en plus vital pour l'économie du monde occidental [. ] [31] Dans ce cadre contextuel, les États-Unis ont cherché à détourner le monde arabe de l'influence soviétique. Tout au long des XXe et XXIe siècles, la région a connu à la fois des périodes de paix et de tolérance relatives et des périodes de conflit notamment entre sunnites et chiites.

Groupes ethniques

Les Arabes constituent le plus grand groupe ethnique du Moyen-Orient, suivis par divers peuples iraniens, puis par des groupes de langue turque (turc, azéris et turkmènes irakiens). Les groupes ethniques autochtones de la région comprennent, en plus des Arabes, des Araméens, des Assyriens, des Baloutches, des Berbères, des Coptes, des Druzes, des Chypriotes grecs, des Juifs, des Kurdes, des Lurs, des Mandéens, des Perses, des Samaritains, des Shabaks, des Tats et des Zazas. Les groupes ethniques européens qui forment une diaspora dans la région comprennent les Albanais, les Bosniaques, les Circassiens (y compris les Kabardes), les Tatars de Crimée, les Grecs, les Franco-Levantins, les Italo-Levantins et les Turkmènes irakiens. Parmi les autres populations migrantes figurent les Chinois, les Philippins, les Indiens, les Indonésiens, les Pakistanais, les Pachtounes, les Roms et les Afro-arabes.

Migration

« La migration a toujours fourni un débouché important aux pressions du marché du travail au Moyen-Orient. Pour la période entre les années 1970 et les années 1990, les États arabes du golfe Persique en particulier ont fourni une riche source d'emplois pour les travailleurs d'Égypte, du Yémen et des pays du Levant, alors que l'Europe avait attiré les jeunes travailleurs des pays d'Afrique du Nord en raison à la fois de la proximité et de l'héritage des liens coloniaux entre la France et la plupart des États d'Afrique du Nord. [32] Selon l'Organisation internationale pour les migrations, il y a 13 millions de migrants de première génération originaires de pays arabes dans le monde, dont 5,8 résident dans d'autres pays arabes. Les expatriés des pays arabes contribuent à la circulation du capital financier et humain dans la région et favorisent ainsi de manière significative le développement régional. En 2009, les pays arabes ont reçu un total de 35,1 milliards de dollars américains en envois de fonds et les envois de fonds envoyés vers la Jordanie, l'Égypte et le Liban en provenance d'autres pays arabes sont supérieurs de 40 à 190 % aux recettes commerciales entre ces pays et d'autres pays arabes. [33] En Somalie, la guerre civile somalienne a considérablement augmenté la taille de la diaspora somalienne, car bon nombre des Somaliens les plus instruits sont partis pour les pays du Moyen-Orient ainsi que l'Europe et l'Amérique du Nord.

Les pays non arabes du Moyen-Orient comme la Turquie, Israël et l'Iran sont également soumis à d'importantes dynamiques migratoires.

Une bonne proportion de ceux qui migrent des nations arabes sont issus de minorités ethniques et religieuses confrontées à des persécutions raciales et/ou religieuses et ne sont pas nécessairement des Arabes, des Iraniens ou des Turcs ethniques. [ citation requise ] Un grand nombre de Kurdes, de Juifs, d'Assyriens, de Grecs et d'Arméniens ainsi que de nombreux Mandéens ont quitté des pays comme l'Irak, l'Iran, la Syrie et la Turquie pour ces raisons au cours du siècle dernier. En Iran, de nombreuses minorités religieuses telles que les chrétiens, les baha'is et les zoroastriens sont parties depuis la révolution islamique de 1979. [ citation requise ]

Religions

Le Moyen-Orient est très diversifié en ce qui concerne les religions, dont beaucoup sont originaires de là-bas. L'islam est la plus grande religion du Moyen-Orient, mais d'autres religions qui y sont originaires, telles que le judaïsme et le christianisme, sont également bien représentées. Les chrétiens représentent 40,5% du Liban, où le président libanais, la moitié du cabinet et la moitié du parlement suivent l'un des différents rites chrétiens libanais. Il existe également d'importantes religions minoritaires telles que la foi bahá'íe, le yarsanisme, le yézidisme, le zoroastrisme, le mandaïsme, le druze et le shabakisme.

Langues

Les six premières langues, en termes de nombre de locuteurs, sont l'arabe, le persan, le turc, le kurde, l'hébreu et le grec. L'arabe et l'hébreu représentent la famille des langues afro-asiatiques. Le persan, le kurde et le grec appartiennent à la famille des langues indo-européennes. Le turc appartient à la famille des langues turques. Une vingtaine de langues minoritaires sont également parlées au Moyen-Orient.

L'arabe, avec tous ses dialectes, est la langue la plus parlée au Moyen-Orient, l'arabe littéraire étant officiel dans tous les pays d'Afrique du Nord et dans la plupart des pays d'Asie occidentale. Des dialectes arabes sont également parlés dans certaines régions adjacentes des pays voisins non arabes du Moyen-Orient. Elle fait partie de la branche sémitique des langues afro-asiatiques. Plusieurs langues modernes d'Arabie du Sud telles que le mehri et le soqotri sont également parlées au Yémen et à Oman. Une autre langue sémitique telle que l'araméen et ses dialectes sont parlées principalement par les Assyriens et les Mandéens. Il existe également une communauté berbérophone Oasis en Égypte où la langue est également connue sous le nom de Siwa. C'est une langue afro-asiatique non sémitique.

Le persan est la deuxième langue la plus parlée. Bien qu'il soit principalement parlé en Iran et dans certaines zones frontalières des pays voisins, le pays est l'un des plus grands et des plus peuplés de la région. Il appartient à la branche indo-iranienne de la famille des langues indo-européennes. Les autres langues iraniennes occidentales parlées dans la région comprennent l'achomi, le daylami, les dialectes kurdes, le semmani, le lurish, entre autres.

La troisième langue la plus parlée, le turc, est largement confinée à la Turquie, qui est également l'un des pays les plus grands et les plus peuplés de la région, mais elle est présente dans des zones des pays voisins. C'est un membre des langues turques, qui ont leurs origines en Asie centrale. Une autre langue turque, l'azerbaïdjanais, est parlée par les Azerbaïdjanais en Iran.

L'hébreu est l'une des deux langues officielles d'Israël, l'autre étant l'arabe. L'hébreu est parlé et utilisé par plus de 80% de la population d'Israël, les 20% restants utilisant l'arabe.

Le grec est l'une des deux langues officielles de Chypre et la langue principale du pays. De petites communautés de locuteurs grecs existent tout autour du Moyen-Orient jusqu'au 20ème siècle, il était également largement parlé en Asie Mineure (étant la deuxième langue la plus parlée là-bas, après le turc) et en Égypte. Pendant l'Antiquité, le grec ancien était la lingua franca dans de nombreuses régions du Moyen-Orient occidental et jusqu'à l'expansion musulmane, il y était également largement parlé. Jusqu'à la fin du XIe siècle, c'était également la principale langue parlée en Asie Mineure, après quoi elle a été progressivement remplacée par la langue turque au fur et à mesure que les Turcs d'Anatolie se sont développés et que les Grecs locaux ont été assimilés, en particulier à l'intérieur.

L'anglais est l'une des langues officielles d'Akrotiri et de Dhekelia.[34] [35] Il est également couramment enseigné et utilisé comme deuxième langue, en particulier parmi les classes moyennes et supérieures, dans des pays comme l'Égypte, la Jordanie, l'Iran, le Kurdistan, l'Irak, le Qatar, Bahreïn, les Émirats arabes unis et le Koweït. [36] [37] C'est aussi une langue principale dans certains Émirats des Émirats arabes unis.

Le français est enseigné et utilisé dans de nombreux établissements publics et médias au Liban, et est enseigné dans certaines écoles primaires et secondaires d'Égypte et de Syrie. Le maltais, langue sémitique principalement parlée en Europe, est également utilisé par la diaspora franco-maltaise en Égypte.

On trouve également des locuteurs arméniens dans la région. Le géorgien est parlé par la diaspora géorgienne. Le russe est parlé par une grande partie de la population israélienne, en raison de l'émigration à la fin des années 1990. [38] Le russe est aujourd'hui une langue non officielle populaire en usage dans les actualités israéliennes, la radio et les panneaux d'affichage peuvent être trouvés en russe dans tout le pays après l'hébreu et l'arabe. Le circassien est également parlé par la diaspora de la région et par presque tous les Circassiens d'Israël qui parlent également l'hébreu et l'anglais. La plus grande communauté de langue roumaine au Moyen-Orient se trouve en Israël, où à partir de 1995 [mise à jour] le roumain est parlé par 5% de la population. [note 2] [39] [40]

Le bengali, l'hindi et l'ourdou sont largement parlés par les communautés de migrants dans de nombreux pays du Moyen-Orient, comme l'Arabie saoudite (où 20 à 25 % de la population est sud-asiatique), les Émirats arabes unis (où 50 à 55 % de la population est sud-asiatique). asiatique) et le Qatar, qui compte un grand nombre d'immigrants pakistanais, bangladais et indiens.


Comment trouver le tampon &ldquoempty&rdquo ? - Systèmes d'information géographique

Academia.edu ne prend plus en charge Internet Explorer.

Pour parcourir Academia.edu et l'Internet au sens large plus rapidement et de manière plus sécurisée, veuillez prendre quelques secondes pour mettre à jour votre navigateur.

Stu Hamilton est professeur agrégé de géographie et de géosciences à l'Université de Salisbury et directeur du programme d'études supérieures SIG. Ses intérêts de recherche sont le changement environnemental global et l'interaction homme-environnement. Il est membre de la Royal Society of Geographers (FRGS) ainsi qu'un SIG Professional certifié (GISP). Il est titulaire d'une licence en géographie et sciences sociales appliquées de l'Université Christ Church de Canterbury au Royaume-Uni, d'une maîtrise en géographie (SIG) de la SUNY à Buffalo et d'un doctorat en géographie de l'Université du sud du Mississippi.

Objectif Fournir des estimations locales, régionales, nationales et mondiales à haute résolution de la mangrove annuelle. plus de but
Fournir des estimations locales, régionales, nationales et mondiales à haute résolution de la superficie annuelle des forêts de mangroves de 2000 à 2012 dans le but de poser des questions de recherche sur les mangroves concernant la biodiversité, les stocks de carbone, le changement climatique, la fonctionnalité, la sécurité alimentaire, les moyens de subsistance, le soutien à la pêche et la conservation qui ont été entravées jusqu'à présent par un manque de données appropriées.

Lieu
Mondial, couvrant 99% de toutes les forêts de mangrove.

Méthodes
Nous avons synthétisé la base de données Global Forest Change, la base de données Terrestrial Ecosystems of the World et la base de données Mangrove Forests of the World pour extraire le couvert forestier de mangrove à des résolutions spatiales et temporelles élevées. Nous avons ensuite utilisé la nouvelle base de données pour surveiller la couverture de mangrove à l'échelle mondiale, nationale et des aires protégées.

Résultats
Les pays affichant des quantités relativement élevées de pertes de mangroves sont le Myanmar, la Malaisie, le Cambodge, l'Indonésie et le Guatemala. L'Indonésie reste de loin le plus grand pays détenteur de mangroves, contenant entre 26% et 29% de l'inventaire mondial des mangroves avec un taux de déforestation compris entre 0,26% et 0,66% par an. Nous avons rendu notre nouvelle base de données, CGMFC-21, disponible gratuitement.

Principales conclusions
La déforestation mondiale des mangroves se poursuit mais à un taux très réduit, compris entre 0,16% et 0,39% par an. L'Asie du Sud-Est est une région préoccupante avec des taux de déforestation des mangroves compris entre 3,58 % et 8,08 %, ceci dans une région contenant la moitié de l'ensemble de l'inventaire mondial des forêts de mangroves. Le modèle mondial de déforestation des mangroves de 2000 à 2012 est l'un des taux de déforestation décroissants, avec de nombreux pays essentiellement stables, à l'exception de la plus grande région de mangrove d'Asie du Sud-Est. Nous fournissons un ensemble de données spatiales standardisé qui surveille la déforestation des mangroves à l'échelle mondiale à des résolutions spatio-temporelles élevées. Ces données peuvent être utilisées pour piloter le programme de recherche sur les mangroves, en particulier en ce qui concerne le suivi des stocks de carbone des mangroves et l'établissement d'inventaires de base des forêts de mangroves locales requis pour le paiement des initiatives de services écosystémiques.

750, 1450 et 4550 m) qui sont statistiquement significatives au niveau de confiance de 95 %. L'analyse cospectrale suggère que la variation de la morphologie des dunes est corrélée avec les crêtes transversales sur la plate-forme intérieure, les promontoires cuspidés de la barrière arrière et les tendances historiques et liées aux tempêtes dans le changement du rivage. Des sections de la côte avec peu ou pas de développement de dunes avant l'ouragan Ivan ont été observées dans les parties les plus étroites de l'île (entre les promontoires), à l'ouest des crêtes transversales. La pénétration par débordement avait tendance à être plus importante dans ces zones et les brèches d'îles étaient courantes, laissant la surface près de la nappe phréatique et recouverte d'un décalage de coquillages et de gravier. En revanche, de grandes dunes avant et des dunes arrière ont été observées dans les sections les plus larges de l'île (les promontoires cuspidés) et à la crête des crêtes transversales. En raison des grandes dunes et de la présence des dunes de l'arrière-barrière, ces zones ont subi moins de pénétration de débordement et la plupart des sédiments du front de mer et des dunes se sont déposés dans la partie supérieure du rivage. Il est avancé que ces sédiments sont retournés à la plage par la migration de la barre près du rivage après la tempête et que les zones avec des dunes avant et des dunes arrière plus grandes ont des taux d'érosion historique du rivage plus faibles par rapport aux zones avec des dunes plus petites et un plus grand transfert de sédiments vers la terrasse de débordement. . Étant donné que la récupération des dunes variera en fonction de la disponibilité de sédiments provenant du lessivage et du front de mer, il est en outre soutenu que le modèle côtier de la morphologie des dunes et la réponse de l'île à la prochaine tempête extrême sont forcés par les crêtes transversales et l'île. largeur à travers les variations le long des côtes dans les gradients d'onde de tempête et de débordement respectivement. Ces résultats peuvent être particulièrement importants pour les gestionnaires côtiers impliqués dans la réparation et la reconstruction des infrastructures côtières qui ont été endommagées ou détruites lors de l'ouragan Ivan.

750, 1450 et 4550 m) qui sont statistiquement significatives au niveau de confiance de 95 %. L'analyse cospectrale suggère que la variation de la morphologie des dunes est corrélée avec les crêtes transversales sur la plate-forme intérieure, les promontoires cuspidés de la barrière arrière et les tendances historiques et liées aux tempêtes dans le changement du rivage. Des sections de la côte avec peu ou pas de développement de dunes avant l'ouragan Ivan ont été observées dans les parties les plus étroites de l'île (entre les promontoires), à l'ouest des crêtes transversales. La pénétration par débordement avait tendance à être plus importante dans ces zones et les brèches d'îles étaient courantes, laissant la surface près de la nappe phréatique et recouverte d'un décalage de coquillages et de gravier. En revanche, de grandes dunes avant et des dunes arrière ont été observées dans les sections les plus larges de l'île (les caps cuspatés) et à la crête des crêtes transversales. En raison des grandes dunes et de la présence des dunes de l'arrière-barrière, ces zones ont subi moins de pénétration de débordement et la plupart des sédiments du front de mer et des dunes se sont déposés dans le haut-rivage. Il est avancé que ces sédiments sont retournés à la plage par la migration de la barre près du rivage après la tempête et que les zones avec des dunes avant et des dunes arrière plus grandes ont des taux d'érosion historique du rivage plus faibles par rapport aux zones avec des dunes plus petites et un plus grand transfert de sédiments vers la terrasse de débordement. . Étant donné que la récupération des dunes variera en fonction de la disponibilité de sédiments provenant du lessivage et du front de mer, il est en outre soutenu que le modèle côtier de la morphologie des dunes et la réponse de l'île à la prochaine tempête extrême sont forcés par les crêtes transversales et l'île. largeur à travers les variations le long du littoral dans les gradients d'onde de tempête et de débordement respectivement. Ces résultats peuvent être particulièrement importants pour les gestionnaires côtiers impliqués dans la réparation et la reconstruction des infrastructures côtières qui ont été endommagées ou détruites lors de l'ouragan Ivan.

Objectif Fournir des estimations locales, régionales, nationales et mondiales à haute résolution de la mangrove annuelle. plus de but
Fournir des estimations locales, régionales, nationales et mondiales à haute résolution de la superficie annuelle des forêts de mangroves de 2000 à 2012 dans le but de poser des questions de recherche sur les mangroves concernant la biodiversité, les stocks de carbone, le changement climatique, la fonctionnalité, la sécurité alimentaire, les moyens de subsistance, le soutien à la pêche et la conservation qui ont été entravées jusqu'à présent par un manque de données appropriées.

Lieu
Mondial, couvrant 99% de toutes les forêts de mangrove.

Méthodes
Nous avons synthétisé la base de données Global Forest Change, la base de données Terrestrial Ecosystems of the World et la base de données Mangrove Forests of the World pour extraire le couvert forestier de mangrove à des résolutions spatiales et temporelles élevées. Nous avons ensuite utilisé la nouvelle base de données pour surveiller la couverture de mangrove à l'échelle mondiale, nationale et des aires protégées.

Résultats
Les pays affichant des quantités relativement élevées de pertes de mangroves sont le Myanmar, la Malaisie, le Cambodge, l'Indonésie et le Guatemala. L'Indonésie reste de loin le plus grand pays détenteur de mangroves, contenant entre 26% et 29% de l'inventaire mondial des mangroves avec un taux de déforestation compris entre 0,26% et 0,66% par an. Nous avons rendu notre nouvelle base de données, CGMFC-21, disponible gratuitement.

Principales conclusions
La déforestation mondiale des mangroves se poursuit mais à un taux très réduit, compris entre 0,16% et 0,39% par an. L'Asie du Sud-Est est une région préoccupante avec des taux de déforestation des mangroves compris entre 3,58 % et 8,08 %, ceci dans une région contenant la moitié de l'ensemble de l'inventaire mondial des forêts de mangroves. Le modèle mondial de déforestation des mangroves de 2000 à 2012 est l'un des taux de déforestation décroissants, avec de nombreux pays essentiellement stables, à l'exception de la plus grande région de mangrove d'Asie du Sud-Est. Nous fournissons un ensemble de données spatiales standardisé qui surveille la déforestation des mangroves à l'échelle mondiale à des résolutions spatio-temporelles élevées. Ces données peuvent être utilisées pour piloter le programme de recherche sur les mangroves, en particulier en ce qui concerne le suivi des stocks de carbone des mangroves et l'établissement d'inventaires de base des forêts de mangroves locales requis pour le paiement des initiatives de services écosystémiques.

750, 1450 et 4550 m) qui sont statistiquement significatives au niveau de confiance de 95 %. L'analyse cospectrale suggère que la variation de la morphologie des dunes est corrélée avec les crêtes transversales sur la plate-forme intérieure, les promontoires cuspidés de la barrière arrière et les tendances historiques et liées aux tempêtes dans le changement du rivage. Des sections de la côte avec peu ou pas de développement de dunes avant l'ouragan Ivan ont été observées dans les parties les plus étroites de l'île (entre les promontoires), à l'ouest des crêtes transversales. La pénétration par débordement avait tendance à être plus importante dans ces zones et les brèches d'îles étaient courantes, laissant la surface près de la nappe phréatique et recouverte d'un décalage de coquillages et de gravier. En revanche, de grandes dunes avant et des dunes arrière ont été observées dans les sections les plus larges de l'île (les caps cuspatés) et à la crête des crêtes transversales. En raison des grandes dunes et de la présence des dunes de l'arrière-barrière, ces zones ont subi moins de pénétration de débordement et la plupart des sédiments du front de mer et des dunes se sont déposés dans le haut-rivage. Il est avancé que ces sédiments sont retournés au bord de la plage par la migration de la barre près du rivage après la tempête et que les zones avec des dunes avant et des dunes arrière plus grandes ont des taux d'érosion historique du rivage plus faibles par rapport aux zones avec des dunes plus petites et un plus grand transfert de sédiments vers la terrasse de débordement. . Étant donné que la récupération des dunes variera en fonction de la disponibilité de sédiments provenant du lessivage et du front de mer, il est en outre soutenu que le modèle côtier de la morphologie des dunes et la réponse de l'île à la prochaine tempête extrême sont forcés par les crêtes transversales et l'île. largeur à travers les variations le long des côtes dans les gradients d'onde de tempête et de débordement respectivement. Ces résultats peuvent être particulièrement importants pour les gestionnaires côtiers impliqués dans la réparation et la reconstruction des infrastructures côtières qui ont été endommagées ou détruites lors de l'ouragan Ivan.

750, 1450 et 4550 m) qui sont statistiquement significatives au niveau de confiance de 95 %. L'analyse cospectrale suggère que la variation de la morphologie des dunes est corrélée avec les crêtes transversales sur la plate-forme intérieure, les promontoires cuspidés de la barrière arrière et les tendances historiques et liées aux tempêtes dans le changement du rivage. Des sections de la côte avec peu ou pas de développement de dunes avant l'ouragan Ivan ont été observées dans les parties les plus étroites de l'île (entre les promontoires), à l'ouest des crêtes transversales. La pénétration par débordement avait tendance à être plus importante dans ces zones et les brèches d'îles étaient courantes, laissant la surface près de la nappe phréatique et recouverte d'un décalage de coquillages et de gravier. En revanche, de grandes dunes avant et des dunes arrière ont été observées dans les sections les plus larges de l'île (les promontoires cuspidés) et à la crête des crêtes transversales. En raison des grandes dunes et de la présence des dunes de l'arrière-barrière, ces zones ont subi moins de pénétration de débordement et la plupart des sédiments du front de mer et des dunes se sont déposés dans le haut-rivage. Il est avancé que ces sédiments sont retournés à la plage par la migration de la barre près du rivage après la tempête et que les zones avec des dunes avant et des dunes arrière plus grandes ont des taux d'érosion historique du rivage plus faibles par rapport aux zones avec des dunes plus petites et un plus grand transfert de sédiments vers la terrasse de débordement. . Étant donné que la récupération des dunes variera en fonction de la disponibilité de sédiments provenant du lessivage et du front de mer, il est en outre soutenu que le modèle côtier de la morphologie des dunes et la réponse de l'île à la prochaine tempête extrême sont forcés par les crêtes transversales et l'île. largeur à travers les variations le long des côtes dans les gradients d'onde de tempête et de débordement respectivement. Ces résultats peuvent être particulièrement importants pour les gestionnaires côtiers impliqués dans la réparation et la reconstruction des infrastructures côtières qui ont été endommagées ou détruites lors de l'ouragan Ivan.


&ldquoRight&rdquo manière de gérer C6386 dans Visual C++ (dépassement de mémoire tampon) ?

J'ai un extrait de code qui déclenche un avertissement de dépassement de mémoire tampon :

La ligne qui déclenche l'avertissement est a[row][col] = 0 où elle pense que col peut devenir négatif. L'avertissement disparaît si je fais l'une des actions suivantes :

  • inclure && col >= 0 dans l'instruction for (ce qui ajoute une vérification inutile à une boucle, car dans le code réel, j'ai déjà vérifié les limites des variables et je sais que je ne déborderai jamais)
  • supprimez la boucle for factice au milieu de l'extrait de code (bizarre, je sais, et dans le vrai code cette boucle "dummy" fait un travail réel)
  • Changez le mannequin en size_t (bizarre, pas lié à la boucle avec l'avertissement)
  • Remplacez n par un int non signé (encore une fois, bizarre, sans rapport avec la boucle en question)
  • supprimer la variable impaire de l'initialiseur col (ce qui rendrait le code incorrect)
  • utiliser un #pragma pour ignorer le problème (ce que je préfère généralement éviter)
  • Vérifiez n'importe où au-dessus de la boucle for pour les plages qui pourraient conduire à un débordement (j'ai essayé des vérifications de plage pour m , n , x , y et même impair ).
  • Remplacez col par un type non signé comme size_t, ou effectuez n'importe quel type de casting non signé

Aucune des solutions de contournement ne me laisse une sensation de chaleur et de flou. J'ai un peu vu des avertissements comme ceux-ci ces derniers temps, souvent avec des dépendances bizarres sur des morceaux de code sans rapport comme la boucle for factice vue ici, et n'exposant presque jamais un vrai problème. Existe-t-il une bonne pratique pour éviter ce type d'avertissement ?


La taille du tampon de sortie d'un routeur dépend du RTT. Comment?

Selon un livre sur les réseaux informatiques, « un routeur a besoin d'une quantité de mémoire tampon égale au temps d'aller-retour moyen d'un flux qui passe par le routeur, multiplié par la capacité de l'interface réseau du routeur, B = RTT * C ». C'est la règle bien connue.

Ma question Comment ce RTT peut-il être fourni à un routeur avant son installation ou comment ce RTT est-il calculé au préalable ? Pour autant que je sache, un routeur ne peut pas estimer ce RTT seul.


Il existe une idée fausse assez persistante selon laquelle les algorithmes sans verrouillage sont plus rapides que les algorithmes de verrouillage. Cependant, cela peut ne pas être vrai. Les implémentations modernes de mutex sont extrêmement rapides dans le cas non contesté, et lorsqu'il y a beaucoup de conflits, elles utilisent un appel système qui permet au noyau d'attendre que le mutex soit déverrouillé. Un appel système a certainement beaucoup de frais généraux, mais votre solution est de tourner 255 fois. Les opérations atomiques ne sont pas gratuites, donc dans le cas contesté avec de nombreux threads essayant d'obtenir l'accès, cela peut faire perdre beaucoup de temps CPU.

Vous devriez vraiment essayer de prouver votre théorie selon laquelle une implémentation sans verrouillage est plus rapide qu'une implémentation utilisant des mutex en exécutant des tests de performance.


Le nom Kurna signifie "un promontoire" ou "une pointe de montagne". [ 1 ]

Les références à Qurna, Gurna, Kournou, Gourna, El-Ckoor'neh, Gourne, el Abouab, El-Goor'neh ou de nombreuses autres variantes dans la littérature d'avant les années 1940 font référence à un étalement urbain de logements s'étendant approximativement sur le Ramesseum ( Temple funéraire de Ramsès II) au temple funéraire de Seti I sur le côté est des collines thébaines, y compris les noms de lieux actuels de Cheikh ‘Adb el-Gourna, el-Assasif, el-Khokha, Dr 'Abou el-Nage' et Qurna.

Au cours des XVIIIe, XIXe et XXe siècles, les visiteurs et les voyageurs de la région utilisent rarement le nom de manière cohérente et tout ce qui se trouve entre Medinet Habu et les tombes d'el-Tarif peut parfois être considéré comme faisant partie d'une communauté de Gourna.

Une référence au "Temple de Gourna " ou similaire, est dans la plupart des cas une référence au Ramesseum, dans une moindre mesure le Temple de Seti I et rarement c'est une référence aux temples funéraires presque détruits de Ramsès IV, Thutmose III ou Thutmose IV.


Voir la vidéo: Comment mettre un tampon? By Nett (Octobre 2021).