Suite

Comment la projection d'un jeu de données affecte-t-elle les résultats de l'analyse spatiale ?

Comment la projection d'un jeu de données affecte-t-elle les résultats de l'analyse spatiale ?


Je prévois de mener une analyse multicritères avec un certain nombre de jeux de données sources différents. Un certain nombre de jeux de données se trouvent dans différents systèmes de coordonnées et projections. Est ce que j'ai besoin de projet ces jeux de données dans le même système de coordonnées avant de procéder à cette analyse ? Mes données couvrent actuellement plus d'une zone UTM, généralement elles appartiennent à une seule. Ou toutes les données doivent-elles être dans le même système de coordonnées, mais non projetées ?

Comme il y a une telle quantité de données, j'aimerais qu'il soit aussi efficace que possible.

Bien que j'utilise les outils Esri pour ce problème, ma question ne leur est pas spécifique. Je travaille avec un ensemble de données qui couvre 650 000 kilomètres carrés des Territoires du Nord-Ouest et du Nunavut au Canada. J'ai décidé d'utiliser spatialreference.org/ref/epsg/nad83-nwt-lambert pour toutes les données. Je me demandais s'il serait préférable de laisser les données non projetées ou de choisir une projection pour toutes les données.


La projection choisie pour toute analyse de données spatiales est très important.

La projection que vous avez choisie (jusqu'à présent), NWT Lambert, est une projection conforme projection. Les projections conformes sont très courantes dans la cartographie topographique et sont idéales pour les calculs d'arpentage, où les angles mesurés et calculés sont conservés exactement après avoir été projetés du sphéroïde au plan. Alors que les distances, cependant, sont généralement déformées, connaissant les propriétés de la projection conforme, chaque distorsion de distance peut être calculée et prise en compte. Les projections conformes déformeront les zones.

Si votre analyse spatiale est principalement basée sur des calculs et des comparaisons de domaines, vous feriez bien mieux de choisir un aire égale projection. Dans ce cas, les angles et les distances sont déformés mais les tailles (surfaces) ne le sont pas.

La surface de référence spatiale idéale pour l'analyse spatiale est le sphéroïde lui-même. c'est-à-dire utiliser non projeté coordonnées (sphériques). Cependant, en ce qui concerne l'analyse spatiale du sphéroïde, la technologie SIG est en grande partie encore à l'âge des ténèbres : elle ne le fera tout simplement pas. Vous êtes donc coincé avec le choix d'une projection cartographique.


Pas du tout. Vous pouvez définir le système de coordonnées en sortie dans les paramètres des environnements. Météo que ce soit dans le constructeur de modèles, en python ou même dans la fenêtre d'outils elle-même.

Je crois que c'est arcpy.env.outputCoordinateSystems mais je ne me souviens pas exactement.


Référence spatiale et géotraitement

Ces propriétés de référence spatiale peuvent avoir un impact significatif sur les performances et les résultats générés par un outil de géotraitement.

  • Lorsqu'un outil de géotraitement crée des données en sortie, une référence spatiale doit être affectée à ce jeu de données nouvellement créé.
  • Lorsqu'un outil de géotraitement traite des entités de plusieurs classes d'entités (par exemple l'outil Intersection) ou de plusieurs rasters (par exemple l'outil Superposition pondérée), les données doivent être amenées dans une référence spatiale commune pour calculer les relations entre le contenu de les deux jeux de données.

La référence spatiale de l'ensemble de données de sortie et la référence spatiale dans laquelle le traitement a lieu sont identiques. Une autre façon de dire cela est que les outils traitent toujours les données dans la référence spatiale de l'ensemble de données de sortie.


Analyse spatiale et visualisation de données globales sur des grilles hexagonales multi-résolutions

Dans cet article, le calcul à des fins de visualisation spatiale est présenté dans le contexte de la compréhension de la variabilité des processus environnementaux mondiaux. Ici, nous générons des ensembles de données globales synthétiques mais réalistes et les entrons dans des algorithmes de calcul qui ont une capacité de visualisation que nous appelons un système de simulation-visualisation. La visualisation est ici essentielle, car les algorithmes que nous évaluons doivent respecter la structure spatiale de l'entrée. Nous modifions, augmentons et intégrons quatre technologies de composants existantes : la simulation conditionnelle statistique, les grilles globales discrètes (DGG), l'adressage des ensembles de tableaux et une plate-forme de visualisation pour afficher nos résultats sur un globe. La représentation interne des données à visualiser est construite autour du besoin d'un stockage et d'un calcul efficaces ainsi que du besoin de monter et descendre des résolutions d'une manière mutuellement cohérente. En effet, nous avons construit un système d'information géographique basé sur un DGG et doté de capacités de stockage, de calcul et de visualisation de données souhaitables. Nous donnons un exemple de la façon dont notre système de simulation-visualisation peut être utilisé, en évaluant un algorithme de calcul appelé Fusion de données statistiques spatiales qui a été développé pour être utilisé sur de grands ensembles de données de télédétection.


Analyse des ensembles de données sur les accidents

Nous commençons notre étude en analysant toutes les informations disponibles pour les accidents de la circulation. Nous nous intéressons à la compréhension des accidents dans l'espace, dans le temps et en fonction de facteurs tels que l'âge, le type de véhicule, le motif du déplacement, etc.

Analyse temporelle

Nous examinons d'abord les séries chronologiques quotidiennes (voir la figure ci-dessous). Cette première analyse nous donne un premier aperçu sur la stationnarité des accidents tout au long de l'année. On peut observer comment :

  • Pendant les trois principales périodes de vacances (Pâques, août et Noël), le nombre d'accidents est nettement inférieur
  • Il y a une saisonnalité hebdomadaire des accidents
  • Au cours du premier semestre, le nombre d'accidents est légèrement supérieur à celui du second semestre

Nous avons analysé les modèles temporels agrégés par jour de la semaine, mois et heure de la journée (voir la figure ci-dessous). Nous pouvons voir des schémas très différents qui appellent à une approche dynamique et réactive pour lutter contre les accidents.

En examinant une étude de temps plus désagrégée (voir figure ci-dessous), nous avons identifié des accidents pendant les journées de travail avec un pic pendant les heures de travail tout en étant plus uniformément répartis tout au long de la journée (même la nuit) le week-end. De plus, les jeudis de 14h à 15h et les vendredis de 15h à 16h ont un nombre particulièrement élevé d'accidents.

Analyse spatio-temporelle

Nous avons déjà identifié que les accidents ne présentent pas de comportement stationnaire dans le temps et se concentrent à des heures spécifiques en fonction de la journée. Ce comportement est-il également présent dans l'espace ? Comme vous le savez peut-être déjà, c'est le cas. En effet, les accidents se concentrent dans différentes parties de la ville selon le type de jour et de mois de l'année comme on peut le voir sur les deux cartes ci-dessous. Ces résultats montrent l'importance de définir des hotspots dynamiques.

Analyse basée sur les caractéristiques des accidents

Nous nous intéressons maintenant à l'analyse de l'impact de facteurs tels que l'âge, le type de véhicule ou le but du voyage sur le nombre d'accidents. Afin d'effectuer cette analyse, nous avons construit le tableau de bord suivant à l'aide de notre package Python, CARTOframes. Sur le tableau de bord, les accidents sont étiquetés en fonction de leur type, et les widgets à droite nous permettent de les filtrer par cause, type de véhicule, type de jour, entre autres, pour découvrir de nouvelles informations.

Voici quelques idées intéressantes que nous pouvons facilement identifier :

  • La moitié des accidents avec alcool comme cause directe se sont produits le week-end
  • Alors que les jeunes adultes de 18 à 25 ans constituent le quatrième groupe démographique le plus important en nombre d'accidents, ils sont le deuxième si l'on considère uniquement les accidents de nuit.
  • Les collisions entre voitures et piétons sont le principal type d'accidents pour les +65 ans et le quatrième en considérant toutes les tranches d'âge
  • Près de 50% des accidents les plus mortels se sont produits un week-end

Ces informations soulignent davantage l'importance de définir des hotspots dynamiques.

Impact des conditions météorologiques

Nous étions également intéressés à comprendre l'impact de la météo et en particulier, l'impact de la pluie. Étonnamment, nous avons découvert qu'à Barcelone, la différence entre le nombre d'accidents pendant les jours de pluie et les jours sans pluie n'est pas statistiquement significative, probablement en raison du climat doux de la ville. C'est cependant quelque chose à considérer dans d'autres villes car cela pourrait avoir un impact important sur les accidents, en particulier dans les villes où les conditions météorologiques sont plus extrêmes et variables.


Qualité des données spatiales : une introduction

La qualité des données est le degré d'excellence des données qui satisfont l'objectif donné. En d'autres termes, l'exhaustivité des attributs afin d'accomplir la tâche donnée peut être qualifiée de qualité des données. La production de données par le secteur privé ainsi que par diverses agences de cartographie évalue les normes de qualité des données afin de produire de meilleurs résultats. Les données créées à partir de différents canaux avec différentes techniques peuvent présenter des divergences en termes de résolution, d'orientation et de déplacements. La qualité des données est un pilier de toute mise en œuvre et application de SIG, car des données fiables sont indispensables pour permettre à l'utilisateur d'obtenir des résultats significatifs.

La qualité des données spatiales peut être classée dans l'exhaustivité des données, la précision des données, l'exactitude des données et la cohérence des données.

  • Intégralité des données : il s'agit essentiellement de la mesure de la totalité des fonctionnalités. Un ensemble de données avec une quantité minimale de caractéristiques manquantes peut être qualifié de données complètes.
  • Précision des données : la précision peut être définie comme le degré de détails affichés sur un espace uniforme. En savoir plus sur la précision : Données SIG : un regard sur l'exactitude, la précision et les types d'erreurs
  • Précision des données : cela peut être qualifié d'écart entre la valeur d'attribut réelle et la valeur d'attribut codée.
  • Cohérence des données : la cohérence des données peut être définie comme l'absence de conflits dans une base de données particulière.

Évaluation de la qualité des données :

La qualité des données est évaluée à l'aide de différentes techniques d'évaluation par différents utilisateurs.


L'émergence d'une poche de diabète au Nigeria : le résultat d'une analyse spatiale

Le diabète sucré (DM) est une maladie dégénérative chronique majeure dans le monde, y compris au Nigeria qui compte le plus grand nombre de cas de DM en Afrique. Malgré l'énorme impact sur la santé publique, peu de choses sur l'analyse géographique et les déterminants du DM dans le pays sont comprises. Par conséquent, l'étude a examiné les variations géographiques de la prévalence du DM au Nigeria à l'aide des techniques Global Moran's I, Local Moran's I et de régression spatiale. L'État d'Enugu a le taux de prévalence de DM le plus élevé du pays. Il n'y avait pas seulement des preuves de regroupement géographique de DM (I = 0,30, z = 3,49 p < 0,05) mais l'existence d'une poche de DM dans la partie sud-est du Nigeria comprenant les états d'Abia, d'Anambra, d'Enugu et d'Imo. L'obésité et le niveau de scolarité expliquent collectivement 31 (modèle OLS) et 33 (modèle d'erreur spatiale) pour cent de la variation de la configuration géographique du DM dans le pays. Les explications possibles de la poche du diabète et du schéma géographique observé incluent les pratiques socioculturelles et les schémas alimentaires traditionnels, la signification symbolique de l'obésité, le faible niveau d'éducation et le niveau élevé d'urbanisation. Du point de vue politique, l'étude propose une intervention de politique régionale parmi d'autres recommandations.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Comment la projection d'un jeu de données affecte-t-elle les résultats de l'analyse spatiale ? - Systèmes d'information géographique

La maladie du sommeil est réapparue dans le sud-est de l'Ouganda dans les années 1970 et reste un problème de santé publique. Il a continué à se propager vers le nord dans de nouveaux districts, et des lacunes subsistent dans la compréhension des causes de sa propagation et de sa distribution. Nous rapportons la distribution et l'ampleur de la maladie du sommeil dans le sud-est de l'Ouganda de 1970 à 2003. Les données ont été collectées à partir des dossiers du ministère ougandais de la Santé, des centres de traitement de la maladie du sommeil et des entretiens avec des responsables de la santé publique. Les données ont été utilisées pour développer des cartes d'incidence au fil du temps, effectuer des analyses de détection de grappes spatio-temporelles et développer une carte vectorielle de vitesse pour visualiser la propagation de la maladie du sommeil au fil du temps dans le sud-est de l'Ouganda. Les résultats montrent une propagation rapide de la maladie du sommeil à partir de son épicentre dans le sud du district d'Iganga et sa propagation vers le nord dans de nouveaux districts et foyers.

La maladie du sommeil est la forme humaine de la trypanosomose africaine (causée par Trypanosome spp.), une maladie parasitaire protozoaire affectant les humains, le bétail et de nombreuses espèces sylvatiques en Afrique subsaharienne. Elle est transmise par le vecteur de la mouche tsé-tsé (Glossine spp.) et chez les bovins est une contrainte sérieuse au développement de l'élevage en Afrique subsaharienne (13).

Figure 1. Emplacement du site d'étude dans le sud-est (SE) de l'Ouganda. L'étoile indique la capitale de Kampala. L'encart montre les pays voisins en Afrique.

La forme aiguë de la maladie du sommeil, causée par Trypanosoma brucei rhodesiense et est prédominant en Afrique orientale et australe (46), est présent dans le sud-est de l'Ouganda (Figure 1). La maladie du sommeil est un grave problème de santé publique dans cette région des épidémies se sont produites en 1901-1915, 1940-1946 et 1976-1989 (3). Plus récemment, la propagation de la maladie du sommeil dans des zones que l'on croyait auparavant indemnes de la maladie a mis en évidence des lacunes dans la capacité de la recherche actuelle à expliquer et à prédire la distribution de l'infection (7).

En 1976, un foyer a été détecté dans le comté de Luuka, dans l'ouest du district d'Iganga, en dehors de la zone traditionnelle des mouches. Ce fut le début d'une vaste épidémie qui s'est finalement propagée dans tout le sud-est de l'Ouganda. Cette épidémie s'est produite pendant une période de grande instabilité politique et de conflit civil en Ouganda, ce qui a contribué à une réduction des ressources et des services pour la maladie du sommeil (8). Bien que l'incidence de la maladie du sommeil ait diminué dans le sud-est de l'Ouganda au début des années 90, elle continue de persister et de se propager en 2005. Une épidémie a été détectée pour la première fois dans le district de Soroti en 1998 (7), suivie d'une propagation continue vers le nord dans les districts de Kumi, Kaberamaido et Lira (9,10). Les analyses historiques de la maladie du sommeil dans le sud-est de l'Ouganda peuvent améliorer le contrôle de la maladie en améliorant la compréhension du contexte et des tendances de la maladie, ainsi qu'en identifiant les variables associées à ces tendances. De plus, les analyses historiques peuvent valider les processus hypothétiques.

Nous décrivons et caractérisons la distribution spatiale des T. b. rhodesiense maladie du sommeil dans le sud-est de l'Ouganda pendant une période épidémique de 34 ans (1970-2003). Nous émettons l'hypothèse que la maladie du sommeil dans le sud-est de l'Ouganda est motivée par 2 processus dominants. Dans le processus A, dans les régions où la maladie apparaît ou s'est récemment déclarée, des flambées localisées sont déclenchées par des processus qui augmentent les populations de glossines ou par des changements qui augmentent le contact homme-tsé-tsé. Dans le processus B, dans les régions où la maladie n'est pas apparue récemment, la propagation est facilitée par le mouvement du bétail infecté vers des régions non infectées.

Méthodes

Zone d'étude

La zone d'étude dans le sud-est de l'Ouganda en Afrique de l'Est (Figure 1) est subdivisée en 17 districts, 46 comtés et 254 sous-comtés. La région a une superficie de 55 000 km 2 et une population de 9 millions d'euros (11). Treize pour cent vivent dans la capitale Kampala (11), et les autres vivent dans des zones à prédominance rurale dominées par l'élevage et l'agriculture de subsistance (12,13).

Collecte de données

Des données transversales sur la maladie du sommeil de 1970 à 2003 ont été recueillies rétrospectivement en 2004 pour identifier le nombre de cas et les mesures de l'ampleur de la maladie par sous-comté et par an. Des données ont été recueillies pour tous les dossiers disponibles de patients atteints de maladie du sommeil dans le sud-est de l'Ouganda. La disponibilité et la fiabilité des données variaient d'une année à l'autre en fonction de la qualité de la surveillance et de la collecte des données primaires, ainsi que de la disponibilité des enregistrements et du biais de rappel pour la collecte des données secondaires. La fiabilité des données pour 1986 à 2003 était considérée comme modérée à élevée, mais la fiabilité des données pour 1970 à 1986 était faible à modérée. L'évaluation et l'examen des données par les responsables de la santé publique ont conclu que les informations sur la prévalence et l'absence de la maladie étaient fiables pendant la plupart des années, mais les mesures de l'ampleur de la maladie étaient moins fiables avant 1986.

Figure 2. Salle des archives du centre de traitement de la maladie du sommeil de l'hôpital Bugiri, en Ouganda.

Depuis 1999, des résumés des données sur la maladie du sommeil sont fournis par le Programme national de lutte contre la maladie du sommeil du ministère ougandais de la Santé. Pour les données antérieures à 1988, aucune collecte centralisée de dossiers n'existe au-delà des résumés de district. Les données sur les cas de maladie du sommeil restent dans les dossiers des centres de traitement individuels. Les données antérieures à 1988 ont été recueillies rétrospectivement en 2004 lors de visites dans tous les centres de traitement actifs dans les années 1980. Dans de nombreux cas, les registres étaient mal rangés, endommagés, avaient des pages perdues ou manquaient (figure 2). La définition des cas était basée sur le diagnostic principal, tous les cas enregistrés dans les registres ont été inclus dans cette étude. Les cas ont été répartis sur une année en fonction de la date d'admission du patient.

Les lacunes dans l'ensemble de données ont augmenté avant 1986. Des données limitées étaient disponibles pour la fin des années 1970, et aucune donnée quantitative n'était disponible pour le début et le milieu des années 1970. Des entretiens ont été menés avec des responsables de la santé publique pour compléter et étendre les données des années 1970 et 1980. Ces fonctionnaires ont été choisis en identifiant les Ougandais activement impliqués dans des postes de direction dans la prévention et le contrôle de la maladie du sommeil de 1970 à nos jours et ceux qui pouvaient être contactés. Ils comprenaient des responsables vétérinaires et de santé publique au niveau du ministère national de la Santé ou des offices médicaux ou vétérinaires de district. Des entretiens ont été utilisés pour vérifier les données pour les années 1980 et pour classer l'ampleur de la maladie pour les années 1970.

L'ampleur de la maladie du sommeil a été classée en 1 des 5 catégories pour chaque sous-comté pour chaque année : 1) aucun cas, 2) pré-épidémie (1 à 4 cas par an par sous-comté), 3) faible épidémie (5 à 15 cas par an par sous-comté) , 4) épidémie élevée (16 à 100 cas par an par sous-comté) et 5) épidémie extrême (> 100 cas par an par sous-comté). Ces seuils étaient basés sur des indications anecdotiques tirées d'entretiens préliminaires et définis pour faciliter les définitions standardisées de l'ampleur lors des entretiens ultérieurs. Les informations des intervieweurs ont été comparées aux dossiers disponibles sur la maladie du sommeil et à la littérature. Ces résultats ont été utilisés pour développer une base de données de classification de l'ampleur de la maladie par sous-comté et par année. Les données et les cartes résultantes ont été présentées aux informateurs pour discussion et validation lors d'entretiens de suivi en 2005.

Les limites des régions politiques ont beaucoup changé au cours de la période d'étude de 34 ans. L'agrégation des données des sous-comtés a réduit le nombre de sous-comtés de 254 en 2004 à 225 pour la période d'étude actuelle. La résolution temporelle des données est cohérente et l'agrégation de 29 sous-comtés est supposée avoir peu d'effet sur les analyses globales.

L'analyse des données

Le nombre de cas de 225 sous-comtés du sud-est de l'Ouganda pendant 34 ans (1970-2003) a été agrégé en 5 périodes temporelles pour une analyse descriptive et géographique en grappes sur la base de la progression de l'épidémie et de la disponibilité des données : 1970-1975, pré-épidémie 1976-1979, augmentation épidémique 1980 –1888, pic épidémique 1989-1997, décroissance épidémique et 1998-2003, queue épidémique. Le nombre moyen de cas par sous-comté et par an a été calculé pour les périodes pour lesquelles le nombre de cas était disponible (1980-1988, 1989-1997 et 1998-2003). Pour les périodes antérieures (1970-1975 et 1976-1979), seules des données ordinales étaient disponibles. Par conséquent, les points médians des données ont été calculés en utilisant la moyenne des valeurs ordinales maximales et minimales arrondies au nombre entier le plus proche dans la direction du mode. Ces données ont été utilisées pour développer des cartes faisant la moyenne des incidences annuelles de la maladie du sommeil pour chaque sous-comté au cours de la période d'intervalle. Les moyennes d'incidence annuelle pour les intervalles après 1980 ont été reclassées comme sporadiques (<5 cas/an), épidémique faible (5-15 cas/an) ou épidémique élevée (>15 cas/an) pour correspondre aux catégories de données ordinales pour les données des années 1970.

Pour identifier des grappes de maladie du sommeil dans le sud-est de l'Ouganda de 1970 à 2003, la statistique de balayage spatio-temporel (14) a été utilisé (logiciel SaTScan version 5.1 pour les statistiques d'analyse spatiale et spatio-temporelle disponible sur http://www.satscan.org/ [Kulldorff, Boston, MA, USA et Information Management Services Inc., Silver Springs, MD, USA] ). On a supposé que les proportions d'incidence des 225 sous-comtés suivaient une distribution de Poisson selon la taille de la population sous-jacente. Les résultats de l'analyse de cluster incluent des clusters spatio-temporels sans chevauchement géographique des clusters autorisé et une taille de cluster maximale autorisée de 50 % de la population. Les clusters uniquement dans l'espace et dans le temps ont été exclus. Les grappes primaires et secondaires à un niveau de signification de α = 5 % sont signalées.

Les données sur la maladie du sommeil ont été utilisées sous la forme de nombres de cas par an et par sous-comté pour les enregistrements postérieurs à 1980. Pour les données des années 1970, les valeurs enregistrées représentent des données ordinales (c'est-à-dire faibles, moyennes, élevées) plutôt que des nombres de cas. Ceux-ci ont été transformés en nombres de cas en appliquant la valeur minimale ordinale à chaque enregistrement. Les données démographiques sont basées sur les recensements de la population de 1980, 1991 et 2002 pour l'Ouganda (11). Les 3 premières périodes d'analyse (1970-1988) ont utilisé les enregistrements du recensement de 1980 pour les dénombrements de population. Les analyses pour les périodes 1989-1997 et 1998-2003 sont basées sur les recensements de 1991 et 2002, respectivement.

Une carte de vitesse vectorielle (15) de la propagation de la maladie du sommeil a été développé en utilisant l'analyse de surface de tendance (TSA) (16,17). TSA est une méthode de lissage global utilisant des polynômes en coordonnées géographiques, telles que définies par le point central de chaque polygone de sous-comté. Dans ce cas, une surface de tendance de l'année du premier cas de maladie du sommeil signalé pour chaque sous-comté a été utilisée pour explorer et identifier les modèles de diffusion et les couloirs de propagation dans le temps.

L'année du premier cas enregistré a été identifiée pour les sous-comtés dans la base de données. Quatre-vingt-neuf des 225 sous-comtés sans aucun cas enregistré au cours de la période d'étude 1970-2003 ont été exclus. Les coordonnées x et y des centroïdes des sous-comtés ont été calculées à partir d'un fichier de formes de projection UTM du sud-est de l'Ouganda à l'aide d'ArcMAP (ArcGIS 9, Environmental Systems Research Institute, Redlands, CA, États-Unis). La régression des moindres carrés utilisant des polynômes linéaires, quadratiques, cubiques et d'ordre supérieur des coordonnées x et y pour prédire l'année du premier cas signalé a été réalisée dans R (Foundation for Statistical Computing, Vienne, Autriche, disponible sur http:// www.R-project.org). Des équations aux dérivées partielles (Δyear/ΔX et Δyear/ΔY) ont été dérivées du modèle ajusté, donnant un vecteur de l'amplitude (pente) et de la direction pour chaque emplacement. La racine carrée de la pente correspond à la vitesse de diffusion.

Résultats

Courbe épidémique

Figure 3. Nombre de cas de maladie du sommeil et de sous-comtés infectés, sud-est de l'Ouganda, 1970-2003. Le nombre de cas enregistrés se réfère aux totaux pour le sud-est de l'Ouganda. Sources : 1970-1971, D.B. Mbulamberi, inédit. données 1972-1975 (18).

La figure 3 montre la courbe épidémique de 1970 à 2003 dans le sud-est de l'Ouganda, ainsi qu'une courbe du nombre total de sous-comtés infectés par an. Cette dernière courbe donne une indication de l'étendue spatiale de la maladie dans la région, tandis que la première indique l'ampleur de l'épidémie. La baisse spectaculaire de l'incidence en 1982 et 1983 est liée à la fois à l'intervention de la Croix-Rouge allemande en 1980 dans la région du comté de Luuka (19) (D.B. Mbulamberi, comm. pers.) et une surveillance réduite en 1982 et 1983. Le nombre de cas et de sous-comtés infectés a diminué dans les années 1990. Contrairement à la diminution de l'incidence, cependant, le nombre de sous-comtés infectés reste bien au-dessus des niveaux pré-épidémiques.

Cartes d'incidence et détection de cluster

Figure 4. Incidence de la maladie du sommeil, sud-est de l'Ouganda, 1970-1975, par sous-comté. Le cercle indique un cluster spatio-temporel significatif au niveau de confiance de 95 %, tel que détecté par le test de balayage spatio-temporel. Voir le tableau pour.

Figure 5. Incidence de la maladie du sommeil, sud-est de l'Ouganda, 1976-1979, par sous-comté. Le cercle indique un cluster spatio-temporel significatif au niveau de confiance de 95 %, tel que détecté par le test de balayage spatio-temporel. Voir le tableau pour.

Figure 6. Incidence de la maladie du sommeil, sud-est de l'Ouganda, 1980-1988, par sous-comté. Le cercle indique un cluster spatio-temporel significatif au niveau de confiance de 95 %, tel que détecté par le test de balayage spatio-temporel. Voir le tableau pour.

Figure 7. Incidence de la maladie du sommeil dans le sud-est de l'Ouganda, 1989-1997, par sous-comté. Le cercle indique un cluster spatio-temporel significatif au niveau de confiance de 95 %, tel que détecté par le test de balayage spatio-temporel. Voir le tableau.

Figure 8. Incidence de la maladie du sommeil dans le sud-est de l'Ouganda, 1998-2003, par sous-comté. Les cercles indiquent des grappes d'espace-temps primaires (A) et secondaires (B, C et D) significatives au niveau de confiance de 95 %, telles que détectées par le.

Les figures 4, 5, 6, 7 et 8 présentent des cartes de l'incidence annuelle moyenne de la maladie du sommeil (T. b. rhodesiense) par sous-comté dans chacune des 5 périodes d'étude. Les légendes des 5 cartes sont cohérentes. Chaque carte comprend l'emplacement des amas spatio-temporels primaires et secondaires significatifs (α = 5%). Les résultats des analyses de détection de grappes sont discutés ci-dessous pour chaque période d'intervalle et sont résumés dans le tableau. Les tendances dominantes dans les résultats des grappes étaient insensibles à la taille maximale des grappes.

1970-1975 : Pré-épidémie

La figure 4 montre la distribution de la maladie du sommeil qui se rapproche de la zone pré-épidémique de l'infection traditionnelle et sporadique au cours des années 1960. La plupart des sous-comtés sont signalés comme n'ayant que quelques cas par an. Un cluster spatio-temporel important a été identifié dans la zone qui comprenait les districts de Mayuge, Bugiri et le sud d'Iganga pour 1973-1975 (Figure 4, Tableau). Ces résultats de grappes reflètent le début de l'augmentation de l'incidence dans ces sous-comtés au cours de la seconde moitié de cette période.

1976-1979 : Augmentation de l'épidémie

La figure 5 montre à la fois une augmentation de l'incidence de la maladie du sommeil le long des frontières du district d'Iganga/Mayuge/Jinja ainsi que la propagation de la maladie vers l'extérieur. Ces processus caractérisent le début et l'augmentation de l'épidémie de maladie du sommeil en 1976. Un amas spatio-temporel 1978-1979 (figure 5, tableau) de plus petite taille est identifié au nord-ouest de l'amas pour la période précédente. Le groupe est identifié pour les dernières années de l'intervalle, indiquant le début et la propagation précoces de l'épidémie, tandis que le rayon plus petit du groupe de 1978-1979 reflète une incidence accrue à l'épicentre le long de la frontière d'Iganga avec Mayuge et Jinja.

1980-1988 : pic épidémique

La figure 6 montre une augmentation importante à la fois de l'incidence et de la distribution de la maladie du sommeil qui a caractérisé cette période de pointe de l'épidémie. L'analyse de détection a identifié un cluster en 1985-1988 (Figure 6, Tableau) situé dans le même voisinage que ceux observés dans les 2 intervalles précédents. Le cluster 1985-1988, en plus des régions des clusters des années 1970, englobe des zones des districts de Jinja, du nord d'Iganga et du sud de Kamuli, indiquant une propagation spatiale continue.

1989-1997 : Diminution de l'épidémie

La figure 7 montre l'incidence annuelle moyenne de la maladie du sommeil pour la période 1989-1997. Une diminution de l'incidence globale peut être observée en conjonction avec une propagation spatiale continue. La détection de grappes a identifié une grappe pour 1989-1992 qui englobait les mêmes zones que les grappes précédentes, ainsi que les districts de Tororo, Busia et l'est de Mukono (figure 7, tableau). Contrairement aux périodes précédentes, un cluster spatio-temporel a été identifié dans les premières années de la période. Ce résultat reflète un passage de l'épidémie de la progression à la régression. La plus grande taille spatiale de la grappe, cependant, indique une propagation continue dans de nouvelles zones (Figure 7). Les zones d'incidence accrue sont généralement déplacées vers l'est.

1998-2003 : Queue épidémique

La figure 8 montre la répartition de l'incidence de la maladie du sommeil pour la période 1998-2003. L'incidence globale de la maladie a diminué dans les districts du sud et l'épidémie était caractérisée par des poches de maladie. De plus, la maladie a été observée pour la première fois dans le district de Soroti au nord de la zone d'étude (cluster B, Figure 8). La détection des grappes était cohérente avec cette répartition des poches et des foyers d'épidémie. Quatre petits amas ont été détectés (Figure 8, Tableau). Le groupe A a été détecté pour 1999-2001 dans les sous-comtés le long de la frontière des districts d'Iganga et de Kamuli. Le groupe B a identifié un nouveau foyer d'épidémie dans le district de Soroti en 2001-2003, où des cas ont été enregistrés pour la première fois en 1998. Ce groupe reflète l'augmentation de l'incidence à Soroti jusqu'à la fin de la période d'étude. Bien que l'incidence dans le district de Tororo ait culminé vers 1990, une petite résurgence d'épidémies dans les sous-comtés de Bugongi et d'Osukuru en 2001 et 2002 a entraîné la détection de grappes dans le district de Tororo (cluster C, figure 8, tableau) (20). Un quatrième cluster, plus petit, a été détecté dans les sous-comtés de Buikwe, Buyikwe, Najja, Ngogwe et Ssi en 1998 (cluster D, Figure 8), qui a connu une résurgence d'incidence depuis un pic antérieur en 1991.

Analyse de surface de tendance

Figure 9. Vecteurs de vitesse (flèches) pour la propagation de la maladie du sommeil entre les sous-comtés en Ouganda. La longueur de la flèche est proportionnelle à la vitesse de propagation.

Les résultats de l'analyse des tendances de surface sont résumés dans une carte vectorielle de vitesse (figure 9). La vitesse et la direction de diffusion pour chaque emplacement de coordonnées ont été cartographiées pour montrer le mouvement et la vitesse instantanée de T. b. rhodesiense diffusion de la maladie du sommeil dans le sud-est de l'Ouganda au cours de la période d'étude. La TSA à polynômes d'ordre élevé est sensible aux anomalies de données en bordure de la zone d'étude (15). Moins de données sont disponibles aux limites de la zone d'étude. La taille et la direction du vecteur vitesse sont donc moins fiables et peuvent ne pas être précises au bord de la zone d'étude. Pour ces raisons, 9 vecteurs de vitesse ont été supprimés de la carte de diffusion vectorielle (Figure 9).

La vitesse moyenne de la maladie du sommeil répartie sur 34 ans dans le sud-est de l'Ouganda de 1970 à 2003 était de 5 km/an. La vitesse de déplacement était la plus élevée au début de l'épidémie (Figure 9), lorsque la maladie du sommeil s'est propagée hors de son foyer principal dans le sud du district d'Iganga. L'épidémie s'est propagée vers l'extérieur dans une sphère de diffusion relativement constante à partir de cet épicentre. Un corridor de mouvement peut être observé sur la frange orientale de la zone d'étude, se déplaçant à travers les districts de Busia et Tororo. Cependant, cette zone de frange doit être interprétée avec prudence en raison des effets de bordure potentiels. La maladie s'est nettement déplacée vers le nord et l'est dans le district de Soroti. Les zones de propagation la plus rapide semblent être les extensions de ces 2 corridors au nord de Soroti et Tororo. Ces résultats sont cohérents avec la détection récente de cas dans les districts de Kumi, Kaberamaido et Lira (9,10) adjacent ou au nord de Soroti. Les vecteurs de vitesse ont également montré une propagation à l'ouest et à l'est. Cependant, les figures 4 à 8 suggèrent qu'une grande partie de cette diffusion horizontale s'est produite avant les années 1990.

Discussion

La fiabilité des données pour les années 1970 et 1980 est sujette à des biais de détection et d'enregistrement associés à des périodes de surveillance passive, à des registres manquants et à des biais de rappel des personnes interrogées. La création de centres de traitement supplémentaires au cours de la période d'étude et la qualité différentielle des installations de diagnostic et de traitement dans toute la zone d'étude peuvent contribuer à un biais spatial dans les données. Odiit et al. (2022) discutent du potentiel d'erreur de diagnostic des cas, du biais d'entrée sélective autour des centres de traitement et de la sous-détection de la maladie du sommeil. L'agrégation des cas par sous-comté réduit le potentiel de regroupement autour des centres de traitement individuels, et à moins qu'un diagnostic erroné ne se produise, cela n'affectera pas de manière critique les schémas spatiaux observés. The data must be interpreted with caution in the context of data reliability and potential biases. Results should be considered exploratory and descriptive data are not appropriate for direct causal inferences. The results are, however, useful for characterizing broad trends where historical trends in processes observed are consistent with hypotheses, results can inform current and future research.

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

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

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

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

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

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

Remerciements

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

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


Abstrait

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


National Soils Database

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


Conclusion

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

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

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

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