Más

¿Cómo encontrar un búfer "vacío"?

¿Cómo encontrar un búfer


Así que tengo líneas (red de carreteras) y amortiguadores a su alrededor. Necesito encontrar "búfer vacíos" cuyas líneas faltan (imagen de abajo). Las líneas tienen atributos de ancho de búfer, pero es incorrecto en algunos casos (no coincide con el búfer real con). Entonces, crear / borrar con nuevos polígonos no es una opción, ya que dejará muchos polígonos basura. Los tampones también se disuelven en la mayoría de los casos.


Esta es solo una idea que necesitaría experimentar más, ya que puede tener fallas.

¿Qué tal mirar algún tipo de valor de relación de longitud / perímetro?

Imagine que tiene una línea de 10 m de largo y su búfer completo, que ha amortiguado 2 m, entonces el perímetro del búfer sería de aproximadamente 20 m. entonces 10/20 = 0.5.

Ahora imagine que tiene una línea de 25 m de largo en un búfer en forma de L que ha sido creado por una polilínea en forma de L de 50 m para la cual solo tiene un lado, lo que le da su escenario de un búfer medio vacío. Tendría un perímetro de 25 m / ~ 100 m = 0,25.

Entonces, los valores cercanos a 0.5 son polígonos con sus líneas centrales, tendrían que probar cuál sería un buen valor de corte.

Solo una idea…


Esta es solo otra idea, al mirar el ángulo opuesto a su pregunta, para encontrar líneas centrales primero como se explica en uno de los métodos aquí y luego buscar características de línea coincidentes. Por supuesto, este enfoque dará resultados sólidos si las líneas de la carretera están en el "centro" de los polígonos. Tal vez agregar amortiguadores delgados ('qué tan delgados' es otro problema, por supuesto) a las características de la carretera existentes, lo que introducirá una pseudo-tolerancia, lo ayudará a encontrar características similares al observar qué parte de la línea central está 'contenida' en el búfer .


Antecedentes: los estudios que estiman los efectos en la salud de la exposición a la contaminación del aire a largo plazo a menudo utilizan un enfoque de dos etapas: construir modelos de exposición para asignar exposiciones a nivel individual, que luego se utilizan en análisis de regresión. Esto requiere un modelo de exposición preciso y un tratamiento cuidadoso del error de medición de la exposición.

Objetivo: Para ilustrar la importancia de tener en cuenta las características del modelo de exposición en estudios de contaminación del aire en dos etapas, consideramos un estudio de caso basado en datos del Estudio Multiétnico de Aterosclerosis (MESA).

Métodos: Construimos modelos nacionales de exposición espacial que utilizaron mínimos cuadrados parciales y kriging universal para estimar concentraciones promedio anuales de cuatro PM.2.5 componentes: carbono elemental (EC), carbono orgánico (OC), silicio (Si) y azufre (S). Predijimos PM2.5 exposiciones de componentes para la cohorte MESA y asociaciones transversales estimadas con el grosor de la íntima-media carotídea (CIMT), ajustando las covariables específicas del sujeto. Corregimos el error de medición utilizando métodos desarrollados recientemente que dan cuenta de la estructura espacial de las exposiciones previstas.

Resultados: Nuestros modelos funcionaron bien, con validación cruzada R 2 valores que van de 0,62 a 0,95. Los análisis ingenuos que no tuvieron en cuenta el error de medición indicaron asociaciones estadísticamente significativas entre CIMT y la exposición a OC, Si y S. EC y OC mostraron poca correlación espacial, y la inferencia corregida no se modificó con respecto al análisis ingenuo. Las superficies de exposición de Si y S mostraron una correlación espacial notable, lo que resultó en intervalos de confianza (IC) corregidos que eran un 50% más amplios que los IC ingenuos, pero que seguían siendo estadísticamente significativos.

Conclusión: El impacto de corregir el error de medición en la inferencia del efecto sobre la salud es concordante con el grado de correlación espacial en las superficies de exposición. Las características del modelo de exposición deben tenerse en cuenta al realizar análisis epidemiológicos de contaminación del aire en dos etapas porque la inferencia ingenua del efecto sobre la salud puede ser inapropiada.

Cita: Bergen S, Sheppard L, Sampson PD, Kim SY, Richards M, Vedal S, Kaufman JD, Szpiro AA. 2013. Un modelo de predicción nacional para PM2.5 exposiciones de componentes e inferencia de efectos sobre la salud corregidos por errores de medición. Environment Health Perspect 121: 1017–1025 http://dx.doi.org/10.1289/ehp.1206010

Introducción

La relación entre la contaminación del aire y los resultados adversos para la salud ha sido bien documentada (Pope et al. 2002 Samet et al. 2000). Muchos estudios se centran en el material particulado, específicamente el material particulado ≤ 2,5 μm de diámetro aerodinámico (PM2.5) (Kim et al.2009 Miller et al.2007). Efectos de la PM en la salud2.5 puede depender de las características de las partículas, incluida la forma, la solubilidad, el pH o la composición química (Vedal et al., en prensa), y una comprensión más profunda de estos efectos diferenciales podría ayudar a informar las políticas. Uno de los retos a la hora de evaluar el impacto de diferentes componentes químicos de PM2.5 en un estudio epidemiológico es la necesidad de asignar exposiciones a los participantes del estudio en función de los datos de seguimiento de diferentes ubicaciones (es decir, datos desalineados espacialmente). Al hacer esto para muchos componentes, el procedimiento de predicción debe simplificarse para que sea práctico. Cualquiera que sea el algoritmo de predicción, el uso de las exposiciones estimadas en lugar de las verdaderas induce un error de medición en el análisis epidemiológico posterior. Aquí describimos un modelo de predicción flexible y eficiente que se puede aplicar a escala nacional para estimar los niveles de exposición a largo plazo para múltiples contaminantes y que implementa los métodos existentes para corregir errores de medición en el modelo de salud.

Los métodos actuales para asignar exposiciones incluyen la regresión del uso de la tierra (LUR) con covariables del sistema de información geográfica (SIG) (Hoek et al. 2008) y el kriging universal, que también explota la estructura espacial residual (Kim et al. 2009 Mercer et al. 2011). . A menudo, se encuentran disponibles cientos de covariables SIG correlacionadas candidatas, que requieren un procedimiento de reducción de dimensiones. Los métodos de selección de variables que se han considerado en la literatura incluyen la búsqueda exhaustiva, la selección escalonada y el encogimiento por el “lazo” (Mercer et al. 2011 Tibshirani 1996). Sin embargo, los métodos de selección de variables tienden a ser computacionalmente intensivos, factibles quizás cuando se considera un solo contaminante, pero rápidamente se vuelven imprácticos cuando se desarrollan predicciones para múltiples contaminantes. Una alternativa más simplificada es la regresión de mínimos cuadrados parciales (PLS) (Sampson et al. 2009), que encuentra un pequeño número de combinaciones lineales de las covariables GIS que explican de manera más eficiente la variabilidad en las concentraciones medidas. Estas combinaciones lineales reducen el espacio de covariables a una dimensión mucho más pequeña y luego pueden usarse como la estructura media en un modelo LUR o kriging universal en lugar de covariables GIS individuales. Esto proporciona las ventajas de utilizar todas las covariables GIS disponibles y eliminar los procesos de selección de variables que pueden consumir mucho tiempo.

El uso de exposiciones predichas a partir de datos desalineados espacialmente en lugar de exposiciones reales en modelos de salud introduce errores de medición que pueden tener implicaciones para ^ βX, el coeficiente de interés estimado del modelo de salud (Szpiro et al. 2011b). Un error similar al de Berkson que surge al suavizar la superficie de exposición real puede inflar el SE de ^ βX. El error de tipo clásico resulta de estimar los parámetros del modelo de predicción y puede sesgar ^ βX además de inflar su SE. Los métodos Bootstrap para ajustar los efectos del error de medición han sido discutidos por Szpiro et al. (2011b).

Aquí presentamos un estudio de caso para ilustrar un enfoque holístico del modelado epidemiológico de contaminación del aire en dos etapas, que incluye modelado de exposición en la primera etapa y modelado de salud que incorpora corrección de errores de medición en la segunda etapa. Construimos modelos de exposición nacional usando PLS y kriging universal, y los empleamos para estimar concentraciones promedio a largo plazo de cuatro especies químicas de PM.2.5—Carbón elemental (EC), carbono orgánico (OC), silicio (Si) y azufre (S) —seleccionado para reflejar una variedad de PM diferentes2.5 fuentes y procesos de formación (Vedal et al., en prensa). Después de desarrollar los modelos de exposición, derivamos predicciones para la cohorte del Estudio Multiétnico de Aterosclerosis (MESA). Estas predicciones se utilizan como covariables de interés en los análisis de salud que evalúan las asociaciones entre el grosor de la íntima-media carotídea (CIMT), una medida subclínica de la aterosclerosis y la exposición a PM.2.5 componentes. Aplicamos métodos de corrección de errores de medición para tener en cuenta el hecho de que en estos modelos de salud se utilizan exposiciones predichas en lugar de verdaderas. Discutimos nuestros resultados y sus implicaciones con respecto al efecto de la correlación espacial en las superficies de exposición sobre las asociaciones estimadas entre exposiciones y resultados de salud.

Seguimiento de datos. Se recopilaron datos sobre EC, OC, Si y S para construir los modelos nacionales. Estos datos consistieron en promedios anuales de 2009 a 2010 medidos por el Monitoreo interinstitucional para entornos visuales protegidos (IMPROVE) y la Red de especiación química (CSN) de la Agencia de Protección Ambiental de EE. UU. (EPA de EE. UU. 2009). Los monitores IMPROVE son una red nacional ubicada principalmente en áreas remotas. Los monitores del CSN están ubicados en áreas más urbanas. Estas dos redes proporcionan datos que se distribuyen uniformemente en los 48 estados inferiores (Figura 1).

Figura 1 Ubicación de los monitores IMPROVE y CSN y PM promedio nacional previsto2.5 concentraciones de componentes de modelos de predicciones finales. (A) CE, (B) OC, (C) Si y (D) S. Los recuadros muestran predicciones para St. Paul, MN.

Todos los monitores IMPROVE y CSN que tenían al menos 10 puntos de datos por trimestre y un máximo de 45 días entre mediciones se incluyeron en nuestros análisis. Las mediciones de Si y S se promediaron entre el 1 de enero de 2009 y el 31 de diciembre de 2009. El conjunto de datos EC / OC consistió en mediciones de 204 monitores IMPROVE y CSN promediadas entre el 1 de enero de 2009 y el 31 de diciembre de 2009, y las mediciones de 51 monitores CSN promediaron el 1 de mayo 2009–30 de abril de 2010. Utilizamos el último período porque el protocolo de medición utilizado por los monitores del CSN antes del 1 de mayo de 2009 era incompatible con el protocolo de red IMPROVE. La comparación de los valores promediados entre el 1 de mayo de 2009 y el 30 de abril de 2010 con los promediados entre el 1 de enero de 2009 y el 31 de diciembre de 2009 indicó una pequeña diferencia entre los períodos de tiempo (datos no mostrados). Los promedios anuales se transformaron por raíz cuadrada antes del modelado.

Covariables geográficas. Aproximadamente 600 covariables LUR estaban disponibles para todos los monitores y ubicaciones de los sujetos. Estos incluían distancias a las carreteras A1, A2 y A3 [códigos de clase de entidad censal (CFCC, Oficina del Censo de EE. UU. 2013)] uso de la tierra dentro de una determinada densidad de población de zona de influencia dentro de una zona de influencia determinada y un índice de vegetación de diferencia normalizada (NDVI National Oceanic and Atmospheric Administration 2013) , que mide el nivel de vegetación en las cercanías de un monitor. Las carreteras CFCC A1 son carreteras de acceso limitado Las carreteras A2 y A3 son otras carreteras importantes, como las carreteras del condado y del estado, sin acceso limitado (Mercer et al. 2011). Para el NDVI, se obtuvo una serie de 23 imágenes de satélite compuestas de 16 días específicas del monitor y se promediaron los píxeles dentro de un búfer determinado para cada imagen. PLS incorporó los percentiles 25, 50 y 75 de estos 23 promedios. También se incluyó la mediana de los promedios de las imágenes de la "temporada de vegetación alta" (definida como del 1 de abril al 30 de septiembre) y los promedios de la "temporada de poca vegetación" (del 1 de octubre al 31 de marzo). Las covariables geográficas se preprocesaron para eliminar las covariables LUR que eran demasiado homogéneas o propensas a valores atípicos para ser útiles. Específicamente, eliminamos las variables con & gt 85% de valores idénticos, y aquellas con el valor atípico estandarizado más extremo & gt 7. Transformamos logarítmicamente y truncamos todas las variables de distancia a 10 km, y calculamos variables de distancia adicionales "compiladas" como la distancia mínima a la mayor carreteras y distancia a cualquier puerto. Estas variables compiladas fueron luego sujetas a los mismos criterios de inclusión. Todas las covariables seleccionadas se centraron en la media y se escalaron por sus respectivas DE.

Cohorte MESA. MESA es un estudio poblacional que comenzó en 2000, con una cohorte de 6814 participantes de seis ciudades de EE. UU.: Los Ángeles, California St. Paul, Minnesota Chicago, Illinois Winston-Salem, Carolina del Norte Nueva York, Nueva York y Baltimore. Maryland. Fueron atacados cuatro grupos étnicos / raciales: blancos, chinoamericanos, afroamericanos e hispanos. Todos los participantes estaban libres de enfermedad cardiovascular diagnosticada por un médico al momento de ingresar. [Para obtener detalles adicionales sobre el estudio MESA, consulte Bild et al. (2002).] Estos participantes también se utilizaron en el Estudio multiétnico de aterosclerosis y contaminación del aire (MESA Air), un estudio complementario de MESA financiado por la EPA de EE. UU. Para estudiar la relación entre la exposición crónica a la contaminación del aire y la progresión de enfermedades subclínicas. enfermedad cardiovascular (Kaufman et al. 2012). Tanto los estudios de MESA como los de MESA Air fueron aprobados por la junta de revisión institucional (IRB) en cada sitio, incluidos los IRB de la Universidad de California, Los Ángeles (Los Ángeles, CA), la Universidad de Columbia (Nueva York, NY), Johns Hopkins. University (Baltimore, MD), University of Minnesota (Minneapolis-St. Paul, MN), Wake Forest University (Winston-Salem, NC) y Northwestern University (Evanston, IL). Todos los sujetos dieron su consentimiento informado por escrito.

Seleccionamos el punto final CIMT en MESA como el resultado de salud para nuestro estudio de caso. El CIMT, una medida subclínica de la aterosclerosis, se midió mediante ultrasonido en modo B utilizando un escáner GE Logiq (GE Healthcare, Wauwatosa, WI), y el punto final se cuantificó como las medidas de CIMT de la pared extrema derecha realizadas durante el examen 1 de MESA, que tomó lugar durante 2000-2002 (Vedal et al., en prensa). Consideramos a los 5,501 participantes de MESA que tenían medidas de CIMT durante el examen 1, nuestro análisis se basó en los 5,298 participantes de MESA que tenían medidas de CIMT durante el examen 1 y datos completos para todas las covariables del modelo seleccionado.

Métodos

La primera etapa del enfoque de dos etapas incluyó la construcción de modelos de exposición utilizando PLS como covariables en modelos kriging universales. Usamos la validación cruzada (CV) para seleccionar el número de puntajes PLS, determinar qué tan confiables eran las predicciones de cada modelo de exposición y evaluar hasta qué punto la estructura espacial estaba presente para cada contaminante. La etapa de modelado de salud del enfoque de dos etapas incluyó los modelos de salud que ajustamos y los métodos de corrección de errores de medición que empleamos. [Para una exposición técnica más detallada, consulte Bergen et al. (2012).]

Modelos de predicción espacial. Notación. Deje Xt* denotar el NORTE* × 1 vector de concentraciones transformadas de raíz cuadrada observadas en las ubicaciones del monitor R * el NORTE* × pag matriz de covariables geográficas en las ubicaciones del monitor Xt la norte × 1 vector de concentraciones transformadas de raíz cuadrada desconocidas en las ubicaciones de sujetos no observadas y R el norte × pag matriz de covariables geográficas en las ubicaciones del sujeto. Tenga en cuenta que para nuestros modelos de exposición, Xt* y Xt son variables dependientes y R * y R son variables independientes. Usamos PLS para descomponer R * en un conjunto de combinaciones lineales de dimensión mucho más pequeña que R *. Específicamente,

Aquí, H es un pag × k matriz de ponderaciones para las covariables geográficas, y T * es una NORTE* × k matriz de componentes o puntuaciones de PLS. Estos puntajes son combinaciones lineales de las covariables geográficas encontradas de tal manera que maximizan la covarianza entre Xt* y todas las posibles combinaciones lineales de R *. Uno podría notar similitudes entre PLS y análisis de componentes principales (PCA). Aunque los dos métodos son similares en que ambos son métodos de reducción de dimensión, las puntuaciones de PLS maximizan la covarianza entre Xt* y todas las demás combinaciones lineales posibles de R *, mientras que las puntuaciones de PCA se eligen para explicar tanto como sea posible la covarianza de R *. [Para obtener más detalles, consulte Sampson et al. (2013)]. Las puntuaciones de PLS en ubicaciones no observadas se derivan luego como T = RH.

Una vez que se obtuvieron las puntuaciones PLS T y T * para el sujeto y las ubicaciones de monitoreo, respectivamente, asumimos el siguiente modelo conjunto para exposiciones no observadas y observadas:

Aquí α es un vector de coeficientes de regresión para las puntuaciones PLS, y η y η* son norte × 1 y NORTE* × 1 vectores de error, respectivamente. Nuestros modelos de exposición primarios asumieron que los términos de error exhibían una correlación espacial que podría modelarse con un variograma kriging parametrizado por un vector de parámetros θ⊇ = (τ 2, σ 2, ϕ) (Cressie 1992). La pepita, τ 2, se puede interpretar como la cantidad de variabilidad en las exposiciones a la contaminación que no se explica por la estructura espacial, el umbral parcial, σ 2, se puede interpretar como la cantidad de variabilidad que se explica por la estructura espacial y el rango, ϕ, es interpretable como la distancia máxima entre dos ubicaciones más allá de la cual ya no pueden considerarse correlacionadas espacialmente. Estimamos estos parámetros y los coeficientes de regresión α mediante el perfil de máxima verosimilitud. Una vez estimados estos parámetros, obtuvimos predicciones en ubicaciones no observadas tomando la media de Xt condicional en Xt* y los parámetros estimados del modelo de exposición. Debido a que nuestros métodos de corrección de errores de medición se basan en un modelo de exposición correctamente especificado, nos encargamos de elegir el variograma de kriging que mejor se ajuste para modelar nuestros datos. Inicialmente ajustamos variogramas exponenciales para los cuatro contaminantes e investigamos si las parcelas del variograma estimado parecían ajustarse bien al variograma empírico. Si parecían encajar mal, investigamos variogramas esféricos y cúbicos. El variograma exponencial se ajusta bien a EC, OC y S, pero proporciona un ajuste deficiente para Si (datos no mostrados). Por lo tanto, examinamos los variogramas cúbicos y esféricos y encontramos que el variograma esférico proporcionaba un ajuste mucho mejor y lo usamos para modelar Si en nuestros modelos de exposición.

Como comparación con nuestros modelos de kriging primarios, también derivamos predicciones de PLS solo sin ajustar un variograma de kriging. Esto es análogo a un modelo LUR puro pero utilizando las puntuaciones PLS en lugar de las covariables geográficas reales. Para este análisis se asumió que η y η * eran independientes, y α se estimó usando un ajuste de mínimos cuadrados a la regresión de Xt* en T *. Las predicciones de PLS solo en las ubicaciones no observadas se derivaron luego como los valores ajustados de esta regresión utilizando las puntuaciones de PLS en las ubicaciones de los sujetos.

Selección de CV y ​​modelo. Usamos un CV de 10 veces (Hastie et al.2001) para evaluar la precisión de las predicciones de los modelos, seleccionar el número de componentes PLS que se utilizarán en los modelos de predicción finales y comparar las predicciones generadas utilizando PLS solo con nuestros modelos primarios, que utilizaron tanto PLS como kriging universal. Los datos se asignaron al azar a 1 de 10 grupos. Se omitió un grupo (un "conjunto de prueba") y los grupos restantes (un "conjunto de entrenamiento") se utilizaron para ajustar el modelo y generar predicciones del conjunto de prueba. Cada grupo desempeñó el papel de conjunto de prueba hasta que se obtuvieron predicciones para todo el conjunto de datos. En cada iteración, se tomaron los siguientes pasos para realizar una validación cruzada de nuestros modelos primarios (se siguieron pasos similares para derivar predicciones con validación cruzada que solo usaban PLS):

PLS estaba en forma usando el conjunto de entrenamiento, y K Los puntajes se calcularon para el conjunto de pruebas, para K = 1. 10.

Los parámetros de kriging universales θ y los coeficientes α se estimaron a través de la máxima verosimilitud del perfil utilizando el conjunto de entrenamiento. El primero K Las puntuaciones PLS corresponden a T * en la Ecuación 1, para K = 1. 10.

Las predicciones se derivaron utilizando la primera K Componentes PLS y el kriging universal correspondiente, utilizando parámetros de kriging estimados a partir del conjunto de entrenamiento.

Usamos el paquete R por favor para adaptarse al PLS. El kriging universal se realizó utilizando el paquete R geoR. Los modelos de mejor rendimiento se seleccionaron de aquellos que utilizaron tanto PLS como kriging en función de su error cuadrático medio de predicción (RMSEP) con validación cruzada y su correspondiente R 2. Para un conjunto de datos con norte* observaciones y predicciones correspondientes, las fórmulas para estas métricas de rendimiento están dadas por

Estas métricas son sensibles a la escala en consecuencia, son útiles para evaluar el desempeño del modelo para un contaminante dado, pero no para comparar modelos entre contaminantes.

Modelado de salud. Modelo de enfermedad. Se utilizaron modelos de regresión lineal multivariable para estimar los efectos de cada PM individual2.5 exposición de componentes en CIMT. Cada modelo incluía un único PM2.5 componente junto con un vector de covariables específicas del sujeto. Sea Y el vector 5298 × 1 de resultados de salud para los 5298 participantes de MESA incluidos en el análisis, W el vector 5298 × 1 de predicciones de exposición en la escala no transformada y Z una matriz de posibles factores de confusión. Asumimos relaciones lineales entre Y, las exposiciones verdaderas y Z, y ajustamos la siguiente ecuación mediante mínimos cuadrados ordinarios (MCO):

mi(Y) = β0 + WβX + Zβz. [4]

Corrección de errores de medición. El modelo de la Ecuación 4 se ajustó utilizando las exposiciones previstas W en lugar de las exposiciones verdaderas como covariable de interés. El uso de predicciones en lugar de exposiciones reales en los modelos de salud introduce dos fuentes de error de medición que potencialmente influyen en el comportamiento de ^ βX. El error similar al de Berkson surge al suavizar la superficie de exposición real y podría inflar el SE de ^ βX. El error de tipo clásico surge al estimar los parámetros del modelo de exposición α y θ. El error de tipo clásico infla potencialmente el SE de ^ βX y también podría sesgar la estimación puntual. Implementamos el parámetro bootstrap, un método eficiente para evaluar y corregir los efectos del error de medición. [Ver Szpiro et al. (2011b) para obtener antecedentes y detalles adicionales.]

Usamos el parámetro bootstrap en el contexto de predicciones que usan tanto PLS como kriging universal, el enfoque sería muy similar si se usara PLS solo (aunque no implementamos esa corrección aquí).

Estime una densidad de muestreo para ^ α y ^ θ con una distribución normal multivariante.

Para j = 1. B muestras de bootstrap

Simule nuevas exposiciones de arranque "observadas" en las ubicaciones de monitoreo de la Ecuación 1 y los resultados de salud de la Ecuación 4.

Muestre los nuevos parámetros del modelo de exposición y, a partir de la densidad de muestreo estimada en el paso 1, utilice una matriz de covarianza constante multiplicada por un escalar λ ≥ 0. λ controla la variabilidad de (^ αj, ^ θj): cuanto mayor es λ, mayor es la variabilidad de (^ αj, ^ θj).

Utilice los resultados de salud simulados y los parámetros del modelo de exposición recién muestreados para derivar Wj.

Calcular ^ βx, j usando Wj por OLS.

Deje Eλ(^ βX B) denotar la media empírica de la ^ βx, j. El sesgo estimado se define como sesgoλ(^ βX) = Eλ(^ βX SER0(^ βX B) con la correspondiente estimación del efecto corregido por sesgo βx, λ corregido = ^ βX-Parcialidadλ(^ βX).

Estime el bootstrap SE como

Para nuestra implementación del parámetro bootstrap, establecemos B = 30.000 y λ⊇ = 1.

El objetivo del parámetro bootstrap es aproximar las propiedades de muestreo del ^ β impactado por el error de mediciónX eso se estimaría si realizáramos nuestro análisis de dos etapas con muchas realizaciones reales de observaciones de monitoreo y conjuntos de datos de salud del sujeto. En consecuencia, el paso 2 (a) nos da B nuevas "realizaciones" de nuestros datos. Para λ⊇ = 1, el paso 2 (b) tiene en cuenta el error de tipo clásico volviendo a muestrear los parámetros del modelo de exposición. El paso 2 (c) explica el error similar al de Berkson al suavizar la superficie de exposición real. Paso 2 (d) luego calcula B nuevo ^ βx, j'S, cuyas propiedades de muestreo han incorporado todas las fuentes de error de medición. Comparando estos con la media de bootstrapped ^ βx, j derivado utilizando parámetros del modelo de exposición fija (es decir, λ⊇ = 0) nos da una aproximación del sesgo inducido por el error de tipo clásico (paso 3), y la SD empírica se aproxima al SE que da cuenta de ambas fuentes de error de medición (paso 4).

También implementamos el parámetro bootstrap para λ = 0. Esto es equivalente al "bootstrap paramétrico parcial" descrito por Szpiro et al. (2011b), que explica el error similar al de Berkson solo porque la superficie de exposición todavía está suavizada, pero con parámetros fijos.

Un rasgo deseable del parámetro bootstrap es la capacidad de "ajustar" la cantidad del error clásico variando λ, lo que nos permite investigar cómo la variabilidad en la distribución muestral de (^ αj, ^ θj) afecta el sesgo de ^ βX. Esto puede ser útil para refinar nuestras estimaciones de sesgo de arranque mediante extrapolación de simulación (SIMEX) (Stefanski y Cook 1995). (Para obtener información adicional sobre nuestro enfoque de SIMEX y los resultados de su aplicación a los datos de MESA, consulte el Material complementario, págs. 2-3 y la Figura S1).

Resultados

Datos. Seguimiento de datos. Las concentraciones medias de los cuatro contaminantes según la red de monitoreo se muestran en la Tabla 1. Las concentraciones de CE y OC medidas por los monitores del CSN tendían a ser más altas que las concentraciones medidas por los monitores IMPROVE. Las concentraciones medias de Si y S medidas por los monitores CSN también fueron más altas que las medias de IMPROVE; sin embargo, en relación con sus SD, las diferencias entre los monitores CSN y IMPROVE en las concentraciones de Si y S no fueron tan grandes como las diferencias entre las concentraciones de EC y OC.

tabla 1 Los datos resumidos para las concentraciones de contaminación observadas (media ± DE) en las redes de monitoreo pronosticaron las concentraciones (media ± DE) para la cohorte MESA en el examen 1 y resúmenes de las covariables LUR seleccionadas.

CovariablesMEJORARCSNTodos los monitoresMESA Air
Sitios (norte)190982885501
CE (μg / m 3)0.19±0.180.66±0.240.37±0.300.74±0.18
OC (μg / m 3)0.93±0.552.23±0.711.43±0.882.17±0.36
Si (ng / m 3)0.16±0.120.10±0.090.14±0.110.09±0.03
S (μg / m 3)0.41±0.270.69±0.250.51±0.290.78±0.15
Sites & lt150m hasta una carretera A1 [norte (%)]4 (2)3 (3)7 (2)249 (6)
Sites & lt150m hasta una carretera A3 [norte (%)]36 (19)43 (44)79 (27)2,763 (50)
Distancia media a comm (m)4,6961271,235302
Guarida de pop mediana a (personas / mi 2)3805203,496
NDVI B150140146137
Abreviaturas: comm, centros comerciales o de servicios, madrigueras, densidad de población. a Personas por milla cuadrada para el bloque / grupo de bloques censales al que pertenece el monitor / sujeto. B Valor mediano de las medianas del NDVI de verano dentro de una zona de amortiguamiento de 250 m.

Covariables geográficas. Las variables geográficas que usamos se enumeran en la Tabla 2. La mayoría de estas variables se usaron para modelar los cuatro contaminantes, pero no todos. Las siguientes variables se utilizaron para modelar Si y S pero no EC y OC: PM2.5 y PM10 emisiones, arroyos y canales dentro de una zona de amortiguamiento de 3 km, otro uso de suelo urbano o edificado dentro de una zona de amortiguamiento de 400 m, lagos dentro de una zona de amortiguamiento de 10 km, complejos industriales y comerciales dentro de una zona de amortiguamiento de 15 km y pastizales herbáceos dentro de un búfer de 3 km. Por otro lado, las siguientes variables se utilizaron para modelar EC y OC, pero no Si y S: uso de suelo industrial dentro de zonas de amortiguamiento de 1 y 1,5 km.

Tabla 2 Covariables LUR (abreviaturas de la Figura 2) y (cuando corresponda) tamaños de búfer de covariables que pasaron por el preprocesamiento y fueron considerados por PLS.

AbreviaturaDescripción de la variableTamaños de búfer
Distancia a las características Carretera A1 aN / A
Camino mas cercano aN / A
Aeropuerto aN / A
Gran aeropuerto aN / A
Puerto aN / A
Línea costera a, bN / A
Centro comercial o de servicios aN / A
Ferrocarril aN / A
Patio de ferrocarriles aN / A
ASI QUE2ASI QUE2 Emisiones C30km
PM2.5PM2.5 CD30km
PM10PM10 CD30km
NOXNOX C30km
PoblaciónDensidad de poblaciónLos 500m, el 1km, el 1.5km, los 2km, los 2.5km, los 3km, los 5km, los 10km, los 15km
NDVI – inviernoInvierno medianoLos 250m, los 500m, el 1km, los 2.5km, los 5km, los 7.5km, los 10km
NDVI – veranoVerano medioLos 250m, los 500m, el 1km, los 2.5km, los 5km, los 7.5km, los 10km
NDVI – Q75Percentil 75Los 250m, los 500m, el 1km, los 2.5km, los 5km, los 7.5km, los 10km
NDVI – Q50Percentil 50Los 250m, los 500m, el 1km, los 2.5km, los 5km, los 7.5km, los 10km
NDVI – Q25Percentil 25Los 250m, los 500m, el 1km, los 2.5km, los 5km, los 7.5km, los 10km
TransporteTransporte, comunidades y servicios públicosLos 750m, los 3km, los 5km, los 10km, los 15km
TransiciónÁreas de transición15km
ArroyoArroyos y canales3km D , 5km, 10km, 15km
ArbustoPastizales de arbustos y matorrales1.5km, 3km, 5km, 10km, 15km
ResidencialResidencialLos 400m, los 500m, los 750m, el 1km, el 1.5km, los 3km, los 5km, los 10km, los 15km
Otro urbanoOtras urbanas o edificadasLos 400m D , Los 500m, el 1.5km, los 3km, los 5km, los 10km, los 15km
Gama mixtaPastizales mixtosLos 3km, los 5km, los 10km, los 15km
Bosque mixtoTerreno forestal mixtoLos 750m, el 1km, el 1.5km, los 3km, los 5km, los 10km, los 15km
LagosLagos D10 kilometros
IndustrialIndustrial1km mi , 1,5 kilometros mi , 3km, 5km, 10km, 15km
Indust / commComplejos industriales y comerciales D15km
Gama de hierbasPastizales herbáceos3km D , 5km, 10km
VerdeTierra de bosque siempre verdeLos 400m, los 500m, los 750m, el 1km, el 1.5km, los 3km, los 5km, los 10km, los 15km
bosqueTierra de bosque caducifolioLos 750m, el 1km, el 1.5km, los 3km, los 5km, los 10km, los 15km
CultivoTierras de cultivo y pastosLos 400m, los 500m, los 750m, el 1km, el 1.5km, los 3km, los 5km, los 10km, los 15km
CommComercial y serviciosLos 500m, los 750m, el 1km, el 1.5km, los 3km, los 5km, los 10km, los 15km
A23Distancia total de las carreteras A2 y A3 dentro de la zona de influenciaEl 100m, el 150m, los 300m, los 400m, los 500m, los 750m, el 1km, el 1.5km, los 3km, los 5km
A1Distancia total de las carreteras A1 dentro de la zona de influenciaEl 1km, el 1.5km, los 3km, los 5km
La mayoría de las variables se utilizaron en cada una de las cuatro PM2.5 Sin embargo, en los modelos de componentes, el procedimiento de preprocesamiento seleccionó algunas variables para EC y OC que no fueron seleccionadas para Si y S, y viceversa porque las ubicaciones de monitoreo de EC y OC no eran idénticas a las ubicaciones de Si y S. a Truncado a 25km y registro10 transformado. B Iniciar sesión10 y valores no transformados ambos incluidos. C Toneladas por año de emisiones de chimeneas altas. D Variable utilizada para modelar Si, S únicamente. mi Variable utilizada solo para modelar EC y OC.

Las distribuciones de covariables geográficas seleccionadas se muestran de acuerdo con la red de monitoreo y las ubicaciones de MESA en la Tabla 1. Aunque relativamente pocos monitores pertenecientes a IMPROVE o CSN estaban dentro de los 150 m de una carretera A1, había una mayor proporción de monitores CSN dentro de los 150 m de distancia. una carretera A3 (44%) que los monitores IMPROVE (19%), en consonancia con la ubicación de los monitores del CSN en ubicaciones más urbanas en comparación con los monitores IMPROVE (Tabla 1). La distancia media a los centros comerciales y de servicios fue mucho menor para los monitores CSN (127 m frente a 4696 m), y la densidad de población media fue mucho mayor para los monitores CSN (805 personas / m 2) que para los monitores IMPROVE (solo 3 personas / m 2). mi 2). Los valores medios del NDVI de verano dentro de 250 m fueron ligeramente más pequeños para los monitores CSN que para los monitores IMPROVE, de acuerdo con la ubicación de los monitores IMPROVE en áreas más verdes. Las distribuciones geográficas de covariables entre las ubicaciones de los participantes de MESA fueron más consistentes con los monitores del CSN, como es especialmente evidente para el número de sitios & lt 150 m de una carretera A3 y la densidad de población media (Tabla 1). Las gráficas de densidad de las covariables geográficas para el monitoreo y las ubicaciones de los sujetos indicaron una superposición notable para todas las covariables geográficas (datos no mostrados), lo que sugiere que las diferencias en las covariables geográficas entre el monitor y las ubicaciones de MESA eran consistentes con la concentración de sujetos de MESA en ubicaciones urbanas, no una extrapolación más allá de nuestra datos.

Cohorte MESA. Las distribuciones de las covariables del modelo de salud entre los participantes de la cohorte MESA se resumen en la Tabla 3. La media de CIMT (0,68 ± 0,19 mm) edad media (62 ± 10 años) sexo (52% mujeres) raza (39% blancos, 12% chino-americanos, 27 % De afroamericanos y 22% de hispanos) y el estado (44% de estado de hipertensión y 15% de uso de estatinas) se determinaron mediante un cuestionario (Bild et al. 2002). El mayor porcentaje de participantes residía en Los Ángeles (19,7%), pero la distribución en las seis ciudades fue bastante homogénea. Solo los 5298 participantes con datos completos para todas las covariables del modelo seleccionado que se enumeran en la Tabla 3 se incluyeron en el análisis.

Tabla 3 Covariables específicas de sujeto para la cohorte MESA utilizadas en modelos de salud.

VariablenorteMedia ± DE o%
CIMT5,5010.68±0.19
Años de edad)5,50161.9±10.1
Peso (libras)5,501173.0±37.5
Altura (cm)5,501166.6±10.0
Cintura (cm)5,50097.8±14.1
Área de superficie corporal (m 2)5,5011.9±0.2
IMC (kg / m 2)5,50128.2±5.3
DBP5,49971.8±10.3
Sexo
Mujer2,87252.2
Masculino2,62947.8
Raza
Blanco (Caucásico)2,16839.4
chino americano67512.3
Negro (afroamericano)1,45926.5
Hispano1,19921.8
Sitio
Winston-Salem87816.0
Nueva York86715.8
Baltimore77614.1
St. Paul y Minneapolis89916.3
Chicago99818.1
los Angeles1,08319.7
Educación
Secundaria incompleta91616.7
Secundaria completa99118.0
Alguna educación superior1,57128.6
Universidad completa2,01036.5
Desaparecido130.2
Ingresos por año
& lt $ 12 00056610.3
$12,000–24,9991,02218.6
$25,000–49,9991,54328
$50,000–74,99990116.4
& gt $ 75 0001,27123.1
Desaparecido1983.6
Hipertensión
No3,10656.5
2,39543.5
Uso de estatinas
No4,68185.1
81714.9
Desaparecido30.1

Modelos de predicción espacial. Evaluación del modelo. Los modelos seleccionados correspondientes a los más bajos con validación cruzada R 2 todos PLS usados ​​y kriging universal. Para las cuatro de la tarde2.5 componentes y para todos los números de puntuaciones PLS, kriging mejoró la precisión de la predicción, como lo indica el R 2 y estadísticas de RMSEP para los modelos de predicción seleccionados correspondientes a los modelos de kriging universal PLS solo y PLS + de mejor rendimiento (Tabla 4). Comparando el R 2 con y sin kriging universal indica que EC y OC no mejoraron mucho con kriging, mientras que kriging universal mejoró la precisión de predicción para Si y aún más para S. La relación entre la pepita y el umbral (es decir, τ 2 / σ 2) también admite predicciones mejoradas con suavizado espacial mediante kriging. Para un rango fijo, los valores más pequeños de esta relación indican que las concentraciones en ubicaciones cercanas reciben un mayor peso cuando se hace krig. Vemos esta relación en la Tabla 4, donde τ 2 / σ 2 fue grande cuando el kriging universal hizo poco para mejorar la precisión de la predicción, y muy pequeña cuando el kriging universal ayudó a mejorar la precisión de la predicción.

Cuadro 4 R 2 y RMSEP con validación cruzada para cada componente de PM2.5, tanto para los modelos primarios como para los modelos de comparación solo con PLS, y los parámetros de kriging estimados a partir del ajuste de probabilidad en todo el conjunto de datos para cada contaminante.

CorrecciónModeloCEjefeSiS
3 puntuaciones PLS2 puntuaciones PLS2 puntuaciones PLS2 puntuaciones PLS
R 2 PLS solamente0.790.600.360.63
PLS + Reino Unido0.820.690.620.95
RMSEPPLS solamente0.110.220.100.13
PLS + Reino Unido0.100.200.080.05
Parámetros estimados del Reino Unido(τ 2) a0.00740.02510.00430.0007
(σ 2) B0.00250.01990.00860.0251
(φ) C4133042,7892,145
(τ 2 / σ 2)2.961.260.50.03
Reino Unido, kriging universal. a Pepita utilizada en kriging. B Alféizar parcial utilizado en kriging. C Rango utilizado en kriging.

Como análisis de sensibilidad, también realizamos un CV utilizando estimaciones de exposición del monitor más cercano. Este método funcionó muy mal para EC y OC (R 2 s de 0 y 0.06, respectivamente), relativamente pobre para Si (R 2 = 0.36), pero tuvo un buen desempeño para S (R 2 = 0.88).

Interpretación de PLS.La Figura 2 ilustra las covariables geográficas que fueron más importantes para explicar la variabilidad de los contaminantes. Específicamente, la Figura 2 resume la pag × 1 vector m, el vector tal que Rm es igual a las 5298 exposiciones predichas con PLS solamente. Cada elemento de m es un peso para una covariable geográfica correspondiente. Los elementos positivos en m (es decir, valores & gt 0 en la Figura 2) indican que los valores más altos de la covariable geográfica se asociaron con una exposición pronosticada más alta, cuanto mayor sea el valor absoluto de un elemento en m, más contribuyó la covariable geográfica correspondiente a la predicción de la exposición.

Figura 2 Coeficientes del ajuste PLS, donde los coeficientes describen las asociaciones de cada covariable geográfica con la exposición para (A) CE, (B) OC, (C) Si y (D) S. El tamaño de cada círculo representa el tamaño del búfer covariable, con círculos más grandes que indican búferes más grandes.Cada círculo cerrado de "distancia a la característica" representa una característica diferente (enumerada en la Tabla 2): carretera A1, carretera más cercana, aeropuerto, aeropuerto grande, puerto, costa, centro comercial o de servicios, ferrocarril y patio de ferrocarriles. Las abreviaturas de las variables y los tamaños de búfer se indican en la Tabla 2. La mayoría de las variables que se muestran aquí se utilizaron para modelar los cuatro contaminantes, pero no todos. Las variables utilizadas para modelar Si y S pero no CE y OC fueron emisiones de PM2.5 y PM10, arroyos y canales dentro de una zona de amortiguamiento de 3 km, otro uso de suelo urbano o edificado dentro de una zona de amortiguamiento de 400 m, lagos dentro de un margen de 10- km de amortiguación, complejos industriales y comerciales dentro de una zona de amortiguamiento de 15 km, y pastizales herbáceos dentro de una zona de amortiguamiento de 3 km. Las variables utilizadas para modelar EC y OC, pero no Si y S, fueron el uso de suelo industrial dentro de zonas de amortiguamiento de 1 y 1,5 km.

La densidad de población se asoció con valores pronosticados más grandes de todos los contaminantes, particularmente para CE, OC y S. El uso de la tierra industrial dentro de la zona de amortiguamiento más pequeña fue muy predictivo de EC y OC, y la tierra de bosque siempre verde dentro de una zona de amortiguamiento dada fue fuertemente predictiva de disminuciones en S. NDVI, uso de suelo industrial, emisiones y variables de longitud de línea se asociaron positivamente con todas las exposiciones excepto Si, mientras que todas las variables de distancia a las características se asociaron negativamente con todas las exposiciones excepto Si. Las variables NDVI fueron más importantes para la predicción de OC y S que para EC. Para el Si, el NDVI y las variables de uso de la tierra de transición parecieron ser las más informativas para la predicción, con el NDVI de manera negativa y el uso de la tierra de transición asociado positivamente con la exposición al Si. La distancia a las características pareció ser informativa para los cuatro contaminantes.

Predicciones de exposición. La Figura 1 muestra las concentraciones pronosticadas en los Estados Unidos, con detalles más finos ilustrados para St. Paul, Minnesota. Las predicciones de EC y OC fueron mucho más altas en el medio de las áreas urbanas y rápidamente se disiparon más lejos de los centros urbanos. Las predicciones de S fueron altas en los estados del medio oeste y este y en el área de Los Ángeles, y más bajas en las llanuras y montañas. Las predicciones de Si fueron bajas en la mayoría de las áreas urbanas y altas en los estados desérticos.

Las concentraciones medias de exposición a CE y OC previstas para los participantes de MESA fueron 0,74 ± 0,18 y 2,17 ± 0,36 μg / m 3, respectivamente (Tabla 1). Las concentraciones de exposición medias previstas de Si y S fueron 0,09 ± 0,03 ng / m 3 y 0,78 ± 0,15 μg / m 3, respectivamente.

Modelos de salud. Los resultados del modelo de salud ingenuo que no incluyó ninguna corrección de errores de medición, así como los resultados del modelo de salud que incluyó estimaciones puntuales corregidas por bootstrap y EE de ^ βX, se muestran en la Tabla 5. El análisis ingenuo indicó asociaciones positivas significativas (pag & lt 0.05) de CIMT con OC, Si y S. También hubo una asociación positiva pero no significativa entre CIMT y EC. Los EE para los efectos en la salud de EC y OC prácticamente no cambiaron cuando se implementó la corrección de errores de medición, mientras que los EE corregidos por bootstrap para Si y S eran aproximadamente un 50% más grandes que sus respectivas estimaciones ingenuas. Los sesgos estimados resultantes del error de medición de tipo clásico fueron tan pequeños que no resultaron interesantes desde una perspectiva epidemiológica porque las estimaciones puntuales de los cuatro contaminantes después de implementar la corrección del error de medición se mantuvieron sin cambios a tres lugares decimales.

Cuadro 5 Estimaciones puntuales ± EE e IC del 95% para los diferentes contaminantes, utilizando análisis ingenuo y con corrección bootstrap para el error de medición en la covariable de interés.

PM2.5 componenteAnálisis / correcciónβ̂X a ± SEIC del 95%
CE (μg / m 3)Ingenuo0.001±0.014–0.03, 0.03
PB, B λ = 00.001±0.015–0.03, 0.03
PB, λ = 10.001±0.015–0.03, 0.03
OC (μg / m 3)Ingenuo0.025±0.0080.01, 0.04
PB, λ = 00.025±0.0080.01, 0.04
PB, λ = 10.025±0.0080.01, 0.04
Si (ng / m 3)Ingenuo0.408±0.0810.25, 0.57
PB, λ = 00.408±0.1260.16, 0.66
PB, λ = 10.408±0.1270.16, 0.66
S (μg / m 3)Ingenuo0.055±0.0170.022, 0.088
PB, λ = 00.055±0.0250.006, 0.104
PB, λ = 10.055±0.0250.006, 0.104
Las estimaciones puntuales son estimaciones del aumento de CIMT para un aumento de 1 unidad en cada contaminante. a En el caso de λ = 1, β̂X se refiere a la estimación corregida por cualquier sesgo del error clásico. B PB se refiere a los resultados del bootstrap de parámetros implementado con un valor dado de λ.

Discusión

Resumen. Nuestro enfoque integral de dos etapas para estimar los efectos a largo plazo de la exposición a la contaminación del aire incluye un modelo de predicción nacional para estimar las exposiciones a partículas individuales.2.5 componentes y corrige el error de medición en el análisis epidemiológico utilizando una metodología que tiene en cuenta las diferentes cantidades de estructura espacial en las superficies de exposición. En un estudio de caso de cuatro componentes de PM2.5 y las asociaciones corregidas por errores de medición entre estos componentes y CIMT en la cohorte MESA, los SE corregidos correspondientes a contaminantes que exhibían una estructura espacial significativa (es decir, Si y S) eran 50% más grandes que las estimaciones ingenuas, mientras que las estimaciones de SE corregidas para EC y OC eran muy similar a las estimaciones ingenuas.

Modelos de exposición nacionales. Descubrimos que un enfoque nacional para la modelización de la exposición es razonable y funciona bien en términos de precisión de predicción. Nuestros modelos primarios de kriging universal PLS + resultaron en validaciones cruzadas R 2 ≤ 0,95 (para predecir concentraciones de S) y ≥ 0,62 (para predecir Si) para cualquiera de las PM2.5 componentes. El uso de kriging mejoró la validación cruzada R 2 para los cuatro contaminantes en comparación con los modelos que solo usaban PLS, aunque la mejora no fue igual en los cuatro contaminantes. Estos resultados son útiles para comprender la naturaleza espacial de nuestras superficies de exposición. Para EC y OC, el R 2 solo mejoró en ≤ 0.09 cuando se usó kriging en comparación con cuando se usó PLS solo, lo que indica poca estructura espacial a gran escala en estos contaminantes. Para Si, el R 2 mejoró de 0,36 a 0,62 y para S, de 0,63 a 0,95. Esto indica que S (y en menor medida Si) tenía una estructura espacial sustancial a gran escala que kriging pudo explotar. Para todos los modelos, el uso de kriging mejoró R 2, lo que indica que no se perdió precisión en la predicción (y que se podía ganar bastante cuando la estructura espacial estaba presente) al usar PLS + kriging universal en lugar de usar PLS solo. Nuestros resultados también sugieren que los modelos de exposición como los que hemos construido pueden ser preferibles en muchos casos a enfoques más simples como la interpolación del monitor más cercano. Nuestros modelos producidos con validación cruzada R 2 que fueron más altos que el enfoque del monitor más cercano, y nuestros resultados indican que, a menos que haya una estructura espacial considerable en la superficie de exposición, se puede perder una cantidad sustancial de precisión de predicción cuando se utiliza el enfoque del monitor más cercano.

Usamos modelos de dos etapas en lugar de modelos conjuntos de exposición y salud por una variedad de razones. Uno es pragmático: el modelado de juntas es computacionalmente intensivo, por lo que nuestro enfoque de dos etapas es especialmente deseable cuando se modelan múltiples contaminantes. El modelado conjunto también puede ser más sensible a valores atípicos en los datos de salud. El modelado de dos etapas también atrae de manera más intuitiva en el contexto del modelado de múltiples resultados de salud porque asigna una exposición por participante que luego se puede usar para modelar varios resultados de salud diferentes. El modelado conjunto, por otro lado, asignaría diferentes niveles del mismo contaminante dependiendo del resultado de salud que se esté modelando.

Estudio de caso epidemiológico. En este caso de estudio, nos centramos en las cuatro de la tarde.2.5 componentes seleccionados para obtener información sobre las fuentes o características de PM2.5 que podría contribuir a los efectos de la PM2.5 sobre enfermedades cardiovasculares. EC y OC fueron elegidos como marcadores de emisiones primarias de procesos de combustión, y OC también incluyó contribuciones de aerosoles orgánicos secundarios formados a partir de reacciones químicas atmosféricas Si se eligió como marcador de polvo de la corteza y S como marcador de sulfato, un aerosol inorgánico. formada secundariamente a partir de reacciones químicas atmosféricas (Vedal et al., en prensa). Los mecanismos por los cuales las exposiciones a PM2.5 o PM2.5 Los componentes que producen efectos cardiovasculares como la aterosclerosis no se conocen bien, aunque se han propuesto varios mecanismos (Brook et al. 2010). [Para una discusión de otros estudios que examinan los efectos de estos contaminantes, ver Vedal et al. (en prensa).]

El rendimiento relativamente deficiente de la interpolación del monitor más cercano para EC, OC y Si suscita inquietudes sobre las inferencias epidemiológicas basadas en predicciones derivadas de ese método. Para S, el único contaminante para el que nuestros modelos y la interpolación del monitor más cercano se comportaron de manera comparable, el aumento estimado en CIMT para un aumento de 1 unidad en la exposición basado en la interpolación del monitor más cercano fue de 0.074 ± 0.018, comparable a la inferencia ingenua hecha usando predicciones de nuestros modelos de exposición (0,055 ± 0,017). Sin embargo, no hay forma de corregir el error de medición con este método, que es otra ventaja significativa de nuestros modelos.

Los análisis de salud ingenuos basados ​​en predicciones de exposición de nuestros modelos nacionales indicaron asociaciones significativas de CIMT con aumentos de 1 unidad en el promedio de OC, Si y S, pero no CE. El uso del parámetro bootstrap para tener en cuenta y corregir el error de medición condujo a SE notablemente más grandes e IC más amplios para Si y S, sin embargo, OC, Si y S todavía estaban significativamente asociados con CIMT incluso después de corregir el error de medición.

Corrección de errores de medición. Para EC y OC, usar PLS solo fue suficiente para hacer predicciones precisas, mientras que el suavizado espacial de kriging universal mejoró sustancialmente la precisión de predicción para Si y S. Por lo tanto, no es una coincidencia que las estimaciones de SE corregidas por bootstrap para EC y OC no hayan cambiado de las estimaciones ingenuas, mientras que las estimaciones SE corregidas para Si y S eran aproximadamente un 50% más grandes (y los IC del 95% resultantes un 50% más amplios) que sus respectivas estimaciones ingenuas. El hecho de que las predicciones de exposición a CE y OC se derivaran principalmente de los modelos de PLS solamente, que asumían residuos independientes, implica que el error similar a Berkson fue un error de Berkson casi puro (es decir, independiente a través de la ubicación), que fue explicado correctamente por estimaciones SE ingenuas. Por otro lado, se produjo mucho más suavizado para Si y S, lo que indujo una correlación espacial en la diferencia residual entre la exposición verdadera y la predicha. En consecuencia, las EE que explican correctamente el error similar al de Berkson en estos dos contaminantes se inflan porque los errores correlacionados en las predicciones se traducen en residuos correlacionados en el modelo de enfermedad que no se tienen en cuenta mediante estimaciones ingenuas de EE (Szpiro et al. 2011b). El hecho de que las estimaciones de SE del parámetro bootstrap usando λ = 1 (que representa tanto el error de tipo Berkson como el clásico) y el uso de λ = 0 (que solo representa el error de tipo Berkson) fueron tan similares indica además que el Las estimaciones de SE corregidas más grandes fueron probablemente el resultado del error similar al de Berkson. Ninguno de nuestros análisis de errores de medición indicó que el error de tipo clásico indujera un sesgo importante.

Limitaciones y consideraciones del modelo. Aunque nuestros modelos de exposición funcionaron bien, todavía hay margen de mejora en la precisión de la predicción, especialmente para los modelos EC, OC y Si, que se han validado de forma cruzada. R 2 que podría mejorarse. Para estos modelos, es posible que la inclusión de covariables geográficas adicionales en el PLS ayude a mejorar el rendimiento del modelo. Los ejemplos incluyen fuentes de leña dentro de un búfer dado para concentraciones de EC y OC, o fuentes de polvo y arena para Si. Actualmente, estas covariables no están disponibles en nuestras bases de datos. Además, aunque es posible interpretar las covariables individuales en los componentes PLS (Figura 2), tales interpretaciones deben considerarse con cautela porque la inclusión de muchas covariables correlacionadas puede conducir a asociaciones aparentes que son contraintuitivas y opuestas a lo que podría ser. esperado científicamente. Finalmente, PLS no considera interacciones o combinaciones no lineales de las covariables geográficas, factores que podrían mejorar el desempeño del modelo.

Implicaciones y direcciones futuras. Nuestros resultados muestran que una investigación cuidadosa de las características del modelo de exposición puede ayudar a aclarar las implicaciones para los análisis epidemiológicos posteriores que utilizan las exposiciones previstas. Como señalaron Szpiro et al. (2011a), un marco general que considera el objetivo final de los modelos de salud parece más atractivo que tratar los modelos de exposición como si existieran por sí mismos. Este análisis sirve como un ejemplo que informará los esfuerzos en curso de nuestro grupo y otros para construir y utilizar modelos de predicción de exposición que sean más adecuados para estudios epidemiológicos.

Nuestra inferencia epidemiológica se basó en un modelo de salud por contaminante. Uno podría estar razonablemente interesado en cómo múltiples contaminantes afectan conjuntamente la salud. Sin embargo, la literatura actual para la corrección de errores de medición no aborda modelos que utilizan múltiples contaminantes predichos como exposiciones. Nuestro grupo está trabajando actualmente en métodos para abordar este desafío.

Material suplementario

(2,4 MB) PDF Haga clic aquí para obtener un archivo de datos adicional.

Agradecemos a los tres revisores por sus útiles comentarios.

La investigación en esta publicación fue apoyada por las subvenciones T32ES015459, P50ES015915 y R01ES009411 del Instituto Nacional de Ciencias de la Salud Ambiental de los Institutos Nacionales de Salud (NIH). El apoyo adicional fue proporcionado por un premio a la Universidad de Washington bajo la iniciativa Nacional de Toxicidad de Componentes de Partículas del Health Effects Institute y por la Agencia de Protección Ambiental de los Estados Unidos (EPA), Acuerdo de Asistencia RD-83479601-0 (Centros de Investigación de Aire Limpio). Esta publicación fue desarrollada bajo un acuerdo de asistencia de investigación del programa STAR (Science to Achieve Results), RD831697, otorgado por la EPA de EE. UU. Las opiniones expresadas en este documento son únicamente las de la Universidad de Washington, y la EPA de EE. UU. No respalda ningún producto o servicio comercial mencionado en esta publicación. El estudio multiétnico de aterosclerosis (MESA) es realizado y respaldado por el Instituto Nacional del Corazón, los Pulmones y la Sangre (NHLBI) en colaboración con los investigadores de MESA. El soporte para MESA lo proporcionan los contratos NHLBI N01HC-95159 a N01HC95169 y UL1RR024156. MESA Air está financiado por la subvención STAR RD831697 de la EPA de EE. UU.

El contenido de este trabajo es responsabilidad exclusiva de los autores y no representa necesariamente las opiniones oficiales de los NIH.

Los autores declaran que no tienen intereses económicos en competencia reales o potenciales.


No se puede convertir de un búfer BYTE a una imagen cv :: Mat

Entonces tengo un problema al convertir un búfer BYTE en una imagen, (cv :: Mat). Estoy tratando de leer un video en tiempo real desde una cámara distante, y obtuve dos elementos, un puntero al búfer y el tamaño del búfer, y necesito convertir eso a una imagen cv :: Mat para poder mostrarlo con cv :: imshow. traté de usar:

pero no funciona y me sale este error:

cuando trato de convertir directamente sin la función imdecode como esta:

obtengo una imagen pero no puedo mostrarla, por lo que el programa continúa ejecutándose sin hacer nada.

¿Alguien puede ayudarme por favor sobre cómo convertir de un puntero de búfer BYTE a una imagen cv :: Mat?

El búfer se declara así: BYTE * Buffer la función de donde obtengo el búfer se declara así

donde: lRealHandle: identificador de monitoreo en tiempo real dwDataType:

pBuffer: búfer para datos de devolución de llamada. Los datos de diferente longitud se recuperarán según el tipo de datos diferente. Los datos se recuperan por trama para todos los tipos excepto el tipo 0, y cada vez se recupera una trama.

dwBufSize: longitud de los datos de devolución de llamada. Los búferes de datos son diferentes para diferentes tipos. La unidad es BYTE

En mi caso, siempre obtengo el tipo de datos 0.Así es como trato de decodificar luego:

mi programa se detiene aquí, continúa ejecutándose pero no hace nada después porque puse un std :: cout aquí para verificar si pasará esta línea de imshow o no, pero no pasa nada


Contenido

El término "Medio Oriente" puede haberse originado en la década de 1850 en la Oficina Británica de la India. [6] Sin embargo, se hizo más conocido cuando el estratega naval estadounidense Alfred Thayer Mahan utilizó el término en 1902 [7] para "designar el área entre Arabia e India". [8] [9] Durante este tiempo, los imperios británico y ruso competían por influencia en Asia Central, una rivalidad que se conocería como El Gran Juego. Mahan se dio cuenta no solo de la importancia estratégica de la región, sino también de su centro, el Golfo Pérsico. [10] [11] Etiquetó el área que rodea el Golfo Pérsico como el Medio Oriente, y dijo que después del Canal de Suez de Egipto, era el paso más importante que Gran Bretaña debía controlar para evitar que los rusos avanzaran hacia la India británica. [12] Mahan utilizó por primera vez el término en su artículo "El Golfo Pérsico y las Relaciones Internacionales", publicado en septiembre de 1902 en la Revisión nacional, una revista británica.

Oriente Medio, si puedo adoptar un término que no he visto, algún día necesitará su Malta, así como su Gibraltar, no se sigue que tampoco lo esté en el Golfo Pérsico. La fuerza naval tiene la cualidad de movilidad que conlleva el privilegio de las ausencias temporales, pero necesita encontrar en cada escenario de operación bases establecidas de reacondicionamiento, de abastecimiento y, en caso de desastre, de seguridad. La Armada británica debería tener la capacidad de concentrarse en la fuerza si se presenta la ocasión, en Adén, la India y el Golfo Pérsico. [13]

El artículo de Mahan se reimprimió en Los tiempos y seguido en octubre por una serie de 20 artículos titulada "La cuestión del Medio Oriente", escrita por Sir Ignatius Valentine Chirol. Durante esta serie, Sir Ignatius amplió la definición de Oriente Medio para incluir "aquellas regiones de Asia que se extienden hasta las fronteras de la India o dominan los accesos a la India". [14] Después de que la serie terminó en 1903, Los tiempos eliminó las comillas de los usos posteriores del término. [15]

Hasta la Segunda Guerra Mundial, era costumbre referirse a las áreas centradas alrededor de Turquía y la costa oriental del Mediterráneo como el "Cercano Oriente", mientras que el "Lejano Oriente" se centraba en China, [16] y Oriente Medio entonces significaba el área. de Mesopotamia a Birmania, es decir, el área entre el Cercano Oriente y el Lejano Oriente. [ cita necesaria ] A finales de la década de 1930, los británicos establecieron el Comando de Oriente Medio, que tenía su base en El Cairo, para sus fuerzas militares en la región. Después de ese tiempo, el término "Medio Oriente" ganó un uso más amplio en Europa y los Estados Unidos, con el Instituto de Medio Oriente fundado en Washington, DC en 1946, entre otros usos. [17]

El adjetivo correspondiente es Medio este y el sustantivo derivado es Medio Oriente.

Si bien los términos no eurocéntricos como "Sudoeste de Asia" o "Swasia" se han utilizado escasamente, la inclusión de un país africano, Egipto, en la definición cuestiona la utilidad de utilizar dichos términos.[18]

Crítica y uso

La descripción Medio también ha dado lugar a cierta confusión sobre el cambio de definiciones. Antes de la Primera Guerra Mundial, "Cercano Oriente" se usaba en inglés para referirse a los Balcanes y el Imperio Otomano, mientras que "Oriente Medio" se refería a Irán, el Cáucaso, Afganistán, Asia Central y Turquestán. Por el contrario, "Lejano Oriente" se refería a los países del este de Asia (p. Ej., China, Japón, Corea, etc.)

Con la desaparición del Imperio Otomano en 1918, "Cercano Oriente" dejó de ser de uso común en inglés, mientras que "Oriente Medio" pasó a aplicarse a los países reemergentes del mundo islámico. Sin embargo, el uso de "Cercano Oriente" fue retenido por una variedad de disciplinas académicas, incluida la arqueología y la historia antigua, donde describe un área idéntica al término Oriente Medio, que no es utilizado por estas disciplinas (ver Antiguo Cercano Oriente).

El primer uso oficial del término "Medio Oriente" por parte del gobierno de los Estados Unidos fue en la Doctrina Eisenhower de 1957, que se refería a la Crisis de Suez. El secretario de Estado John Foster Dulles definió el Medio Oriente como "el área que se extiende entre Libia e incluyendo a Libia al oeste y Pakistán al este, Siria e Irak al norte y la península arábiga al sur, además de Sudán y Etiopía". [16] En 1958, el Departamento de Estado explicó que los términos "Cercano Oriente" y "Medio Oriente" eran intercambiables, y definió la región como incluyendo solo Egipto, Siria, Israel, Líbano, Jordania, Irak, Arabia Saudita, Kuwait, Bahréin. y Qatar. [19]

The Associated Press Stylebook dice que Oriente Próximo antes se refería a los países más lejanos del oeste, mientras que Oriente Medio se refería a los del este, pero que ahora son sinónimos. Instruye:

Utilizar Oriente Medio a no ser que Cerca del este es utilizado por una fuente en una historia. Medio Oriente también es aceptable, pero Oriente Medio se prefiere. [20]

El termino Oriente Medio También ha sido criticado como eurocéntrico ("basado en una percepción occidental británica") por Hanafi (1998). [21]

Traducciones

Hay términos similares a Cerca del este y Oriente Medio en otros idiomas europeos, pero dado que es una descripción relativa, los significados dependen del país y son diferentes de los términos en inglés en general. En alemán el término Naher Osten (Oriente Próximo) todavía es de uso común (hoy en día el término Mittlerer Osten es cada vez más común en los textos de prensa traducidos de fuentes inglesas, aunque con un significado distinto) y en ruso Ближний Восток o Blizhniy Vostok, Búlgaro Близкия Изток, polaco Bliski Wschód o croata Bliski istok (sentido Cerca del este en los cuatro idiomas eslavos) sigue siendo el único término apropiado para la región. Sin embargo, algunos idiomas tienen equivalentes de "Medio Oriente", como el francés Moyen-Orient, el sueco Mellanöstern, el español Oriente Medio o Medio Oriente y el italiano Medio Oriente. [nota 1]

Quizás debido a la influencia de la prensa occidental, el equivalente árabe de Oriente Medio (Árabe: الشرق الأوسط ash-Sharq al-Awsaṭ) se ha convertido en un uso estándar en la prensa árabe convencional, con el mismo significado que el término "Oriente Medio" en el uso de América del Norte y Europa Occidental. La designación, Mashriq, también de la raíz árabe para este, también denota una región diversamente definida alrededor del Levante, la parte oriental del mundo de habla árabe (en oposición a la Magreb, la parte occidental). [22] Aunque el término se originó en Occidente, además del árabe, otros idiomas de países de Oriente Medio también utilizan una traducción del mismo. El equivalente persa para Oriente Medio es خاورمیانه (Khāvar-e miyāneh), el hebreo es המזרח התיכון (hamizrach hatikhon) y el turco es Orta Doğu.

Territorios y regiones generalmente considerados dentro del Medio Oriente

Tradicionalmente incluidos en el Medio Oriente son Irán (Persia), Asia Menor, Mesopotamia, el Levante, la Península Arábiga y Egipto. En términos de países de hoy en día, son estos:

Brazos Bandera Estado Zona
(km 2)
Población
(2012) [ necesita actualización ]
Densidad
(por km 2)
Capital Nominal
PIB, miles de millones (2018) [23]
Per cápita (2018) [24] Divisa Gobierno Oficial
idiomas
Akrotiri y Dhekelia 254 15,700 N / A Episkopi N / A N / A Euro De facto dependencia estratocrática bajo una monarquía constitucional inglés
Bahréin 780 1,234,596 1,582.8 Manama $30.355 $25,851 Dinar bahreiní Monarquía absoluta Arábica
Chipre 9,250 1,088,503 117 Nicosia $24.492 $28,340 Euro República presidencial Griego,
turco
Egipto 1,010,407 82,798,000 90 El Cairo $249.559 $2,573 libra egipcia República presidencial Arábica
Iran 1,648,195 78,868,711 45 Teherán $452.275 $5,491 Rial iraní República Islámica persa
Irak 438,317 33,635,000 73.5 Bagdad $226.07 $5,930 Dinar iraquí Republica parlamentaria Arábica,
kurdo
Israel 20,770 7,653,600 365.3 Jerusalén a $369.843 $41,644 Shekel israelí Republica parlamentaria hebreo
Jordán 92,300 6,318,677 68.4 Amman $42.371 $4,278 Dinar jordano Monarquía constitucional Arábica
Kuwait 17,820 3,566,437 167.5 Ciudad de Kuwait $141.05 $30,839 Dinar kuwaití Monarquía constitucional Arábica
Líbano 10,452 4,228,000 404 Beirut $56.409 $9,257 Libra libanesa Republica parlamentaria Arábica
Omán 212,460 2,694,094 9.2 Moscatel $82.243 $19,302 Rial omaní Monarquía absoluta Arábica
Palestina 6,220 4,260,636 667 Ramallah a n / A n / A Shekel israelí,
Dinar jordano
República semipresidencial Arábica
Katar 11,437 1,696,563 123.2 Doha $192.45 $70,780 Riyal de Qatar Monarquía absoluta Arábica
Arabia Saudita 2,149,690 27,136,977 12 Riad $782.483 $23,566 Riyal saudí Monarquía absoluta Arábica
Siria 185,180 23,695,000 118.3 Damasco n / A n / A Libra siria República presidencial Arábica
pavo 783,562 73,722,988 94.1 Ankara $766.428 $9,346 Lira turca República presidencial turco
Emiratos Árabes Unidos 82,880 8,264,070 97 Abu Dhabi $424.635 $40,711 Dirham de los Emiratos Árabes Unidos Monarquía absoluta federal Arábica
Yemen 527,970 23,580,000 44.7 Sana'a b
Adén (provisional)
$26.914 $872 Rial yemení República presidencial provisional Arábica
un. ^ ^ Jerusalén es la capital proclamada de Israel, que se disputa y la ubicación real de la Knesset, la Corte Suprema de Israel y otras instituciones gubernamentales de Israel. Ramallah es la ubicación real del gobierno de Palestina, mientras que la capital proclamada de Palestina es Jerusalén Este, que se disputa. B. ^ Controlado por los hutíes debido a la guerra en curso. La sede del gobierno se trasladó a Adén.

Otras definiciones de Oriente Medio

A menudo, se comparan varios conceptos con Oriente Medio, sobre todo Oriente Próximo, Creciente Fértil y Levante. Cercano Oriente, Levante y Creciente Fértil son conceptos geográficos, que se refieren a grandes secciones del Oriente Medio definido en la actualidad, siendo Cercano Oriente el más cercano a Oriente Medio en su significado geográfico. Debido a que principalmente habla árabe, a veces se incluye la región del Magreb del norte de África.

Los países del Cáucaso Meridional (Armenia, Azerbaiyán y Georgia) se incluyen ocasionalmente en las definiciones de Oriente Medio. [25]

El Gran Medio Oriente fue un término político acuñado por la segunda administración Bush en la primera década del siglo XXI, [26] para denotar varios países, pertenecientes al mundo musulmán, específicamente Irán, Turquía, Afganistán y Pakistán. [27] En ocasiones también se incluyen varios países de Asia central. [28]

El Medio Oriente se encuentra en la unión de Eurasia y África y del Mar Mediterráneo y el Océano Índico. Es el lugar de nacimiento y centro espiritual de religiones como el cristianismo, el islam, el judaísmo, el maniqueísmo, el yezidi, el druso, el yarsan y el mandeanismo, y en Irán, el mitraísmo, el zoroastrismo, el maniqueísmo y la fe baháʼí. A lo largo de su historia, Oriente Medio ha sido un importante centro de los asuntos mundiales, un área estratégica, económica, política, cultural y religiosamente sensible. La región es una de las regiones donde la agricultura se descubrió de forma independiente, y desde el Medio Oriente se extendió, durante el Neolítico, a diferentes regiones del mundo como Europa, el Valle del Indo y África Oriental.

Antes de la formación de civilizaciones, se formaron culturas avanzadas en todo el Medio Oriente durante la Edad de Piedra. La búsqueda de tierras agrícolas por parte de los agricultores y de tierras de pastoreo por parte de los pastores significó que ocurrieron diferentes migraciones dentro de la región y dieron forma a su composición étnica y demográfica.

El Medio Oriente es ampliamente conocido como la Cuna de la civilización. Las primeras civilizaciones del mundo, Mesopotamia (Sumer, Akkad, Asiria y Babilonia), el antiguo Egipto y Kish en el Levante, se originaron en las regiones de la Media Luna Fértil y el Valle del Nilo del antiguo Cercano Oriente. Estos fueron seguidos por las civilizaciones hitita, griega, hurrita y urartiana de Asia Menor Elam, Persia y civilizaciones medianas en Irán, así como las civilizaciones del Levante (como Ebla, Mari, Nagar, Ugarit, Canaan, Aramea, Mitanni, Fenicia e Israel) y la Península Arábiga (Magan, Sheba, Ubar). El Cercano Oriente primero se unificó en gran medida bajo el Imperio Neo Asirio, luego el Imperio Aqueménida seguido más tarde por el Imperio Macedonia y después de esto, hasta cierto punto, por los imperios iraníes (a saber, los Imperios Parto y Sasánida), el Imperio Romano y el Imperio Bizantino. La región sirvió como el centro intelectual y económico del Imperio Romano y jugó un papel excepcionalmente importante debido a su periferia en el Imperio Sasánida. Por lo tanto, los romanos estacionaron hasta cinco o seis de sus legiones en la región con el único propósito de defenderla de las incursiones e invasiones sasánidas y beduinas.

Desde el siglo IV d.C. en adelante, Oriente Medio se convirtió en el centro de las dos potencias principales de la época, el imperio bizantino y el imperio sasánida. Sin embargo, serían los Califatos islámicos posteriores de la Edad Media, o la Edad de Oro islámica que comenzó con la conquista islámica de la región en el siglo VII d.C., los que unificarían primero todo el Medio Oriente como una región distinta y crearían el dominio islámico dominante. Identidad étnica árabe que en gran parte (pero no exclusivamente) persiste hoy. Los 4 califatos que dominaron el Medio Oriente durante más de 600 años fueron el califato Rashidun, el califato omeya, el califato abasí y el califato fatimí. Además, los mongoles llegarían a dominar la región, el Reino de Armenia incorporaría partes de la región a su dominio, los selyúcidas gobernarían la región y difundirían la cultura turco-persa, y los francos fundarían los estados cruzados que representarían aproximadamente dos siglos. Josiah Russell estima que la población de lo que él llama "territorio islámico" es de aproximadamente 12,5 millones en 1000: Anatolia 8 millones, Siria 2 millones y Egipto 1,5 millones. [29] A partir del siglo XVI, Oriente Medio volvió a estar dominado, una vez más, por dos potencias principales: el Imperio Otomano y la dinastía Safavid.

El Medio Oriente moderno comenzó después de la Primera Guerra Mundial, cuando el Imperio Otomano, que estaba aliado con las Potencias Centrales, fue derrotado por el Imperio Británico y sus aliados y dividido en varias naciones separadas, inicialmente bajo los Mandatos Británico y Francés. Otros eventos decisivos en esta transformación incluyeron el establecimiento de Israel en 1948 y la eventual salida de las potencias europeas, especialmente Gran Bretaña y Francia a fines de la década de 1960. Fueron suplantados en parte por la creciente influencia de Estados Unidos a partir de la década de 1970.

En el siglo XX, las importantes reservas de crudo de la región le dieron una nueva importancia estratégica y económica. La producción masiva de petróleo comenzó alrededor de 1945, y Arabia Saudita, Irán, Kuwait, Irak y los Emiratos Árabes Unidos tenían grandes cantidades de petróleo. [30] Las reservas de petróleo estimadas, especialmente en Arabia Saudita e Irán, son algunas de las más altas del mundo, y el cartel petrolero internacional OPEP está dominado por países de Oriente Medio.

Durante la Guerra Fría, Oriente Medio fue un escenario de lucha ideológica entre las dos superpotencias y sus aliados: la OTAN y Estados Unidos por un lado, y la Unión Soviética y el Pacto de Varsovia por el otro, mientras competían para influir en los aliados regionales. Además de las razones políticas, también estaba el "conflicto ideológico" entre los dos sistemas. Además, como sostiene Louise Fawcett, entre muchas áreas importantes de disputa, o quizás más exactamente de ansiedad, estaban, primero, los deseos de las superpotencias de obtener una ventaja estratégica en la región; segundo, el hecho de que la región contenía alrededor de dos tercios. de las reservas mundiales de petróleo en un contexto en el que el petróleo se estaba volviendo cada vez más vital para la economía del mundo occidental [. ] [31] Dentro de este marco contextual, Estados Unidos buscó desviar al mundo árabe de la influencia soviética. A lo largo de los siglos XX y XXI, la región ha experimentado tanto períodos de relativa paz y tolerancia como períodos de conflicto, particularmente entre sunitas y chiitas.

Grupos étnicos

Los árabes constituyen el grupo étnico más grande en el Medio Oriente, seguidos por varios pueblos iraníes y luego por los grupos de habla turca (turco, azerí y turcomano iraquí). Los grupos étnicos nativos de la región incluyen, además de árabes, arameos, asirios, baluches, bereberes, coptos, drusos, grecochipriotas, judíos, kurdos, lurs, mandeos, persas, samaritanos, shabaks, tats y zazas. Los grupos étnicos europeos que forman una diáspora en la región incluyen albaneses, bosnios, circasianos (incluidos los kabardianos), tártaros de Crimea, griegos, franco-levantinos, italo-levantinos y turcomanos iraquíes. Entre otras poblaciones de inmigrantes se encuentran chinos, filipinos, indios, indonesios, paquistaníes, pashtunes, romaníes y afroárabes.

Migración

"La migración siempre ha sido una vía de escape importante para las presiones del mercado laboral en el Medio Oriente. Durante el período comprendido entre los años setenta y noventa, los estados árabes del Golfo Pérsico en particular proporcionaron una rica fuente de empleo para los trabajadores de Egipto, Yemen y los países del Levante, mientras que Europa había atraído a trabajadores jóvenes de países del norte de África debido tanto a la proximidad como al legado de los lazos coloniales entre Francia y la mayoría de los estados del norte de África ". [32] Según la Organización Internacional para las Migraciones, hay 13 millones de migrantes de primera generación de naciones árabes en el mundo, de los cuales 5,8 residen en otros países árabes. Los expatriados de los países árabes contribuyen a la circulación de capital financiero y humano en la región y, por lo tanto, promueven significativamente el desarrollo regional. En 2009, los países árabes recibieron un total de 35.100 millones de dólares estadounidenses en entradas de remesas y las remesas enviadas a Jordania, Egipto y el Líbano desde otros países árabes son entre un 40% y un 190% más altas que los ingresos comerciales entre estos y otros países árabes. [33] En Somalia, la Guerra Civil somalí ha aumentado considerablemente el tamaño de la diáspora somalí, ya que muchos de los somalíes mejor educados se fueron a los países del Medio Oriente, así como a Europa y América del Norte.

Los países no árabes del Medio Oriente como Turquía, Israel e Irán también están sujetos a importantes dinámicas migratorias.

Una buena proporción de quienes emigran de naciones árabes pertenecen a minorías étnicas y religiosas que enfrentan persecución racial o religiosa y no son necesariamente árabes, iraníes o turcos. [ cita necesaria ] Un gran número de kurdos, judíos, asirios, griegos y armenios, así como muchos mandeanos, han abandonado naciones como Irak, Irán, Siria y Turquía por estas razones durante el último siglo. En Irán, muchas minorías religiosas como cristianos, baháʼís y zoroastrianos se han ido desde la Revolución Islámica de 1979. [ cita necesaria ]

Religiones

El Medio Oriente es muy diverso en cuanto a religiones, muchas de las cuales se originaron allí. El Islam es la religión más grande en el Medio Oriente, pero otras religiones que se originaron allí, como el judaísmo y el cristianismo, también están bien representadas. Los cristianos representan el 40,5% del Líbano, donde el presidente libanés, la mitad del gabinete y la mitad del parlamento siguen uno de los diversos ritos cristianos libaneses. También hay religiones minoritarias importantes como la fe baháʼí, el yarsanismo, el yazidismo, el zoroastrismo, el mandeísmo, el druso y el shabakismo, y en la antigüedad la región fue el hogar de religiones mesopotámicas, religiones cananeas, maniqueísmo, mitraísmo y varias sectas gnósticas monoteístas.

Idiomas

Los seis idiomas principales, en términos de número de hablantes, son árabe, persa, turco, kurdo, hebreo y griego. El árabe y el hebreo representan la familia de lenguas afroasiáticas. El persa, el kurdo y el griego pertenecen a la familia de lenguas indoeuropeas. El turco pertenece a la familia de lenguas turcas. En Oriente Medio también se hablan unas 20 lenguas minoritarias.

El árabe, con todos sus dialectos, es el idioma más hablado en el Medio Oriente, siendo el árabe literario oficial en todos los países del norte de África y en la mayoría de los países de Asia occidental. Los dialectos árabes también se hablan en algunas áreas adyacentes en los países vecinos no árabes del Medio Oriente. Es miembro de la rama semítica de las lenguas afroasiáticas. Varias lenguas modernas de Arabia del Sur, como Mehri y Soqotri, también se hablan en Yemen y Omán. Otro idioma semítico como el arameo y sus dialectos son hablados principalmente por asirios y mandeos. También hay una comunidad de habla bereber de Oasis en Egipto, donde el idioma también se conoce como Siwa. Es una lengua afroasiática no semita.

El persa es el segundo idioma más hablado. Si bien se habla principalmente en Irán y en algunas áreas fronterizas de los países vecinos, el país es uno de los más grandes y poblados de la región. Pertenece a la rama indoiraní de la familia de las lenguas indoeuropeas. Otros idiomas iraníes occidentales que se hablan en la región incluyen Achomi, Daylami, dialectos kurdos, Semmani, Lurish, entre muchos otros.

El tercer idioma más hablado, el turco, se limita en gran medida a Turquía, que también es uno de los países más grandes y poblados de la región, pero está presente en áreas de países vecinos. Es miembro de las lenguas turcas, que tienen su origen en Asia Central. Otro idioma turco, el azerbaiyano, lo hablan los azerbaiyanos en Irán.

El hebreo es uno de los dos idiomas oficiales de Israel, el otro es el árabe. El hebreo es hablado y utilizado por más del 80% de la población de Israel, el otro 20% utiliza el árabe.

El griego es uno de los dos idiomas oficiales de Chipre y el idioma principal del país. Existen pequeñas comunidades de hablantes de griego en todo el Medio Oriente hasta el siglo XX, también se hablaba ampliamente en Asia Menor (siendo el segundo idioma más hablado allí, después del turco) y Egipto. Durante la antigüedad, el griego antiguo fue la lengua franca para muchas áreas del Medio Oriente occidental y hasta la expansión musulmana también se hablaba ampliamente allí. Hasta finales del siglo XI, también fue el principal idioma hablado en Asia Menor después de que fue reemplazado gradualmente por el idioma turco a medida que los turcos de Anatolia se expandieron y los griegos locales fueron asimilados, especialmente en el interior.

El inglés es uno de los idiomas oficiales de Akrotiri y Dhekelia.[34] [35] También se enseña y usa comúnmente como segundo idioma, especialmente entre las clases media y alta, en países como Egipto, Jordania, Irán, Kurdistán, Irak, Qatar, Bahrein, Emiratos Árabes Unidos y Kuwait. [36] [37] También es un idioma principal en algunos Emiratos Árabes Unidos.

El francés se enseña y se usa en muchas instalaciones gubernamentales y medios de comunicación en el Líbano, y se enseña en algunas escuelas primarias y secundarias de Egipto y Siria. El maltés, una lengua semítica que se habla principalmente en Europa, también es utilizada por la diáspora franco-maltesa en Egipto.

También se encuentran hablantes de armenio en la región. El georgiano es hablado por la diáspora georgiana. Una gran parte de la población israelí habla ruso debido a la emigración a fines de la década de 1990. [38] El ruso de hoy es un idioma no oficial popular que se usa en las noticias de Israel, la radio y los letreros se pueden encontrar en ruso en todo el país después del hebreo y el árabe. El circasiano también es hablado por la diáspora en la región y por casi todos los circasianos en Israel que también hablan hebreo e inglés. La comunidad de habla rumana más grande del Medio Oriente se encuentra en Israel, donde desde 1995 [actualización] el 5% de la población habla rumano. [nota 2] [39] [40]

El bengalí, el hindi y el urdu son ampliamente hablados por las comunidades de inmigrantes en muchos países de Oriente Medio, como Arabia Saudita (donde el 20-25% de la población es del sur de Asia), los Emiratos Árabes Unidos (donde el 50-55% de la población es del sur Asiáticos) y Qatar, que tienen un gran número de inmigrantes paquistaníes, bangladesíes e indios.


¿Cómo encontrar el búfer & ldquoempty & rdquo? - Sistemas de Información Geográfica

Academia.edu ya no es compatible con Internet Explorer.

Para navegar por Academia.edu e Internet en general de manera más rápida y segura, tómese unos segundos para actualizar su navegador.

Stu Hamilton es profesor asociado de geografía y geociencias en la Universidad de Salisbury, además de director del programa de posgrado de GIS. Sus intereses de investigación son el cambio ambiental global y la interacción entre el ser humano y el medio ambiente. Es miembro de la Real Sociedad de Geógrafos (FRGS) y también es un profesional certificado en SIG (GISP). Tiene una licenciatura en geografía y ciencias sociales aplicadas de la Universidad de Christ Church de Canterbury en el Reino Unido, una maestría en geografía (GIS) de la SUNY en Buffalo y un doctorado en geografía de la Universidad del Sur de Mississippi.

Objetivo Proporcionar estimaciones locales, regionales, nacionales y mundiales de alta resolución de manglares anuales. más Aim
Proporcionar estimaciones locales, regionales, nacionales y mundiales de alta resolución del área anual de bosques de manglares desde 2000 hasta 2012 con el objetivo de impulsar las preguntas de investigación de manglares relacionadas con la biodiversidad, las reservas de carbono, el cambio climático, la funcionalidad, la seguridad alimentaria, los medios de vida y el apoyo a la pesca. y conservación que hasta ahora se ha visto obstaculizada por la falta de datos adecuados.

Localización
Global, que cubre el 99% de todos los bosques de manglares.

Métodos
Sintetizamos la base de datos Global Forest Change, la base de datos Terrestrial Ecosystems of the World y la base de datos Mangrove Forests of the World para extraer la cubierta forestal de manglar en altas resoluciones espaciales y temporales. Luego usamos la nueva base de datos para monitorear la cobertura de manglares a escala mundial, nacional y de áreas protegidas.

Resultados
Los países que muestran cantidades relativamente altas de pérdida de manglares incluyen Myanmar, Malasia, Camboya, Indonesia y Guatemala. Indonesia sigue siendo, con mucho, el país que posee más manglares, ya que contiene entre el 26% y el 29% del inventario mundial de manglares con una tasa de deforestación de entre el 0,26% y el 0,66% anual. Hemos hecho que nuestra nueva base de datos, CGMFC-21, esté disponible gratuitamente.

Principales conclusiones
La deforestación mundial de los manglares continúa, pero a una tasa muy reducida de entre el 0,16% y el 0,39% anual. El sudeste asiático es una región preocupante con tasas de deforestación de manglares entre 3.58% y 8.08%, esto en una región que contiene la mitad de todo el inventario mundial de manglares. El patrón global de deforestación de manglares de 2000 a 2012 es uno de tasas decrecientes de deforestación, con muchas naciones esencialmente estables, con la excepción de la región de manglares más grande del sudeste asiático. Proporcionamos un conjunto de datos espaciales estandarizados que monitorea la deforestación de manglares a nivel mundial a altas resoluciones espacio-temporales. Estos datos se pueden utilizar para impulsar la agenda de investigación de los manglares, particularmente en lo que respecta al monitoreo de las reservas de carbono de los manglares y el establecimiento de inventarios de bosques de manglares locales de referencia necesarios para el pago de las iniciativas de servicios ecosistémicos.

750, 1450 y 4550 m) que son estadísticamente significativas al nivel de confianza del 95%. El análisis cospectral sugiere que la variación en la morfología de las dunas está correlacionada con las crestas transversales en la plataforma interior, los promontorios de cúspide de la barrera trasera y las tendencias históricas y relacionadas con las tormentas en el cambio de la línea costera. Se observaron secciones de la costa con poco o ningún desarrollo de dunas antes del huracán Iván en las porciones más estrechas de la isla (entre cabos), al oeste de las crestas transversales. La penetración del sobrelavado tendía a ser mayor en estas áreas y la ruptura de la isla era común, dejando la superficie cerca de la capa de agua y cubierta por un rezago de concha y grava. En contraste, se observaron grandes dunas foredunes y dunas backbarrier en las secciones más anchas de la isla (los promontorios cuspate) y en la cresta de las crestas transversales. Debido a las grandes dunas y a la presencia de las dunas de la barrera trasera, estas áreas experimentaron una menor penetración del exceso de agua y la mayor parte del sedimento de la cara de la playa y las dunas se depositó dentro de la cara superior de la costa. Se argumenta que este sedimento se devuelve a la superficie de la playa a través de la migración de barras cercanas a la costa después de la tormenta y que las áreas con dunas foredunes más grandes y dunas backbarrier tienen tasas más pequeñas de erosión costera histórica en comparación con las áreas con dunas más pequeñas y una mayor transferencia de sedimentos a la terraza de desagüe. . Dado que la recuperación de las dunas variará dependiendo de la disponibilidad de sedimentos de la inundación y la superficie de la playa, se argumenta además que el patrón de morfología de las dunas a lo largo de la costa y la respuesta de la isla a la próxima tormenta extrema es forzada por las crestas transversales y la isla. ancho a lo largo de la costa en las variaciones de marejada ciclónica y gradientes de sobreinyección, respectivamente. Estos hallazgos pueden ser particularmente importantes para los administradores costeros involucrados en la reparación y reconstrucción de la infraestructura costera que fue dañada o destruida durante el huracán Iván.

750, 1450 y 4550 m) que son estadísticamente significativas al nivel de confianza del 95%. El análisis cospectral sugiere que la variación en la morfología de las dunas está correlacionada con las crestas transversales en la plataforma interior, los promontorios de cuspate de la barrera trasera y las tendencias históricas y relacionadas con las tormentas en el cambio de la costa. Se observaron secciones de la costa con poco o ningún desarrollo de dunas antes del huracán Iván en las porciones más estrechas de la isla (entre cabos), al oeste de las crestas transversales. La penetración del sobrelavado tendía a ser mayor en estas áreas y la ruptura de islas era común, dejando la superficie cerca de la capa de agua y cubierta por un rezago de concha y grava. En contraste, se observaron grandes dunas foredunes y dunas backbarrier en las secciones más anchas de la isla (los promontorios cuspate) y en la cresta de las crestas transversales. Debido a las grandes dunas y a la presencia de las dunas de la barrera trasera, estas áreas experimentaron una menor penetración del exceso de agua y la mayor parte del sedimento de la cara de la playa y las dunas se depositó dentro de la cara superior de la costa. Se argumenta que este sedimento se devuelve a la superficie de la playa a través de la migración de barras cercanas a la costa después de la tormenta y que las áreas con dunas foredunes más grandes y dunas backbarrier tienen tasas más pequeñas de erosión costera histórica en comparación con las áreas con dunas más pequeñas y una mayor transferencia de sedimentos a la terraza de desagüe. . Dado que la recuperación de las dunas variará dependiendo de la disponibilidad de sedimentos de la avalancha y la superficie de la playa, se argumenta además que el patrón de morfología de las dunas a lo largo de la costa y la respuesta de la isla a la próxima tormenta extrema es forzada por las crestas transversales y la isla. ancho a lo largo de la costa en las variaciones de marejada ciclónica y gradientes de sobreinyección, respectivamente. Estos hallazgos pueden ser particularmente importantes para los administradores costeros involucrados en la reparación y reconstrucción de la infraestructura costera que fue dañada o destruida durante el huracán Iván.

Objetivo Proporcionar estimaciones locales, regionales, nacionales y mundiales de alta resolución de manglares anuales. más Aim
Proporcionar estimaciones locales, regionales, nacionales y mundiales de alta resolución del área de bosque de manglar anual desde 2000 hasta 2012 con el objetivo de impulsar las preguntas de investigación de manglares relacionadas con la biodiversidad, las reservas de carbono, el cambio climático, la funcionalidad, la seguridad alimentaria, los medios de vida y el apoyo a la pesca. y conservación que hasta ahora se ha visto obstaculizada por la falta de datos adecuados.

Localización
Global, que cubre el 99% de todos los bosques de manglares.

Métodos
Sintetizamos la base de datos Global Forest Change, la base de datos Terrestrial Ecosystems of the World y la base de datos Mangrove Forests of the World para extraer la cubierta forestal de manglar en altas resoluciones espaciales y temporales. Luego usamos la nueva base de datos para monitorear la cobertura de manglares a escala mundial, nacional y de áreas protegidas.

Resultados
Los países que muestran cantidades relativamente altas de pérdida de manglares incluyen Myanmar, Malasia, Camboya, Indonesia y Guatemala. Indonesia sigue siendo, con mucho, el país que posee más manglares, ya que contiene entre el 26% y el 29% del inventario mundial de manglares con una tasa de deforestación de entre el 0,26% y el 0,66% anual. Hemos hecho que nuestra nueva base de datos, CGMFC-21, esté disponible gratuitamente.

Principales conclusiones
La deforestación mundial de los manglares continúa, pero a una tasa muy reducida de entre el 0,16% y el 0,39% anual. El sudeste asiático es una región preocupante con tasas de deforestación de manglares entre 3.58% y 8.08%, esto en una región que contiene la mitad de todo el inventario mundial de manglares. El patrón global de deforestación de manglares de 2000 a 2012 es uno de tasas decrecientes de deforestación, con muchas naciones esencialmente estables, con la excepción de la región de manglares más grande del sudeste asiático. Proporcionamos un conjunto de datos espaciales estandarizados que monitorea la deforestación de manglares a nivel mundial a altas resoluciones espacio-temporales. Estos datos se pueden utilizar para impulsar la agenda de investigación de los manglares, particularmente en lo que respecta al monitoreo de las reservas de carbono de los manglares y el establecimiento de inventarios de bosques de manglares locales de referencia necesarios para el pago de las iniciativas de servicios ambientales.

750, 1450 y 4550 m) que son estadísticamente significativas al nivel de confianza del 95%. El análisis cospectral sugiere que la variación en la morfología de las dunas está correlacionada con las crestas transversales en la plataforma interior, los promontorios de cuspate de la barrera trasera y las tendencias históricas y relacionadas con las tormentas en el cambio de la costa. Se observaron secciones de la costa con poco o ningún desarrollo de dunas antes del huracán Iván en las porciones más estrechas de la isla (entre cabos), al oeste de las crestas transversales. La penetración del sobrelavado tendía a ser mayor en estas áreas y la ruptura de la isla era común, dejando la superficie cerca de la capa de agua y cubierta por un rezago de concha y grava. En contraste, se observaron grandes dunas foredunes y dunas backbarrier en las secciones más anchas de la isla (los promontorios cuspate) y en la cresta de las crestas transversales. Debido a las grandes dunas y a la presencia de las dunas de la barrera trasera, estas áreas experimentaron una menor penetración por exceso de agua y la mayor parte del sedimento de la cara de la playa y las dunas se depositó dentro de la cara superior de la costa. Se argumenta que este sedimento se devuelve a la superficie de la playa a través de la migración de barras cercanas a la costa después de la tormenta y que las áreas con dunas foredunes más grandes y dunas backbarrier tienen tasas más pequeñas de erosión costera histórica en comparación con las áreas con dunas más pequeñas y una mayor transferencia de sedimentos a la terraza de desagüe. . Dado que la recuperación de las dunas variará dependiendo de la disponibilidad de sedimentos de la inundación y la superficie de la playa, se argumenta además que el patrón de morfología de las dunas a lo largo de la costa y la respuesta de la isla a la próxima tormenta extrema es forzada por las crestas transversales y la isla. ancho a lo largo de la costa en las variaciones de marejada ciclónica y gradientes de sobreinyección, respectivamente. Estos hallazgos pueden ser particularmente importantes para los administradores costeros involucrados en la reparación y reconstrucción de la infraestructura costera que fue dañada o destruida durante el huracán Iván.

750, 1450 y 4550 m) que son estadísticamente significativos al nivel de confianza del 95%. El análisis cospectral sugiere que la variación en la morfología de las dunas está correlacionada con las crestas transversales en la plataforma interior, los promontorios de cúspide de la barrera trasera y las tendencias históricas y relacionadas con las tormentas en el cambio de la línea costera. Se observaron secciones de la costa con poco o ningún desarrollo de dunas antes del huracán Iván en las porciones más estrechas de la isla (entre cabos), al oeste de las crestas transversales. La penetración del sobrelavado tendía a ser mayor en estas áreas y la ruptura de islas era común, dejando la superficie cerca de la capa de agua y cubierta por un rezago de concha y grava. En contraste, se observaron grandes dunas foredunes y dunas backbarrier en las secciones más anchas de la isla (los promontorios cuspate) y en la cresta de las crestas transversales. Debido a las grandes dunas y a la presencia de las dunas de la barrera trasera, estas áreas experimentaron una menor penetración del exceso de agua y la mayor parte del sedimento de la cara de la playa y las dunas se depositó dentro de la cara superior de la costa. Se argumenta que este sedimento se devuelve a la superficie de la playa a través de la migración de barras cercanas a la costa después de la tormenta y que las áreas con dunas foredunes más grandes y dunas backbarrier tienen tasas más pequeñas de erosión costera histórica en comparación con las áreas con dunas más pequeñas y una mayor transferencia de sedimentos a la terraza de desagüe. . Dado que la recuperación de las dunas variará dependiendo de la disponibilidad de sedimentos de la inundación y la superficie de la playa, se argumenta además que el patrón de morfología de las dunas a lo largo de la costa y la respuesta de la isla a la próxima tormenta extrema es forzada por las crestas transversales y la isla. ancho a lo largo de la costa en las variaciones de marejada ciclónica y gradientes de sobreinyección, respectivamente. Estos hallazgos pueden ser particularmente importantes para los administradores costeros involucrados en la reparación y reconstrucción de la infraestructura costera que fue dañada o destruida durante el huracán Iván.


& ldquoRight & rdquo forma de manejar C6386 en Visual C ++ (buffer overrun)?

Tengo un fragmento de código que activa una advertencia de desbordamiento del búfer:

La línea que activa la advertencia es una [fila] [col] = 0 donde cree que col puede volverse negativa. La advertencia desaparece si hago alguna de las siguientes acciones:

  • incluir & amp & amp col & gt = 0 en la declaración for (que agrega una verificación innecesaria a un bucle, ya que en el código real ya verifiqué los límites de las variables y sé que nunca desbordaré)
  • elimine el bucle ficticio for en el medio del fragmento de código (extraño, lo sé, y en el código real que el bucle & quotdummy & quot está haciendo un trabajo real)
  • Cambiar dummy a size_t (raro, no relacionado con el bucle con la advertencia)
  • Cambie n a un int sin firmar (nuevamente, extraño, no relacionado con el ciclo en cuestión)
  • elimine la variable impar del inicializador de col (lo que haría que el código sea incorrecto)
  • use un #pragma para ignorar el problema (que generalmente prefiero evitar)
  • Verifique en cualquier lugar por encima del ciclo for los rangos que podrían conducir a un desbordamiento (probé verificaciones de rango para m, n, x, y, e incluso impares).
  • Cambie col a un tipo sin firmar como size_t, o realice cualquier tipo de conversión sin firmar

Ninguna de las soluciones me deja sintiéndome cálida y confusa. He visto advertencias como estas bastante últimamente, a menudo con dependencias extravagantes de bits de código no relacionados, como el bucle ficticio for que se ve aquí, y casi nunca exponiendo un problema real. ¿Existe una buena práctica para evitar este tipo de advertencia?


El tamaño del búfer de salida de un enrutador depende de RTT. ¿Cómo?

Según un libro sobre redes de computadoras y cuotas, el enrutador necesita una cantidad de almacenamiento en búfer igual al tiempo promedio de ida y vuelta de un flujo que pasa a través del enrutador, multiplicado por la capacidad de la interfaz de red del enrutador, B = RTT * C & quot. Ésta es la regla bien conocida.

Mi pregunta ¿Cómo se puede proporcionar este RTT a un enrutador antes de que se instale o cómo se calculó este RTT de antemano? Hasta donde yo sé, un enrutador no puede estimar este RTT por sí solo.


Existe una idea errónea bastante persistente de que los algoritmos sin bloqueo son más rápidos que los algoritmos de bloqueo. Sin embargo, puede que eso no sea cierto. Las implementaciones modernas de mutex son extremadamente rápidas en el caso no atendido, y cuando hay mucha controversia, usan una llamada al sistema que permite al kernel esperar a que se desbloquee el mutex. Definitivamente, una llamada al sistema tiene mucha sobrecarga, pero su solución es girar 255 veces. Las operaciones atómicas no son gratuitas, por lo que en el caso de que se trate con muchos subprocesos que intentan obtener acceso, esto podría desperdiciar mucho tiempo de CPU.

Realmente debería intentar probar su teoría de que una implementación sin bloqueos es más rápida que una que usa mutex mediante la ejecución de evaluaciones comparativas.


El nombre Kurna significa "un promontorio " o "un punto de una montaña ". [1]

Las referencias a Qurna, Gurna, Kournou, Gourna, El-Ckoor'neh, Gourne, el Abouab, El-Goor'neh o muchas otras variantes en la literatura anterior a la década de 1940 se refieren a una expansión urbana dispersa de viviendas que se extiende aproximadamente desde el Ramesseum ( Templo mortuorio de Ramsés II) hasta el Templo mortuorio de Seti I en el lado este de las colinas de Tebas, incluidos los nombres de lugares actuales de Jeque 'Adb el-Qurna, el-Assasif, el-Khokha, Dra 'Abu el-Nage' y Qurna.

Durante los siglos XVIII, XIX y XX, los visitantes y viajeros de la zona rara vez son consistentes en el uso del nombre y cualquier cosa entre Medinet Habu y las tumbas de el-Tarif a veces se puede encontrar como parte de una comunidad Qurna.

Una referencia a la "Templo de Gourna "o similar, es en la mayoría de los casos una referencia al Ramesseum, en menor grado al Templo de Seti I y rara vez es una referencia a los templos mortuorios casi destruidos de Ramsés IV, Tutmosis III o Tutmosis IV.