أكثر

تحديد خط بقيمة حقل رقمية محددة باستخدام متغير مضمن لـ arcpy.

تحديد خط بقيمة حقل رقمية محددة باستخدام متغير مضمن لـ arcpy.


أنا حاليًا بعيدًا في محطة ميدانية بعيدة باستخدام Arc 10.0 وأواجه صعوبة في استخدام استبدال متغير مضمن لقيمة حقل رقمية. أحاول استخدام UpdateCursor لتحديد سطر معين فقط من خلال تعيين حقل "POSITION" = إلى قيمة رقمية يمكنني زيادتها في كل مرة أقوم فيها بالمرور عبر حلقة for. عندما أستخدم رقمًا في السطر ، فإنه يعمل. ومع ذلك ، لا يمكنني الحصول على الصيغة الصحيحة لاستبدال متغير بالرقم المشفر.

هنا قسم الكود:

## محاولة تحديث المؤشر ، ثم الحصول على القيمة ، ثم ضبط القيمة باستخدام متغير مضمّن لقيمة الحقل المطلوبة ## هذا لا يعمل stefile = "ste1.shp" stefield = "POSITION" steclus = "CLUSTER" steac = "AC "stevalue = 100 stepos = 22 Z = arcpy.UpdateCursor (stefile، '" POSITION "= stepos') # هذا يحتاج إلى التغيير على سبيل المثال ؛ '"POSITION" = memvar') ... وفي نهاية الحلقة memvar + = 1 للصف في Z: print row.getValue (steclus) memvar = row.getValue (steclus) row.setValue (steac، stevalue) Z.updateRow (صف) طباعة row.getValue (steac) del Z del row ### هنا رسائل الخطأ # خطأ وقت التشغيل : خطأ 999999: # خطأ في تنفيذ الوظيفة. # تم تحديد عمود غير موجود.

هل أنا ببساطة أستخدم الصيغة الخاطئة؟


تقوم عبارة where حاليًا بتقييم stepos حرفيًا على أنها stepos القيمة ، وليس القيمة المتغيرة 22.

انقل متغير stepos خارج سلسلة جملة where ، مما يؤدي إلى تحويل القيمة الرقمية إلى سلسلة ، مثل:

arcpy.UpdateCursor (stefile، '"POSITION" =' + str (stepos))

نظام LaTeX العادي

هذا في الواقع هو الجزء الأصعب. عند تحميل حزمة خطوط عادية مثل helvet (التي تعين الخط الافتراضي sans serif إلى نسخة Helvetica) ، فإنها تصدر أوامر لإعداد الخط باستخدام اسم داخلي ، يكون مخفيًا للمستخدمين العاديين. تستخدم هذه الأسماء تقليديًا نظامًا مكونًا من ثلاثة أو أربعة أحرف صغيرة لكل مجموعة خطوط. عادة ما يتم توثيق هذه الأسماء في الوثائق المرتبطة بالخط.

فيما يلي قائمة بأكثر الخطوط شيوعًا ورموزها:

إذا لم تجد أي توثيق للخط ، كحل أخير (أو الملاذ الأول بمجرد معرفة ما تفعله) ، يمكنك فتح ملف .sty الذي يقوم بالفعل بتحميل الخط ومعرفة ما هو الخط الداخلي بنفسك اسم العائلة هو (أو يمكنك البحث بداخله باستخدام grep). فيما يلي مثالان:

من helvet.sty: الخط الموجود في نهاية العبوة

يؤدي هذا إلى تعيين خط sans الافتراضي ( sfdefault) إلى عائلة phv ، لذا فإن phv هو الاسم الداخلي للخط.

هنا الاسم الداخلي أقرب إلى اسمه الحقيقي: PTSansCaption-TLF.

أظهر كلا المثالين رمز تغيير خط sans serif. إذا غيرت حزمة الخطوط الخط الروماني أو الأحادي ، فستبحث عن الأوامر التالية على التوالي


اطلع على إجابة هذا السؤال في التحقق من صحة العنوان باستخدام مطابقة regex: regex street address

تكمن المشكلة في أن عناوين الشوارع تختلف كثيرًا في التنسيق بحيث يصعب ترميزها. إذا كنت تحاول التحقق من صحة العناوين ، فمن الصعب جدًا العثور على ما إذا كان أحدها غير صالح بناءً على تنسيقه. سيعيد هذا العنوان التالي (253 N. Cherry St.) ، أي شيء بتنسيقه نفسه:

يتيح ذلك 1-5 أرقام لرقم المنزل ، ومسافة ، وحرف متبوع بنقطة (لـ N. أو S.) ، وكلمتان أو كلمتان لاسم الشارع ، منتهية باختصار (مثل st. أو rd.) .

نظرًا لاستخدام regex لمعرفة ما إذا كانت الأشياء تفي بمعيار أو بروتوكول (الذي تحدده) ، فربما لا ترغب في السماح بالعناوين المذكورة أعلاه ، خاصةً العنوان الأول الذي يحتوي على شرطة ، نظرًا لأنها ليست قياسية جدًا. يمكنك تعديل الكود الخاص بي أعلاه للسماح لهم إذا كنت ترغب في ذلك - يمكنك إضافة


تحسينات إضافية جديرة بالملاحظة!

  1. احصل على ميزات تكامل Zoom مع اجتماعات Salesforce : & # 8211 ميزات Zoom Integration متاحة الآن لمستخدمي اجتماعات Salesforce عندما يتم تمكين Einstein Activity Capture. يؤدي الحصول على بيانات حول مكالمات الفيديو للممثلين إلى جمع بيانات وصفية قيّمة للحصول على إحصاءات حول كل اجتماع من اجتماعات Zoom. بالإضافة إلى ذلك ، يمكن للممثلين الذين يستخدمون Salesforce Inbox إنشاء روابط لاجتماعات Zoom عند جدولة الاجتماعات باستخدام Insert Availability.
  2. قم بتشغيل القوائم التي تم عرضها مؤخرًا بإجراءات قابلة للتخصيص : & # 8211 الآن يمكنك إضافة إجراءات مخصصة إلى القوائم التي تم عرضها مؤخرًا. لكي تكون متسقة مع طرق عرض القائمة الأخرى ، تعرض القوائم المعروضة مؤخرًا الآن الإجراءات المضافة إلى تخطيط بحث عرض قائمة الكائن. لا تتوفر بعض الإجراءات ، مثل العرض القابل للطباعة ، في القوائم المعروضة مؤخرًا. كانت هذه الميزة متاحة في الأصل في ربيع 21 ، ثم تمت إزالتها مؤقتًا. تمت إعادة إصداره الآن مع تحسينات في الأداء وخيار تعطيل الإجراءات المخصصة.
  3. أظهر للمستخدمين ثلاثة إرشادات مخصصة مجانًا : & # 8211 الآن يمكنك إنشاء العديد من الإرشادات التفصيلية كما تريد ، بحيث تظهر للمستخدمين ما يصل إلى ثلاثة في كل مرة. إذا كنت تريد أن تظهر لهم المزيد ، اشترك في myTrailhead. في السابق ، كان تنشيط الإرشادات التفصيلية المخصصة للمستخدمين يتطلب اشتراكًا في myTrailhead أو إصدارًا تجريبيًا مجانيًا.
    • لإظهار أكثر من ثلاثة إرشادات مخصصة للمستخدمين ، اشترك في myTrailhead للحصول على ترخيص مجموعة أذونات الإرشادات التفصيلية ومجموعة أذونات الوصول الإرشادية. قم بتعيين إذن المستخدم "عرض الإرشاد الإرشادي" للمستخدمين الذين تريد أن يكونوا قادرين على رؤية الإرشادات التفصيلية.
  4. تحكم في رؤية التعلم داخل التطبيق باستخدام Trailhead في مؤسستك : & # 8211 التعلم داخل التطبيق مع Trailhead قيد التشغيل افتراضيًا في مؤسسة Salesforce الخاصة بك ، لذا يمكنك الغوص والبدء في إعداد مهام التعلم للمستخدمين. حتى تقوم بتخصيص التعلم داخل التطبيق ، يرى المستخدمون ثلاث وحدات نمطية مقترحة بواسطة Salesforce في لوحة التعلم وفي الصفحة الرئيسية التعليمية. يمكنك الآن إيقاف تشغيل التعلم داخل التطبيق من صفحة التعلم داخل التطبيق في الإعداد.
  5. تثبيت المزيد من الحقول المخصصة : & # 8211 تمت زيادة الحد الأقصى الثابت للحقول المخصصة لكل كائن إلى 900 ، لذا يمكنك الآن تخصيص المزيد من الحقول لحالات الاستخدام المختلفة التي تدعمها.
    • لكل إصدار من إصدارات Salesforce حدًا لعدد الحقول المخصصة لكل كائن يمكنك إنشاؤه وتثبيته. يسمح لك الحد 900 الجديد للحقول المخصصة لكل كائن بتثبيت المزيد من الحقول من AppExchange. على سبيل المثال ، بالنسبة للإصدار غير المحدود ، يمكنك إنشاء 800 حقل مخصص على كائن وتثبيت 100 حقل من حزمة مُدارة. لا يمكن أن يتجاوز حد الحقل المخصص 900 ، لذلك إذا اقتربت من الحد الأقصى ، توصي Salesforce بأن تحذف أو تمسح الحقول المخصصة التي لم تعد بحاجة إليها.
    • ينطبق الحد الثابت 900 حقل الجديد على هذه الكائنات فقط.
      • الحساب
      • الحساب
      • أصل
      • حملة
      • عضو في الحملة
      • قضية
      • اتصال
      • كائن مخصص
      • فردي
      • KnowledgeArticleVersion
      • يقود
      • فرصة
      • الفرصة
      • طلب
      • OrderItems (طلب المنتج)
      • المنتج 2 (المنتجات)
      • المحلول
      • المستخدمون
      • UserRole (الدور)
  6. سجل المكالمات بشكل افتراضي : & # 8211 يمكنك الآن تمكين التسجيل الافتراضي لـ Dialer. لا يزال بإمكان المستخدمين تحديد تسجيل المكالمات الفردية. يعود الأمر للمستخدمين للامتثال لأية قواعد وأنظمة خصوصية.
  7. إنشاء المهام وتحريرها وحذفها باستخدام تراخيص مجتمع العميل : & # 8211 تحديث المهام بتراخيص مجتمع العملاء. يمكن للمستخدمين إنشاء المهام التي يمتلكونها وتعديلها وحذفها. يمكنهم أيضًا إنشاء مهام لمستخدمين آخرين وإجراء تحديثات على المهام المشتركة معهم.
  8. مشاركة السجلات التي يملكها المستخدمون ذوو الحجم الكبير مع مستخدمين ضيوف غير مصادق عليهم : & # 8211 حدد ما إذا كنت تريد تضمين السجلات المملوكة من قبل المجتمع أو مستخدمي الموقع بكميات كبيرة عند إنشاء قواعد مشاركة المستخدم الضيف. بشكل افتراضي ، تتضمن قواعد مشاركة المستخدم الضيف فقط السجلات التي تطابق معايير القاعدة والتي يملكها المستخدمون المصادقون والمستخدمون الضيوف وقوائم الانتظار. نظرًا للتحسينات الأمنية الأخيرة ، يعد هذا الإعداد هو الطريقة الوحيدة لمنح المستخدمين الضيوف حق الوصول إلى السجلات التي يمتلكها المستخدمون بكميات كبيرة. هذا الخيار غير متاح لقواعد المشاركة المستندة إلى المالك أو المعايير.
  9. قم بتكوين نماذج Lightning مسبقًا في إعدادات دعم الحالة و Web-to-Case وقواعد الاستجابة التلقائية للحالة : & # 8211 قوالب Lightning متوافقة مع إعدادات الدعم عند تخصيصها تلقائيًا من خلال مساعد إعداد الخدمة ، مما يعني أن الوكلاء يمكنهم الآن الوصول الفوري إلى ثلاث أدوات قوية قم بأتمتة وظائف إنشاء الحالة وتحريرها ، وقم على الفور بإنشاء وإرسال استبيان رضا العملاء أو صافي نقاط المروج ، والسماح لـ Salesforce بمعالجة رسائل البريد الإلكتروني للمساعدة في تعزيز إنتاجية الوكيل عندما يتغير مالك الحالة.
  10. استخدم حساب خدمة مع Microsoft Exchange : & # 8211 إذا كنت تستخدم Microsoft Exchange Server 2019 أو 2016 أو 2013 ، فيمكنك توصيل Einstein Activity Capture بحساب خدمة. تمنحك حسابات الخدمة مزيدًا من التحكم في المستخدمين الذين يمكن لـ Salesforce الوصول إلى البيانات منهم. بالإضافة إلى ذلك ، لا يربط مستخدمو Einstein Activity Capture حساباتهم الخاصة ، مما يبسط عملية الطرح.
  11. تتبع عدد التراخيص النشطة في مؤسستك : & # 8211 استخدم ملف التراخيص النشطة علامة التبويب في تطبيق Lightning Usage لمراقبة التراخيص النشطة والمخصصة والمتاحة. يمكنك تتبع بيانات تراخيص المستخدم وتراخيص مجموعة الأذونات وتراخيص الميزات. تساعدك مقاييس الترخيص في تحديد ما إذا كنت بحاجة إلى مزيد من التراخيص بسرعة ، أو إذا تم تعيين تراخيص للمستخدمين لم يعودوا بحاجة إليها.
  12. قم بتعبئة قوائم الاختيار التابعة بالقيم الافتراضية مسبقًا : & # 8211 يمكنك الآن ملء حدث سجل مسبقًا بالقيم الافتراضية في قوائم الاختيار التابعة. تتوفر القيم الافتراضية في قوائم الاختيار التابعة للحسابات ، والفرص ، والحالات ، وجهات الاتصال ، والعملاء المتوقعين ، والعناصر المخصصة.
  13. مشاركة الصفقات المالية مع عدة مستخدمين أو مجموعات : & # 8211 ساعد فرق الصفقات على مشاركة الصفقات المالية بسهولة مع عدة مشاركين في وقت واحد بطريقة متوافقة. عند إضافة مكون إدارة المشارك الجديد إلى صفحة سجل الصفقة المالية ، يمكنهم إضافة عدة مستخدمين أو مجموعات كمشاركين في السجل ، وكذلك تعيين الأدوار من داخل المكون. يوفر لهم المكون أيضًا قائمة مقترحة بالمستخدمين أو المجموعات لإضافتهم إلى السجل.
  14. قياس التوقعات طريقك في تجربة البرق : & # 8211 الآن يمكنك بناء التوقعات على الحقول المخصصة لأنواع بيانات العملة أو الأرقام. يعني هذا التغيير أن لديك المزيد من المرونة لتعكس نموذج عملك باستخدام التوقعات التعاونية.
    1. هذا مثال. باستخدام تدفق الإعداد ، قم بإنشاء نوع توقع بناءً على حقل ميغاواط في كائن الفرصة.

    خصائص المنتج

    يجب استخدام الخصائص الفريدة للمنتج كمدخلات في تحديد المزيج التسويقي للمنتج # 8217.

    أهداف التعلم

    افحص كيف تؤثر خصائص المنتج على اختيار المزيج الترويجي

    الماخذ الرئيسية

    النقاط الرئيسية

    • خصائص المنتج هي الميزات التي تميزه عن المنتجات الأخرى في السوق.
    • عندما تنشئ الشركات منتجًا ، فإنها تضع في اعتبارها ميزات محددة. يمكن أن تكون الخصائص التي تعمل على تحسين منتج موجود أو تلك التي تملأ حاجة غير مملوءة حاليًا. يمكن أن يكون الترويج لهذه الميزات نهجًا ناجحًا.
    • تساعد خصائص المنتج أيضًا في تحديد سعر المنتج. قد تتمكن الميزات المتميزة من الحصول على سعر أعلى.
    • إنه مزيج الطلب على المنتج وسعره الذي يساعد على تحديد المزيج التسويقي.

    الشروط الاساسية

    • المزيج التسويقي: غالبًا ما تكون أداة الأعمال المستخدمة في تسويق المنتجات بالغة الأهمية عند تحديد نقطة بيع فريدة للمنتج أو العلامة التجارية # 8217. غالبًا ما تكون مرادفًا لعناصر PS الأربعة: السعر والمنتج والترويج والمكان.
    • السوق المستهدف: مجموعة من الأشخاص الذين تتوافق احتياجاتهم وتفضيلاتهم مع نطاق منتجات الشركة والذين يتم تسويق هذه المنتجات لهم
    • مؤشر الأسعار: تقدير إحصائي لمستوى السعر لبعض فئات السلع أو الخدمات.

    خصائص المنتج

    خصائص المنتج هي الميزات والعناصر التي تميزه عن المنتجات الأخرى في السوق. تساعد خصائص المنتج في تحديد المزيج التسويقي والسوق المستهدف المحتمل وتسعير المنتج.

    صفات: تحدد خصائص المنتج و # 8217 السوق والسعر المستهدفين.

    يحتاج المنتج إلى تمييز نفسه في السوق وأن يحمل خصائص مميزة تفصله عن منافسيه. خلاف ذلك ، لن يكون هناك سبب يدفع المستهلكين لشراء هذا المنتج على أي منتج آخر في السوق.

    تحديد المزيج التسويقي

    عندما تنشئ الشركات منتجًا ، فإنها تضع في اعتبارها ميزات محددة. يمكن أن تكون الخصائص التي تعمل على تحسين منتج موجود في السوق أو تلك التي تساعد في تلبية الحاجة الحالية. تنفق الشركات الكثير من الوقت والمال على أبحاث المنتجات لفهم احتياجات السوق وكيف يمكن لمنتجها تلبية هذه الحاجة.

    تساعد خصائص المنتج أيضًا في تحديد سعر المنتج. ستؤدي بعض الميزات المتطورة إلى زيادة سعر المنتج ، بينما قد تؤدي الميزات المنخفضة الجودة إلى خفض سعر المنتج. يمكن أن يحدد هذا المكان الذي قد يقع فيه المنتج على مؤشر الأسعار. إنه مزيج الطلب على المنتج وسعره الذي يساعد في تحديد المزيج التسويقي.

    تُستخدم استراتيجيات مختلفة للمنتجات عالية الجودة والمكلفة مقارنةً بالمنتجات المنخفضة التكلفة والأقل تكلفة. بالإضافة إلى ذلك ، يتم استخدام استراتيجيات تسويق مختلفة اعتمادًا على السوق المستهدف. يحتاج بعض المستهلكين إلى نهج تسويق عبر الإنترنت ، بينما قد يكون المستهلكون الآخرون أكثر تقبلاً لإعلانات التلفزيون أو المجلات. يمكن الإجابة على كل هذه الأسئلة من خلال فهم خصائص المنتج.


    رسم الخرائط العلائقية

    11.2 المخططات العلائقية

    أ مخطط العلائقية (أو مخطط قاعدة البيانات العلائقية) عبارة عن مجموعة من تعريفات الجدول العلائقي والقيود وربما قواعد الاشتقاق. قد ترغب في مراجعة القسمين 1.3 و 2.3 ، حيث تمت مناقشة الأفكار الأساسية. تسمى بنية الجدول العلائقي الفردي أ مخطط الجدول أو متغير العلاقة. هذه في الأساس مجموعة مسماة من صفات (الأعمدة) التي ترسم قيمها من البيانات المجالات. يمكن ملء كل مخطط جدول بمجموعة من غير المسماة مجموعات (صفوف) من البيانات ، لكن المحتوى ليس جزءًا من مخطط الجدول نفسه.

    كثير تدوينات موجودة لمخططات الجدول. لتوفير مساحة وتسهيل مناقشة السكان ، يستخدم هذا الكتاب عادةً أ تخطيط أفقي حيث يسبق اسم الجدول قائمة محاطة بأسماء الأعمدة ، مفصولة بفواصل. إذا رغبت في ذلك ، يمكن عرض أسماء المجال بعد أسماء الأعمدة ، باستخدام فاصل النقطتين.

    على سبيل المثال ، تجاهل القيود ، المخطط المفاهيمي ORM في الشكل 11.1 (أ) يرسم مخطط الجدول الموظف( empNr: EmployeeNr ، الراتب: المال ، الضريبة: المال). هنا اسم الجدول هو "الموظف" ، وتعتمد السمة empNr على المجال EmployeeNr ، وتستند سمتا الراتب والضرائب إلى المجال Money. نظرًا لأن الوضع المرجعي المستند إلى الوحدة بالدولار الأمريكي يعتمد على بُعد الوحدة Money ، فمن الممكن أيضًا عرض مخطط ORM كما في الشكل 11.1 (ب).

    الشكل 11.1. تعيين مخطط ORM لمخطط علائقي (تم حذف القيود).

    نعتمد اصطلاح جدول البداية وأسماء النطاقات بحرف كبير ، وأسماء السمات بأحرف صغيرة. اصطلاح الحالة هذا مشابه لاتفاقية UML وهو شائع إلى حد ما. ومع ذلك ، يتم استخدام العديد من تفضيلات الحالة الأخرى أيضًا في الممارسة. بغض النظر عن الاصطلاح الذي تختاره ، فإن استخدامه باستمرار سيساعد في جعل مخططاتك أكثر قابلية للقراءة.

    عند استخدام التنسيق الأفقي ، نكتب عادةً اسم الجدول بخط مائل. نفضل أيضًا ربط مكونات الاسم المتسلسلة ، مع كتابة المكونات اللاحقة بأحرف كبيرة (على سبيل المثال ، empNr) بدلاً من استخدام فاصل مثل شرطة سفلية أو مسافة (على سبيل المثال ، emp_nr أو "emp nr"). كما تمت مناقشته في الفصل التالي ، يتطلب معيار SQL علامات اقتباس مزدوجة حول الاسم الذي يتضمن حرف مسافة.

    تمنحك أدوات النمذجة عادةً التحكم في كيفية إنشاء هذه الأسماء. على سبيل المثال ، ملف نورما تتيح لك الأداة التصريح باختصار "الموظف" إلى "Emp" لأسماء الأعمدة ولكن ليس لأسماء الجداول ، ويمكن استخدام أسماء الأدوار في تحديد أسماء الأعمدة. يمكنك اختيار طريقتك الخاصة والتشبث به. للاكتناز ، من المعتاد حذف أسماء المجال في وضع مخططات الجدول ، على سبيل المثال ، الموظف <empNr ، راتب ، ضريبة).

    من الناحية النظرية ، يدعم النموذج العلائقي المجالات الدلالية ، والتي تتوافق بشكل أساسي مع ORM أنواع الكائنات المفاهيمية. قبل عام 1992 ، كان معيار SQL يتطلب تحديد كل سمة مباشرة عبر نوع بيانات سلسلة رقمية أو أحرف. فمثلا:

    شخص ( لقب: شار(20) ، المدينة: شار(20) ، الارتفاع: الصغيرة، وزن: الصغيرة )

    يمكن أن يؤدي هذا إلى هراء دلالي ، مثل المقارنة بين الناس والمدن ، أو الطول والوزن. يسمح معيار SQL الآن بتعريف السمات على المجالات النحوية المعرفة من قبل المستخدم والتي تحدد نوع البيانات الأساسي واختياريا قائمة القيم و / أو القيمة الافتراضية. تدعم أنواع البيانات الأساسية في SQL القياسي سلاسل الأحرف والأرقام والتاريخ والوقت وسلاسل البت ، ولكن ليس المال ، والذي يتم تعريفه بدلاً من ذلك من حيث نوع البيانات الرقمية ، على سبيل المثال ، عدد عشري(9،2). SQL: قدم 1999 أنواعًا محددة من قبل المستخدم ، والتي يمكن استخدامها كمجالات دلالية. ومع ذلك ، لا تزال العديد من SQLs التجارية لا تقدم أي دعم للمجالات أو الأنواع المحددة من قبل المستخدم ، لذلك نحن & # x27ll عادةً نتجاهل تفاصيل المجال من هذه النقطة فصاعدًا.

    لنفكر الآن في الرموز الرئيسية المستخدمة في التحديد القيود في مخطط العلائقية. تناقش الأقسام اللاحقة كيفية تجميع أنواع الحقائق في مخططات الجداول وكيفية تعيين القيود والقواعد بمزيد من التفصيل.

    باستخدام التخطيط الأفقي ، قيود التفرد على الأعمدة العلائقية تسطير. يوفر كل عمود فريد أو مجموعة أعمدة فريدة ملف مفتاح مرشح لتحديد الصفوف في الجدول. المفتاح هو ملف الحد الأدنى مجموعة من السمات المقيدة بشكل فريد. بمعنى آخر ، إذا تمت إزالة سمة من مفتاح مركب ، فلن يتم تمديد السمات المتبقية بقيد تفرد. إذا كان هناك مفتاح مرشح واحد فقط ، فسيكون هذا تلقائيًا ملف المفتاح الأساسي. على سبيل المثال ، قد نشير إلى أن empNr هو المفتاح الأساسي لجدول الموظف وبالتالي:

    الموظف (إمبنر، ضريبة الراتب )

    في حالة وجود أكثر من مفتاح مرشح واحد ، يجب تحديد أحد هذه المفاتيح كمفتاح أساسي. ثم يتم استدعاء الآخرين "مفاتيح بديلة" أو "مفاتيح ثانوية". المفاتيح الأساسية هي في حالة وجود مفاتيح بديلة. على سبيل المثال ، لنفترض أننا نسجل أيضًا اسم وقسم كل موظف ، وأن الجمع بين اسم الموظف والقسم فريد من نوعه. يمكن إظهار المفاتيح الأساسية والثانوية على النحو التالي:

    الموظف ( , empName ، deptCode، ضريبة الراتب )

    يعتبر الترتيب الذي يتم به سرد الأعمدة غير ذي صلة معنويًا ، نظرًا لأن كل عمود له اسم فريد لجدوله.إذا لم يتم سرد الأعمدة في المفتاح المركب بشكل متتالي ، فإن الخطوط المنقطة تربط التسطير لإظهار أن قيدًا فرديًا فريدًا مركبًا يتم تطبيقه بدلاً من قيود بسيطة متعددة. على سبيل المثال ، يمكن أيضًا عرض مخطط جدول الموظف السابق على النحو التالي:

    الموظف ( , empName ، الراتب ، deptCode، ضريبة)

    يُقال أن العمود الذي لا يسمح بالقيم الخالية إلزامي (لجدولها). يُقال أن العمود الذي يسمح بالقيم الخالية خياري. بالنسبة للتخطيط الأفقي ، يتبنى هذا الكتاب الاصطلاحات التالية: يتم تضمين الأعمدة الاختيارية في أقواس مربعة العمود إلزامي في جدوله ما لم يتم تمييزه بأنه اختياري. تتوافق هذه الممارسة مع تدوين BNF (نموذج باكوس نور) المعروف. على سبيل المثال ، نظرًا لأن دفع الضريبة أمر اختياري ، فإن مخطط ORM السابق يخطط لمخطط الجدول التالي ، مع عمود الضريبة اختياريًا (يُسمح بالقيم الخالية):

    يتم توضيح هذا التعيين من خلال عينة من السكان في الشكل 11.2. يشتمل المجتمع المفاهيمي على ثلاث حقائق أولية: الموظف 101 راتبه 80 ألف دولار أمريكي ، الموظف 102 راتبه 30 ألف دولار أمريكي ، الموظف 101 دفع ضريبة قدرها 30 ألف دولار أمريكي. لم يتم تسجيل أي مدفوعات ضريبية للموظف 102.

    الشكل 11.2. يتم تعيين نموذج ORM المأهول إلى مخطط الجدول المأهول الموضح.

    تذكر أن كل صف من الجدول العلائقي يعبر عن حقيقة أولية أو وجودية واحدة أو أكثر. نظرًا لأنه تم تجميع كلا نوعي الحقائق في نفس الجدول ، فإن كل صف يعبر عن حقيقة أو حقيقتين. يسجل الصف الأول حقائق الراتب والضرائب عن الموظف 101. يسجل الصف الثاني حقيقة الراتب عن الموظف 102. يحتوي الصف الثاني أيضًا على قيمة خالية (تظهر هنا "؟") ، مما يشير إلى عدم وجود حقيقة ضريبية للموظف 102 . الترتيب الذي يتم عرض الصفوف به غير ذي صلة لغويًا.

    إذا تم لعب جميع الأدوار بواسطة خريطة نوع الكائن إلى نفس الجدول ، فيمكن تحديد أدوارها الإلزامية ببساطة كأعمدة إلزامية. ومع ذلك ، غالبًا ما يتطلب النموذج العلائقي حقائق مختلفة حول نفس الكائن ليتم تخزينها في جداول مختلفة. بشكل عام، يتم تسجيل قيود الدور الإلزامية من خلال جعل أعمدتها إلزامية في جدولها ، وتشغيل قيد مجموعة فرعية من جداول أخرى (إن وجدت) تحتوي على حقائق حول هذا النوع من الكائنات. لننظر إلى الشكل 11.3 (أ) ، الذي يضيف نوعين من الحقائق إلى الشكل 11.1. يتم الآن تسجيل كل موظف & # x27s ، وكذلك أي سيارات يقودها الموظف.

    الشكل 11.3. يتم تضمين قيود المجموعة الفرعية بواسطة قيود الدور الإلزامية.

    كما تمت مناقشته في القسم التالي ، فإن ملف م: ن تتطلب طبيعة نوع حقائق محركات الأقراص تعيينها إلى جدول علائقي مختلف عن أنواع الحقائق الثلاثة الأخرى. لذلك تنتشر المعلومات حول الموظف على جدولين علائقيين موضّحين في الشكل 11.3 (ج). هنا ، يتم تسجيل قيود الدور الإلزامية جزئيًا فقط - لا يوجد ما يمنعنا من إدخال أرقام الموظفين في جدول محركات الأقراص التي لا تحدث في جدول الموظف.

    كيف إذن نرسم خريطة لقيود الدور الإلزامية المفاهيمية؟ دور ص إلزامي لنوع الكائن ا فقط إذا لعبت دور السكان بعضهم البعض ا يجب أن تكون مجموعة فرعية من سكان ص. ومن ثم فإن كل دور اختياري لنوع كائن له قيد ضمني لمجموعة فرعية لكل دور إلزامي لنوع الكائن هذا. يوضح الشكل 11.3 (ب) قيد مجموعة فرعية ضمنيًا من كل دور اختياري للموظف إلى دور إلزامي للموظف. يتم تضمين قيود المساواة بين الأدوار الإلزامية ، ولكنها ليست ذات صلة بمناقشتنا.

    الثلاثة ن: 1 أنواع الحقائق للراتب والجنس والضرائب مجمعة في جدول الموظف. يتم تعيين المسندات الإلزامية للراتب والجنس إلى الأعمدة الإلزامية ، ويتم تسجيل قيد المجموعة الفرعية على الدور الضريبي من خلال جعل الضريبة العمود الاختياري الوحيد في جدول الموظف. خرائط نوع محركات الأقراص إلى جدول منفصل. لذلك لالتقاط قيد المجموعة الفرعية من دور محركات الأقراص ، نضيف إلى المخطط العلائقي قيد مجموعة فرعية من عمود empNr في جدول محركات الأقراص إلى عمود empNr في جدول الموظف.

    في التخطيط الأفقي ، يتم وصف قيد المجموعة الفرعية هذا كسهم منقط ، كما هو موضح في الشكل 11.3 (ج). هذا يضمن أن أي موظف مدرج على أنه يقود سيارة مدرج أيضًا في جدول الموظف ، حيث يتم تسجيل الجنس والراتب بشكل إلزامي.

    في المصطلحات العلائقية ، يُقال أن قيد المجموعة الفرعية هذا هو أ قيد التكامل المرجعي ، والسمة empNr لجدول محركات الأقراص هي ملف مفتاح غريب الذي - التي المراجع سمة empNr لجدول الموظف. في النموذج العلائقي ، يمكن للمفاتيح الخارجية الإشارة إلى المفاتيح الأساسية فقط ، لكن SQL تسمح أيضًا للمفاتيح الخارجية باستهداف المفاتيح البديلة.

    يحتوي النموذج العلائقي على قاعدتين أساسيتين للتكامل. ال قاعدة سلامة الكيان تتطلب عدم احتواء المفاتيح الأساسية على قيم خالية (أي أن كل عمود في المفتاح الأساسي هو عمود إلزامي لجدوله). ال قاعدة السلامة المرجعية يقول بشكل أساسي أن كل قيمة nonnull لمفتاح خارجي يجب أن تتطابق مع قيمة بعض المفاتيح الأساسية. يسمح النموذج العلائقي أيضًا بالقيود التي يحددها المستخدم وقواعد الاشتقاق.

    للتعرف على كيفية تنفيذ المخطط العلائقي في الممارسة العملية ، دع & # x27s يوسع مثالنا قليلاً ويرسمه إلى SQL. يضيف الشكل 11.4 أنواع الحقائق لتسجيل القسم واسم كل موظف. كما أنه يضيف ثلاثة قيود بخلاف التفرد الداخلي والقيود الإلزامية البسيطة. أسماء الموظفين فريدة داخل قسم معين ، ورموز الجنس المحتملة هي "M" و "F" ، ويقود كل موظف ثلاث سيارات على الأكثر.

    الشكل 11.4. مخطط ORM أكثر تفصيلاً للموظفين.

    يتم تعيين قيد التفرد الخارجي على اسم الموظف والقسم إلى قيد فريد مركب يمتد إلى سمتين. في التخطيط الأفقي ، يتم الإشارة إلى ذلك من خلال وضع خط تحت الأعمدة ذات الصلة كما تمت مناقشته من قبل. يتم تحديد قيد القيمة على أكواد الجنس ، وقيود التردد التي يقودها كل موظف في ثلاث سيارات على الأكثر في التخطيط الأفقي من خلال التعليق على مخططات الجدول باستخدام تدوين يشبه ORM ، كما هو موضح في الشكل 11.5 (أ).

    الشكل 11.5. مخطط علائقي في (أ) تخطيط أفقي و (ب و ج) بعض التخطيطات العمودية.

    يمكن استخدام معظم رموز قيود ORM بطريقة مماثلة في تحديد المخططات العلائقية. في بعض الأحيان نقوم بتعديل هذه الرموز أو تقديم أخرى جديدة (انظر الأقسام اللاحقة). في حين أن تدويننا شبه الخطي مضغوط وبديهي إلى حد ما ، فإن الأدوات التجارية عادة ما تصور المخططات العلائقية بشكل تخطيطي باستخدام التخطيط العمودي مدعومة بقواعد نصية مخزنة في أوراق الخصائص أو التعليمات البرمجية. على الرغم من أنه يشغل مساحة أكبر ، إلا أن التخطيط العمودي يكون مناسبًا عندما يحتوي الجدول على العديد من الأعمدة.

    يوضح الشكل 11.5 (ب) إحدى الطرق التي يرسم بها Visio نفس المثال. هنا يتم سرد اسم الجدول في الجزء العلوي مع أسماء الأعمدة المدرجة عموديًا أدناه. تظهر الأعمدة الإلزامية بخط عريض ، لذا فإن الضريبة هي العمود الاختياري الوحيد. يتم وضع خط تحت أعمدة المفاتيح الأساسية وتعليقها بعلامة "PK".

    إذا رغبت في ذلك ، يمكن أيضًا عرض المفاتيح الأساسية في حجرة منفصلة. يتم شرح المفاتيح الخارجية بـ "FKn" (n & gt 0) ، وسهم يصور قيد المجموعة الفرعية من المفتاح الخارجي إلى الجدول الهدف. يتم الإشارة إلى قيود التفرد غير الأولية بواسطة "Uن". لا يتم عرض قيد القيمة على الجنس وقيود التردد على carRegNr في الرسم التخطيطي ولكن يمكن فحصها في الكود المرتبط.

    يوضح الشكل 11.5 (ج) إحدى الطرق التي يرسم بها Microsoft SQL Server 2005 نفس المثال. هنا يتم تمييز أعمدة المفاتيح الأساسية برمز مفتاح ، ويوصف قيد المفتاح الخارجي على أنه خط علاقة مع رمز مفتاح في نهاية الهدف و "" (ما لا نهاية ، لمجموعة أساسية من "العديد") في نهاية المصدر . تتم الإشارة إلى الطبيعة الإلزامية أو الاختيارية للعمود ، على التوالي ، بغياب أو وجود علامة اختيار السماح بالقيم الخالية. قد يتم فحص قيود أخرى في الكود المرتبط.

    كما توضح هذه التخطيطات العمودية النموذجية ، لا يوجد معيار صناعي يتم اعتماده بشكل موحد لتخطيط المخططات العلائقية. هذا سبب آخر لاستخدام هذا الكتاب & # x27s لتدوين أفقي عام. عند استخدام أداة CASE أو نظم إدارة قواعد البيانات، تحتاج إلى التعرف على تدوينها العلائقي المحدد.

    يمكن تحديد نفس المخطط العلائقي في SQL-92 كما هو موضح لاحقًا. تظهر الكلمات المحجوزة بالخط العريض ، ولكن هذا ليس مطلوبًا. لحفظ بعض الكتابة ، يتم الإعلان عن المجالات التي يستند إليها أكثر من عمود واحد في البداية (EmpNr و Money) ، ويتم حذف أسماء القيود. في SQL: 1999 ، يمكن التصريح عن الأنواع بدلاً من المجالات.

    توضح عبارات إنشاء الجدول المخططات الخاصة بجداول الموظف ومحركات الأقراص. تشير عبارة not-null إلى أن العمود إلزامي لجدوله. يتم التصريح عن المفاتيح الأساسية ببنود المفتاح الأساسي. تحدد جملة فريدة المفتاح المركب البديل. يتم التصريح عن قيد المجموعة الفرعية للجدول الداخلي بعبارة مراجع. تُستخدم شروط التحقق للإعلان عن قيود القيمة والتردد. مزيد من الشرح لبناء جملة SQL يرد في الفصل التالي.

    على الرغم من أن بناء جملة SQL المذكور أعلاه قانوني بقدر ما يعود إلى SQL-92 ، إلا أن بعض الإصدارات التجارية من SQL لا تدعم حتى الآن كل هذا النحو. بالنسبة لتعريف البيانات ، بالكاد تقدمت بعض الإصدارات إلى ما بعد معيار SQL-89 القديم (الذي لم يكن يحتوي على بنود المجال ، وشروط التحقق المقيدة بالشروط في صف واحد). من الناحية العملية ، قد يلزم تحديد بعض ميزات المخطط العلائقي كرمز إجرائي بدلاً من تحديده بشكل إعلاني.

    يتكون المخطط المفاهيمي من ثلاثة أقسام: أنواع الحقائق والقيود و قواعد الاشتقاق. يمكن تحديد قواعد الاشتقاق المفاهيمي بلغة مناسبة ، باستخدام تدوين نمط علاقي أو سمة.

    على سبيل المثال ، في المخطط الموضح في الشكل 11.6 (أ) ، يتم اشتقاق صافي أجر الموظف & # x27s باستخدام قاعدة ORM لكل الموظف، لو ضريبة موجود إذن netpay = الراتب - الضريبة آخر netpay = الراتب.

    الشكل 11.6. جعل الضريبة المدفوعة اختيارية (أ) أو إلزامية مع عدم وجود تخلف عن السداد (ب).

    كما هو موضح في الشكل 11.6 (ب) ، يمكن تبسيط قاعدة الاشتقاق إلى طرح بسيط إذا جعلنا الضريبة إلزامية مع القيمة الافتراضية 0 (ملحق "لا افتراضي فارغ = 0 "إلى رمز SQL أعلاه لعمود الضريبة) أو افترض أن القيم الخالية يتم التعامل معها على أنها صفر للطرح. يناقش الفصل التالي بالتفصيل كيفية معالجة SQL للقيم الخالية.

    توجد خيارات مختلفة لتعيين قواعد الاشتقاق إلى المستوى العلائقي. أحد الخيارات هو إعلان قاعدة اشتقاق داخل ملف عرض (جدول افتراضي) ، على سبيل المثال ، خلق وجهة نظر صافي الراتب (empNr ، netPay) حسب التحديد empNr ، راتب - ضريبة من الموظف.

    الخيار الثاني هو تضمين ملف العمود الذي تم إنشاؤه في الجدول الأساسي ذي الصلة. في معيار SQL ، يمكن القيام بذلك عن طريق تضمين التعريف التالي في تعريف الجدول الوارد سابقًا: netPay ولدت دائما كما (ضريبة الراتب).

    ليس كل شيء نظم إدارة قواعد البيانات دعم إنشاء الأعمدة ، والبعض الذي يدعم هذه الميزة يستخدم صيغة مختلفة. على سبيل المثال ، في SQL Server ، قد نعلن ببساطة عن netPay كما (ضريبة الراتب).

    الخيار الثالث هو تضمين ملف العمود المشغل في الجدول الأساسي ذي الصلة. كما تمت مناقشته في الفصل 13 ، تحدد المشغلات الموجودة في الجدول الإجراءات التي يتم اتخاذها تلقائيًا عند تغيير الأعمدة ذات الصلة بطريقة معينة. يختلف بناء جملة المشغلات باختلاف نظام إدارة قواعد البيانات (DBMS). بافتراض تضمين عمود netPay في جدول الموظف ، يمكن استخدام المشغل التالي في SQL Server لاشتقاق صافي الأجر:

    الخيار الرابع هو تضمين قاعدة الاشتقاق في a الإجراء المخزن التي يتم استدعاؤها عند الحاجة (انظر الفصل 13). تم تصميم أمثلة SQL المقدمة مسبقًا لأغراض النظرة العامة فقط. الفصلان التاليان يشرحان SQL بالتفصيل.

    بمجرد الإعلان عن المخطط العلائقي ، تنتهي مرحلة تعريف البيانات الأولية. نقوم بعد ذلك بصيانة البيانات عن طريق إضافة أو حذف الحقائق الأولية وربما بعض الحقائق الوجودية (عن طريق إدراج وحذف وتعديل صفوف البيانات). يمكن بعد ذلك إجراء استرجاع البيانات لسرد الحقائق الأساسية أو المشتقة ذات الأهمية (على سبيل المثال ، من خلال صياغة عبارات اختيار SQL المناسبة).

    عادةً ما تتم معالجة عرض البيانات ومهام أمان البيانات ، عن طريق إنشاء شاشات الإدخال وتقارير الإخراج ، وتعيين حقوق الوصول إلى البيانات لمجموعات مستخدمين مختلفة. تتم مناقشة هذه العمليات بالتفصيل في الفصلين التاليين.

    تمرين 11.2

    يحتوي الجدول التالي على تفاصيل حول أعضاء نادي فنون الدفاع عن النفس. قيمة خالية "؟" يشير إلى أن العضو ليس لديه هاتف أو أنه غير مصنف في أي فنون قتالية. تُعرف صفوف الحزام الأسود بدرجات دان بينما تُعرف الرتب الأدنى بأنها درجات كيو.

    عضوجنس تذكير أو تأنيثهاتفالفنون والرتب
    آدمز بم2052777الجودو 3-دان كاراتيدو 2-كيو
    آدمز إسF2052777الجودو 2-كيو
    براون سيF3579001?
    كولينز تيم?أيكيدو 2 دان الجودو 2 دان
    راقصة أF??

    حدد مخططًا مفاهيميًا لهذا UoD ، بافتراض أنه يمكن تخزين المرتبة (على سبيل المثال ، 3-dan) كقيمة واحدة. العديد من فنون الدفاع عن النفس الأخرى ممكنة.

    اشرح لماذا الجدول الموضح ليس جدولًا علائقيًا.

    نظرًا لأنه يجب تخزين أي نوع حقيقة مع قيد فريد مركب كجدول منفصل ، قم بتعيين مخططك المفاهيمي إلى مخطط علائقي. تسطير المفاتيح ، قم بتمييز الحقول الاختيارية بين قوسين مربعين ، وقم بإظهار أي قيود مجموعة فرعية للجدول البيني كسهم منقط من نهاية المجموعة الفرعية إلى نهاية المجموعة الشاملة. ثم ارسم الجداول بما في ذلك البيانات المذكورة أعلاه كعينة من السكان.

    في "قاعدة البيانات العلائقية المتداخلة" ، يمكن تخزين البيانات في جدول واحد ، كما هو موضح ، حيث يكون الترتيب علاقة متداخلة في علاقة العضو. ناقش أي مزايا أو عيوب قد تنجم عن هذا النهج ، مقارنة بالنهج العلائقي البحت في الجزء (ج) ..

    عضو:اسم عضوجنس تذكير أو تأنيثهاتفتصنيف
    فنمرتبة
    آدمز بم2052777الجودو3 دان
    كاراتيدو2-كيو
    آدمز إسF2052777الجودو2-كيو
    براون سيF3579001??
    كولينز تيم?أيكيدو2-دان
    الجودو2-دان
    راقصة أF???

    تحديد خط بقيمة حقل رقمية محددة باستخدام متغير مضمن لـ arcpy.UpdateCursor () - نظم المعلومات الجغرافية

    6. خيارات تكوين النموذج

    كما تمت مناقشته في الفصل الأول ، يعد CMAQ نظامًا متعدد الملوثات ومتعدد النطاقات لنمذجة جودة الهواء والذي يقدر انتقال وكيمياء الأوزون والجسيمات والملوثات السامة المحمولة جواً والأنواع الحمضية والملوثات المغذية ، فضلاً عن تدهور الرؤية وإجمالي الترسبات. يتضمن CMAQ أحدث التقنيات التقنية والحاسوبية لمحاكاة جودة الهواء من النطاقات الحضرية إلى النطاقات العالمية. يمكنه نمذجة عمليات الغلاف الجوي المعقدة التي تؤثر على التحول والنقل وترسب ملوثات الهواء باستخدام بنية النظام المصممة للحوسبة السريعة والفعالة. (انظر الملحق د للحصول على مقدمة حول كيفية تطبيق توازي البيانات في نظام CMAQ لزيادة الكفاءة الحسابية.) يقدم هذا الفصل لمحة موجزة عن الصياغة المفاهيمية لنمذجة جودة الهواء في أولير والميزات العلمية في مختلف مكونات الكيمياء -مكون نموذج النقل (CTM) من CMAQ و CCTM.

    الأساس النظري لصياغة CMAQ هو الحفاظ على الكتلة لانبعاثات الأنواع النزرة في الغلاف الجوي ، والنقل ، والكيمياء ، والإزالة في الغلاف الجوي. يُشتق الشكل العام لمعادلة الأنواع الكيميائية من هذا الحفظ ، بحيث تتغير التركيزات في الغلاف الجوي للأنواع ، Cأنا، رياضيا يمكن تمثيلها على أنها

    حيث تمثل المصطلحات الموجودة على الجانب الأيمن من المعادلة معدل التغيير في Cأنا بسبب التأفق ، والانتشار ، والعمليات السحابية (الخلط ، والكسح ، وكيمياء المرحلة المائية) ، والترسيب الجاف ، وعمليات الهباء الجوي (تقسيم الطور ، وديناميات الهباء الجوي). صجي يمثل معدل التغيير بسبب الغازات والتفاعلات الكيميائية غير المتجانسة ، بينما يمثل Eأنا هو معدل انبعاث تلك الأنواع. تمت صياغة الحفظ الشامل للأنواع النزرة والمعادلات الديناميكية اللحظية للأنماط المختلفة لتوزيع حجم الجسيمات في CMAQ بشكل أكبر في إحداثيات معممة ، حيث تسمح نفس الصيغة للنموذج باستيعاب إسقاطات الخرائط الأفقية الشائعة الاستخدام (على سبيل المثال ، مطابقة لامبرت ، مجسمة قطبية ، ومركاتور) بالإضافة إلى إحداثيات رأسية مختلفة (انظر الفصلين 5 و 6 في Byun and Ching ، 1999). يتم حل المعادلة الحاكمة لـ CMAQ عدديًا باستخدام أسلوب تقسيم الوقت أو تقسيم العملية حيث يتم حل كل معادلة عملية بالتتابع ، عادةً مع العملية ذات النطاق الزمني الأكبر الذي يتم حله أولاً.

    CMAQ هو نموذج ثلاثي الأبعاد لجودة الهواء في أويلر. لحل المعادلات التفاضلية الجزئية الحاكمة ، يتم تحديد مجال النمذجة (أي حجم الغلاف الجوي على منطقة جغرافية ذات أهمية) بخلايا ثلاثية الأبعاد. يجب تحديد خلايا الشبكة والحدود الجانبية للمجال بشكل صارم ومتسق عبر المكونات العلمية للنموذج ، بما في ذلك الكيمياء والانبعاثات والأرصاد الجوية والمعالجات العلمية الطرفية الأخرى. بمعنى آخر ، يجب أن تستخدم جميع مكونات نظام CMAQ نفس إسقاطات الخريطة والتباعد الأفقي للشبكة للحفاظ على الاتساق العلمي عبر مجال النمذجة. يتم عادةً حساب عدد خلايا الشبكة في البعد الغربي الشرقي في "أعمدة" أو "NCOLS" ، وعادةً ما يتم حساب عدد خلايا الشبكة في البعد الجنوبي الشمالي في "صفوف" أو "NROWS". عادةً ما يتم حساب التقدير الرأسي في "طبقات" أو "NLAYS".

    يستخدم CMAQ نظام إحداثيات معمم لتعيين المساحة المادية إلى الفضاء الحسابي ، انظر الفصل 6 من Byun and Ching (1999). تُمكِّن الإحداثيات المعممة CMAQ من الحفاظ على تناسق الكتلة تحت إسقاطات خرائط أفقية مختلفة (مثل Lambert المطابقة ، والتصوير المجسم القطبي ، و Mercator) وتحت أنظمة إحداثيات رأسية مختلفة (مثل تتبع التضاريس "سيغما" ، والارتفاع ، وضغط سيجما المختلط) . يدعم CMAQv5.3 مجالات النمذجة المكونة من خلايا مستقيمة ، حيث يبلغ طول كل منها الجانب من الخلايا في المساحة المسقطة هي نفسها (مثل Δx = Δy = 12 كم). على النقيض من ذلك ، تكون الشبكة العمودية غير منتظمة بشكل عام ، بحيث تكون طبقات النمذجة أنحف بالقرب من الأرض. يمكن أن تختلف الأبعاد المطلقة للشبكة الأفقية (أي نطاقات الغرب والشرق والجنوب والشمال للمجال الحسابي).

    بشكل عام ، فإن خصائص مجال نمذجة CMAQ (بما في ذلك إسقاط الخريطة ، والتباعد الأفقي للشبكة ، ونوع الشبكة الرأسية ، والحد الأقصى من التغطية المساحية) موروثة من نموذج الأرصاد الجوية. بدءًا من CMAQv5.3 و MCIPv5.0 ، تم تكوين الإصدار العام من CMAQ فقط لبيانات الأرصاد الجوية من نموذج أبحاث الطقس والتنبؤ (WRF). ومع ذلك ، يمكن توسيع MCIP (الذي يترجم ويعد بيانات نموذج الأرصاد الجوية لـ CMAQ) لمعالجة البيانات من نماذج الأرصاد الجوية الأخرى لاستخدامها داخل CCTM.

    6.3.1 النطاقات الأفقية والحدود الجانبية

    بعد تحديد المدى الأفقي والرأسي لمجال الاهتمام ، يجب تشغيل نموذج الأرصاد الجوية لمجال أفقي أكبر قليلاً من مجال CMAQ. مطلوب نطاق أكبر للأرصاد الجوية ، لذا فإن الظروف الحدودية في محاكاة WRF ستقع خارج مجال محاكاة CMAQ. نظرًا لوجود مزيج من بيانات القيادة واسعة النطاق والفيزياء الخاصة بالمقياس داخل الحدود الجانبية لـ WRF ، فإن هذه البيانات غير مناسبة للاستخدام في CCTM ، لذلك تتم إزالتها عادةً في MCIP. عادةً ما تكون الحدود الجانبية لـ WRF عبارة عن "إطار صورة" للخلايا الخمس الخارجية لمجال WRF. تُستخدم هذه الحدود الجانبية لمزج تأثير بيانات قيادة الأرصاد الجوية على نطاق واسع مع محاكاة WRF. في WRF ، يتم حساب الحدود الجانبية وتضمينها كجزء من مجال النمذجة. على النقيض من ذلك ، فإن الحدود الجانبية لـ CCTM خارجية لمجال النمذجة.

    يمكن استخدام MCIP لاستخراج مجموعة فرعية من مجال نمذجة WRF (أي "نافذة") لاستخدامها في مجال نمذجة CCTM. يمكن أن تكون النافذة أي منطقة مستطيلة داخل الحدود الجانبية لنموذج الأرصاد الجوية ، بشرط أن تحتوي على تغطية مساحية كبيرة بما يكفي من الناحية الاسمية.

    يتم تضمين مواصفات الشبكات الأفقية لـ CMAQ في ملف تعريف الشبكة (GRIDDESC) ، والذي يتم إنتاجه بواسطة MCIP ويمكن للمستخدم تحريره. تتوفر مزيد من التفاصيل حول تكوين الشبكة في ملف README.md في مجلد PREP / mcip. إذا تم استخدام عدة مجالات داخل مجموعة ، يمكن تحديد المجال الأفقي لتشغيل CMAQ معين في وقت التشغيل عن طريق تعيين متغيرات بيئة GRIDDESC و GRID_NAME للإشارة إلى ملف تعريف الشبكة الحالي وإلى إحدى الشبكات المحددة في الملف ، على التوالى.

    يمكن لـ CMAQ دعم العديد من أنظمة الإحداثيات الرأسية عبر الإحداثيات المعممة. يحدث معظم تحويل الشبكة للحفاظ على الاتساق الشامل في CMAQ من خلال المصطلح الرياضي ، انظر Jacobian الفصل 6 من Byun and Ching (1999) و Otte and Pleim (2010). في نظام CMAQ ، يتم حساب Jacobian في MCIP. يجب أيضًا أن يتم صب العمليات الرأسية في CCTM (مثل المزج داخل طبقة الحدود الكوكبية وخلط الحمل الحراري) في نظام إحداثيات مرن.

    هناك خياران للإحداثيات الرأسية في نموذج WRF: تتبع التضاريس ("سيغما") ، وضغط سيجما الهجين. في كلا نظامي الإحداثيات الرأسية ، يوجد "نموذج علوي" مستخدم (يُسمى غالبًا PTOP ، أو ضغط في الجزء العلوي من النموذج) للحد من المدى الرأسي لمجال النمذجة. عادةً ما يتم تعيين قمة النموذج داخل طبقة الستراتوسفير السفلى (على سبيل المثال ، 50 hPa) ، ولكن يمكن أن تكون أعلى في بعض تطبيقات النمذجة. يسمح نظام إحداثيات سيجما بتقلص تأثير التضاريس تدريجيًا مع الارتفاع نحو قمة النموذج. تم استخدام إحداثيات سيجما (تسمى تقنيًا "إيتا" في نظام WRF) منذ طرح WRF للجمهور في أواخر التسعينيات. تم تقديم إحداثيات الضغط الهجين سيجما في WRFv3.9 (تم إصداره في عام 2017) ، ويستخدم إحداثيات تتبع التضاريس في الجزء السفلي من الغلاف الجوي والتي تنتقل إلى تنسيق ضغط ثابت في الجزء العلوي من الغلاف الجوي. غالبًا ما يتم استخدام إحداثي ضغط سيجما الهجين لتقليل وجود موجات الجاذبية في النموذج في التضاريس شديدة الانحدار والمعقدة ، ولتمكين استخدام قمة نموذج أعلى.

    بدءًا من CMAQv5.3 و MCIPv5.0 ، يتم دعم إحداثيات سيغما والضغط الهجين. تم تعديل MCIPv5.0 لحساب Jacobian من الإحداثيات الهجينة ، و CMAQv5.3 لديها بعض العمليات العلمية التي تعيد صياغة أكثر عمومية بحيث يمكن تمثيل كل من إحداثيات سيجما والإحداثيات المختلطة بشكل صحيح. CMAQ قبل الإصدار 5.3 (و MCIP قبل الإصدار 5.0) غير متوافق مع نظام الإحداثيات الهجين المقدم في WRF 3.9. إذا تم استخدام الإحداثي المختلط في WRF (الإصدارات 3.9 أو أحدث) ، فيجب استخدام MCIPv5.0 مع CMAQv5.3. راجع الملحق E للحصول على ملاحظات حول تكوين WRF4.0 والإصدارات الأحدث للاستخدام مع CMAQv5.3.

    6.4 تكوينات العلوم

    يحتوي CCTM على العديد من التكوينات العلمية لمحاكاة النقل والكيمياء والترسب. يتم تعيين جميع خيارات التكوين العلمي في CCTM ، مثل الآلية الكيميائية التي سيتم استخدامها ، عند إنشاء الملف القابل للتنفيذ. تم تعيين نموذج الشبكة وهيكل الطبقة العمودية لـ CCTM عند التنفيذ. الفرق المهم بين اختيار التكوين العلمي وتكوين النموذج للشبكة / الطبقة هو أن CCTM لا تحتاج إلى إعادة تجميع عند تغيير شبكات / طبقات النموذج ولكنها تحتاج إلى إعادة تجميع عند استدعاء خيارات علمية جديدة. تصف الأقسام التالية كيف يمكن استخدام هذه الخيارات العلمية من خلال التكوين باستخدام البرامج النصية bldit_cctm.csh و run_cctm.csh. بالنسبة لبقية هذا الفصل ، ستتم الإشارة إلى هذه الملفات باسم BuildScript و RunScript ببساطة.

    في CCTM ، يتم تمثيل النقل ثلاثي الأبعاد بواسطة الرياح المتوسطة (أو التقاء) عدديًا عن طريق حل المعادلات ذات البعد الواحد محليًا للمكونين الأفقي والرأسي بالتتابع. يستخدم CMAQ طريقة القطع المكافئ الجزئي (PPM) (Colella and Woodward ، 1984) لتمثيل تأفق التتبع في كل من الاتجاهات الثلاثة. تعتمد هذه الخوارزمية على تعريف الشبكة الفرعية ذات الحجم المحدود للقياس القياسي المحدد. في PPM ، يتم وصف توزيع الشبكة الفرعية بواسطة القطع المكافئ في كل فاصل زمني للشبكة. PPM هو مخطط رتيب وإيجابي محدد. تحافظ المخططات الموجبة المحددة على علامة قيم الإدخال ، مما يعني في هذه الحالة أن التركيزات الإيجابية ستبقى إيجابية ولا يمكن أن تصبح سلبية.

    الاتساق الشامل هو السمة الرئيسية المرغوبة في تأفق التتبع. يتم الحفاظ على اتساق البيانات لمحاكاة جودة الهواء باستخدام بيانات الأرصاد الجوية المتسقة ديناميكيًا وديناميكيًا من WRF / MCIP. ومع ذلك ، يمكن أن تنشأ تناقضات الكتلة إما باستخدام تكوينات مختلفة للشبكة (أفقية أو رأسية) أو بسبب اختلاف مخططات التأفق العددي بين نموذج الأرصاد الجوية الدافعة و CCTM. في حين يمكن القضاء على التناقضات الناتجة عن الأول من خلال استخدام نفس تكوينات الشبكة (وبالتالي ، لا يوصى بانهيار الطبقة) ، لا يزال من الممكن أن تظل بعض التناقضات بسبب التمثيلات الرقمية المختلفة لتلبية معادلة استمرارية الكتلة بين نموذج الأرصاد الجوية الدافعة و CCTM. تظهر تناقضات الكتلة هذه كمصطلحات من الدرجة الأولى (يمكن أن يكون حجمها في كثير من الأحيان مشابهًا لأعمار التتبع إذا لم تكن الاستمرارية راضية عن الدقة العالية) والتي يمكن أن تنتج أو تدمر بشكل مصطنع الكتلة أثناء تأفق التتبع ثلاثي الأبعاد (على سبيل المثال ، ماثور وبيترز ، 1990).

    يحتوي CMAQ على خيارين يقللان من أخطاء الاتساق الكتلي في تأفق التتبع. في مخطط واحد (يسمى "local_cons" في BuildScript) ، تم تنفيذه لأول مرة في CMAQv4.5 وتم تحسينه لاحقًا لـ CMAQv4.7.1 ، ينصح CMAQ بكثافة الهواء وإعادة تشخيص مجال السرعة العمودية وفقًا لمعادلة استمرارية الكتلة طبقة تلو طبقة والذي يضمن أن CCTM تتطابق مع الكثافة المستمدة من مدخلات الأرصاد الجوية الدافعة (على سبيل المثال ، Odman and Russell ، 2000). باختصار ، يتم إجراء التأشير السيني والصادي أولاً (يتم عكس ترتيبهما في كل خطوة لتقليل أخطاء التعرج) لإنتاج حقول التتبع والكثافة الوسيطة. يخضع مجال الكثافة الوسيطة بعد ذلك إلى التأفق الرأسي مع مخطط PPM بحيث ينتج مجال الكثافة المشتق من WRF في نهاية الخطوة الزمنية للحدث. ينتج عن هذا المخطط مجال سرعة رأسية مقدرة يتم تعديله إلى الحد الأدنى بالنسبة للحقل المشتق من WRF في طبقات النموذج السفلية ولكنه ينتج عنه تأفق صارم متسق للكتلة في CMAQ. عيب هذا النهج هو أن الضوضاء الخاطئة في مجال السرعة العمودية المشخص تتراكم باتجاه الجزء العلوي من النموذج بسرعة غير صفرية وتدفق كتلة عبر الحد العلوي. تسبب الضوضاء في مجال السرعة الرأسية انتشارًا مفرطًا في الطبقات العليا. لذلك ، منذ CMAQv5.0 ، يتوفر مخطط يسمى "wrf_cons" ، والذي يتبع عن كثب حساب السرعة الرأسية في WRF. يحل هذا المخطط معادلة استمرارية الكتلة المتكاملة رأسياً بحيث يتم موازنة الاختلاف الكتلي الأفقي المتكامل للعمود من خلال صافي التغيير في كتلة العمود (Skamarock et al ، 2019). ميزة هذا المخطط هي أن السرعة العمودية التي تم تشخيصها تتفق بشكل وثيق مع مجال السرعة الرأسية WRF مع سرعة صفرية وتدفق كتلة عبر حد النموذج العلوي. وبالتالي ، يتم التخلص من ضوضاء السرعة الزائفة والانتشار المفرط في الطبقة العليا. العيب الرئيسي لهذا المخطط هو أن الحفاظ على الكتلة غير مضمون ، لذلك يجب تحديث الكثافة من مدخلات الأرصاد الجوية في كل خطوة زمنية.

    ال "WRF_CONS" الخيار هو التكوين الموصى به لـ CMAQv5.3.

    لاستدعاء خيار "WRF_CONS" في عرض ثلاثي الأبعاد ، قم بتعيين ما يلي في BuildScript ضمن قسم وحدات العلوم CCTM:

    لاستدعاء خيار "LOCAL_CONS" في عرض ثلاثي الأبعاد ، قم بتعيين ما يلي في BuildScript ضمن قسم وحدات العلوم CCTM:

    ملاحظة: يعد خيار local_cons امتدادًا قديمًا ويمكن أن يتسبب في نتائج غير متوقعة عند استخدامه.

    أدى الافتقار إلى قياسات الاضطرابات الكافية إلى الحد من تطوير معايير نموذجية قوية للانتشار المضطرب الأفقي ، وهي مشكلة تعتمد على المقياس والقرار. مع ظهور مخططات التأفق العددي الدقيقة للغاية المنتشرة والحاجة إلى نمذجة عالية الدقة ، هناك حاجة إلى خوارزميات الانتشار الأفقي لموازنة الانتشار العددي المتأصل في مخططات التأفق بالنسبة للانتشار الأفقي المادي في الغلاف الجوي. حاليًا في CMAQ ، يتم تحديد معلمات تدفقات الانتشار الأفقي للملوثات المنقولة باستخدام نظرية انتشار إيدي. تمت صياغة معاملات الانتشار الأفقي بدورها باستخدام نهج Smagorinsky (1963) الذي يفسر تشوه الرياح الأفقي المحلي ويتم أيضًا قياسه وفقًا لحجم الشبكة الأفقية.

    نموذج الانتشار العمودي في CMAQ هو نموذج الحمل الحراري غير المتماثل الإصدار 2 (ACM2) (Pleim 2007a ، b). إن ACM2 عبارة عن مخطط PBL مدمج محليًا وغير محلي يتم تنفيذه في CMAQ و WRF لنقل PBL المتسق للأرصاد الجوية والكيمياء. وبالتالي ، يوصى باستخدام خيار ACM2 في WRF أو MPAS أيضًا عند إعداد الأرصاد الجوية لـ CMAQ.

    يوجد خياران لطراز ACM2 في BuildScript متوافقان مع خيارات الترسيب الجاف M3Dry أو STAGE.

    عند تشغيل الترسيب الجاف m3dry:

    عند تشغيل مرحلة الترسيب الجاف:

    6.8 الترسيب الجاف / تبادل الهواء السطحي

    يمكن نمذجة تبادل الملوثات بين الغلاف الجوي وسطح الأرض على أنه تبادل أحادي الاتجاه ، يشار إليه عادةً بالترسيب الجاف ، أو التبادل ثنائي الاتجاه حيث يعتمد اتجاه التدفق على التركيز النسبي للملوثات في الغلاف الجوي والسطح (مثل التربة ، ثغور النبات). إذا كان التركيز في الغلاف الجوي أكبر من التركيز على السطح ، يحدث الترسب. إذا كان التركيز في الغلاف الجوي أقل من التركيز على السطح ، يحدث الانبعاث. يحتوي CMAQ على خوارزميات لنمذجة أي من هذه المواقف. يتم التحكم في معدل التبادل من خلال خصائص السطح مثل نوع الغطاء النباتي ، ومؤشر مساحة الورقة ، وخشونة السطح بالإضافة إلى تأثيرات الأرصاد الجوية مثل درجة الحرارة والإشعاع ورطوبة السطح التي يتم توفيرها لـ CMAQ من نموذج سطح الأرض (LSM) في قيادة نموذج الأرصاد الجوية.

    حاليًا ، تم تصميم معظم المواد الكيميائية الموجودة في CMAQ على أنها ترسب فقط. ومع ذلك ، يمكن أن ينبعث كل من الأمونيا والزئبق من السطح ويترسب ، وبالتالي يتم نمذجتهما على أنهما ثنائي الاتجاه. تُستمد تقديرات التربة وتركيزات تعويض الثغور اللازمة لحساب تدفق الأمونيا ثنائي الاتجاه في CMAQ من المدخلات المقدمة من نموذج النظام البيئي الزراعي للسياسة البيئية المتكاملة للمناخ (EPIC) الذي يتم تنفيذه باستخدام أداة سيناريو انبعاثات الأسمدة لـ CMAQ (FEST-C ، https://www.cmascenter.org/fest-c) (Ran et al.، 2011 Cooter et al.، 2012). يتم تحديد المعلومات الخاصة بالتركيزات السطحية للزئبق مبدئيًا باستخدام البيانات الجدولية الخاصة باستخدام الأراضي ثم نمذجة تراكم وتحويل وتجنب الزئبق في الوسائط السطحية (Bash 2010).

    يحتوي CMAQ v5.3 على خيارين لحساب الترسيب الجاف / التبادل السطحي اللذين تم استدعاؤهما في BuildScript على النحو التالي:

    يتم توفير تفاصيل كل وحدة في الأقسام أدناه.

    6.8.1 الترسيب الجاف - m3dry

    يعد خيار m3dry للترسيب الجاف وتدفق الأمونيا ثنائي الاتجاه السطحي في CMAQv5.3 هو التطور التالي لنموذج الترسيب الجاف الذي كان موجودًا في CMAQ منذ إطلاقه الأولي وكان يعتمد في الأصل على نموذج الترسيب الجاف الذي تم تطويره من أجل نموذج ترسيب الحمض والأكسدة (أدوم) (بلييم وآخرون ، 1984). يتم حساب الترسيب الجاف عن طريق قياس المقاومة الكهربائية حيث تكون تدرجات التركيز مماثلة للجهد ، ويكون التدفق مشابهًا للتيار ، ومقاومة الترسيب مماثلة للمقاومة الكهربائية (Pleim and Ran ، 2011). في m3dry ، من المتوقع توفير العديد من المقاومة الرئيسية ، مثل المقاومة الديناميكية الهوائية ومقاومة الثغور السائبة ، والمعلمات الأخرى ذات الصلة ، مثل LAI ، وجزء الغطاء النباتي ، وطول الخشونة ، وسرعة الاحتكاك ، وما إلى ذلك ، من مدخلات الأرصاد الجوية. يضمن استخدام عناصر ومعلمات النموذج المشتركة مع نموذج سطح الأرض في نموذج الأرصاد الجوية الاتساق بين التدفقات السطحية الكيميائية وتدفق سطح الأرصاد الجوية (الرطوبة والحرارة والزخم). بينما تم تصميم نموذج الترسيب الجاف m3dry ليتم استخدامه مع خيار PX LSM في WRF ، يمكن استخدام أي LSM إذا تم إخراج المعلمات الضرورية ثم توفيرها للإدخال في CMAQ. إنه يتميز بالنظر في أجزاء استخدام الأراضي للشبكة الفرعية من خلال تجميع معلمات النموذج الرئيسية ، مثل LAI وجزء الخضار وطول الخشونة والحد الأدنى من التوصيل الثغري ، إلى مستوى خلية الشبكة.

    تتضمن ترقيات الإصدار 5.3 مقاومة أكبر للسطح للترسيب للثلج والجليد وتقليل مقاومة الترسب لأرض جرداء للأوزون مع الاعتماد على محتوى رطوبة التربة السطحية. كما تم تنقيح ترسبات الهباء الجوي بما في ذلك اعتماد جديد على LAI. تم تعديل التدفق السطحي ثنائي الاتجاه للأمونيا من الأراضي الزراعية بشكل كبير من الإصدارات السابقة. النسخة الجديدة لها روابط وثيقة مع نموذج النظام البيئي الزراعي EPIC. القيم اليومية لجميع معلمات التربة اللازمة لحساب تركيزات الأمونيا المتاحة في التربة (محتوى الأمونيا في التربة ، ورطوبة التربة ، ومعايير نسيج التربة ، ودرجة الحموضة في التربة ، وقدرة التبادل الكاتيوني (CEC)) لكل نوع من أنواع الإنتاج الزراعي البالغ عددها 21 نوعًا إما بعلية أو مروية (إجمالي 42 نوعًا) يتم إدخالها إلى CMAQ. يتم الجمع بين تركيزات الأمونيا في التربة ودرجة الحموضة في التربة لاشتقاق تركيز تعويض التربة لحساب التدفق ثنائي الاتجاه (Pleim et al. ، 2019).

    في CMAQ v5.3. ، مخطط ترسيب جاف جديد مبلط ومخصص لاستخدام الأراضي ، الهباء المغطى بالبلاط والتبادل الغازي (STAGE) ، تم تطويره لتقدير ترسب الغلاف الجوي لصحة النظم البيئية الأرضية والمائية وتطبيقاتها لتقييم تأثير الترسيب الجاف على جودة الهواء المحيط. يدعم هذا المخطط الجديد صراحة عمليات محاكاة أبحاث الطقس والتنبؤ (WRF) مع مجموعة متنوعة من مخططات سطح الأرض (Noah ، Pleim-Xiu ، إلخ). إطار المقاومة النموذجي ، الشكل 6-1 ، يحدد معلمات التبادل الجوي السطحي كعملية متدرجة ويستخدم لكل من التبادل ثنائي الاتجاه والترسيب الجاف بعد نموذج المقاومة المستخدم على نطاق واسع لـ Nemitz et al. (2001). يتم تقدير تدفقات مقياس الشبكة من تدفقات محددة لاستخدام أرض خلية الشبكة الفرعية ويتم ترجيح المساحة لمجموع خلايا الشبكة التي يتم إخراجها بعد ذلك في ملف الترسيب الجاف القياسي مع القيم الإيجابية التي تشير إلى الترسب والقيم السلبية التي تشير إلى التهرب. تم تقدير مقاومات النموذج إلى حد كبير بعد Massad et al. (2010) مع الاستثناءات التالية. يعتبر الترسيب على الأسطح المبللة معامل السكن بالجملة ، بعد Fahey et al. (2017) ، ويمكن أن يكون عاملاً مقيدًا للمركبات عالية الذوبان. يتم اشتقاق المقاومة داخل المظلة باستخدام معلمات توهين زخم المظلة من Yi (2008). يتضمن الترسيب الجاف للهباء الجوي معلمات للترسيب في الماء أو أسطح الأرض المكشوفة (Giorgi 1986) ، والأسطح المزروعة (Slinn 1982) ، باستخدام معلمات نصف قطر الورقة المميزة لـ Zhang et al. (2001). يتبع خيار الأمونيا ثنائي الاتجاه معلمات الأمونيا المحددة لـ Massad et al. (2010). يتوفر أيضًا تبادل الزئبق ثنائي الاتجاه ويتبع معايير Bash (2010). في إطار النمذجة هذا ، من الممكن النظر في التبادل ثنائي الاتجاه لأي نوع من خلال توفير معلمة أو ثابت يحدد نقطة تعويض الثغور والجسم والتربة و / أو الماء كقيمة أكبر من 0.


    الشكل 6-1. مخطط مقاومة المرحلة (معدل من Nemitz et al. ، 2001) مع جدول أوصاف المتغيرات.

    خيارات STAGE في RunScript:

    يضبط الإخراج للترسيب الجاف المحدد لاستخدام الأرض وسرعات الترسيب الجافة. ملاحظة: لاسترداد متوسط ​​خلية الشبكة من هذه الملفات ، يجب أن يتم ترجيح المساحة حسب جزء استخدام الأرض عن طريق جمع ناتج جزء استخدام الأرض وسرعة الترسيب / الترسيب الجاف لكل خلية شبكية.

    يضبط الناتج عن استخدام الأرض للترسيب الجاف المحدد على ثغور الأوراق.

    يحدد الخصائص الهيدرولوجية الصحيحة للتربة ومعلومات طبقة التربة اللازمة لحساب انبعاثات NO للتربة ، NH3 تبادل ثنائي الاتجاه و O3 إيداع. تعتمد هذه الخيارات حاليًا على WRF 3.8.1 والقيم السابقة لـ PX و CLM و WRF 4.0 لـ NOAH. إذا تم تشغيل نموذج سطح الأرض مع جدول بحث آخر أو تحديد معلمات ، فسيتم تقييد رطوبة التربة بين التشبع ومحتوى الماء المتبقي من المعلمات في CMAQ. هذا هو الحال أيضًا بالنسبة لخيار ترسيب m3dry وانبعاثات NO من التربة وغبار الرياح.

    يقدم CMAQ انبعاثات الغازات النزرة والهباء الجوي من مجموعة متنوعة من المصادر المهمة (مثل مرافق توليد الكهرباء ، والمركبات ، والحرائق ، والأشجار ، والعواصف الترابية ، والمزارع ، وما إلى ذلك). يتم تطبيق بعض الانبعاثات في الطبقة السطحية لشبكة النموذج ، بينما يتم تطبيق البعض الآخر على ارتفاعات أعلى إذا كانت ، على سبيل المثال ، تنشأ من مصدر نقطة مثل كومة مرتفعة ، أو حريق غابة كبير. يمكن حساب العديد من المصادر المتعلقة بالأرصاد الجوية المحلية عبر الإنترنت في CMAQ. ومع ذلك ، تتم معالجة معظم المصادر ، وخاصة المصادر البشرية ، باستخدام برنامج مثل نظام Kerner Emissions المشغل المتفرقة (SMOKE). بمجرد احتساب هذه الأدوات الخارجية للانبعاثات دون اتصال ، يمكنها دمجها في ملفات مجمعة أكبر. نشير إلى الانبعاثات التي يتم حسابها عبر الإنترنت أو قراءتها في CMAQ من ملف على أنها "تدفقات" انبعاث.

    نظرًا لأن CMAQ يمثل كلاً من الملوثات الأولية والثانوية ، تتم معالجة الانبعاثات لمجموعة فرعية من الأنواع التي يعالجها CMAQ. يجب أن يكون الانتواع الكيميائي للانبعاثات متوافقًا مع الآلية الكيميائية المختارة لـ CMAQ (على سبيل المثال cb6r3_ae7_aq) لأن الآليات المختلفة تمثل مركبات كبيرة مثل الهيدروكربونات الوظيفية مع بدائل مختلفة. قدم CMAQv5.3 ميزات جديدة تجعل عملية رسم خرائط أنواع الانبعاثات لأنواع CMAQ أكثر شفافية ومرونة (انظر الملحق ب: التحكم في الانبعاثات باستخدام DESID). في الواقع ، يمكن للمستخدمين الآن تبديل وتعديل وزيادة الانبعاثات من جميع التدفقات المتاحة من أجل تكييف عمليات المحاكاة بشكل أفضل مع الأسئلة التي يطلبونها من CMAQ للمساعدة في الإجابة. للحصول على البرامج التعليمية التي تغطي مهامًا محددة ، يرجى الاطلاع على صفحة البرنامج التعليمي DESID.

    اعتمادًا على طبيعة أي تيار والمعلومات المستخدمة لتحديد كمية انبعاثاته ، يمكن معاملته كواحد من ثلاثة أنواع:

    سيحسب CMAQ معدلات الانبعاث من هذا المصدر باستخدام معلومات حول الأرصاد الجوية المحلية ، وخصائص الأرض ، وما إلى ذلك. التدفقات التي يمكن تشغيلها عبر الإنترنت في CMAQ هي: علم الوراثة الحيوية (BEIS) ، والغبار المنفوخ بالرياح ، ورذاذ البحر ، ورقم البرق.

    سيقرأ CMAQ معدلات الانبعاث من ملف الإدخال ، والذي يتم تنظيمه في مصفوفة مماثلة في شكلها لشبكة نموذج CMAQ. عادةً ، يتم تخزين هذه المعدلات في نقاط زمنية بالساعة ثم يتم إقحامها داخل CMAQ لكل خطوة زمنية. قد تكون هذه الملفات ثنائية الأبعاد لتمثيل انبعاثات الطبقة السطحية فقط أو قد تكون ثلاثية الأبعاد. إذا كان الملف ثلاثي الأبعاد ، فقد يحتوي الملف على نفس عدد الطبقات أو عدد أقل منها مثل شبكة CMAQ. تتضمن بعض الأمثلة الشائعة للانبعاثات الشبكية ما يلي:

    • المصادر المتنقلة مثل سيارات الركاب والقطارات والسفن والدراجات البخارية وما إلى ذلك.
    • انبعاثات مصادر نقطية منخفضة المستوى ليست كبيرة بما يكفي لمعالجتها بشكل فردي
    • تدفئة سكنية
    • استخدام المنتجات الاستهلاكية (مثل المواد اللاصقة ومنتجات العناية الشخصية ومبيدات الآفات وما إلى ذلك)
    • الزراعة (مثل الحرق ، الغبار ، فضلات الحيوانات ، إلخ.)
    • غبار الطرق والإنشاءات والآثار الميكانيكية
    • المركبات العضوية المتطايرة الحيوية (إذا لم يتم حسابها عبر الإنترنت باستخدام BEIS)

    يضيف المستخدمون انبعاثات شبكية إلى محاكاة عبر RunScript. أولاً ، يجب تعيين المتغير N_EMIS_GR على عدد التدفقات الشبكية المراد استخدامها:

    يجب أن يحدد RunScript أيضًا موقع ملفات الإدخال باستخدام لاحقات مكونة من ثلاثة أرقام لرقم التدفق:

    تسمية الاسم المختصر التي سيتم استخدامها للإشارة إلى التدفق في ملفات السجل:

    وإذا كان الدفق يحتوي على بيانات بطريقة يومية تمثيلية (أي بيانات من عام 2016 ربما تستخدم لنمذجة الانبعاثات في عام 2019 لأن النمط النهاري ربما يكون هو نفسه لهذا التيار):

    ملاحظة: إذا لم يتم تعيين GR_EM_SYM_DATE_XXX ، فإن القيمة الافتراضية لهذا المتغير هي false. ومع ذلك ، يمكن تغيير هذه القيمة الافتراضية باستخدام متغير البيئة EM_SYM_DATE مثل:

    يجب على المستخدمين توخي الحذر مع هذا المتغير ، لأنه يغير القيمة الافتراضية لجميع التدفقات الشبكية. إذا كان كل من EM_SYM_DATE و GR_EM_SYM_DATE_XXX موجودين ، فإن GR_EM_SYM_DATE_XXX تكون سابقة لهذا التدفق الفردي. مثال: إذا كانت GR_EM_SYM_DATE_001 تساوي F و EM_SYM_DATE تساوي T ، سترى وحدة الانبعاثات أن التيار 001 ليس نوع بيانات رمزي ، ومع ذلك ، فإن التيار 002 ، إذا لم يتم تعيينه ، سيشير إلى أن التيار 002 من نوع بيانات متماثل.

    إذا تم تعيين N_EMIS_GR على 0 ، فسيتم تشغيل CMAQ بدون انبعاثات مشبكة حتى إذا تم تعيين قيم GR_EMIS_XXX و GR_EMIS_LAB_XXX كلها.

    بالنسبة لهذه التدفقات ، يتم توفير معدلات البث وخصائص المداخن للعديد من المصادر الفردية في نفس الملف. يستخدم CMAQ معلومات المكدس لحساب الكميات المهمة عبر الإنترنت مثل ارتفاع الحقن الذي يتأثر بالأرصاد الجوية المحلية. يتم إعطاء زوج محدد من خطوط الطول / العرض لكل مصدر لتحديد موقعه في شبكة CMAQ. يتم تجاهل المصادر خارج مجال شبكة CMAQ بواسطة CMAQ وبالتالي يمكن استخدام نفس الملفات لمجال كبير وعش داخل هذا المجال. تتضمن بعض الأمثلة الشائعة للانبعاثات المضمنة ما يلي:

    • المداخن (وحدات توليد الكهرباء ، المصادر الصناعية ، التصنيع ، إلخ.)
    • حرائق الغابات
    • أحداث حريق كبيرة موصوفة

    يضيف المستخدمون انبعاثات مضمنة إلى محاكاة عبر RunScript. أولاً ، يجب تعيين المتغير N_EMIS_PT على عدد عمليات البث المباشر المراد استخدامها:

    يجب أن يحدد RunScript أيضًا موقع ملفات الإدخال باستخدام لاحقات مكونة من ثلاثة أرقام لرقم التدفق:

    موقع "ملف المكدس" مع معلومات ثابتة حول خصائص كل مصدر في الدفق:

    تسمية الاسم المختصر التي سيتم استخدامها للإشارة إلى التدفق في ملفات السجل:

    وإذا كان الدفق يحتوي على بيانات بطريقة يومية تمثيلية (أي بيانات من عام 2016 ربما تستخدم لنمذجة الانبعاثات في عام 2019 لأن النمط النهاري ربما يكون هو نفسه لهذا التيار):

    ملاحظة: إذا لم يتم تعيين STK_EM_SYM_DATE_XXX ، فإن القيمة الافتراضية لهذا المتغير هي false. ومع ذلك ، يمكن تغيير هذه القيمة الافتراضية باستخدام متغير البيئة EM_SYM_DATE مثل:

    يجب على المستخدمين توخي الحذر مع هذا المتغير ، لأنه يغير القيمة الافتراضية لجميع تدفقات المكدس. في حالة وجود كل من EM_SYM_DATE و STK_EM_SYM_DATE_XXX ، يكون STK_EM_SYM_DATE_XXX سابقة لهذا التدفق الفردي. مثال: إذا كانت STK_EM_SYM_DATE_001 تساوي F و EM_SYM_DATE تساوي T ، سترى وحدة الانبعاثات أن التيار 001 ليس نوع بيانات رمزي ، ومع ذلك ، فإن التيار 002 ، إذا لم يتم تعيينه ، سيشير إلى أن التيار 002 من نوع بيانات متماثل.

    إذا تم تعيين N_EMIS_PT على 0 ، فسيتم تشغيل CMAQ بدون انبعاثات مضمنة حتى إذا تم تعيين قيم STK_EMIS_XXX و STK_GRPS_XXX و STK_EMIS_LAB_XXX كلها.

    بلوم رايز - يمكن حساب ارتفاع عمود الدوران داخل CMAQ باستخدام حل Briggs كما تم تنفيذه في SMOKE وموثق في دليل مستخدم SMOKE (https://www.cmascenter.org/smoke/documentation/4.6/html/ch06s03.html). يلزم أن تتم معالجة ملفات الانبعاث لتتضمن معاملات المكدس الضرورية (مثل سرعة الخروج ، والقطر ، ودرجة حرارة غاز المداخن ، وارتفاع المكدس ، وما إلى ذلك).

    6.9.2 تيارات الانبعاث عبر الإنترنت

    لحساب الانبعاثات الحيوية عبر الإنترنت ، يستخدم CMAQ نظام جرد الانبعاثات الحيوية (BEIS). يحسب BEIS الانبعاثات الناتجة عن النشاط البيولوجي من الأنواع النباتية البرية وكذلك انبعاثات أكسيد النيتريك الناتجة عن النشاط الميكروبي من أنواع معينة من التربة.

    يعتمد هذا النموذج الحيوي على نفس النموذج المتضمن في SMOKE. قبل استخدام إصدار CMAQ عبر الإنترنت من BEIS ، يجب على مستخدمي BEIS تأكيد أن الانبعاثات الحيوية لم يتم تضمينها بالفعل في ملفات الانبعاثات الخاصة بهم من SMOKE لتجنب ازدواج حساب الانبعاثات الحيوية. يمكن العثور على وثائق المستخدم الخاصة بـ BEIS في الفصل 6.17 من دليل SMOKE.

    يتم التحكم في انتواع الانبعاثات الحيوية عن طريق gspro_biogenics.txt بموجب CCTM / src / biog / beis.

    يتم التحكم في تشغيل CMAQ باستخدام علم الأحياء عبر الإنترنت من خلال علامة RunScript التالية:

    يتطلب تشغيل CMAQ بالانبعاثات الحيوية عبر الإنترنت وجود ملف netCDF ، B3GRD مزود بمدخلات الانبعاثات البيولوجية المقيسة من قبل المستخدم. تم إنشاء هذا الملف باستخدام برنامج normbeis3 في SMOKE قبل تشغيل الخيار الحيوي المضمن في CMAQ ويحتوي على انبعاثات طبيعية في الشتاء والصيف ومؤشرات منطقة الأوراق. تم تعيين موقع ملف B3GRD في RunScript:

    بالنسبة لعمليات المحاكاة القصيرة التي تمتد لأشهر الصيف فقط ، اضبط علامة SUMMER_YN على Y و BIOSW_YN مسطحًا إلى N في RunScript بحيث يتم حساب الانبعاثات الحيوية باستخدام عوامل الصيف في جميع أنحاء المجال بأكمله.

    بالنسبة إلى عمليات المحاكاة التي تمتد لأشهر الشتاء فقط ، اضبط علامة SUMMER_YN على N بحيث يتم حساب الانبعاثات الحيوية باستخدام عوامل الشتاء في جميع أنحاء النطاق بأكمله.

    لمحاكاة الربيع أو الخريف ، أو المحاكاة التي تغطي مواسم متعددة ، يجب على المستخدم تعيين BIOSW_YN إلى Y وتوفير ملف BIOSEASON لتمكين مزيج مناسب من قيم انبعاث الشتاء والصيف عبر المجال وفترة المحاكاة. يتم إنشاء ملف BIOSEASON باستخدام برنامج metscan في SMOKE باستخدام بيانات MCIP لمجال النمذجة قبل تشغيل الخيار الحيوي المضمن في CMAQ. يوفر قيمًا شبكية يومية لمتغير مؤشر مشتق من حقول درجة حرارة MCIP لتحديد ما إذا كان يجب استخدام قيم الانبعاث الحيوي في فصل الشتاء أو الصيف لخلية شبكة معينة ويوم. لاستخدام ملف BIOSEASON ، قم بتعيين متغيري البيئة التاليين في RunScript:

    بالإضافة إلى ذلك ، عند استخدام الخيار الحيوي المضمن ، يجب على المستخدم الإشارة إلى ملف SOILOUT من محاكاة يوم واحد كملف SOILINP لليوم التالي. يجب أن يقرر المستخدم أيضًا ما إذا كان يريد الكتابة فوق ملفات SOILOUT من الأيام السابقة أو إنشاء ملف SOILOUT باسم فريد لكل يوم. يوصى باستخدام النهج الأخير إذا كان المستخدم يرغب في الاحتفاظ بالقدرة على إعادة تشغيل عمليات المحاكاة في منتصف سلسلة من عمليات المحاكاة.

    المتغير INITIAL_RUN في RunScript إلى Y إذا كانت هذه هي المرة الأولى التي يتم فيها حساب انبعاثات NO ذات المنشأ الحيوي للتربة. إذا كان هناك ملف تم إنشاؤه مسبقًا ، فاضبط على N. عند تعيين INITIAL_RUN على N ، يجب تعيين مسار الدليل واسم الملف لملف انبعاثات التربة NO الحيوي المنشأ في RunScript:

    تعتمد الكمية الفعلية للغبار المنبعث من سطح جاف على سرعة الرياح وخشونة السطح ومحتوى رطوبة التربة وتغطية الغطاء النباتي ونوع التربة وملمسها وكثافة الهواء. الآلية الرئيسية وراء العواصف الترابية القوية تسمى "القصف الملحي" أو "السفع الرملي". تتضمن فيزياء الملوحة حركة جزيئات الرمل بسبب الرياح ، وتأثير هذه الجزيئات على السطح الذي يزيل جزءًا من حجم التربة ، وإطلاق جزيئات الغبار الأصغر. يحسب CMAQ أولاً سرعة الاحتكاك على سطح الأرض. بمجرد أن تتجاوز سرعة الاحتكاك قيمة العتبة ، أو الميل ، أو الحركة الأفقية ، يتم الحصول على التدفق. أخيرًا ، يتم حساب التدفق الرأسي للغبار بناءً على صيغة كفاءة السفع الرملي - نسبة تدفق الغبار الرأسي إلى الأفقي.

    يستخدم CMAQ تغطية نباتية متغيرة بمرور الوقت ورطوبة التربة وسرعة الرياح من نموذج الأرصاد الجوية ، WRF. يمكن أن تختلف تغطية الغطاء النباتي في WRF اعتمادًا على التكوين. في WRFv4.1 + ، تم تعديل نموذج سطح الأرض Pleim-Xiu (PX LSM) لتوفير جزء نباتي CMAQ (VEGF_PX في WRF أعيد تسميته VEG في MCIP) من طريقة البحث عن جدول ترجيح استخدام الأراضي الجزئي القديم (pxlsm_modis_veg = 0) ، أو خيار جديد حيث يتم قراءة جزء الغطاء النباتي مباشرة من تغطية الغطاء النباتي المستمدة من MODIS الشهرية (pxlsm_modis_veg = 1) الموجودة في ملف (ملفات) wrflowinp_d0 *. تم ذلك لأنه في السنوات الأخيرة قدم WRF دقة عالية

    1 كم تغطية نباتية شهرية أكثر دقة من الجداول. التحديثات متوافقة مع الإصدارات الأقدم مع الإصدار الأقدم من MCIP أو WRF طالما أن VEG و VEGF_PX / VEGFRA موجودة في تلك الملفات. إذا استخدم المستخدمون نموذجًا مختلفًا لسطح الأرض مثل NOAH LSM ، فستقوم MCIP بتعيين قيم VEGFRA في WRF إلى VEG لـ CMAQ وستعمل وحدة الغبار بنفس الطريقة. يوفر استخدام بيانات MODIS في WRF عبر خيار الغطاء النباتي PX الجديد نموذج الغبار تمثيلًا أكثر دقة للنباتات في المناطق التي يحدث فيها غبار الرياح.

    تستخدم وحدة الغبار CMAQ بشكل اختياري معلومات إضافية عن استخدام الأراضي بخلاف معلومات استخدام الأراضي الواردة في ملفات MCIP. تتوفر معلومات استخدام الأراضي الإضافية الاختيارية بشكل عام لنطاقات أمريكا الشمالية فقط ويتم توفيرها من خلال تحديد ملفين إضافيين (DUST_LU_1 و DUST_LU_2) لبيانات الإدخال. راجع الفصل 4 للحصول على مزيد من المعلومات حول ملفات الإدخال الاختيارية هذه. في حالة عدم توفر ملفات الإدخال الإضافية الاختيارية هذه (على سبيل المثال لمجال نمذجة نصف الكرة الأرضية) ، يمكن أن تعمل وحدة الغبار التي تهب بالرياح فقط مع معلومات استخدام الأراضي الموجودة في ملفات MCIP. انظر الملحق أ لمزيد من المعلومات حول كيفية تحديد معلومات استخدام الأراضي لوحدة الغبار التي تهب فيها الرياح.

    يتم التحكم في وحدة الغبار المنفوخة بالرياح CMAQ بواسطة علامة RunScript التالية:

    لاحظ أنه إذا تم تعيين هذه العلامة على N للإشارة إلى عدم وجود انبعاثات غبار من الرياح ، فيجب على المستخدمين ضبط متغير CTM_EMISCHK في RunScript على FALSE لتجنب تعطل CMAQ عندما لا يتمكن من العثور على الأنواع التي يبحث عنها من انبعاثات الغبار.

    بدلاً من ذلك ، يمكن للمستخدمين أيضًا تحرير ملف التحكم في الانبعاثات من خلال التعليق على الأنواع الخشنة والناعمة المتوقعة لوحدة الغبار المنفوخة بالرياح. تنبعث الأنواع التالية من وحدة الغبار ويمكن الرجوع إليها في ملف التحكم في الانبعاثات الجدول 6-1:

    الجدول 6-1. أنواع الهباء الجوي التي تنبأت بها وحدة الغبار المنفوخة بالرياح

    الاسم البديل للغبار أنواع CMAQ الافتراضية وصف
    PMFINE_SO4 ASO4 الوضع الدقيق للكبريتات
    PMCOARSE_SO4 ASO4 وضع خشن كبريتات
    PMFINE_NO3 ANO3 نترات الوضع الدقيق
    PMCOARSE_NO3 ANO3 نترات الوضع الخشن
    PMFINE_CL ACL وضع الكلور الدقيق
    PMCOARSE_CL ACL الكلور الخشن
    PMFINE_NH4 ANH4 الأمونيوم الدقيق
    PMFINE_NA ANA دقيق الصوديوم
    PMFINE_CA ACA الوضع الدقيق للكالسيوم
    PMFINE_MG AMG وضع دقيق المغنيسيوم
    PMFINE_K AK وضع دقيق البوتاسيوم
    PMFINE_POC APOC دقيق الكربون العضوي الوضع
    PMFINE_PNCOM APNCOM المواد العضوية غير الكربونية ذات الوضع الدقيق
    PMFINE_LVPO1 ألفبو 1 وضع دقيق منخفض التطاير الهيدروكربوني مثل الزراعة العضوية
    PMFINE_LVOO1 ألفو 1 الوضع الدقيق منخفض التقلب المؤكسج OA
    PMFINE_EC AEC وضع دقيق أسود أو الكربون الأولي
    PMFINE_FE AFE مكواة دقيقة
    PMFINE_AL AAL الألمنيوم الدقيق
    PMFINE_SI عاصي الوضع الدقيق للسيليكون
    PMFINE_TI ATI غرامة وضع التيتانيوم
    PMFINE_MN AMN المنغنيز الناعم
    PMFINE_H2O AH2O وضع دقيق للمياه
    PMCOARSE_H2O AH2O الماء الخشن
    PMFINE_OTHR AOTHR غرامة الوضع أخرى
    PMCOARSE_SOIL ASOIL غبار غير أنيون في الوضع الخشن
    PMFINE_MN_HAPS AMN_HAPS سموم الهواء الدقيقة المنغنيز
    PMCOARSE_MN_HAPS AMN_HAPS المنغنيز
    PMFINE_NI العاني وضع دقيق النيكل
    PMCOARSE_NI العاني وضع خشن نيكل
    PMFINE_CR_III ACR_III وضع دقيق الكروم ثلاثي التكافؤ
    PMCOARSE_CR_III ACR_III الكروم ثلاثي التكافؤ في الوضع الخشن
    PMFINE_AS AAS وضع دقيق للزرنيخ
    PMCOARSE_AS AAS الزرنيخ الخشن
    PMFINE_PB APB الرصاص في الوضع الدقيق
    PMCOARSE_PB APB الرصاص الخشن
    PMFINE_CD ACD وضع جيد للكادميوم
    PMCOARSE_CD ACD الكادميوم الخشن
    PMFINE_PHG APHG وضع دقيق عطارد
    PMCOARSE_PHG APHG وضع خشن عطارد

    نظرًا لأن جزيئات رذاذ البحر تنبعث أثناء تكسر الأمواج وانفجار الفقاعات على سطح المحيط ، فإن العامل الرئيسي الذي يؤثر على معدل الانبعاث هو سرعة الرياح. تؤثر درجة حرارة المحيط أيضًا على انفجار الفقاعات ومعدل الانبعاث اللاحق لجزيئات رذاذ البحر. تم تحسين تكسير الموجة بالقرب من منطقة الأمواج في الخارج مباشرة ، وحساب CMAQ ذلك عن طريق زيادة معدلات انبعاث جزيئات رذاذ البحر في منطقة الأمواج.

    معدل انبعاث جزيئات رذاذ المحيطات المفتوحة الحالية في CMAQ ، كما هو موصوف في Gantt et al. (2015) ، على أساس Gong (2003) مع اعتماد على درجة الحرارة مشتق من Jaeglé et al. (2011) و Ovadnevaite et al. (2014) وتعديل Θ من 30 إلى ثمانية لمراعاة انبعاثات وضع التراكم الأعلى. معدل انبعاث جزيئات رذاذ البحر الحالية لمنطقة الأمواج في CMAQ كما هو موصوف في Gantt et al. (2015) على أساس Kelly et al. (2010) مع تخفيض عرض منطقة الأمواج المفترض من 50 إلى 25 مترًا. يتم التحكم في وحدة انبعاثات رذاذ البحر CMAQ بواسطة علامة RunScript التالية:

    يتم التحكم في أنواع انبعاثات رذاذ البحر بواسطة AERO_DATA.F بموجب CCTM / src / aero. لاحظ أن CMAQ الذي يستخدم الإصدار 6 من Carbon Bond 6 r3 مع DMS وكيمياء الهالوجين البحرية (cb6r3m_ae7_kmtbr) يعدل بشكل طفيف مواصفات انبعاثات Sea Spray عن طريق تضمين البروميد من انبعاثات Sea Spray.

    لاحظ أنه إذا تم تعيين علامة CTM_OCEAN_CHEM على N للإشارة إلى انبعاثات رذاذ البحر الصفرية ، فيجب على المستخدمين تعيين متغير CTM_EMISCHK في RunScript إلى FALSE لتجنب تعطل CMAQ عندما لا يتمكن من العثور على الأنواع التي يبحث عنها من رذاذ البحر.

    بدلاً من ذلك ، يمكن للمستخدمين أيضًا تحرير ملف التحكم في الانبعاثات من خلال التعليق على الأنواع الخشنة والرائعة المتوقعة لوحدة الرش البحري. تنبعث الأنواع التالية من وحدة الغبار ويمكن الإشارة إليها في ملف التحكم في الانبعاثات الجدول 6-2:

    الجدول 6-2. أنواع الهباء الجوي التي تنبأت بها وحدة بخاخ البحر

    الاسم البديل لرذاذ البحر أنواع CMAQ الافتراضية وصف
    PMFINE_SO4 ASO4 الوضع الدقيق للكبريتات
    PMCOARSE_SO4 ASO4 وضع خشن كبريتات
    PMFINE_CL ACL وضع الكلور الدقيق
    PMCOARSE_CL ACL الكلور الخشن
    PMFINE_NA ANA دقيق الصوديوم
    PMFINE_CA ACA الوضع الدقيق للكالسيوم
    PMFINE_MG AMG وضع دقيق المغنيسيوم
    PMFINE_K AK وضع دقيق البوتاسيوم
    PMCOARSE_SEACAT ASEACAT كاتيونات بخاخ البحر ذات الوضع الخشن
    PMFINE_CR_VI ACR_VI وضع دقيق الكروم سداسي التكافؤ
    PMFINE_NI العاني وضع دقيق النيكل
    PMCOARSE_NI العاني وضع خشن نيكل
    PMFINE_AS AAS وضع دقيق للزرنيخ
    PMCOARSE_AS AAS الزرنيخ الخشن
    PMFINE_BE آبي دقيق البريليوم
    PMCOARSE_BE آبي البريليوم الخشن
    PMFINE_PHG APHG وضع دقيق عطارد
    PMCOARSE_PHG APHG وضع خشن عطارد
    PMFINE_PB APB الرصاص في الوضع الدقيق
    PMCOARSE_PB APB الرصاص الخشن
    PMFINE_CD ACD وضع جيد للكادميوم
    PMCOARSE_CD ACD الكادميوم الخشن
    PMFINE_MN_HAPS AMN_HAPS المنغنيز الدقيق (سام للهواء)
    PMCOARSE_MN_HAPS AMN_HAPS المنغنيز الخشن (سام للهواء)
    PMFINE_BR ABR البروم الدقيق
    PMCOARSE_BR ABR البروم الخشن
    PMFINE_H2O AH2O وضع دقيق للمياه
    PMCOARSE_H2O AH2O الماء الخشن

    في التطبيقات بأثر رجعي عبر الولايات المتحدة القارية ، يمكن استخدام بيانات البرق الوطنية للشبكة الوطنية للكشف عن الصواعق (NLDN) مباشرة لتوليد NO الناتج عن البرق في CMAQ. بالنسبة للتنبؤات في الوقت الفعلي أو التطبيقات الأخرى التي لا تتوفر فيها بيانات البرق ، يتم إنتاج البرق NO بناءً على العلاقات الإحصائية مع معدل هطول الأمطار بالحمل الحراري (Kang et al. ، 2019).

    هناك ثلاثة خيارات لتضمين NO من الإضاءة. تتطلب جميع الخيارات الثلاثة تعيين علامة CTM_LTNG_NO على Y في RunScript.

    الخيار 1 - غير متصل - يوفر المستخدم ملفًا لانبعاثات Lightning NO على الشبكة محسوبًا بمعالج مسبق خارجي لمستودع CMAQ

    بالنسبة لهذا الخيار ، اضبط متغير البيئة LTNGNO في RunScript على موقع ملف netCDF الشبكي للانبعاثات NO:

    الخيار 2 - Inline NO مع بيانات NLDN - يستخدم المستخدم ملف netCDF الخاص بضربات البرق NLDN كل ساعة.

    يمكن شراء بيانات صاعقة NLDN كل ساعة. بالإضافة إلى ملف netCDF لضربة البرق كل ساعة ، يتطلب هذا الخيار ملف netCDF لمعلمات البرق. يحتوي هذا الملف على نسب الفلاش البينية إلى السحابة إلى الأرض ، وهي عوامل القياس لحساب الومضات باستخدام معدل الترسيب بالحمل الحراري ، وأقنعة اليابسة للمحيطات ، ومولات NO لكل ومضة (سحابة إلى الأرض وسحابة داخلية). يمكن تنزيل ملف معلمات البرق لنطاق فوق الولايات المتحدة القارية بدقة أفقية 12 كم (12US1) من مستودع بيانات CMAS. يمكن إعادة إنشاء هذا الملف لدعم المجالات الأخرى داخل الولايات المتحدة القارية.

    بالنسبة لهذا الخيار ، اضبط متغيرات البيئة التالية في RunScript:

    الخيار 3 - Inline NO بدون بيانات NLDN - يتم حساب lightning NO داخل CCTM بناءً على العلاقات الإحصائية مع معدل هطول الأمطار بالحمل الحراري.

    يتطلب هذا الخيار أيضًا ملف netCDF لمعلمات البرق الذي يحتوي على معلمات الانحدار الخطي لتوليد رقم البرق. يمكن تنزيل ملف معلمات البرق للولايات المتحدة القارية بدقة أفقية 12 كم من مستودع بيانات CMAS. يمكن إعادة إنشاء هذا الملف لدعم المجالات الأخرى داخل الولايات المتحدة القارية.

    بالنسبة لهذا الخيار ، اضبط متغيرات البيئة التالية في RunScript:

    6.9.3 التوافق مع الانبعاثات لـ CMAQv5.3 +

    تمت إضافة SOA الاحتراق المحتمل (PCSOA) إلى CMAQv5.2 لحساب PM2.5 المفقود من مصادر احتراق الوقود الأحفوري (Murphy et al. ، 2017). لا يُقصد باستخدام PCSOA في مصادر احتراق الوقود غير الأحفوري مثل احتراق الأخشاب المنزلي (RWC). يقدم خيار DECID الجديد الذي تم تقديمه في CMAQv5.3 القدرة على قراءة ملفات انبعاثات الشبكة المتعددة ، مما يسمح بمعالجة RWC كمصدر انبعاثات منفصل تمامًا عن بقية الانبعاثات الشبكية. باستخدام DECID ، يمكن تطبيق PCSOA على مصادر الاحتراق الشبكية الأخرى ، ولكن ليس RWC.

    انتقل إلى ملحق DESID للحصول على مقدمة حول استخدام قائمة أسماء التحكم في الانبعاثات لتخصيص معالجة الانبعاثات.

    انتقل إلى البرنامج التعليمي DESID للحصول على إرشادات خطوة بخطوة حول إجراء بعض التلاعب الأساسي في تدفقات الانبعاث.

    يتم فصل α-Pinene عن monoterpenes الأخرى

    في حالة استخدام آلية كيميائية CB6r3 ووحدة الهباء الجوي AERO7 (cb6r3_ae7) مع انبعاثات بيولوجية غير متصلة بالإنترنت ، يجب فصل α-pinene عن جميع monoterpenes الأخرى. هذا سيمنع المبالغة في تقدير PM2.5 SOA حيث يجب ألا تجعل α-pinene SOA من خلال تفاعل جذري للنترات. يمكن للمستخدمين استخدام ملفات الانبعاث الحيوي المنشأ التي تم إنشاؤها لإصدارات النماذج القديمة عن طريق تحديث ملف التحكم في الانبعاثات لفصل α-pinene. لا يلزم اتخاذ أي إجراء لوحدة الهباء الجوي AERO6 (أي آلية) ، أو علم الوراثة الحيوية المضمنة (أي آلية ، أو أي وحدة هباء) ، أو aero7 مع آليات SAPRC. راجع ملاحظات إصدار نظرة عامة على AERO7 لمزيد من التفاصيل.

    6.10.1 الآليات الكيميائية لمرحلة الغاز

    يمثل نظام نمذجة CMAQ الكيمياء على ثلاث مراحل: غاز ، وجسيم (صلب أو سائل) ، ومرحلة السحب المائية. ارجع إلى ملاحظات الإصدار للعثور على آليات كيمياء الطور الغازي المتوفرة في كل إصدار من CMAQ. يتم توزيع العديد من الاختلافات في آليات الطور الغازي الأساسي ، مع وبدون الكلور والزئبق وكيمياء الأنواع السامة ، باستخدام CMAQ. تتيح نمطية CMAQ إمكانية إنشاء أو تعديل آلية المرحلة الغازية الكيميائية.

    يتم تعريف الآليات الكيميائية ذات الطور الغازي في CMAQ بناءً على ملفات مصدر Fortran. تقع هذه الملفات في الدلائل الفرعية الخاصة بدليل CCTM / src / MECHS (كل منها مطابق لاسم الآلية) ، وتحدد المصدر ومعلمات التفاعل والعمليات الجوية (مثل الانتشار ، والترسيب ، والتقدم) لأنواع الآليات المختلفة. يتم تضمين تعريفات الأنواع لكل آلية في ملفات قائمة الأسماء التي يتم قراءتها أثناء تنفيذ برامج CMAQ. يشبه تكوين آلية CMAQ تكوين الوحدة العلمية أكثر من تكوين الشبكة الأفقية أو تكوين الطبقة العمودية حيث يتم تحديد الآلية في وقت الإنشاء ، مما ينتج عنه ملفات تنفيذية متصلة بآلية طور غاز معينة. لتغيير الآليات الكيميائية بين عمليات المحاكاة ، يجب تجميع ملف تنفيذي جديد يتضمن تكوين الآلية المطلوبة.

    استخدام آليات كيميائية محددة مسبقًا

    لتحديد تكوين آلية محدد مسبقًا في CMAQ ، قم بتعيين ملف آلية متغير في BuildScript إلى أحد أسماء الآليات المدرجة في الجدول 6-3.

    الرجوع إلى README.md تحت CCTM / src / MECHS للحصول على ردود فعل معلومات مفصلة وعلى أسماء الأنواع النموذجية لكل آلية.

    يمكن العثور على الآليات الكيميائية المتاحة مع CMAQv5.3 في الجدول 6-3. تتوفر آليات كيمياء الغلاف الجوي ذات التعقيد المتفاوت لدعم التطبيقات المتنوعة عبر المقاييس واستكشاف الامتدادات للمشاكل والملوثات الناشئة.

    الجدول 6-3. الآليات الكيميائية المتاحة مع CMAQv5.3

    اسم الآلية تعليق
    cb6r3_ae7_aq Carbon Bond 6 الإصدار r3 مع معالجة aero7 من SOA المعدة لكيمياء السحابة القياسية
    cb6r3_ae7_aqkmt2 تم إعداد Carbon Bond 6 ، الإصدار r3 مع معالجة aero7 من SOA للإصدار 2 من كيمياء السحابة العضوية الموسعة
    cb6r3m_ae7_kmtbr إصدار Carbon Bond 6 r3 مع معالجة aero7 لـ SOA و DMS وإعداد كيمياء الهالوجين البحرية لتوسيع كيمياء السحابة العضوية والهالوجين
    cb6r3_ae6_aq تم إعداد Carbon Bond 6 ، الإصدار r3 مع معالجة aero6 لـ SOA باستخدام كيمياء السحابة القياسية
    cb6mp_ae6_aq تم إعداد Carbon Bond 6 الإصدار r3 مع المواد السامة للهواء ومعالجة aero6 للخدمية SOA في كيمياء السحابة القياسية
    racm2_ae6_aq الإصدار 2 من آلية كيمياء الغلاف الجوي الإقليمية مع معالجة aero6 للـ SOA مع كيمياء سحابية قياسية
    saprc07tic_ae7i_aq مركز أبحاث تلوث الهواء بالولاية ، الإصدار 07tc مع كيمياء الأيزوبرين الممتدة ومعالجة aero7i لل SOA المعدة مع كيمياء السحابة القياسية
    قسم غير مصنف في الرياض مركز أبحاث تلوث الهواء بالولاية ، الإصدار 07tc مع كيمياء الأيزوبرين الممتدة ومعالجة aero7i لـ SOA لتوسيع كيمياء السحابة العضوية ، الإصدار 2
    saprc07tic_ae6i_aq مركز أبحاث تلوث الهواء بالولاية ، الإصدار 07tc مع كيمياء الأيزوبرين الممتدة والمعالجة الهوائية لـ SOA المعدة لكيمياء السحابة القياسية
    saprc07tic_ae6i_aqkmti مركز أبحاث تلوث الهواء بالولاية ، الإصدار 07tc مع كيمياء الأيزوبرين الممتدة ومعالجة aero6i لـ SOA لتوسيع كيمياء السحابة العضوية للأيزوبرين
    saprc07tc_ae6_aq إصدار مركز أبحاث تلوث الهواء بالولاية ، الإصدار 07tc مع معالجة aero6 للـ SOA مع كيمياء سحابية قياسية

    لحل الكيمياء الضوئية ، يستخدم النموذج إحدى الطرق أو المذيبات العددية الثلاثة. وهي تختلف من حيث الدقة والتعميم والكفاءة الحسابية ، أي أوقات تشغيل النموذج. تشمل الخيارات حلال Euler Backward Iterative (EBI) (Hertel et al. ، 1993) ، و Rosenbrock (ROS3) solver (Sandu et al. ، 1997) ، و Sparse Matrix Vectorized GEAR (SMVGEAR) solver (Jacobson and Turco ، 1994). حل EBI هو الأسلوب الافتراضي لأنه الأسرع ولكنه أقل دقة ويجب أن يكون كذلك تناسب لكل آلية. يحدد BuildScript أي برنامج حل EBI يجب استخدامه على النحو التالي.

    إذا قام المستخدم بإنشاء وحدات FORTRAN النمطية جديدة تمثل الآلية الكيميائية الضوئية أو قام بتعديل الوحدات النمطية الموجودة ، فيجب عليه إنشاء أداة حل EBI جديدة باستخدام الأداة المساعدة create_ebi. التوثيق الخاص بترجمة create_ebi وتشغيله متاح ضمن مجلد UTIL / create_ebi. الحلان المتبقيان ، SMVGEAR و ROS3 ، أكثر دقة وأقل عرضة لأخطاء التقارب. تم تصنيف كلتا الطريقتين على أنهما "معممان" لأنهما لا يتطلبان سوى قائمة أسماء الآلية ووحدات FORTRAN النمطية التي تمثل الآلية الكيميائية الضوئية. يفضل استخدام Rosenbrock على SMVGEAR لأنه أسرع عدة مرات. لاستخدام SMVGEAR و ROS3 ، يحدد BuildScript ModGas على النحو التالي.

    تشمل جميع الآليات معدلات التحلل الضوئي. يحتوي BuildScript على خيارين لحساب المعدلات.

    الطريقة المضمنة (Binkowski وآخرون ، 2007) هي الخيار المفضل لأنها تتضمن ردود فعل من الأرصاد الجوية بالإضافة إلى تركيزات الأوزون والهباء الجوي المتوقعة. تدعم ثلاثة ملفات ASCII الأسلوب المضمّن. PHOT_OPTICS يصف الخصائص البصرية للسحب والهباء الجوي وسطح الأرض. ال OMI يتم استخدام الملف لتحديد مقدار الضوء الذي يمتصه الأوزون فوق مجال النموذج. يتم تضمين كلا الملفين في الإصدار الذي تم إصداره من CMAQ. يستخدم حساب معدلات التحلل الضوئي ملفًا آخر ، وهو ** CSQY_DATA_ $** ملف ، هذا يعتمد على الآلية المستخدمة. يحتوي على المقاطع العرضية والإنتاج الكمي لمعدلات التحلل الضوئي التي تستخدمها الآلية. يتم توفير الملفات لكل آلية في إصدار تم إصداره من CMAQ. إذا أنشأ المستخدم آلية باستخدام معدلات تحلل ضوئي جديدة أو إضافية ، فعليه إنشاء ** CSQY_DATA_ $ جديد** ملف. تنتج الأداة المساعدة inline_phot_preproc هذا الملف استنادًا إلى وحدات Fortran النمطية التي تصف الآلية وملفات البيانات التي تصف المقطع العرضي للامتصاص والعوائد الكمية الموصوفة لكل تفاعل تحلل ضوئي. يعيّن CCTM RunScript قيمًا لمسار كل ملف من خلال متغيرات البيئة OPTICS_DATA و OMI و CSQY_DATA.

    يستخدم الخيار الآخر جداول البحث التي تحتوي على معدلات التحلل الضوئي في ظل ظروف خالية من السحب بناءً على مقطع عرضي خطي ثابت لتكوين الغلاف الجوي ودرجة الحرارة والكثافة والهباء الجوي. تمثل القيم المعدلات كدالة للارتفاع وخط العرض وزاوية الساعة للشمس في تاريخ جوليوسي محدد. في نماذج المحاكاة ، تقحم الطريقة المعدلات في الجدول للتاريخ وتصححها لحساب السحب الموصوفة في الأرصاد الجوية. تعتمد الجداول على الآلية الضوئية الكيميائية المستخدمة. تقوم الأداة المساعدة jproc بإنشائها استنادًا إلى وحدات FORTRAN الخاصة بالآلية الضوئية. يعيّن CCTM RunScript قيمة مسار الجدول باستخدام متغير البيئة XJ_DATA.

    في CMAQ ، يتم إنتاج HONO من الانبعاثات ، والتفاعلات الكيميائية في الطور الغازي ، والتفاعل غير المتجانس على الهباء الجوي والأسطح الأرضية. يتم احتساب مساهمة الانبعاثات في إنتاج HONO من خلال تضمين تقديرات انبعاثات HONO من بعض مصادر الاحتراق. تحتوي كل آلية كيميائية ذات طور غازي على عدة تفاعلات كيميائية في الطور الغازي والتي تساهم أيضًا في إنتاج HONO. يتم حساب الإنتاج غير المتجانس لـ HONO من تفاعل NO2 على سطح الهباء عن طريق تضمين تفاعل غير متجانس في الآلية الكيميائية. يتم تضمين الإنتاج غير المتجانس لـ HONO من تفاعل NO2 على سطح الأرض في حساب تبادل الهواء والسطح ويتم التحكم فيه بواسطة علامة RunScript التالية:

    يستخدم CMAQ إعدادًا افتراضيًا لـ Y ليشمل إنتاج HONO من التفاعل غير المتجانس على سطح الأرض. يمكن للمستخدم ضبطه على N لاستبعاد الإنتاج غير المتجانس من التفاعل. لاحظ أن الإعداد الافتراضي لحساب الترسيب المضمن (CTM_ILDEPV) هو Y. إذا تم تغيير العلم إلى N ، فلن يعمل إنتاج HONO من التفاعل غير المتجانس على سطح الأرض بشكل صحيح. يمكن العثور على وصف إضافي لكيمياء HONO في CMAQ في Sarwar et al. (2008).

    6.11 ديناميات الهباء الجوي والكيمياء

    يمكن أن تكون المادة الجسيمية (PM) إما أولية (منبعثة مباشرة) أو ثانوية (تتشكل في الغلاف الجوي) ومن مصادر طبيعية أو بشرية (من صنع الإنسان). تشمل المصادر الثانوية أكسدة غاز ثاني أكسيد الكبريت2 إلى الكبريتات ، وتكثيف الأمونيا والنترات ، وأكسدة المركبات العضوية المتطايرة الغازية مثل الأيزوبرين ، والمونوتربين ، والعطريات ، والألكانات. تساهم العمليات السحابية أيضًا في تكوين الجسيمات ، على سبيل المثال ، تعتبر الأكسدة المائية لثاني أكسيد الكبريت في قطرات السحب مسارًا مهمًا لإنتاج كبريتات الجسيمات. تمثل CCTM حجم PM باستخدام ثلاثة توزيعات أو أوضاع لوغاريتمية طبيعية متفاعلة. وضعان (Aitken والتراكم) يبلغ قطرهما بشكل عام أقل من 2.5 ميكرومتر بينما يحتوي الوضع الخشن على كميات كبيرة من الكتلة أعلى من 2.5 ميكرومتر. مساء2.5 و PM10، المقاييس الإجمالية للأنواع داخل NAAQS ، يمكن الحصول عليها من معلومات تركيز الكتلة والحجم التي تنبأ بها النموذج.

    تم تقديم الجيل السادس من وحدة الهباء الجوي CMAQ (AERO6) في CMAQv5.0.2 وتوسيع الأنواع الكيميائية لـ PM. تمت إضافة ثمانية أنواع جديدة من الجسيمات الدقيقة إلى CMAQ في AERO6: Al و Ca و Fe و Si و Ti و Mg و K و Mn. أربعة أنواع تمت معالجتها بشكل صريح في الإصدارات السابقة من CMAQ ولكن لم يتم نمذجتها يمكن الآن التعامل معها كأنواع أولية بشرية المنشأ: H2O و Na و Cl و NH4. يتم الآن إدخال كتلة انبعاثات الجسيمات التي تبقى بعد الانتواع في المكونات الجديدة في النموذج باسم PMOTHER. يتطلب AERO6 18 نوعًا من الانبعاثات: OC ، EC ، كبريتات ، نترات ، H2O، Na، Cl، NH4، NCOM ، Al ، Ca ، Fe ، Si ، Ti ، Mg ، K ، Mn ، وغيرها (Reff et al. ، 2009). استمر تحديث AERO6 بشكل تدريجي في CMAQ v5.1-5.2.1 (راجع https://www.epa.gov/cmaq/how-cite-cmaq أو ملاحظات الإصدار لمعرفة وقت حدوث تحديثات محددة).

    تم تقديم وحدة الهباء الجوي من الجيل السابع (AERO7) في CMAQv5.3 مع تعديلات وتحديثات لانتواع وتوقع الهباء الجوي العضوي. من أجل الكفاءة الحسابية ، تم استبدال النمط المكون من منتجين لأنواع SOA من سلائف المركبات العضوية المتطايرة الأروماتية التقليدية (الألكانات والتولوين والزيلين والبنزين) بأربعة أنواع بديلة ذات ضغوط بخار محددة ، باتباع نهج على غرار VBS مستخدمة على نطاق واسع في النماذج . بالإضافة إلى ذلك ، تم زيادة إنتاجية الهباء العضوي من تفاعلات monoterpene مع OH والأوزون ، ويتم التعامل مع النترات العضوية monoterpene بشكل صريح كمصدر SOA. تم توضيح معالجة alpha-pinene أيضًا في AERO7 من أجل استبعاد تفاعلات alpha-pinene مع النترات كمصدر لـ SOA. إذا كان المستخدمون يستخدمون انبعاثات المركبات العضوية المتطايرة الحيوية عبر الإنترنت (عبر BEIS) ، فسيتم التعامل مع انبعاثات ألفا بينين بشكل صحيح. ومع ذلك ، إذا كان المستخدمون يقدمون انبعاثات حيوية إلى CMAQ من وضع عدم الاتصال وتم تحديد TERP فقط ، فإننا نوصي بتوسيع انبعاثات alpha-pinene إلى 30٪ من إجمالي انبعاثات TERP ومعالجة الـ 70٪ المتبقية من TERP المنبعثة على أنها TERP في CMAQ. يمكن تحقيق ذلك من خلال واجهة انبعاثات DESID. يتضمن AERO7 أيضًا النظر في امتصاص الماء لمرحلة الجسيمات العضوية (ORGH2O).

    يتم اختيار AERO7 أو AERO6 من خلال اختيار الآلية الكيميائية في نص البناء كما هو موضح في القسم 6.10 والجدول 6-3. تتوافق الفيزياء الدقيقة للهباء الجوي (مثل التخثر ، والتكثيف ، وتكوين الجسيمات الجديدة ، والترسب ، وما إلى ذلك) للوحدتين. تختلف الوحدات باختلاف الأنواع الكيميائية المستخدمة في معالجة مكونات الجسيمات الدقيقة.

    تتوافق آليات AERO7 و AERO6 المتوفرة في CMAQv5.3 مع الهباء العضوي الأساسي شبه المتطاير (POA). بالنسبة لتكوين POA غير المتطاير ، يتم تتبع الكتلة بشكل منفصل من حيث محتوى الكربون (OC) وغير الكربوني (NCOM). باستخدام هذا النهج ، يمكن إضافة كتلة إلى الأنواع غير الكربونية لمحاكاة شيخوخة POA استجابةً للمؤكسدات في الغلاف الجوي. يوثق Simon and Bhave (2012) تنفيذ تفاعل الدرجة الثانية بين الكربون العضوي الأساسي وجذور OH. يفصل تكوين POA شبه المتطاير POA في عدة أنواع نموذجية بناءً على مزيج من حالة التقلب والأكسدة. هناك خمسة أنواع من POA في حالة أكسدة منخفضة تمثل تقلبًا منخفضًا ، ومركبات شبه متطايرة ومتقلبة وسيطة (LVPO1 ، SVPO1 ، SVPO2 ، SVPO3 ، IVPO1). نظرًا لأن أنواع الطور الغازي (مثل VLVPO1) تتأكسد مع OH فإنها تشكل أنواعًا ذات حالة أكسدة أعلى (مثل LVOO1 و LVOO2 و SVOO1 و SVOO2 و SVOO3). مشتق كيمياء الشيخوخة متعددة الأجيال لتكوين POA شبه المتطاير من نهج Donahue et al. (2012) الذي يأخذ في الاعتبار تشغيل وتجزئة الأبخرة العضوية عند الأكسدة. يشتمل تكوين POA شبه المتطاير أيضًا على خيار (افتراضيًا) للهباء العضوي الثانوي المحتمل من مصادر الاحتراق (pcSOA). ينبعث هذا النوع على شكل VOC (pcVOC) ويشكل SOA بعد التفاعل مع OH. قد يتم التصفية من انبعاثات مركبات الكربون الكلورية فلورية من قبل المستخدم لمصادر محددة باستخدام ملف التحكم في انبعاثات DESID الذي يستبعد انبعاثات مركبات الكربون الكلورية فلورية يوصى به لمصادر الكتلة الحيوية وحرق الأخشاب.

    تستخدم وحدة الهباء الجوي ISORROPIA v2.2 في الوضع العكسي لحساب تكثيف / تبخر الغازات غير العضوية المتطايرة إلى / من تركيزات الطور الغازي لأسطح الجسيمات الخشنة المعروفة. كما أنه يستخدم ISORROPIA في الوضع الأمامي لحساب التوازن الديناميكي الحراري اللحظي بين وضعي الغاز والجسيمات الدقيقة. يتم حساب نقل الكتلة لجميع الأنواع العضوية شبه المتطايرة بافتراض التقسيم الامتصاصي المتوازن ، على الرغم من وجود بعض الأنواع غير المتطايرة (على سبيل المثال ، الهباء العضوي المعالج بالغيوم ، أوليجومرات ، أو POA غير المتطايرة (إذا تم اختيارها)).

    يمكن أن ينتج CMAQ التخفيض في النطاق المرئي الناجم عن وجود PM ، الذي يُنظر إليه على أنه ضباب. تدمج CCTM تشتت مي (آلية تشتت الضوء للجسيمات المعممة التي تتبع قوانين الكهرومغناطيسية المطبقة على الجسيمات) على النطاق الكامل لأحجام الجسيمات للحصول على قيمة رؤية واحدة لكل خلية شبكة نموذجية في كل خطوة زمنية. يمكن العثور على أوصاف أكثر تفصيلاً لتقنيات حساب الجسيمات الدقيقة المستخدمة في CCTM في Binkowski and Shankar (1995) ، Binkowski and Roselle (2003) ، و Byun and Schere (2006).

    لتسهيل المقارنة بين قيم PM الناتج CMAQ مع القياسات ، قد يتم إخراج كسور القطع المعتمدة على الوقت بواسطة النموذج (على سبيل المثال Jiang et al. ، 2006). وتشمل هذه الكميات لوصف جزء كل وضع التي سيتم تصنيفها على أنها PM2.5 (مثل PM25AT و PM25AC و PM25CO) و PM1.0 (أي PM1AT و PM1AC و PM1CO) بالإضافة إلى جزء الجسيمات من كل وضع يمكن اكتشافه بواسطة AMS (مثل AMSAT و AMSAC و AMSCO). توجد أيضًا وحدة تفاعل سطحي في النسخة متعددة الملوثات من CMAQ تحسب تدفق الزئبق من وإلى السطح (بدلاً من مجرد ترسيب الزئبق).

    يتوفر مزيد من المناقشة حول التحسينات العلمية على علاج CMAQ PM في ملاحظات الإصدار.

    6.12 الكيمياء المائية ، الكسح والترسيب الرطب

    تعتبر السحب مكونًا مهمًا لنمذجة جودة الهواء وتلعب دورًا رئيسيًا في التفاعلات الكيميائية المائية والخلط الرأسي للملوثات وإزالة الملوثات عن طريق الترسيب الرطب. تؤثر السحب أيضًا بشكل غير مباشر على تركيزات الملوثات عن طريق تغيير الإشعاع الشمسي ، والذي بدوره يؤثر على الملوثات الكيميائية الضوئية (مثل الأوزون) وتدفق الانبعاثات الحيوية. تؤدي وحدة السحابة في CMAQ العديد من الوظائف المتعلقة بالفيزياء السحابية والكيمياء. تم تصميم ثلاثة أنواع من السحب في CMAQ: السحب المترسبة بالحمل الحراري للشبكة الفرعية ، والسحب غير المترسبة للشبكة الفرعية ، والسحب التي تم حلها بالشبكة. يتم توفير السحب التي تم حلها بالشبكة بواسطة نموذج الأرصاد الجوية ولا يتم إجراء أي تشخيص إضافي بواسطة CMAQ لتلك السحب. بالنسبة لنوعين من السحب الشبكية الفرعية ، تعيد الوحدة السحابية في CCTM توزيع الملوثات رأسياً ، وتحسب في السحابة وكسح الترسيب ، وتنفذ حسابات الكيمياء المائية ، وتراكم كميات الترسب الرطب. يتم حساب الكيمياء المائية والكسح للسحب التي تم حلها أيضًا ، باستخدام محتوى الخلية من الماء السائل وهطول الأمطار من نموذج الأرصاد الجوية.

    عندما يتجاوز محتوى الماء السائل (LWC) ، الذي يمثل مجموع مياه السحب ومياه الأمطار والكرات ، في خلية (أو متوسط ​​العمود في حالة السحب الشبكية الفرعية) عتبة حرجة قدرها 0.01 جم -3 ، يتم استدعاء تم إجراؤه على وحدة الكيمياء السحابية حيث يتم حساب الكسح في السحابة والترسيب الرطب بالإضافة إلى كيمياء المرحلة المائية.من المفترض أن يتم تنشيط الهباء الجوي التراكمي والخشن على الفور (على سبيل المثال ، تنظيف النواة) ، ويتم تنظيف جزيئات وضع Aitken (أي الهباء الخلالي) بواسطة قطرات السحب طوال مدة معالجة السحب (Binkowski and Roselle ، 2003). يتم أخذ أنواع الطور الغازي التي تشارك في الكيمياء المائية في مياه السحب وفقًا لمعامل قانون هنري وثوابت التفكك ودرجة الحموضة في القطرة. لكل خطوة زمنية في الكيمياء السحابية ، يتم ترسيب الغاز المذاب وأنواع الهباء الجوي والأيونات المرتبطة بها خارج النظام وفقًا لمعدل الكسح الذي يعتمد على معدل الترسيب وسُمك السحب / الطبقة وإجمالي محتوى الماء (أي مجموع مياه السحب ، ومياه الأمطار ، والجليد ، والجليد ، والثلج). عندما لا يتجاوز محتوى الماء السائل عتبة استدعاء وحدة الكيمياء السحابية (أو لجميع الأنواع التي لا تشارك في كيمياء السحب) ، يتم حساب الترسب الرطب بطريقة مماثلة في الروتين الفرعي "scavwdep". باستخدام نفس التعبير لمعامل الغسل كما هو الحال في وحدة الكيمياء المائية ، تخضع أنواع الهباء للإزالة الرطبة على افتراض أنها مدمجة في مياه السحب / الأمطار كما هو مذكور أعلاه بينما جزء تركيزات أنواع الطور الغازي الخاضعة للإزالة الرطبة هي دالة لـ معاملات قانون هنري الفعالة الخاصة بهم عند درجة حموضة قطيرة محددة تبلغ 4. بشكل أساسي ما يتم تمثيله في CMAQ هو الكسح في السحابة (أو "هطول الأمطار") على الرغم من أنه يمكن أيضًا تمثيل بعض تأثيرات الكسح تحت السحب (أو "الغسل") من خلال بما في ذلك مياه الأمطار في LWC التي تم أخذها في الاعتبار عند استدعاء / حساب كيمياء السحب ، وكذلك حساب الكيمياء المائية وكسح العمود (الممتد من أعلى السحابة إلى الأرض) في حالة السحب الممطرة على الشبكة الفرعية. لم يتم في هذا الوقت تنفيذ معالجة صريحة للكسح تحت السحب (على سبيل المثال ، كشط الهباء الجوي تحت السحب عن طريق قطرات المطر والثلج بالانحشار).

    تقدر المعالجة الكيميائية السحابية القياسية لـ CMAQ (AQCHEM) إنتاج الكبريتات من خمسة مسارات لأكسدة الكبريت وتتضمن أيضًا معلمات بسيطة لتقدير تكوين الهباء العضوي الثانوي من تفاعلات الجليوكسال والميثيل جليوكسال مع جذور الهيدروكسيل. يتم تحديد التوزيع بين المراحل الغازية والمائية عن طريق توازن قانون هنري اللحظي ، ويتم استخدام طريقة التقسيم لتقدير الرقم الهيدروجيني (وتوزيع الأنواع الأيونية) بافتراض الحياد الإلكتروني. بدءًا من CMAQv5.1 ، تم تقديم مجموعة جديدة من الخيارات للكيمياء السحابية التي تعتمد على Kinetic PreProcessor (KPP) ، الإصدار 2.2.3 (Damian et al. ، 2002) لإنشاء وحدة تكامل Rosenbrock لحل الخواص الحركية الكيميائية والتفكك الأيوني ، الترسيب الرطب ، ونقل الكتلة الحركية بين المراحل الغازية والمائية في سحب CMAQ. يمكن الإشارة إلى هذه الخيارات مجتمعة باسم علاجات الكيمياء السحابية AQCHEM "KMT" (Fahey et al. ، 2017).

    هناك العديد من خيارات كيمياء KMT المتاحة حاليًا في CMAQv5.3. يعالج AQCHEM-KMT آلية الكيمياء السحابية القياسية ويختلف فقط عن AQCHEM مع معالجة نقل الكتلة الحركية بين المراحل (Schwartz ، 1986) و Rosenbrock solver. يشتمل AQCHEM-KMTI أيضًا على آلية كيميائية موسعة للطور المائي تعالج تكوين SOA من الإيبوكسيدات المشتقة من الكائنات الحية (Pye et al. ، 2013) في السحابة ، بالإضافة إلى تفاعلات أكسدة الكبريت و alpha-dicarbonyl القياسية. مع CMAQv5.3 ، نقدم خيارين إضافيين لكيمياء السحابة: AQCHEM-KMT2 و AQCHEM-KMTBR. يستبدل AQCHEM-KMT2 معلمات العائد البسيط لـ SOA من الجليوكسال والميثيل جليوكسال بتمثيل ميكانيكي أكثر للتكوين متعدد الخطوات لحمض الأكساليك / أكسالات والأحماض العضوية الأخرى (يُفترض هنا البقاء في مرحلة الهباء الجوي بعد تبخر قطرات السحب) من تفاعلات جذور الهيدروكسيل مع الجليوكسال ، ميثيل جليوكسال ، جليكول ألدهيد ، وحمض الخليك (ليم وآخرون ، 2005 تان وآخرون ، 2009). يتوسع AQCHEM-KMT2 أيضًا في التفاعلات في AQCHEM-KMTI مع كيمياء إضافية لأنواع S و N و O-H و C (Leriche et al. ، 2013 Warneck ، 1999 Lee and Schwartz ، 1983). AQCHEM-KMTBR هو روتين الكيمياء المائية المصاحب لآلية cb6r3m_ae7_kmtbr ذات الطور الغازي ويحتوي على تفاعلات الأكسدة القياسية 5 S (IV) ، ومعلمات SOA من الجليوكسال والميثيل جليوكسال ، بالإضافة إلى التفاعلات الإضافية التي تتضمن أنواع البروم في المياه السحابية (Sarwar et al . ، 2019).

    يمكن أن تكون عائلة خيارات الكيمياء السحابية AQCHEM KMT أكثر تطلبًا من الناحية الحسابية من AQCHEM القياسي وبالتالي قد تكون مناسبة بشكل أفضل للتطبيقات البحثية ، لا سيما تلك التي تحقق في أحداث السحب / الضباب أو تطور الأنواع التي من المحتمل أن تتأثر تركيزاتها بشدة بالمعالجة السحابية وليس ممثلة صراحة في آلية AQCHEM القياسية (على سبيل المثال ، أكسالات - AQCHEM-KMT2). لاحظ أنه عند استخدام آلية الطور الغازي مع الكيمياء البحرية (CB6R3M_AE7_KMTBR) ، يلزم أيضًا تشغيل روتين الكيمياء المائية المصاحب ، AQCHEM-KMTBR. لعمليات المحاكاة في منطقة محدودة حيث يكون التركيز الأساسي على محاكاة الأوزون أو إجمالي الجسيمات2.5 التركيزات ، خاصة بالنسبة للمتوسطات طويلة الأجل ، من المرجح أن تلتقط AQCHEM القياسي أهم تأثيرات الكيمياء السحابية (أي تكوين الكبريتات من مسارات الأكسدة المائية الرئيسية) وتكون أكثر كفاءة من الناحية الحسابية بشكل ملحوظ.

    لاستدعاء خيار الكيمياء السحابية AQCHEM الافتراضي ، يجب تعيين BuildScript ضمن قسم CCTM Science Modules على النحو التالي:

    بالنسبة لخيار الكيمياء السحابية AQCHEM-KMT ، استخدم الخيار التالي في BuildScript:

    يمكن استخدام AQCHEM و AQCHEM-KMT مع أي من آليات كيمياء الطور الغازي cb6r3_ae6 أو cb6r3_ae7 أو racm أو saprc07.

    بالنسبة لخيار الكيمياء السحابية AQCHEM-KMTI ، استخدم الخيار التالي في BuildScript:


    MediaResourceType

    ملكية اكتب وصف
    عنوان Url URL عنوان URL لمورد الوسائط
    نوع المحتوى نوع الوسائط؟ نوع المحتوى ، مثل application / pdf ، video / x-flv ، image / jpeg
    بايت Int64؟ حجم المورد بالبايت
    تغيرت DateTimeOffset؟ تاريخ آخر تغيير
    ظفري نوع الصورة؟ صورة مصغرة
    لقب حقل البيانات عنوان المورد
    وصف حقل البيانات؟ وصف المورد

    تحليل وتفسير البيانات

    عادة ما يتم إجراء التحقيقات الميدانية لتحديد العوامل التي تزيد من خطر إصابة الشخص بمرض أو نتيجة صحية أخرى. في بعض التحقيقات الميدانية ، يكون تحديد السبب كافياً إذا كان من الممكن القضاء على السبب ، وتم حل المشكلة. في التحقيقات الأخرى ، الهدف هو تحديد الارتباط بين التعرض (أو أي خاصية سكانية) والنتيجة الصحية لتوجيه التدخلات أو المعرفة المتقدمة. يتطلب كلا النوعين من التحقيقات الميدانية أساليب تحليلية مناسبة ، ولكنها ليست بالضرورة معقدة. يصف هذا الفصل استراتيجية التخطيط للتحليل ، وطرق إجراء التحليل ، والمبادئ التوجيهية لتفسير النتائج.

    يعد التحليل المخطط بعناية والمنفذة بعناية أمرًا بالغ الأهمية لإجراء تحقيق ميداني كما هو الحال بالنسبة للدراسة القائمة على البروتوكول. التخطيط ضروري لضمان أن الفرضيات المناسبة سيتم أخذها في الاعتبار وأن البيانات ذات الصلة سيتم جمعها وتسجيلها وإدارتها وتحليلها وتفسيرها لمعالجة تلك الفرضيات. لذلك ، حان الوقت لتحديد البيانات التي يجب جمعها وكيفية تحليل هذه البيانات قبل تصميم الاستبيان الخاص بك ، ليس بعد أن تقوم بجمع البيانات.

    ان خطة التحليل هو مستند يرشدك إلى كيفية تقدمك من البيانات الأولية إلى التقرير النهائي. يصف من أين تبدأ (مصادر البيانات ومجموعات البيانات) ، وكيف ستنظر إلى البيانات وتحللها ، والمكان الذي تريد الانتهاء منه (التقرير النهائي). ويحدد المكونات الرئيسية للتحليل في تسلسل منطقي ويوفر دليلاً للمتابعة أثناء التحليل الفعلي.

    تتضمن خطة التحليل بعضًا أو معظم المحتوى المدرج في المربع 8.1. من المرجح أن تظهر بعض العناصر المدرجة في خطة تحليل لدراسة مخططة قائمة على البروتوكول ، ولكن حتى التحقيق في تفشي المرض يجب أن يشمل المكونات الرئيسية في خطة تحليل أكثر اختصارًا ، أو على الأقل في سلسلة من أغلفة الجدول.

      قائمة بأسئلة البحث أو فرضياته
  15. مصادر البيانات
  16. وصف السكان أو المجموعات (معايير التضمين أو الاستبعاد)
  17. مصدر البيانات أو مجموعات البيانات ، خاصة لتحليل البيانات الثانوية أو القواسم السكانية
  18. نوع الدراسة
  19. كيف سيتم التلاعب بالبيانات
  20. مجموعات البيانات لاستخدامها أو دمجها
  21. المتغيرات الجديدة التي سيتم إنشاؤها
  22. المتغيرات الرئيسية (أرفق قاموس البيانات لجميع المتغيرات)
  23. المتغيرات الديموغرافية والتعرضية
  24. النتيجة أو متغيرات نقطة النهاية
  25. متغيرات التقسيم الطبقي (على سبيل المثال ، الإرباكات المحتملة أو معدلات التأثير)
  26. كيف سيتم تحليل المتغيرات (على سبيل المثال ، كمتغير مستمر أو مجمعة في فئات)
  27. كيفية التعامل مع القيم المفقودة
  28. ترتيب التحليل (على سبيل المثال ، توزيعات التكرار ، أو الجداول ثنائية الاتجاه ، أو التحليل الطبقي ، أو الاستجابة للجرعة ، أو تحليل المجموعة)
  29. مقاييس الحدوث أو الارتباط أو اختبارات الأهمية أو فترات الثقة التي سيتم استخدامها
  30. قذائف الجدول لاستخدامها في التحليل
  31. جداول قذائف لإدراجها في التقرير النهائي
    • سؤال البحث أو الفرضيات. تبدأ خطة التحليل عادةً بأسئلة البحث أو الفرضيات التي تخطط لمعالجتها. تؤدي الأسئلة أو الفرضيات البحثية المبررة بشكل مباشر إلى المتغيرات التي تحتاج إلى التحليل وأساليب التحليل. على سبيل المثال ، السؤال ، "ما سبب اندلاع التهاب المعدة والأمعاء؟" قد يكون هدفًا مناسبًا لإجراء تحقيق ميداني ، ولكنه ليس سؤالًا بحثيًا محددًا. سؤال أكثر تحديدًا و mdash على سبيل المثال ، & ldquo ما هي الأطعمة التي كان من المرجح أن يستهلكها مرضى الحالة أكثر من الضوابط؟ & rdquo & mdash يشير إلى أن المتغيرات الرئيسية ستكون العناصر الغذائية وحالة التحكم في الحالة و ndashcontrol وأن طريقة التحليل ستكون جدول اثنين في اثنين لكل منها غذاء.
    • الاستراتيجيات التحليلية. يتم تحليل أنواع مختلفة من الدراسات (على سبيل المثال ، الفوج ، والتحكم في الحالة و ndashcontrol ، أو المقطع العرضي) بمقاييس وطرق مختلفة. لذلك ، يجب أن تكون استراتيجية التحليل متسقة مع كيفية جمع البيانات. على سبيل المثال ، يجب تحليل البيانات المأخوذة من دراسة أترابية بسيطة بأثر رجعي من خلال حساب ومقارنة معدلات الهجوم بين مجموعات التعرض. يجب تحليل البيانات المأخوذة من دراسة الحالة و ndashcontrol من خلال مقارنة حالات التعرض بين مرضى الحالة والضوابط ، ويجب أن تراعي البيانات المطابقة في التحليل إذا تم استخدام المطابقة في التصميم. قد تحتاج البيانات المأخوذة من دراسة أو مسح مقطعي إلى دمج الأوزان أو تأثيرات التصميم في التحليل. يجب أن تحدد خطة التحليل المتغيرات الأكثر أهمية والتعرض والنتائج ذات الأهمية ، وعوامل الخطر المعروفة الأخرى ، وعوامل تصميم الدراسة (على سبيل المثال ، متغيرات المطابقة) والإرباكات المحتملة ومعدلات التأثير المحتمل.
    • قاموس البيانات. قاموس البيانات هو مستند يوفر معلومات أساسية حول كل متغير. عادةً ما يسرد قاموس البيانات كل متغير واسم rsquos ووصف موجز ونوع المتغير (على سبيل المثال ، رقمي أو نص أو تاريخ) والقيم المسموح بها وتعليق اختياري. يمكن تنظيم قواميس البيانات بطرق مختلفة ، ولكن من السهل تنظيم تنسيق جدولي مع صف واحد لكل متغير وأعمدة للاسم والوصف والنوع والقيمة القانونية والتعليق (انظر المثال في الجدول 8.1 من استقصاء تفشي مرض التولاريميا الفموي البلعومي [1]). قد يتضمن ملحق قاموس البيانات نسخة من الاستبيان مع كتابة أسماء المتغيرات بجانب كل سؤال.
    • تعرف على بياناتك. خطط للتعرف على بياناتك من خلال مراجعة (1) تكرار الردود والإحصاءات الوصفية لكل متغير (2) القيم الدنيا والحد الأقصى والمتوسط ​​لكل متغير (3) ما إذا كانت أي متغيرات لها نفس الاستجابة لكل سجل و (4) ما إذا كانت أي متغيرات بها العديد من القيم أو جميعها مفقودة. ستؤثر هذه الأنماط على كيفية تحليل هذه المتغيرات أو إسقاطها من التحليل تمامًا.
    • قذائف الجدول. الخطوة التالية في تطوير خطة التحليل هي تصميم أغلفة الجدول. غلاف طاولة ، يُطلق عليه أحيانًا اسم طاولة وهمية، هو جدول (على سبيل المثال ، توزيع التكرار أو جدول اثنين في اثنين) بعنوان ومسمى بالكامل ولكنه لا يحتوي على بيانات. سيتم ملء الأرقام مع تقدم التحليل. توفر أغلفة الجدول دليلاً للتحليل ، لذلك يجب أن يستمر تسلسلها بترتيب منطقي من البسيط (على سبيل المثال ، علم الأوبئة الوصفي) إلى الأكثر تعقيدًا (على سبيل المثال ، علم الأوبئة التحليلي) (المربع 8.2). يجب أن تشير كل غلاف جدول إلى المقاييس (على سبيل المثال ، معدلات الهجوم ، ونسب المخاطر [RR] أو نسب الأرجحية [ORs] ، وفواصل الثقة 95 ٪ [CIs]) والإحصاءات (على سبيل المثال ، chi-square و ص value) مصاحبة للجدول. انظر المنشور 8.1 للحصول على مثال على غلاف الجدول الذي تم إنشاؤه من أجل التحقيق الميداني في التولاريميا الفموي البلعومي (1).

    عادة ما يتم إنشاء الجدولين الأولين كجزء من تحليل البيانات من التحقيق الميداني وهما تلك التي تصف السمات السريرية لمرضى الحالة وتقدم علم الأوبئة الوصفي. نظرًا لأن علم الأوبئة الوصفي تم تناوله في الفصل 6 ، فإن الجزء المتبقي من هذا الفصل يتناول أدوات علم الأوبئة التحليلية المستخدمة بشكل شائع في التحقيقات الميدانية.

    تُصوِّر النشرة 8.2 مخرجات وحدة التحليل الكلاسيكي في Epi Info 7 (مراكز السيطرة على الأمراض والوقاية منها ، أتلانتا ، جورجيا) (2). يوضح الإخراج من الأمر TABLES للبيانات من تحقيق ميداني نموذجي. لاحظ العناصر الرئيسية للمخرجات: (1) جدول متعدد الجداول يلخص النتائج ، (2) تقديرات النقاط لمقاييس الارتباط ، (3) 95٪ من مجالات الموثوقية لكل تقدير نقطة ، و (4) نتائج الاختبار الإحصائي. تتم مناقشة كل عنصر من هذه العناصر في الأقسام التالية.

    قاموس البيانات الجزئي من التحقيق في تفشي مرض التولاريميا الفموي البلعومي (قرية Sancaktepe ، مقاطعة Bayburt ، تركيا ، يوليو وندش أغسطس 2013)
    اسم المتغير وصف نوع متغير القيمة القانونية تعليق
    بطاقة تعريف رقم تعريف المشارك رقمي مكلف
    HH_size عدد الأشخاص الذين يعيشون في الأسرة رقمي
    DOB تاريخ الولادة تاريخ يوم / شهر / سنة
    Lab_tularemia نتيجة اختبار التراص الدقيق رقمي 1 = موجب 2 = سلبي
    عمر العمر (سنوات) رقمي
    الجنس الجنس نص م = ذكر و = أنثى
    حمى حمى رقمي 1 = نعم 2 = لا
    قشعريرة قشعريرة رقمي 1 = نعم 2 = لا
    إلتهاب الحلق إلتهاب الحلق رقمي 1 = نعم 2 = لا
    Node_swollen تورم العقدة الليمفاوية رقمي 1 = نعم 2 = لا
    Node_where موقع تورم العقدة الليمفاوية نص
    حالة_ تعليق يفي بتعريف الحالة المشتبه بها رقمي 1 = نعم 2 = لا متغير تم إنشاؤه: تورم العقدة الليمفاوية حول الرقبة أو الأذنين ، والتهاب الحلق ، والتهاب الملتحمة ، أو الحمى ، والقشعريرة ، وآلام العضلات ، والصداع
    القضية_بروب يفي بتعريف الحالة المحتملة رقمي 1 = نعم 2 = لا المتغير الناتج: تورم العقدة الليمفاوية و (التهاب الحلق أو الحمى)
    تأكيد الحالة يفي بتعريف الحالة المؤكدة رقمي 1 = نعم 2 = لا المتغير الذي تم إنشاؤه: اختبار معمل إيجابي
    Case_probconf يفي بتعريف الحالة المحتملة أو المؤكدة رقمي 1 = نعم 2 = لا المتغير الذي تم إنشاؤه: Case_ prob = 1 أو Case_ Confirm = 1
    R_Tap_H2O شرب ماء الصنبور في رمضان رقمي 1 = نعم 2 = لا

    النشرة 8.2: الوقت ، حسب تاريخ ظهور المرض (يمكن إدراجه في الجدول 1 ، ولكن بالنسبة لتفشي المرض ، من الأفضل عرضه كمنحنى وبائي).

    الجدول 1 . السمات السريرية (على سبيل المثال ، العلامات والأعراض ، النسبة المئوية للحالات المؤكدة مختبريًا ، النسبة المئوية للمرضى في المستشفى ، ونسبة المرضى الذين ماتوا).

    الجدول 2 . الديموغرافية (مثل العمر والجنس) والخصائص الرئيسية الأخرى للمشاركين في الدراسة حسب الحالة وحالة التحكم ndashcontrol إذا كانت دراسة الحالة و ndashcontrol.

    المكان (المنطقة الجغرافية للإقامة أو الحدوث في الجدول 2 أو في خريطة موضعية أو مظللة).

    الجدول 3 . الجداول الأولية لترابط نتائج التعرض.

    الجدول 4 . التقسيم الطبقي (الجدول 3 بتأثيرات منفصلة وتقييم للارتباك وتعديل التأثير).

    الجدول 5 . التنقيحات (الجدول 3 ، على سبيل المثال ، الاستجابة للجرعة ، والكمون ، واستخدام تعريف أكثر حساسية أو أكثر تحديدًا للحالة).

    الجدول 6 . تحليلات مجموعة محددة.

    جداول اثنين في اثنين

    أ جدول اثنين في اثنين سمي بهذا الاسم لأنه جدولة متقاطعة لمتغيرين و mdashexposure والنتائج الصحية و mdash أن لكل منهما فئتان ، عادةً & ldquoyes & rdquo و & ldquono & rdquo (النشرة 8.3). يعد جدول اثنين في اثنين أفضل طريقة لتلخيص البيانات التي تعكس الارتباط بين تعرض معين (على سبيل المثال ، استهلاك غذاء معين) والنتائج الصحية محل الاهتمام (على سبيل المثال ، التهاب المعدة والأمعاء). عادة ما يتم قياس الارتباط من خلال حساب مقياس الارتباط (على سبيل المثال ، نسبة المخاطر [RR] أو OR) من البيانات الموجودة في جدول اثنين في اثنين (انظر القسم التالي).

    • في جدول نموذجي ثنائي في اثنين يستخدم في علم الأوبئة الميداني ، يتم تمثيل حالة المرض (على سبيل المثال ، مريض أو جيد ، الحالة أو السيطرة) على طول الجزء العلوي من الجدول ، وحالة التعرض (على سبيل المثال ، مكشوف أو غير مكشوف) على طول الجانب.
    • اعتمادًا على التعرض الذي تتم دراسته ، يمكن تسمية الصفوف كما هو موضح في الجدول 8.3 ، أو على سبيل المثال ، كـ مكشوف و غير مكشوف أو أي وقت مضى و أبدا. حسب الاصطلاح ، يتم وضع المجموعة المكشوفة في الصف العلوي.
    • اعتمادًا على المرض أو النتيجة الصحية قيد الدراسة ، يمكن تسمية الأعمدة كما هو موضح في النشرة رقم 8.3 ، أو على سبيل المثال ، سوف و حسنا ، حالة و يتحكم، أو ميت و على قيد الحياة. حسب الاصطلاح ، يتم وضع مجموعة المرضى أو الحالة في العمود الأيسر.
    • يُعرف تقاطع الصف والعمود الذي يتم فيه تسجيل العدد باسم a زنزانة. الرسائل أ ، ب ، ج، و د داخل الخلايا الأربع ، قم بالإشارة إلى عدد الأشخاص المصابين بحالة المرض المشار إليها في عنوان العمود في الأعلى وحالة التعرض المشار إليها في تسمية الصف الموجودة على اليسار. على سبيل المثال ، الخلية ج يحتوي على عدد المرضى ولكن غير مصابين. يتم تسمية إجماليات الصف H1 و ح0 (أو H.2 [H لـ عرضي]) وتسمى الأعمدة V.1 و V.0 (أو V.2 [الخامس ل عمودي]). يتم كتابة إجمالي عدد الأشخاص المدرجين في جدول اثنين في اثنين في الزاوية اليمنى السفلية ويتم تمثيله بالحرف تي أو ن.
    • إذا كانت البيانات مأخوذة من دراسة جماعية ، فإن معدلات الهجوم (أي نسبة الأشخاص الذين أصيبوا بالمرض خلال فترة الاهتمام) يتم تقديمها أحيانًا إلى يمين إجماليات الصف. RRs أو ORs أو CIs أو ص غالبًا ما يتم توفير القيم إلى يمين الجدول أو أسفله.

    يتم عرض الجدول التوضيحي لاستهلاك مياه الصنبور (التعرض) وحالة المرض (النتيجة) من التحقيق في مرض التولاريميا الفموي البلعومي في الجدول 8.2 (1).

    غلاف الطاولة: العلاقة بين شرب الماء من مصادر مختلفة والتولاريميا الفموي البلعومي (قرية سانجاك تيبي ، مقاطعة بايبورت ، تركيا ، يوليو وندش أغسطس 2013)

    رقم.الأشخاص المكشوفين
    تعرض ثالثا نحن سوف مجموع معدل الهجوم (٪)
    مقبض _______ _______ _______ _______
    نحن سوف _______ _______ _______ _______
    ربيع _______ _______ _______ _______
    زجاجة _______ _______ _______ _______
    آخر _______ _______ _______ _______
    رقم الأشخاص غير معرضين
    ثالثا نحن سوف مجموع معدل الهجوم٪ نسبة المخاطرة (95٪ CI)
    مقبض _______ _______ _______ (& ndash)
    نحن سوف _______ _______ _______ (& ndash)
    ربيع _______ _______ _______ (& ndash)
    زجاجة _______ _______ _______ (& ndash)
    آخر _______ _______ _______ (& ndash)

    الاختصار: CI ، فاصل الثقة.
    مقتبس من المرجع 1.

    المخرجات النموذجية من وحدة التحليل الكلاسيكية ، Epi Info الإصدار 7 ، باستخدام أمر الجداول

    طاولات الفانيليا
    مثلجات الفانيليا III نعم الثالث لا مجموع
    نعم 43 11 54
    صف٪ 79.63% 20.37% 100.00%
    عمود٪ 93.48% 37.93% 72.00%
    لا 3 18 21
    صف٪ 14.29% 85.71% 100.00%
    عمود٪ 6.52% 62.07% 28.00%
    مجموع 46 29 75
    صف٪ 61.33% 38.67% 100.00%
    عمود٪ 100.00% 100.00% 100.00%
    تحليل الجدول الفردي
    تقدير النقطة ثقة أقل بنسبة 95٪ الفاصل العلوي
    المعلمات: على أساس الاحتمالات
    نسبة الأرجحية (عبر المنتج) 23.4545 5.8410 94.1811 (T)
    نسبة الأرجحية (MLE) 22.1490 5.9280 109.1473 (م)
    5.2153 138.3935 (أنثى)
    المعلمات: على أساس المخاطر
    نسبة المخاطر (RR) 5.5741 1.9383 16.0296 (ت)
    فروق المخاطر (RD٪) 65.3439 46.9212 83.7666 (T)

    (T = سلسلة تايلور MLE = الحد الأقصى لتقدير الاحتمالية M = منتصف & ndash P F = فيشر بالضبط)
    الاختبارات الإحصائية تشي سكوير 1-الذيل ص 2-الذيل ص
    تشي مربع & ndash غير مصححة 27.2225 0.0000013505
    ساحة تشي & ndash Mantel-Haenszel 26.8596 0.0000013880
    مربع تشي & ndash تصحيح (ييتس) 24.5370 0.0000018982
    منتصف ع بالضبط 0.0000001349
    فيشر بالضبط 0.0000002597 0.0000002597

    غلاف الطاولة: الارتباط بين شرب الماء من مصادر مختلفة والتولاريميا الفموي البلعومي (قرية سانجاك تيبي ، مقاطعة بايبورت ، تركيا ، يوليو وندش أغسطس 2013)

    عدد الأشخاص المعرضين
    تعرض ثالثا نحن سوف مجموع معدل الهجوم (٪)
    مقبض _______ _______ _______ _______
    نحن سوف _______ _______ _______ _______
    ربيع _______ _______ _______ _______
    زجاجة _______ _______ _______ _______
    آخر _______ _______ _______ _______

    رقم الأشخاص غير معرضين
    ثالثا نحن سوف مجموع معدل الهجوم٪ نسبة المخاطرة (95٪ CI)
    مقبض _______ _______ _______ (& ndash)
    نحن سوف _______ _______ _______ (& ndash)
    ربيع _______ _______ _______ (& ndash)
    زجاجة _______ _______ _______ (& ndash)
    آخر _______ _______ _______ (& ndash)

    الاختصار: CI ، فاصل الثقة.

    استهلاك مياه الصنبور وخطر الإصابة بداء التولاريميا الفموي البلعومي (قرية Sancaktepe ، تركيا ، يوليو و ndash أغسطس 2013)
    شرب ماء الصنبور مريض نحن سوف مجموع معدل الهجوم (٪)
    نعم 46 127 173 26.6
    لا 9 76 85 10.6
    مجموع 55 203 258 21.3

    نسبة المخاطرة = 26.59 / 10.59 = 2.5 95٪ فاصل الثقة = (1.3 & ndash4.9) خي مربع (غير مصحح) = 8.7 (ع = 0.003).
    مصدر: مقتبس من المرجع 1.

    مقاييس الارتباط

    أ مقياس الارتباط يحدد قوة أو حجم الارتباط الإحصائي بين التعرض والنتيجة. تسمى أحيانًا مقاييس الارتباط مقاييس التأثير لأنه إذا كان التعرض مرتبطًا سببيًا بالنتيجة الصحية ، فإن المقياس يحدد تأثير التعرض على احتمالية حدوث النتيجة الصحية.

    مقاييس الارتباط الأكثر شيوعًا في علم الأوبئة الميدانية هي جميع النسب و mdashRRs و ORs ونسب الانتشار (PRs) وانتشار ORs (PORs). يمكن اعتبار هذه النسب على أنها مقارنة بين ما لوحظ مع المتوقع و [مدش] أي ، الكمية الملحوظة من المرض بين الأشخاص المعرضين مقابل الكمية المتوقعة (أو الأساسية) من المرض بين الأشخاص غير المعرضين. توضح المقاييس بوضوح ما إذا كانت كمية المرض بين المجموعة المعرضة مماثلة أو أعلى أو أقل من (ومقدار) كمية المرض في المجموعة الأساسية.

    • قيمة كل مقياس ارتباط تساوي 1.0 عندما تكون كمية المرض هي نفسها بين المجموعات المعرضة وغير المعرضة.
    • المقياس له قيمة أكبر من 1.0 عندما تكون كمية المرض بين المجموعة المعرضة أكبر منها بين المجموعة غير المعرضة ، بما يتفق مع التأثير الضار.
    • المقياس له قيمة أقل من 1.0 عندما تكون كمية المرض بين المجموعة المعرضة أقل مما هي عليه بين المجموعة غير المعرضة ، كما هو الحال عندما يحمي التعرض من حدوث المرض (مثل التطعيم).

    يتم استخدام مقاييس الارتباط المختلفة مع أنواع مختلفة من الدراسات. المقياس الأكثر شيوعًا في دراسة الأتراب بأثر رجعي هو RR، وهي ببساطة نسبة معدلات الهجوم. بالنسبة لمعظم دراسات الحالة و ndashcontrol ، نظرًا لأنه لا يمكن حساب معدلات الهجوم ، فإن مقياس الاختيار هو أو.

    تقيس الدراسات أو المسوحات المقطعية بشكل نموذجي انتشار (الحالات الموجودة) بدلاً من حدوث (حالات جديدة) لحالة صحية. مقاييس انتشار الارتباط المماثلة لـ RR و OR & mdashthe العلاقات العامة و POR، على التوالي و mdashare شائعة الاستخدام.

    نسبة المخاطر (المخاطر النسبية)

    يُحسب RR ، المقياس المفضل لدراسات الأتراب ، على أنه معدل الهجوم (الخطر) بين المجموعة المعرضة مقسومًا على معدل الهجوم (الخطر) بين المجموعة غير المعرضة. باستخدام الرموز الموجودة في النشرة 8.3 ،

    من الجدول 8.2 ، كان معدل الهجوم (أي الخطر) لاكتساب التولاريميا الفموي البلعومي بين الأشخاص الذين شربوا ماء الصنبور في المأدبة 26.6٪. كان معدل الهجوم (أي الخطر) لأولئك الذين لم يشربوا ماء الصنبور 10.6٪. وهكذا ، تُحسب لوائح الراديو على أنها 0.266 / 0.106 = 2.5. أي أن الأشخاص الذين شربوا ماء الصنبور كانوا أكثر عرضة للإصابة بالمرض بمقدار 2.5 مرة من أولئك الذين لم يشربوا ماء الصنبور (1).

    يعتبر OR هو المقياس المفضل لربط بيانات الحالة و ndashcontrol. من الناحية المفاهيمية ، يتم حسابها على أنها احتمالات التعرض بين مرضى الحالة مقسومة على احتمالات التعرض بين عناصر التحكم. ومع ذلك ، في الممارسة العملية ، يتم حسابها على أنها نسبة المنتجات التبادلية. باستخدام الرموز الموجودة في النشرة 8.3 ،

    البيانات التوضيحية في النشرة 8.4 مأخوذة من دراسة حالة و ndashcontrol للفشل الكلوي الحاد في بنما عام 2006 (3). نظرًا لأن البيانات مأخوذة من دراسة حالة و ndashcontrol ، فلا يمكن حساب معدلات الهجوم (المخاطر) ولا RR. تم حساب OR & mdash على أنه 37 & مرات 110 / (29 & 4) = 35.1 & mdashis مرتفع بشكل استثنائي ، مما يشير إلى وجود ارتباط قوي بين تناول شراب السعال السائل والفشل الكلوي الحاد.

    محير

    المربك هو تشويه الانكشاف والنتيجة بتأثير عامل ثالث (أ محير). قد يكون العامل الثالث مربكًا إذا كان كذلك

    • يرتبط مع النتيجة المستقلة عن التعرض و [مدش] أي ، يجب أن يكون عامل خطر مستقل و ،
    • يرتبط بالتعرض ولكنه ليس نتيجة له.

    ضع في اعتبارك دراسة جماعية افتراضية بأثر رجعي للوفيات بين موظفي التصنيع والتي حددت أن العمال المشاركين في عملية التصنيع كانوا أكثر عرضة للوفاة خلال فترة المتابعة مقارنةً بعاملي المكاتب ومندوبي المبيعات في نفس الصناعة.

    • قد تُعزى الزيادة في معدل الوفيات بشكل انعكاسي إلى تعرض واحد أو أكثر أثناء عملية التصنيع.
    • ومع ذلك ، إذا كان متوسط ​​عمر عمال التصنيع أكبر بـ 15 عامًا من العمال الآخرين ، فمن المتوقع بشكل معقول أن تكون الوفيات أعلى بين العمال الأكبر سنًا.
    • في هذه الحالة ، من المحتمل أن يكون العمر عاملًا محيرًا يمكن أن يمثل على الأقل بعضًا من الوفيات المتزايدة. (لاحظ أن العمر يفي بالمعيارين الموصوفين سابقًا: زيادة العمر يرتبط بزيادة معدل الوفيات ، بغض النظر عن المهنة ، وفي تلك الصناعة ، كان العمر مرتبطًا بالوظيفة وعلى وجه التحديد ، كان موظفو التصنيع أكبر سناً من عمال المكتب).

    لسوء الحظ ، الارتباك أمر شائع. الخطوة الأولى في التعامل مع الالتباس هي البحث عنه. إذا تم تحديد التباس ، فإن الخطوة الثانية هي التحكم في تأثيره المشوه أو ضبطه باستخدام الأساليب الإحصائية المتاحة.

    أبحث عن الخلط

    الطريقة الأكثر شيوعًا للبحث عن الالتباس هي تقسيم التعرض و ndashout النتيجة المرتبطة بالفائدة بواسطة المتغير الثالث المشتبه في كونه مؤثرًا.

    • للتقسيم الطبقي (انظر القسم السابق) ، قم بإنشاء جدولين منفصلين لكل فئة أو طبقة من المُربِك المشتبه به ، واعتبر ما يلي عند تقييم الإرباك المشتبه به:
      • نظرًا لأن أحد المعيارين للمتغير المربك هو أنه يجب أن يكون مرتبطًا بالنتيجة ، يجب أن تتضمن قائمة الإرباكات المحتملة عوامل الخطر المعروفة للمرض. يجب أن تتضمن القائمة أيضًا متغيرات مطابقة. نظرًا لأن العمر غالبًا ما يكون مُربِكًا ، فيجب اعتباره مُربِكًا محتملاً في أي مجموعة بيانات.

      يعتبر OR مقياسًا مفيدًا للارتباط لأنه يوفر تقديرًا للارتباط بين التعرض والمرض من بيانات الحالة و ndashcontrol عندما لا يمكن حساب RR. بالإضافة إلى ذلك ، عندما تكون النتيجة غير شائعة نسبيًا بين السكان (على سبيل المثال ، & lt5٪) ، فإن نسبة الأرجحية من دراسة الحالة و ndashcontrol تقترب من RR التي كان يمكن اشتقاقها من دراسة الأتراب ، إذا تم إجراؤها. ومع ذلك ، عندما تكون النتيجة أكثر شيوعًا ، يبالغ OR في تقدير RR.

      نسبة الانتشار ونسبة الانتشار

      عادة ما تقيس الدراسات أو المسوحات المقطعية انتشار الحالة الصحية (على سبيل المثال ، حالة التطعيم) أو الحالة (مثل ارتفاع ضغط الدم) بدلاً من حدوثها بين السكان. مقاييس انتشار الارتباط المماثلة لـ RR و OR هي ، على التوالي ، العلاقات العامة و POR.

      يتم احتساب النسبة المئوية النسبية على أنها معدل الانتشار بين مجموعة المؤشر مقسومًا على معدل الانتشار بين مجموعة المقارنة. باستخدام الرموز الموجودة في النشرة 8.3 ،

      العلاقات العامة = الانتشار فهرس / انتشار مقارنة = (أ / ح1) / (ج / ح0)

      يتم حساب POR مثل OR.

      في دراسة عن الانتشار المصلي لفيروس نقص المناعة البشرية بين المستخدمين الحاليين لكوكايين الكوكايين مقابل مستخدمي الكوكايين الذين لم يستخدموا مطلقًا ، كان 165 من 780 مستخدمًا حاليًا مصابين بفيروس نقص المناعة البشرية (الانتشار = 21.2 ٪) ، مقارنة مع 40 من 464 مستخدمًا مطلقًا (الانتشار = 8.6 ٪) (4). كان PR و POR قريبين (2.5 و 2.8 ، على التوالي) ، لكن العلاقات العامة أسهل في التفسير.

      تناول شراب السعال السائل بوصفة طبية رداً على سؤال مباشر: حالة الفشل الكلوي الحاد و ndash دراسة التحكم (بنما ، 2006)
      استخدام شراب السعال السائل؟ حالات ضوابط مجموع
      نعم 37 29 81
      لا 4 110 35
      مجموع 41 139 116

      نسبة الأرجحية = 35.1 95٪ فاصل الثقة = (11.6 & ndash106.4) مربع كاي (غير مصحح) = 65.6 (p & lt0.001).
      مصدر: مقتبس من المرجع 3.

      مقاييس تأثير الصحة العامة

      أ قياس تأثير الصحة العامة يضع ارتباط التعرض والمرض في منظور الصحة العامة. يعكس مقياس التأثير المساهمة الواضحة للتعرض للنتائج الصحية بين السكان. على سبيل المثال ، بالنسبة للتعرض المرتبط بزيادة مخاطر الإصابة بالأمراض (مثل التدخين وسرطان الرئة) ، فإن نسبة المخاطر المنسوبة يمثل مقدار سرطان الرئة بين المدخنين المنسوب إلى التدخين ، والذي يمكن أيضًا اعتباره بمثابة الانخفاض المتوقع في عبء المرض إذا كان من الممكن إزالة التعرض أو لم يكن موجودًا على الإطلاق.

      بالنسبة للتعرض المرتبط بانخفاض خطر الإصابة بالأمراض (مثل التطعيم) ، فإن منع الكسر يمثل الانخفاض الملحوظ في حمل المرض الذي يُعزى إلى المستوى الحالي للتعرض بين السكان. لاحظ أن الشروط المتعلقة و منعت ينقل أكثر من مجرد ارتباط إحصائي. وهي تشير إلى وجود علاقة سببية مباشرة بين التعرض والمرض. لذلك ، لا ينبغي تقديم هذه التدابير إلا بعد استنتاج مدروس للسببية.

      نسبة المخاطر المنسوبة

      النسبة المئوية للمخاطر المنسوبة (الجزء أو النسبة بين الكسر المسبب والمعرض) هي نسبة الحالات بين المجموعة المعرضة التي يُفترض أن تُعزى إلى التعرض. يفترض هذا المقياس أن مستوى الخطر بين المجموعة غير المعرضة (الذين يُعتبرون أن لديهم خط الأساس أو خطر الإصابة بالمرض) ينطبق أيضًا على المجموعة المعرضة ، بحيث إفراط يجب أن يعزى الخطر إلى التعرض. يمكن حساب نسبة المخاطرة المنسوبة بأي من الصيغ المكافئة جبريًا التالية:

      النسبة المئوية للمخاطر المنسوبة = (خطر مكشوف / مخاطرة غير مكشوف) / مخاطرة مكشوف = (RR & ndash1) / RR

      في دراسة مراقبة الحالة & ndash ، إذا كان OR هو تقدير تقريبي معقول لـ RR ، يمكن حساب النسبة المئوية للمخاطر المنسوبة من OR.

      نسبة المخاطرة المنسوبة = (OR & ndash1) / OR

      في حالة تفشي المرض ، يمكن استخدام النسبة المئوية للمخاطر المنسوبة لتحديد مقدار عبء المرض الذي يمكن أن يُعزى إلى التعرض الخاص.

      الكسر الذي تم منعه بين المجموعة المعرضة (فعالية اللقاح)

      يمكن حساب الجزء الذي تم منعه بين المجموعة المعرضة عندما يكون RR أو OR أقل من 1.0. هذا المقياس هو نسبة الحالات المحتملة التي يمنعها التعرض المفيد (على سبيل المثال ، الناموسيات التي تمنع لدغات البعوض أثناء الليل ، وبالتالي الملاريا). يمكن اعتباره أيضًا نسبة الحالات الجديدة التي كانت ستحدث في غياب التعرض المفيد. جبريًا ، الجزء الذي تم منعه بين السكان المعرضين مطابق لفعالية اللقاح.

      الكسر الذي تم منعه بين المجموعة المعرضة = فعالية اللقاح = (خطر مكشوف / مخاطرة غير مكشوف) / = خطر غير مكشوف = 1 RR

      يعرض المنشور 8.5 بيانات من فاشية الحماق (جدري الماء) في مدرسة ابتدائية في نبراسكا في عام 2004 (5). كان خطر الإصابة بالحماق 13.6٪ بين الأطفال الملقحين و 66.7٪ بين الأطفال غير الملقحين. تم حساب فعالية اللقاح بناءً على هذه البيانات (0.667 & ndash 0.130) / 0.667 = 0.805 أو 80.5٪. تشير فعالية هذا اللقاح البالغة 80.5٪ إلى أن التطعيم منع ما يقرب من 80٪ من الحالات التي كانت ستحدث بين الأطفال الملقحين لو لم يتم تطعيمهم.

      حالة التطعيم وظهور الحماق: اندلاع المدرسة الابتدائية (نبراسكا ، 2004)
      مريض نحن سوف مجموع خطر الإصابة بالحماق
      تلقيح 15 100 115 13.0%
      غير مُلقح 18 9 27 66.7%
      مجموع 33 109 142 23.2%

      نسبة الخطر = 13.0 / 66.7 = 0.195 فعالية اللقاح = (66.7 & ناقص 13.0) / 66.7 = 80.5٪.
      مصدر: مقتبس من المرجع 5.

      اختبارات الدلالة الإحصائية

      تُستخدم الاختبارات ذات الأهمية الإحصائية لتحديد مدى احتمالية حدوث النتائج المرصودة بالصدفة وحدها إذا كان التعرض غير مرتبط بالنتيجة الصحية. يصف هذا القسم العوامل الرئيسية التي يجب مراعاتها عند تطبيق الاختبارات الإحصائية على البيانات من جداول ثنائية في اثنين.

      • يبدأ الاختبار الإحصائي بافتراض أن التعرض ، بين السكان المصدر ، لا علاقة له بالمرض. يُعرف هذا الافتراض باسم فرضية العدم. ال فرضية بديلة، والذي سيتم اعتماده إذا ثبت أن الفرضية الصفرية غير قابلة للتصديق ، هو هذا الانكشاف هو المرتبطة بالمرض.
      • بعد ذلك ، احسب مقياس الارتباط (على سبيل المثال ، RR أو OR).
      • بعد ذلك ، اختر اختبار الأهمية الإحصائية واحسبه (على سبيل المثال ، مربع كاي). تقوم Epi Info وبرامج الكمبيوتر الأخرى بإجراء هذه الاختبارات تلقائيًا. يوفر الاختبار احتمال العثور على ارتباط قوي مثل أو أقوى من الذي لوحظ إذا كانت الفرضية الصفرية صحيحة. يسمى هذا الاحتمال قيمة ع.
        • صغير ص القيمة تعني أنه من غير المحتمل أن تلاحظ مثل هذا الارتباط إذا كانت الفرضية الصفرية صحيحة. وبعبارة أخرى ، صغيرة ص تشير القيمة إلى أن الفرضية الصفرية غير قابلة للتصديق ، بالنظر إلى البيانات المتاحة.
        • لو هذا ص القيمة أصغر من القطع المحدد مسبقًا ، يسمى ألفا (عادةً 0.05 أو 5٪) ، فإنك تتجاهل (ترفض) الفرضية الصفرية لصالح الفرضية البديلة. ثم يقال عن الجمعية أن تكون ذات دلالة إحصائية.
        • إذا كان ص القيمة أكبر من الحد الأقصى (على سبيل المثال ، ص value & gt0.06) ، لا ترفض الفرضية الصفرية ، فقد يكون الارتباط الظاهر بمثابة اكتشاف بالصدفة.
        • في اكتب أنا خطأ (وتسمى أيضا خطأ ألفا) ، يتم رفض الفرضية الصفرية عندما تكون في الواقع صحيحة.
        • في النوع الثاني خطأ (وتسمى أيضا خطأ بيتا) ، لا يتم رفض الفرضية الصفرية بينما هي في الحقيقة خاطئة.

        اختبار وتفسير البيانات في جدول اثنين في اثنين

        بالنسبة للبيانات الموجودة في جدول اثنين في اثنين ، تُبلغ Epi Info عن النتائج من اختبارين مختلفين واختبار mdashchi-square واختبار Fisher الدقيق و mdasheach مع الاختلافات (المنشور 8.2). هذه الاختبارات ليست خاصة بأي مقياس معين للارتباط. يمكن استخدام نفس الاختبار بغض النظر عما إذا كنت مهتمًا بـ RR أو OR أو نسبة المخاطر المنسوبة.

        • أي اختبار يجب استخدامه؟
          • إذا كانت القيمة المتوقعة في أي خلية أقل من 5. اختبار فيشر الدقيق هو المعيار المقبول عمومًا عندما تكون القيمة المتوقعة في أي خلية أقل من 5. (تذكر: يمكن تحديد القيمة المتوقعة لأي خلية بضرب إجمالي الصف في إجمالي العمود والقسمة على إجمالي الجدول.)
          • إذا كانت جميع القيم المتوقعة في جدول اثنين في اثنين هي 5 أو أكبر. اختر أحد اختبارات مربع كاي. لحسن الحظ ، بالنسبة لمعظم التحليلات ، توفر صيغ مربع كاي الثلاثة ص القيم المتشابهة بدرجة كافية لاتخاذ نفس القرار فيما يتعلق بالفرضية الصفرية بناءً على الثلاثة. ومع ذلك ، عندما تشير الصيغ المختلفة إلى قرارات مختلفة (عادةً عندما تكون الثلاثة ص القيم تقريبًا 0.05) ، مطلوب الحكم الوبائي. يفضل بعض علماء الأوبئة الميدانيين معادلة ييتس المصححة لأن احتمال ارتكابهم لخطأ من النوع الأول أقل احتمالًا (ولكن من المرجح أن يرتكبوا خطأ من النوع الثاني). يقر البعض الآخر بأن تصحيح Yates غالبًا ما يعوض بشكل مفرط ، لذلك يفضلون الصيغة غير المصححة. اعتاد علماء الأوبئة الذين يجرون تحليلات طبقية في كثير من الأحيان على استخدام صيغة Mantel-Haenszel ، لذلك فهم يميلون إلى استخدام هذه الصيغة حتى للجداول البسيطة ثنائية × اثنين.
          • مقياس الارتباط. تعكس مقاييس الارتباط (على سبيل المثال ، RRs و ORs) قوة الارتباط بين التعرض والمرض. عادة ما تكون هذه المقاييس مستقلة عن حجم الدراسة ويمكن اعتبارها أفضل تخمين لدرجة الارتباط الحقيقية بين السكان المصدر. ومع ذلك ، لا يعطي المقياس أي مؤشر على موثوقيته (أي مقدار الإيمان الذي يجب وضعه فيه).
          • اختبار الأهمية. في المقابل ، يوفر اختبار الأهمية مؤشراً لمدى احتمالية أن يكون الارتباط الملحوظ نتيجة للصدفة. على الرغم من أن إحصاء اختبار مربع كاي يتأثر بحجم الارتباط وحجم الدراسة ، إلا أنه لا يميز مساهمة كل منهما. وبالتالي ، فإن مقياس الارتباط واختبار الأهمية (أو CI انظر فترات الثقة لمقاييس الارتباط) يوفر معلومات تكميلية.
          • دور الدلالة الإحصائية. لا تشير الدلالة الإحصائية في حد ذاتها إلى ارتباط السبب والنتيجة. قد يمثل الارتباط المرصود بالفعل ارتباطًا سببيًا ، ولكنه قد ينتج أيضًا عن الصدفة ، أو التحيز في الاختيار ، أو تحيز المعلومات ، أو الارتباك ، أو مصادر أخرى للخطأ في تصميم الدراسة و rsquos أو التنفيذ أو التحليل. يتعلق الاختبار الإحصائي فقط بدور الصدفة في شرح ارتباط مرصود ، وتشير الأهمية الإحصائية فقط إلى أن الصدفة هي تفسير غير محتمل ، وإن لم يكن مستحيلًا ، للارتباط. الحكم الوبائي مطلوب عند النظر في هذه المعايير وغيرها لاستنتاج السببية (على سبيل المثال ، اتساق النتائج مع تلك من الدراسات الأخرى ، أو الارتباط الزمني بين التعرض والمرض ، أو المعقولية البيولوجية).
          • آثار الصحة العامة ذات الدلالة الإحصائية. أخيرًا ، الدلالة الإحصائية لا تعني بالضرورة أهمية الصحة العامة. مع وجود دراسة كبيرة ، قد يكون الارتباط الضعيف مع القليل من الصحة العامة أو الصلة السريرية مهمًا من الناحية الإحصائية.الأكثر شيوعًا ، إذا كانت الدراسة صغيرة ، فقد يفشل ارتباط الصحة العامة أو الأهمية السريرية في الوصول إلى أهمية إحصائية.

          فترات الثقة لمقاييس الارتباط

          تتطلب العديد من المجلات الطبية والصحية العامة الآن وصف الجمعيات بمقاييس الارتباط و CIs بدلاً من وصفها ص القيم أو الاختبارات الإحصائية الأخرى. يوفر مقياس الارتباط مثل RR أو OR قيمة واحدة (تقدير النقطة) التي تحدد بشكل أفضل الارتباط بين التعرض والنتيجة الصحية. يوفر CI تقديرًا للفاصل الزمني أو نطاقًا للقيم التي تقر بعدم اليقين في تقدير نقطة الرقم الفردي ، خاصةً تلك التي تستند إلى عينة من السكان.

          فترة الثقة 95٪

          يعرّف الإحصائيون 95٪ CI على أنه الفاصل الزمني الذي سيشمل أو يغطي ، قيمة الارتباط الحقيقية 95٪ من الوقت ، بالنظر إلى أخذ العينات المتكرر لمجتمع المصدر. المفهوم الوبائي لـ 95٪ CI هو أنه يتضمن مجموعة من القيم المتوافقة مع البيانات الواردة في الدراسة (6).

          العلاقة بين اختبار Chi-Square وفاصل الثقة

          يرتبط اختبار chi-square و CI ارتباطًا وثيقًا. يستخدم اختبار مربع كاي البيانات المرصودة لتحديد الاحتمال (ص value) تحت فرضية العدم ، ويرفض المرء الفرضية الصفرية إذا كان الاحتمال أقل من alpha (على سبيل المثال ، 0.05). يستخدم CI قيمة احتمالية محددة مسبقًا ، alpha (على سبيل المثال ، 0.05) ، لتحديد حدود الفاصل الزمني (1 & ناقص alpha = 0.95) ، ويرفض المرء الفرضية الصفرية إذا لم يتضمن الفاصل الزمني قيمة الارتباط الفارغة. كلاهما يشير إلى دقة الارتباط الملحوظ يتأثر كلاهما بحجم الارتباط وحجم مجموعة الدراسة. على الرغم من أن كلاهما يقيس الدقة ، لا يعالج أي منهما الصلاحية (عدم التحيز).

          تفسير فترة الثقة

          • معنى فترة الثقة. يمكن اعتبار CI كمجموعة من القيم المتوافقة مع البيانات الواردة في الدراسة. لنفترض أن دراسة أجريت محليًا تنتج RR 4.0 للارتباط بين تعاطي المخدرات عن طريق الوريد والمرض X يتراوح 95٪ CI من 3.0 إلى 5.3. من تلك الدراسة ، فإن أفضل تقدير للعلاقة بين تعاطي المخدرات عن طريق الوريد والمرض X بين عامة السكان هو 4.0 ، لكن البيانات متوافقة مع القيم في أي مكان من 3.0 إلى 5.3. دراسة نفس الارتباط التي أجريت في مكان آخر والتي أسفرت عن RR 3.2 أو 5.2 تعتبر متوافقة ، ولكن الدراسة التي أسفرت عن RR 1.2 أو 6.2 لن تعتبر متوافقة. الآن ضع في اعتبارك دراسة مختلفة تنتج RR 1.0 و CI من 0.9 إلى 1.1 و a ص القيمة = 0.9. بدلاً من تفسير هذه النتائج على أنها غير مهمة وغير مفيدة ، يمكنك أن تستنتج أن التعرض لا يزيد ولا يقلل من خطر الإصابة بالمرض. يمكن أن تكون هذه الرسالة مطمئنة إذا كان الانكشاف مصدر قلق للجمهور القلق. وبالتالي ، فإن القيم المضمنة في CI والقيم المستبعدة بواسطة CI توفر كلاهما معلومات مهمة.
          • عرض فاصل الثقة. يعكس عرض CI (أي القيم المضمنة) الدقة التي يمكن بها للدراسة تحديد الارتباط. يعكس CI الواسع قدرًا كبيرًا من التباين أو عدم الدقة. يعكس CI الضيق تباينًا أقل ودقة أعلى. عادة ، كلما زاد عدد الموضوعات أو الملاحظات في الدراسة ، زادت الدقة وأضيق CI.
          • علاقة فاصل الثقة بفرضية العدم. نظرًا لأن CI يعكس نطاق القيم المتوافقة مع البيانات الموجودة في دراسة ما ، يمكن استخدام CI كبديل للاختبار الإحصائي (أي لتحديد ما إذا كانت البيانات متوافقة مع فرضية العدم). تذكر: تحدد الفرضية الصفرية أن RR أو OR يساوي 1.0 وبالتالي ، فإن CI الذي يتضمن 1.0 متوافق مع فرضية العدم. هذا يعادل استنتاج أن الفرضية الصفرية لا يمكن رفضها. في المقابل ، تشير CI التي لا تتضمن 1.0 إلى أنه يجب رفض الفرضية الصفرية لأنها غير متوافقة مع نتائج الدراسة. وبالتالي ، يمكن استخدام CI كاختبار بديل ذي دلالة إحصائية.

          فترات الثقة في إعداد تفشي الأمراض المنقولة بالغذاء

          في حالة تفشي الأمراض المنقولة بالغذاء ، يكون الهدف هو تحديد الطعام أو أي وسيلة أخرى تسببت في المرض. في هذا الإعداد ، يتم حساب مقياس الارتباط (على سبيل المثال ، RR أو OR) لتحديد الطعام (الأطعمة) أو المواد الاستهلاكية الأخرى ذات القيم العالية التي ربما تسببت في تفشي المرض. لا يهتم المحقق عادة إذا كانت نسبة الاختطار النسبية لعنصر غذائي معين هي 5.7 أو 9.3 ، فقط لأن RR مرتفع ومن غير المحتمل أن يكون سببًا بالصدفة ، وبالتالي ، يجب تقييم العنصر بشكل إضافي. لهذا الغرض ، تقدير النقطة (RR أو OR) زائد أ ص القيمة كافية و CI غير ضروري.

          بالنسبة للتحقيقات الميدانية التي تهدف إلى تحديد واحد أو أكثر من المركبات أو عوامل الخطر للمرض ، ضع في اعتبارك إنشاء جدول واحد يمكن أن يلخص الارتباطات الخاصة بالتعرضات المتعددة للاهتمام. بالنسبة لاستقصاءات التفشي التي تنتقل عن طريق الأغذية ، يشتمل الجدول عادةً على صف واحد لكل عنصر غذائي وأعمدة لاسم أرقام الطعام للمرضى والأشخاص الذين يتمتعون بصحة جيدة ، من خلال معدلات هجوم استهلاك الغذاء الخاصة بالأغذية (في حالة إجراء دراسة جماعية) RR أو OR تشي سكوير أو ص القيمة وأحيانًا 95٪ CI. عادة ما يكون للطعام الذي يُحتمل أن يكون سببًا للمرض كلتا الخاصيتين التاليتين:

          1. RR مرتفع أو OR أو chi-square (صغير ص القيمة) ، مما يعكس اختلافًا جوهريًا في معدلات الهجوم بين أولئك الذين تناولوا هذا الطعام وأولئك الذين لم يستهلكوه.
          2. وبالتالي ، فإن غالبية المرضى قد تناولوا هذا الطعام ، ويمكن أن يفسر التعرض أو يفسر معظم الحالات إن لم يكن كلها.

          في الملخص التوضيحي الجدول 8.3 ، كان لماء الصنبور أعلى نسبة RR (والوحيد ص value & lt0.05 ، استنادًا إلى 95٪ CI باستثناء 1.0) وقد يمثل 46 من 55 حالة.

          معدلات هجوم التولاريميا الفموي البلعومي ونسب المخاطر حسب مصدر المياه (قرية Sancaktepe ، تركيا ، يوليو و ndash أغسطس 2013)
          عدد الأشخاص المعرضين رقم الأشخاص غير معرضين
          تعرض مريض نحن سوف مجموع معدل الهجوم (٪) مريض نحن سوف مجموع معدل الهجوم (٪) نسبة المخاطرة (95٪ CI)
          مقبض 46 127 173 27 9 76 85 11 2.5 (1.3 & ndash4.9)
          نحن سوف 2 6 8 25 53 198 250 21 1.2 (0.4 & ndash4.0)
          ربيع 25 111 136 18 30 92 122 25 0.7 (0.5 & ndash1.2)
          زجاجة 5 26 31 16 50 177 227 22 0.7 (0.3 & ndash1.7)
          آخر 2 6 8 25 53 198 250 21 1.2 (0.4 & ndash4.0)

          الاختصار: CI ، فاصل الثقة.
          مصدر: مقتبس من المرجع 1.

          التقسيم الطبقي هو فحص ارتباط التعرض والمرض في فئتين أو أكثر (طبقات) لمتغير ثالث (على سبيل المثال ، العمر). إنها أداة مفيدة لتقييم ما إذا كان محير موجود ، وإذا كان يتحكم فيه. التقسيم الطبقي هو أيضًا أفضل طريقة لتحديد الهوية تعديل التأثير. يتم تناول كل من تعديل الإرباك والتأثير في الأقسام التالية.

          يعتبر التقسيم الطبقي أيضًا طريقة فعالة لفحص آثار تعرضين مختلفين على المرض. على سبيل المثال ، في حالة تفشي الأمراض المنقولة بالغذاء ، قد يبدو أن هناك نوعان من الأطعمة مرتبطان بالمرض على أساس نسب نسبية مرتفعة أو نسب أرجحية. من المحتمل أن كلا الطعامين كانا ملوثين أو يشتملان على نفس المكون الملوث. بدلاً من ذلك ، ربما تم تناول الطعامين معًا (على سبيل المثال ، زبدة الفول السوداني والهلام أو الكعك والحليب) ، مع تلوث واحد فقط والآخر مذنب بالارتباط. التقسيم الطبقي هو إحدى الطرق للتخلص من تأثيرات هذين الأطعمة.

          1. RR مرتفع أو OR أو chi-square (صغير ص القيمة) ، مما يعكس اختلافًا جوهريًا في معدلات الهجوم بين أولئك الذين تناولوا هذا الطعام وأولئك الذين لم يستهلكوه.
          2. وبالتالي ، فإن غالبية المرضى قد تناولوا هذا الطعام ، ويمكن أن يفسر التعرض أو يفسر معظم الحالات إن لم يكن كلها.

          في الملخص التوضيحي الجدول 8.3 ، كان لماء الصنبور أعلى نسبة RR (والوحيد ص value & lt0.05 ، استنادًا إلى 95٪ CI باستثناء 1.0) وقد يمثل 46 من 55 حالة.

          التحليل الطبقي

          التقسيم الطبقي هو فحص ارتباط التعرض والمرض في فئتين أو أكثر (طبقات) لمتغير ثالث (على سبيل المثال ، العمر). إنها أداة مفيدة لتقييم ما إذا كان محير موجود ، وإذا كان يتحكم فيه. التقسيم الطبقي هو أيضًا أفضل طريقة لتحديد الهوية تعديل التأثير. يتم تناول كل من تعديل الإرباك والتأثير في الأقسام التالية.

          يعتبر التقسيم الطبقي أيضًا طريقة فعالة لفحص آثار تعرضين مختلفين على المرض. على سبيل المثال ، في حالة تفشي الأمراض المنقولة بالغذاء ، قد يبدو أن هناك نوعان من الأطعمة مرتبطان بالمرض على أساس نسب نسبية مرتفعة أو نسب أرجحية. من المحتمل أن كلا الطعامين كانا ملوثين أو يشتملان على نفس المكون الملوث. بدلاً من ذلك ، ربما تم تناول الطعامين معًا (على سبيل المثال ، زبدة الفول السوداني والهلام أو الكعك والحليب) ، مع تلوث واحد فقط والآخر مذنب بالارتباط. التقسيم الطبقي هو إحدى الطرق للتخلص من تأثيرات هذين الأطعمة.

          تكوين طبقات من طاولتين في اثنين

          • أولاً ، ضع في اعتبارك فئات المتغير الثالث.
            • للتقسيم الطبقي حسب الجنس ، قم بإنشاء جدول اثنين في اثنين للذكور وجدول آخر للإناث.
            • للتقسيم الطبقي حسب العمر ، حدد الفئات العمرية ، وتأكد من عدم تداخل الأعمار ، ثم أنشئ جدولًا منفصلاً من اثنين إلى اثنين لكل فئة عمرية.
            • على سبيل المثال ، البيانات الواردة في الجدول 8.2 مقسمة حسب الجنس في المنشورات 8.6 و 8.7. معدل RR لشرب مياه الصنبور والإصابة بالتولاريميا الفموي البلعومي هو 2.3 بين الإناث و 3.6 بين الذكور ، لكن التقسيم الطبقي يسمح لك أيضًا برؤية أن النساء معرضات لخطر أكبر من الرجال ، بغض النظر عن استهلاك ماء الصنبور.

            جدول اثنين في أربعة

            تعد الجداول الطبقية (على سبيل المثال ، المنشورات 8.6 و 8.7) مفيدة عندما لا يكون متغير التقسيم الطبقي ذا أهمية أساسية (أي لا يتم فحصه كسبب لتفشي المرض). ومع ذلك ، عندما يكون كل من التعريضين هما السبب ، يكون جدول 2 × 4 أفضل لفك تشابك تأثيرات المتغيرين. ضع في اعتبارك دراسة حالة و ndashcontrol لتفشي التهاب الكبد A الافتراضي الذي أدى إلى ارتفاع نسب الأرجحية لكل من الكعك (OR = 6.0) والحليب (OR = 3.9). البيانات المنظمة في جدول اثنين في أربعة (النشرة 8.8) تفصل بين تأثيرات اثنين من الأطعمة والتعرض للدونات وحده يرتبط ارتباطًا وثيقًا بالمرض (نسبة الأرجحية = 6.0) ، لكن التعرض للحليب وحده ليس (OR = 1.0).

            عندما يتسبب نوعان من الأطعمة في المرض و [مدش] ، على سبيل المثال عندما يكون كلاهما ملوثًا أو يحتوي على مكون مشترك و [مدش] ، فإن جدول 2 × 4 هو أفضل طريقة لمعرفة آثارهما الفردية والمفصلية.

            استهلاك مياه الصنبور ومخاطر اكتساب التولاريميا الفموي البلعومي بين النساء (قرية Sancaktepe ، تركيا ، يوليو و ndash 2013)
            شربت ماء الصنبور؟ مريض نحن سوف مجموع معدل الهجوم (٪) نسبة خطر
            نعم 30 60 90 33.3 2.3
            لا 7 41 48 14.6
            مجموع 37 101 138 37.9
            استهلاك مياه الصنبور ومخاطر الإصابة بداء التولاريميا الفموي البلعومي بين الرجال (قرية Sancaktepe ، تركيا ، يوليو و - أغسطس 2013)
            شربت ماء الصنبور؟ مريض نحن سوف مجموع معدل الهجوم (٪) نسبة خطر
            نعم 16 67 83 19.3 3.6
            لا 2 35 37 5.4
            مجموع 18 102 120 15.0

            مصدر: مقتبس من المرجع 1.

            عرض جدول اثنين في أربعة للارتباط بين التهاب الكبد A واستهلاك الكعك والحليب: دراسة حالة و ndash للتحكم من اندلاع افتراضي
            دونات لبن حالات ضوابط نسبة الاحتمالات
            نعم نعم 36 18 6.0
            لا نعم 1 3 1.0
            نعم لا 4 2 6.0
            لا لا 9 27 1.0 (المرجع)
            مجموع 50 50

            نسبة الأرجحية الخام للدونات = 6.0 نسبة الأرجحية الخام للحليب = 3.9.

            المربك هو تشويه الانكشاف والنتيجة بتأثير عامل ثالث (أ محير). قد يكون العامل الثالث مربكًا إذا كان كذلك

            • يرتبط مع النتيجة المستقلة عن التعرض و [مدش] أي ، يجب أن يكون عامل خطر مستقل و ،
            • يرتبط بالتعرض ولكنه ليس نتيجة له.

            ضع في اعتبارك دراسة جماعية افتراضية بأثر رجعي للوفيات بين موظفي التصنيع والتي حددت أن العمال المشاركين في عملية التصنيع كانوا أكثر عرضة للوفاة خلال فترة المتابعة مقارنةً بعاملي المكاتب ومندوبي المبيعات في نفس الصناعة.

            • قد تُعزى الزيادة في معدل الوفيات بشكل انعكاسي إلى تعرض واحد أو أكثر أثناء عملية التصنيع.
            • ومع ذلك ، إذا كان متوسط ​​عمر عمال التصنيع أكبر بـ 15 عامًا من العمال الآخرين ، فمن المتوقع بشكل معقول أن تكون الوفيات أعلى بين العمال الأكبر سنًا.
            • في هذه الحالة ، من المحتمل أن يكون العمر عاملًا محيرًا يمكن أن يمثل على الأقل بعضًا من الوفيات المتزايدة. (لاحظ أن العمر يفي بالمعيارين الموصوفين سابقًا: زيادة العمر يرتبط بزيادة معدل الوفيات ، بغض النظر عن المهنة ، وفي تلك الصناعة ، كان العمر مرتبطًا بالوظيفة وعلى وجه التحديد ، كان موظفو التصنيع أكبر سناً من عمال المكتب).

            لسوء الحظ ، الارتباك أمر شائع. الخطوة الأولى في التعامل مع الالتباس هي البحث عنه. إذا تم تحديد التباس ، فإن الخطوة الثانية هي التحكم في تأثيره المشوه أو ضبطه باستخدام الأساليب الإحصائية المتاحة.

            أبحث عن الخلط

            الطريقة الأكثر شيوعًا للبحث عن الالتباس هي تقسيم التعرض و ndashout النتيجة المرتبطة بالفائدة بواسطة المتغير الثالث المشتبه في كونه مؤثرًا.

            • للتقسيم الطبقي (انظر القسم السابق) ، قم بإنشاء جدولين منفصلين لكل فئة أو طبقة من المُربِك المشتبه به ، وضع في اعتبارك ما يلي عند تقييم الإرباك المشتبه به:
              • نظرًا لأن أحد المعيارين للمتغير المربك هو أنه يجب أن يكون مرتبطًا بالنتيجة ، يجب أن تتضمن قائمة الإرباكات المحتملة عوامل الخطر المعروفة للمرض. يجب أن تتضمن القائمة أيضًا متغيرات مطابقة. نظرًا لأن العمر غالبًا ما يكون مؤثرًا على الارتباك ، فيجب اعتباره مؤثرًا محتملاً في أي مجموعة بيانات.
              1. إذا كانت نسبة المخاطرة الخام أو نسبة الأرجحية خارج نطاق تلك الخاصة بالطبقة.
              2. إذا كانت نسبة المخاطرة الخام أو نسبة الأرجحية تختلف عن Mantel-Haenszel المعدلة بنسبة & gt10٪ أو & gt20٪.

              السيطرة على الارتباك

              • تتمثل إحدى طرق التحكم في الخلط في حساب RR الملخص أو OR على أساس المتوسط ​​المرجح للبيانات الخاصة بالطبقة. تعتبر تقنية Mantel-Haenszel (6) طريقة شائعة لأداء هذه المهمة.
              • الطريقة الثانية هي استخدام نموذج الانحدار اللوجستي الذي يتضمن التعرض للفائدة وواحد أو أكثر من المتغيرات المربكة. ينتج النموذج تقديرًا لـ OR الذي يتحكم في تأثير المتغير (المتغيرات) المربكة.

              تعديل التأثير أو تعديل قياس التأثير يعني أن درجة الارتباط بين التعرض والنتيجة تختلف باختلاف المجموعات السكانية. على سبيل المثال ، عادةً ما يكون لقاح الحصبة فعالاً للغاية في الوقاية من المرض إذا تم إعطاؤه للأطفال الذين تبلغ أعمارهم 12 شهرًا أو أكثر ولكنه أقل فعالية إذا تم إعطاؤه قبل سن 12 شهرًا. وبالمثل ، يمكن أن يسبب التتراسيكلين تبقع الأسنان بين الأطفال ، ولكن ليس البالغين. في كلا المثالين ، فإن ارتباط (أو تأثير) التعرض (لقاح الحصبة أو التتراسيكلين) هو دالة لمتغير ثالث (العمر في كلا المثالين) أو يتم تعديله بواسطته.

              نظرًا لأن تعديل التأثير يعني تأثيرات مختلفة بين المجموعات المختلفة ، فإن الخطوة الأولى في البحث عن تعديل التأثير هي التقسيم الطبقي لترابط التعرض والنتيجة ذات الأهمية من خلال المتغير الثالث المشتبه في أنه معدل التأثير. بعد ذلك ، احسب مقياس الارتباط (على سبيل المثال ، RR أو OR) لكل طبقة. أخيرًا ، قم بتقييم ما إذا كانت مقاييس الارتباط الخاصة بالطبقة تختلف اختلافًا كبيرًا باستخدام إحدى الطريقتين.

              1. افحص مقاييس الارتباط الخاصة بالطبقة. هل هي مختلفة بما يكفي لتكون ذات أهمية صحية عامة أو علمية؟
              2. حدد ما إذا كان التباين في حجم الارتباط ذا دلالة إحصائية باستخدام اختبار Breslow-Day لتجانس نسب الأرجحية أو عن طريق اختبار مصطلح التفاعل في الانحدار اللوجستي.

              إذا كان تعديل التأثير موجودًا ، فقم بتقديم كل نتيجة خاصة بالطبقة بشكل منفصل.

              في علم الأوبئة ، الاستجابة للجرعة يعني زيادة المخاطر على النتائج الصحية مع زيادة (أو ، من أجل التعرض الوقائي ، النقصان) مقدار التعرض. ينعكس مقدار التعرض كمية التعرض (على سبيل المثال ، مليغرام من حمض الفوليك أو عدد ملاعق الآيس كريم المستهلكة) ، أو مدة التعرض (على سبيل المثال ، عدد الأشهر أو سنوات التعرض) ، أو كليهما.

              يعد وجود تأثير الاستجابة للجرعة أحد المعايير المعترف بها جيدًا لاستنتاج السببية. لذلك ، عندما يتم تحديد ارتباط بين التعرض والنتيجة الصحية بناءً على RR المرتفع أو OR ، ففكر في تقييم تأثير الاستجابة للجرعة.

              كما هو الحال دائمًا ، فإن الخطوة الأولى هي تنظيم البيانات. أحد الأشكال الملائمة هو جدول 2 × H ، حيث يمثل H فئات أو جرعات التعرض. يمكن حساب RR لدراسة جماعية أو OR لدراسة الحالة و ndashcontrol لكل جرعة بالنسبة لأقل جرعة أو المجموعة غير المعرضة (لوحة 8.9). يمكن حساب CIs لكل جرعة. يمكن أن توفر مراجعة البيانات ومقاييس الارتباط في هذا التنسيق وعرض المقاييس بيانياً إحساسًا بوجود ارتباط بين الجرعة والاستجابة. بالإضافة إلى ذلك ، يمكن استخدام الأساليب الإحصائية لتقييم مثل هذه الارتباطات ، حتى عندما يجب مراعاة عوامل الإرباك.

              في علم الأوبئة ، الاستجابة للجرعة يعني زيادة المخاطر على النتائج الصحية مع زيادة (أو ، من أجل التعرض الوقائي ، النقصان) مقدار التعرض. ينعكس مقدار التعرض كمية التعرض (على سبيل المثال ، مليغرام من حمض الفوليك أو عدد ملاعق الآيس كريم المستهلكة) ، أو مدة التعرض (على سبيل المثال ، عدد الأشهر أو سنوات التعرض) ، أو كليهما.

              مخطط البيانات الأساسي لتحليل الأزواج المتطابقة هو جدول ثنائي في اثنين يبدو أنه يشبه الجداول البسيطة التي لا مثيل لها والتي لا مثيل لها والتي تم تقديمها في وقت سابق في هذا الفصل ، ولكنها مختلفة (النشرة 8.10). في جدول اثنين في اثنين من الأزواج المتطابقة ، تمثل كل خلية عدد الأزواج المتطابقة التي تفي بمعايير الصف والعمود. في جدول اثنين في اثنين غير المتطابق ، تمثل كل خلية عدد الأشخاص الذين يستوفون المعايير.

              تخطيط البيانات والترميز لجدول الاستجابة للجرعة
              جرعة مريض أو حالة حسنًا أو تحكمًا مجموع مخاطرة نسبة خطر نسبة الاحتمالات
              الجرعة 3 أ3 ب3 ح3 أ3/ ح3 مخاطرة3/ مخاطرة0 أ3د / ب3ج
              الجرعة 2 أ2 ب2 ح2 أ2/ ح2 مخاطرة2/ مخاطرة0 أ2د / ب2ج
              الجرعة 1 أ1 ب1 ح1 أ1/ ح1 مخاطرة1/ مخاطرة0 أ1د / ب1ج
              جرعة 0 ج د ح0 ج / ح0 1.0 (المرجع) 1.0 (المرجع)
              مجموع الخامس1 الخامس0

              في النشرة رقم 8.10 ، الخلية ه يحتوي على عدد الأزواج التي يتعرض فيها مريض الحالة والخلية المكشوفة F يحتوي على عدد الأزواج مع خلية مريض مكشوف وخلية غير معرّضة ز يحتوي على عدد الأزواج مع مريض حالة غير معرَّض وعنصر تحكم مكشوف وخلية ح يحتوي على عدد الأزواج التي لا يتعرض فيها مريض الحالة ولا عنصر التحكم المطابق. الخلايا ه و ح وتسمى أزواج متوافقة لأن مريض الحالة والمجموعة الضابطة في نفس فئة التعرض. الخلايا F و ز وتسمى أزواج متنافرة.

              تخطيط البيانات والترميز لجدول ثنائي في اثنين من الأزواج المتطابقة
              حالات ضوابط مكشوفة الضوابط غير مكشوفة مجموع
              المكشوف ه F ه + و
              غير معرّض ز ح ز + ح
              مجموع البريد + ز و + ح أزواج e + f + g + h

              في تحليل الزوج المتطابق ، يتم استخدام الأزواج المتباينة فقط لحساب OR. يتم حساب OR كنسبة الأزواج المتنافرة.

              يعد اختبار McNemar chi-square اختبار الأهمية لتحليل الأزواج المتطابقة.

              تعرض النشرة رقم 8.11 بيانات من دراسة الحالة الكلاسيكية المتوافقة مع الزوج ودراسة التحكم ndashcontrol التي أُجريت في عام 1980 لتقييم الارتباط بين استخدام السدادات القطنية ومتلازمة الصدمة السامة (7).

              الاستخدام المستمر للسدادات القطنية أثناء فترة الحيض للمؤشر: مراكز السيطرة على الأمراض ومتلازمة الصدمة السامة (الزوج المتطابق) ودراسة حالة ndashControl ، 1980
              حالات ضوابط مكشوفة الضوابط غير مكشوفة مجموع
              المكشوف 33 9 42
              غير معرّض 1 1 2
              مجموع 34 10 44 زوجا

              نسبة الأرجحية = 9/1 = 9.0 اختبار McNemar chi-square غير المصحح = 6.40 (p = 0.01).
              مصدر: مقتبس من المرجع 7.

              • مجموعات متطابقة أكبر ومطابقة متغيرة. في بعض الدراسات ، تم مطابقة اثنين أو ثلاثة أو أربعة أو عدد متغير من عناصر التحكم مع مرضى الحالات. أفضل طريقة لتحليل هذه المجموعات المتطابقة الأكبر أو المتغيرة هي اعتبار كل مجموعة (على سبيل المثال ، ثلاثي أو رباعي) كطبقة فريدة ثم تحليل البيانات باستخدام أساليب Mantel-Haenszel أو الانحدار اللوجستي لتلخيص الطبقات (انظر التحكم من أجل محيرة).
              • هل يتطلب التصميم المطابق تحليلًا متطابقًا؟ عادة نعم. في دراسة مطابقة الزوج ، إذا كانت الأزواج فريدة (على سبيل المثال ، الأشقاء أو الأصدقاء) ، يلزم إجراء تحليل المطابقة الزوجية. إذا كانت الأزواج تستند إلى خاصية غير فريدة (على سبيل المثال ، الجنس أو الصف في المدرسة) ، فيمكن تجميع جميع مرضى الحالة وجميع عناصر التحكم من نفس الطبقة (الجنس أو الصف) معًا ، ويمكن أن يكون التحليل الطبقي إجراء.

              في الممارسة العملية ، يقوم بعض علماء الأوبئة بإجراء التحليل المتطابق ولكن بعد ذلك يقومون بإجراء تحليل لا مثيل له على نفس البيانات. إذا كانت النتائج متشابهة ، فقد يختارون تقديم البيانات بطريقة لا مثيل لها. في معظم الحالات ، سيكون OR غير المتطابق أقرب إلى 1.0 من OR المتطابق (انحياز تجاه القيمة الخالية). قد يكون هذا التحيز ، المرتبط بالارتباك ، إما تافهًا أو جوهريًا. يمكن أن تكون نتيجة اختبار مربع كاي من البيانات غير المتطابقة مضللة بشكل خاص لأنها عادة ما تكون أكبر من نتيجة اختبار McNemar من البيانات المتطابقة. إن قرار استخدام التحليل المطابق أو التحليل غير المطابق مماثل لقرار تقديم النتائج الأولية أو المعدلة يجب استخدام الحكم الوبائي لتجنب تقديم نتائج غير متطابقة ومضللة.

              الانحدار اللوجستي

              في السنوات الأخيرة ، أصبح الانحدار اللوجستي أداة قياسية في مجموعة أدوات عالم الأوبئة و rsquos لأن البرامج سهلة الاستخدام أصبحت متاحة على نطاق واسع وأصبحت قدرتها على تقييم تأثيرات المتغيرات المتعددة موضع تقدير. الانحدار اللوجستي هي طريقة نمذجة إحصائية مماثلة للانحدار الخطي ولكن لنتيجة ثنائية (على سبيل المثال ، مريض / بئر أو حالة / تحكم). كما هو الحال مع أنواع الانحدار الأخرى ، يتم نمذجة النتيجة (المتغير التابع) كدالة لمتغير واحد أو أكثر من المتغيرات المستقلة. تتضمن المتغيرات المستقلة التعرض (التعرض) للفائدة ، وفي كثير من الأحيان ، الإرباكات وشروط التفاعل.

              • تناسب حزمة البرامج البيانات مع النموذج اللوجستي وتوفر مخرجات مع معاملات بيتا لكل مصطلح مستقل.
                • يساوي أسي معامل بيتا (e & beta) معامل OR لذلك المتغير مع التحكم في تأثيرات جميع المتغيرات الأخرى في النموذج.
                • إذا كان النموذج يتضمن فقط متغير النتيجة ومتغير التعرض الأساسي المشفر كـ (0،1) ، يجب أن تساوي e & beta قيمة OR التي يمكنك حسابها من جدول اثنين في اثنين. على سبيل المثال ، ينتج عن نموذج الانحدار اللوجستي لبيانات التولاريميا الفموي البلعومي مع ماء الصنبور باعتباره المتغير المستقل الوحيد قيمة OR تبلغ 3.06 ، وهي نفس القيمة تمامًا للقيمة العشرية الثانية مثل OR الخام. وبالمثل ، فإن النموذج الذي يتضمن كلاً من ماء الصنبور والجنس كمتغيرات مستقلة ينتج عنه نسبة تشغيل لمياه الصنبور تبلغ 3.24 ، وهي مطابقة تقريبًا لـ Mantel-Haenszel OR للتحكم في مياه الصنبور للجنس 3.26. (لاحظ أن الانحدار اللوجستي يوفر نسب الأرجحية بدلاً من RRs ، وهو ليس مثاليًا لدراسات الأوبئة الميدانية.)

                لا يمكن لأساليب التحليل المتطورة التكفير عن البيانات غير الدقيقة! تقنيات التحليل مثل تلك الموصوفة في هذا الفصل جيدة فقط مثل البيانات التي يتم تطبيقها عليها. تقنيات تحليلية و [مدش] سواء كانت بسيطة ، طبقية ، أو نمذجة و [مدش] المعلومات في متناول اليد. إنهم لا يعرفون أو يقيمون ما إذا تم اختيار مجموعة المقارنة الصحيحة ، أو كان معدل الاستجابة مناسبًا ، أو تم تحديد التعرض والنتيجة بدقة ، أو كان إدخال البيانات وترميزها خاليين من الأخطاء. التقنيات التحليلية هي مجرد أدوات يتحمل المحلل مسؤولية معرفة جودة البيانات وتفسير النتائج بشكل مناسب.

                يمكن للكمبيوتر معالجة الأرقام بسرعة ودقة أكبر مما يستطيع المحقق يدويًا ، لكن الكمبيوتر لا يمكنه تفسير النتائج. بالنسبة لجدول اثنين في اثنين ، توفر Epi Info كلاً من RR و OR ، ولكن يجب على المحقق اختيار الأفضل بناءً على نوع الدراسة التي تم إجراؤها. بالنسبة لهذا الجدول ، قد يتم رفع RR و OR إلى ص قد تكون القيمة أقل من 0.05 وقد لا تتضمن 95٪ CI 1.0. ومع ذلك ، هل تضمن هذه النتائج الإحصائية أن التعرض هو سبب حقيقي للمرض؟ ليس بالضرورة. على الرغم من أن الارتباط قد يكون سببيًا ، إلا أن العيوب في تصميم الدراسة وتنفيذها وتحليلها يمكن أن تؤدي إلى ارتباطات واضحة هي في الواقع قطع أثرية. يجب تقييم كل من الفرصة ، وتحيز الاختيار ، وتحيز المعلومات ، والارتباك ، وخطأ المحقق على أنها تفسيرات محتملة لارتباط مرصود. تتمثل الخطوة الأولى في تقييم ما إذا كان الارتباط الظاهر حقيقيًا وسببيًا في مراجعة قائمة العوامل التي يمكن أن تسبب ارتباطًا زائفًا ، كما هو مدرج في قائمة مراجعة التفسير الوبائي 1 (المربع 8.4).

                  صدفة
              • التحيز في الاختيار
              • تحيز المعلومات
              • محير
              • خطأ المحقق
              • ارتباط حقيقي
              • قائمة مراجعة التفسير الوبائي 1

                صدفة هو أحد التفسيرات المحتملة للارتباط الملحوظ بين التعرض والنتيجة. بموجب الفرضية الصفرية ، أنت تفترض أن مجتمع الدراسة الخاص بك هو عينة من مجموعة مصدر لا يرتبط فيها هذا التعرض بالمرض ، أي أن RR و OR يساوي 1. يمكن أن يُعزى ارتفاع (أو انخفاض) أو ببساطة إلى التباين بسبب الصدفة؟ يتم تقييم دور الصدفة باستخدام اختبارات الأهمية (أو ، كما لوحظ سابقًا ، من خلال تفسير ضمانات الثقة). الفرصة من غير المرجح شرح إذا

                • ال ص القيمة أقل من alpha (عادةً ما يتم تعيينها على 0.05) ، أو
                • يستثني CI لـ RR أو OR 1.0.

                ومع ذلك ، لا يمكن استبعاد الصدفة تمامًا. حتى لو ص القيمة صغيرة مثل 0.01 ، قد تكون هذه الدراسة هي الدراسة الوحيدة في 100 التي فيها فرضية العدم هو صحيح والمصادفة هو التفسير. لاحظ أن الاختبارات ذات الأهمية لا تُقيِّم إلا دور الصدفة ولا تعالج وجود تحيز في الاختيار أو تحيز المعلومات أو الارتباك أو خطأ المحقق.

                التحيز في الاختيار هو خطأ منهجي في تعيين مجموعات الدراسة أو في تسجيل المشاركين في الدراسة مما يؤدي إلى تقدير خاطئ للتعرض وتأثير rsquos على خطر الإصابة بالمرض. يمكن اعتبار التحيز في الاختيار مشكلة ناتجة عن من يدخل في الدراسة أو كيف. يمكن أن ينشأ التحيز في الاختيار من التصميم الخاطئ لدراسة مراقبة الحالة وندش من خلال ، على سبيل المثال ، استخدام تعريف حالة واسع للغاية (بحيث لا يكون لدى بعض الأشخاص في مجموعة الحالة المرض قيد الدراسة بالفعل) أو مجموعة المراقبة غير المناسبة ، أو متى الحالات التي لا تظهر عليها أعراض لم يتم اكتشافها بين الضوابط. في مرحلة التنفيذ ، يمكن أن ينتج تحيز الاختيار إذا اختار الأشخاص المؤهلون الذين لديهم خصائص تعرض ومرض معينة عدم المشاركة أو لا يمكن تحديد موقعهم. على سبيل المثال ، إذا كان الأشخاص المرضى المعرضون للاهتمام يعرفون فرضية الدراسة وكانوا أكثر استعدادًا للمشاركة من الأشخاص المرضى الآخرين ، فإن الخلية أ في الجدول 2 × 2 سيتم تضخيمه بشكل مصطنع مقارنة بالخلية ج، وسيتم تضخيم OR أيضًا. يتطلب تقييم الدور المحتمل لتحيز الاختيار فحص كيفية تحديد مرضى الحالات والضوابط وتسجيلهم.

                تحيز المعلومات هو خطأ منهجي في جمع البيانات من أو عن المشاركين في الدراسة ينتج عنه تقدير خاطئ للتعرض وتأثير rsquos على خطر الإصابة بالأمراض. قد ينشأ التحيز في المعلومات عن طريق تضمين صياغة أو فهم رديء لسؤال في الاستبيان. المحاور.

                محير هو تشويه ارتباط التعرض والمرض بتأثير عامل ثالث ، كما تمت مناقشته سابقًا في هذا الفصل. لتقييم دور الإرباك ، تأكد من تحديد المربكات المحتملة وتقييمها والتحكم فيها حسب الضرورة.

                خطأ المحقق يمكن أن يحدث في أي خطوة من خطوات التحقيق الميداني ، بما في ذلك التصميم ، والسلوك ، والتحليل ، والتفسير. في التحليل ، يمكن أن تؤدي الفاصلة المنقوطة في غير محلها في برنامج الكمبيوتر أو النسخ الخاطئ لقيمة أو استخدام صيغة خاطئة أو قراءة النتائج بشكل خاطئ إلى ارتباطات فعلية. يتطلب منع هذا النوع من الأخطاء فحصًا صارمًا للعمل ومطالبة الزملاء بمراجعة العمل والاستنتاجات بعناية.

                لإعادة التأكيد ، قبل النظر في ما إذا كان الارتباط سببيًا ، ضع في اعتبارك ما إذا كان يمكن تفسير الارتباط بالصدفة أو تحيز الاختيار أو تحيز المعلومات أو الارتباك أو خطأ المحقق. افترض الآن أن RR المرتفع أو OR لديه صغير ص القيمة و CI الضيقة التي لا تتضمن 1.0 ، وبالتالي ، فإن الصدفة هي تفسير غير مرجح. كانت مواصفات مرضى الحالات والضوابط معقولة وكانت المشاركة جيدة لذلك ، فإن التحيز في الاختيار هو تفسير غير مرجح. تم جمع المعلومات باستخدام استبيان قياسي من قبل محاور ذو خبرة ومدرب جيدًا. تم تقييم الارتباك من عوامل الخطر الأخرى وتحديد عدم وجوده أو السيطرة عليه. تم التحقق من إدخال البيانات والحسابات. ومع ذلك ، قبل استنتاج أن الارتباط سببي ، يجب النظر في قوة الارتباط ، ومعقولية بيولوجية ، والاتساق مع نتائج الدراسات الأخرى ، والتسلسل الزمني ، وترابط الجرعة والاستجابة ، إن وجد (الإطار 8.5).

                  قوة الجمعية
            • المعقولية البيولوجية
            • الاتساق مع الدراسات الأخرى
            • التعرض يسبق المرض
            • تأثير الاستجابة للجرعة
            • قائمة مراجعة التفسير الوبائي 2

              قوة الجمعية يعني أن الارتباط الأقوى له مصداقية سببية أكثر من ارتباط ضعيف. إذا كان RR الحقيقي هو 1.0 ، فإن تحيز الاختيار الدقيق ، أو تحيز المعلومات ، أو الارتباك يمكن أن يؤدي إلى RR بقيمة 1.5 ، ولكن يجب أن يكون التحيز مثيرًا وواضحًا للمحقق لتفسير RR 9.0.

              المعقولية البيولوجية يعني أن الارتباط يتمتع بمصداقية سببية إذا كان متوافقًا مع الفيزيولوجيا المرضية المعروفة ، والمركبات المعروفة ، والتاريخ الطبيعي للنتائج الصحية ، والنماذج الحيوانية ، والعوامل البيولوجية الأخرى ذات الصلة. بالنسبة لمركبة طعام متورطة في تفشي مرض معدي ، هل كان الطعام متورطًا في حالات تفشي سابقة ، أو & mdasheven أفضل & mdashhas تم التعرف على العامل في الطعام؟ على الرغم من أن بعض حالات التفشي ناتجة عن مسببات الأمراض أو المركبات أو عوامل الخطر الجديدة أو التي لم يتم التعرف عليها سابقًا ، إلا أن معظمها ناتج عن تلك التي تم التعرف عليها سابقًا.

              ضع في اعتبارك جالثبات مع دراسات أخرى. هل النتائج متوافقة مع نتائج الدراسات السابقة؟ يكون الاكتشاف أكثر منطقية إذا تم تكراره بواسطة محققين مختلفين باستخدام طرق مختلفة لمختلف المجموعات السكانية.

              التعرض يسبق المرض يبدو واضحًا ، ولكن في دراسة جماعية بأثر رجعي ، قد يكون توثيق أن التعرض يسبق المرض أمرًا صعبًا. لنفترض ، على سبيل المثال ، أن الأشخاص الذين يعانون من نوع معين من اللوكيميا هم أكثر عرضة من مجموعة الضابطة للحصول على أجسام مضادة لفيروس معين. قد يكون من المغري استنتاج أن الفيروس تسبب في الإصابة بسرطان الدم ، ولكن يجب توخي الحذر لأن العدوى الفيروسية قد تكون حدثت بعد ظهور تغيرات اللوكيميا.

              دليل على أ تأثير الاستجابة للجرعة يضيف وزنا للأدلة على السببية. لا يعتبر تأثير الاستجابة للجرعة من الضروري سمة من سمات الارتباط أن تكون سببية قد تظهر بعض الارتباطات السببية تأثيرًا عتبة ، على سبيل المثال. ومع ذلك ، يُعتقد عادة أنه يضيف مصداقية للجمعية.

              في العديد من التحقيقات الميدانية ، قد لا يستوفي الجاني المحتمل جميع المعايير التي تمت مناقشتها في هذا الفصل. ربما كان معدل الاستجابة أقل من المثالي ، ولا يمكن عزل العامل المسبب للمرض عن الطعام المتضمن ، أو لم يتم تحديد استجابة للجرعة. ومع ذلك ، إذا كانت صحة الجمهور و rsquos في خطر ، فلا ينبغي استخدام الفشل في تلبية كل معيار كذريعة للتقاعس عن العمل. كما ذكر جورج كومستوك ، "إن فن التفكير الوبائي هو استخلاص استنتاجات منطقية من البيانات غير الكاملة" (8). بعد كل شيء ، علم الأوبئة الميداني هو أداة للعمل في مجال الصحة العامة لتعزيز وحماية صحة الجمهور و rsquos على أساس العلم (الأساليب الوبائية السليمة) ، والمنطق السببي ، وجرعة صحية من الحس السليم العملي.

              كل عمل علمي غير مكتمل وسواء كان قائما على الملاحظة أو تجريبيا. جميع الأعمال العلمية عرضة للانزعاج أو التعديل من خلال تطوير المعرفة. هذا لا يمنحنا حرية تجاهل المعرفة التي لدينا بالفعل ، أو تأجيل الإجراء الذي يبدو أنه يتطلبه في وقت معين (9).

              & [مدش] السير أوستن برادفورد هيل (1897 و ndash1991) ، الإنجليزية
              عالم الأوبئة والإحصاء


              حلول الويب

              محاولة تطبيق "أفضل الممارسات" الشاملة على هذا السؤال قد تجعلك تنزل في حفرة أرنب بها إجابات نصف مخبوزة. قبل أن تتمكن من الإجابة على أسئلتك ، يجب جمع المتطلبات حول حالة الاستخدام المحددة. على سبيل المثال:

              ما هي أفضل طريقة لإعلام المستخدمين بأن الوحدات المختلفة مدعومة؟ كيف تظهر الوحدات المدعومة؟

              قد يكون عرض جميع أنواع الوحدات أمرًا مربكًا ، خاصةً عندما يستخدم معظم المستخدمين نفس نوع الوحدة. إن تقديم خيار غير ضروري / منتفخ هو تجربة مستخدم سيئة.

              مرة أخرى ، لديك الكثير من الخيارات هنا. يمكنك تقييد المستخدم بنوع معين ، ويمكنك منحهم خيار الاختيار من قائمة معروفة ، ويمكنك تحويلهم تلقائيًا / محاذاةهم إلى وحدة. يتمتع العنصر الأخير بميزة قدرتك على تطبيق حالات / رسالة الخطأ للتنسيقات غير المدعومة ، ويجب إعداد نوع الوحدة الافتراضية لتغطية 90٪ + من حالات الاستخدام.

              هل يجب أن تتغير القيمة تلقائيًا عندما يختار المستخدم وحدة مختلفة؟

              هذا يعتمد. في معظم المجالات العلمية (كلها؟) ، تتطلب المعايير وحدات مترية فقط. إذا قمت بحساب القوة القوة = الكتلة * التسارع ، فقد يكون من المنطقي أن نفكر في الكتلة على أنها كجم وأن التسارع هو م / ث 2. علاوة على ذلك ، إذا كنا نتعامل في حالة الاستخدام الخاصة بي مع أعداد أكبر ، فقد يكون من السخف تضمين دعم التحويل التلقائي من نانومتر إلى كيلومتر ، وأقل بكثير من سنتيمتر إلى كيلومتر.

              مثال أقل تعقيدًا: كم من الوقت تبدو هذه اليرقة؟

              لا أرى أي سبب للسماح بالتحويلات هنا.

              ماذا يجب أن يحدث إذا أزال المستخدم الوحدة تمامًا (إذا كان ذلك ممكنًا) - الوحدة السابقة أو الافتراضية؟

              • يقوم المستخدم ببناء تخطيط الويب. إنهم يختارون عرضًا للحاوية.
              • يشتري المستخدم سروالًا ويريد مقاسًا معينًا للخصر.

              في المثال الأول ، من المهم الحفاظ على الوحدة. في الحالة الثانية ، قد يبيع متجرك السراويل التي تستخدم "البوصات" للمقياس فقط. استخدم المكونات التي تفرض هذه القيود وتقلل من الاختيار / التعقيد بشكل مناسب.

              كيف ستتعامل مع أنواع مختلفة من الوحدات ، أي الوحدات المطلقة والنسبية ، داخل نفس المجال؟ (تخيل أحجام خطوط CSS ، والتي يمكن أن تكون مطلقة أو نسبية بالنسبة المئوية أو الكلمات الرئيسية المطلقة أو الكلمات الرئيسية النسبية أو الكلمات الرئيسية الأخرى.) هل تعتقد أن الخلايا المكتوبة ستعمل بشكل جيد في تطبيقات جداول البيانات؟

              يعد الويب أحد حالات الاستخدام القليلة التي يمكنني تخيلها من قِبل المستخدمين الذين يقدمون قيمًا نسبية. أود أن أزعم أن مستخدمي WYSIWYG سيستخدمون قيمًا نسبية. في الواقع ، لا يستخدم معظمهم قيم البكسل. بشكل عام ، يتم التقاط نقطة أو قيمة ، ويمكن للمستخدم معاينة الحجم ، ويتم تطبيق النمط المرتبط / المحول عند تقديم المحتوى بالفعل. لماذا نقدم التعقيد عندما يهتم مستخدمنا فقط بالحجم الأكبر / الأصغر بالنسبة للحجم داخل المستند الحالي؟

              ألقِ نظرة على أدوات تغيير حجم القماش / الصورة في Adobe Photoshop أو Pixelmator.

              لديهم إجابة لمعظم مخاوفك:

              • ما هي أفضل طريقة لإعلام المستخدمين بأن الوحدات المختلفة مدعومة؟
              • كيف تظهر الوحدات المدعومة؟

              أنها تظهر قائمة منسدلة مع الخيارات

              يتحولون على الفور إلى القيمة الجديدة ، إلا إذا تم تغيير القيمة بالفعل من قبل المستخدم (لمنع فقدان المدخلات).

              • ماذا يجب أن يحدث إذا أزال المستخدم الوحدة تمامًا (إذا كان ذلك ممكنًا) - الوحدة السابقة أو الافتراضية؟

              غير ممكن ، تفرض القائمة المنسدلة اختيار الوحدة

              • كيف ستتعامل مع أنواع مختلفة من الوحدات ، أي الوحدات المطلقة والنسبية ، داخل نفس المجال؟ (تخيل أحجام خطوط CSS ، والتي يمكن أن تكون مطلقة أو نسبية مع النسبة المئوية أو الكلمات الرئيسية المطلقة أو الكلمات الرئيسية النسبية أو الكلمات الرئيسية الأخرى.)

              يتحولون بشكل جيد بين القيم المطلقة والنسبية.

              إذا كان لديك إمكانية تقديم قائمة منسدلة للوحدة ، فسيكون هذا خيارًا أفضل للأسباب المذكورة أعلاه.

              فقط للتوضيح ، يبدو لي أن سؤالك الأساسي حول البيانات المجمعة وحقل نموذج الوحدة يتجاوز الاستخدام في معالج الكلمات لأنك تقول ، "هذا لا يقتصر على حجم الخط ، بالطبع ، ولكنه ينطبق على أي حقل إدخال رقمي حيث تحتوي البيانات على وحدة. حتى في التطبيقات "المترية" ، يمكن للمستخدمين تغيير البادئة ، على سبيل المثال "cm" إلى "mm". " وقمت بالتأكيد على هذا في تعليق على إجابة بالقول إنك تعتقد أنه يمكن إنشاء "عنصر واجهة مستخدم" لـ "حقل نموذج الوحدة والبيانات المدمجة". إذا أسأت الفهم ، فأنت مدعو لتجاهل بقية إجابتي.

              لا أعتقد أن إنشاء أداة مفيدة أمر ممكن. لديك افتراضان أساسيان في السؤال: 1. في عدد كبير من الحالات ، تحتاج الأرقام إلى وحدات للمعنى ، و 2. يمكن للوحدات استخدام أنظمة قياس مختلفة. هذه القواسم المشتركة ليست كافية.

              تكمن المشكلة الأساسية في UI / UX بشكل عام: سيكون لدى المستخدمين المختلفين خلفيات وتوقعات مختلفة حول أي تفاعل تقوم بإنشائه. على سبيل المثال ، يجب عليك إنشاء تفاعل مختلف للمستخدمين ذوي الخبرة مقارنة بغير الخبرة. يجب أن يكون للتطبيق ذو الاستخدام العادي متطلبات مختلفة عن التطبيق الذي يستخدم بكثافة. لن يحتاج المستخدمون المدربون إلى نفس التفاعل مثل المستخدمين عامة. يجب أيضًا مراعاة معايير المنصة ، حيث من المحتمل أن يكون لدى المستخدمين توقعات بناءً على تلك التجارب.

              إذا كان هدفك من طرح هذا السؤال هو العثور على مساعدة في إنشاء مثل هذه الأداة ، فمن المحتمل أن تكون غير راضٍ عن العديد من الإجابات.حتى الإجابة المرضية من المحتمل أن تكون بها أخطاء وإخفاقات ليست واضحة بالضرورة. لدعم جميع الخيارات المختلفة ، سيتطلب عنصر واجهة مستخدم معقد ، وبعد ذلك تحتاج إلى التفكير في الهدف الخاص بهذه الأداة - هل هو مناسب لك أم داخلي لشركة؟ في هذه الحالة ، قد تقضي وقتًا طويلاً في محاولة جعل الأداة مرنة لحالات الاستخدام التي لا تستخدمها ، أو تجعل مشكلتك أكثر تعقيدًا من اللازم من خلال محاولة إنشاء "حل عام". بالنسبة لأداة المطور بشكل عام ، سيكون الاعتماد هو التحدي الذي تواجهه.

              إذا كنت عازمًا على محاولة إنشاء مثل هذه الأداة ، فإليك بعض الاعتبارات التي قد تساعدك على القيام بذلك (أو تقنعك بعدم القيام بذلك) بناءً على أسئلتك:

              بالنسبة إلى الخط ، لديك عدة أمثلة لعمليات التنفيذ مع قائمة قصيرة من الوحدات. لن أناقش الإيجابيات / السلبيات لأنها تعتمد على المتطلبات والمستخدمين المستهدفين والأدوات المتاحة وما إلى ذلك.

              ربما يكون الأهم من ذلك ، في الحالة العامة ، أن بعض خيارات الوحدات تختلف كثيرًا عن 20 حالة أو أكثر. تحتوي الخطوط على عدد قليل من الوحدات المشتركة مقابل المسافة حيث يوجد بسهولة أكثر من 20 ، اعتمادًا على حالة الاستخدام. تتطلب الحالات المتخصصة (على سبيل المثال عوامل الشكل مثل تطبيقات الأجهزة المحمولة مقابل أجهزة الكمبيوتر المكتبية مقابل الأجهزة اللوحية ، وما إلى ذلك) مزيدًا من الاهتمام.

              مرة أخرى ، للحصول على قائمة قصيرة بالوحدات ، قد يكون من الممكن عرض البيانات وجميع الخيارات في وقت واحد باستخدام محدد (أي زر الاختيار). ومع ذلك ، فإن اعتبارات الفضاء قد تجعل ذلك غير عملي. قد تجعل العناصر المجاورة الأخرى ذلك مربكًا أو مفيدًا أيضًا. أيضًا ، اعتمادًا على المستخدمين المحترفين مقابل المستخدمين العاديين ، هناك مشكلة القدرة على الاختيار بسهولة من قائمة طويلة جدًا من الوحدات المألوفة جدًا للمستخدم مقابل الحاجة إلى جعل خيارات الوحدة واضحة.

              يبدو هذا واضحًا ، لكن كما ذكرت ، ليس كذلك. قد يقوم المستخدم بإدخال القيمة ثم يقرر أن الوحدة خاطئة ويريد تغييرها. في حين قد يعتقد المصمم أن التحويل التلقائي يحسن قابلية الاستخدام ، فمن غير المرجح أن يفكر المستخدمون العاديون في الوحدات قبل إدخال مبلغ رقمي في كثير من الحالات. سوف يقوم المستخدم المتميز ببساطة بحفظ كل ما يفعله. قد يقدر المحترف التحويل التلقائي ويستخدمه لأغراض أخرى. وبالمثل ، قد لا يلاحظ المستخدم العادي التغيير التلقائي بينما قد يلاحظ المحترف. باستخدام هذا ، يمكنك أن ترى أن التطبيق الذي يستهدف الجمهور العام يمكن أن يستفيد في بعض الحالات من التغييرات التلقائية ، وفي حالات أخرى لن يستفيد.

              قد تكون إحصاءات الاستخدام و / أو الاختبار تؤدي إلى مجموعة مختلطة من الخيارات حتى على نفس الشاشة ، وهو ما قد يكون سببًا لما حدث في المثال الذي قدمته. قد لا يلاحظ المستخدم العادي أبدًا ما لاحظته - وإذا لم يكن يصل دائمًا إلى تلك المنطقة ، فإن إنشاء "نموذج تفاعل مشترك" هو مجرد هدف تصميم ، وقد لا يساعد المستخدمين في الواقع. سيتكيف "المستخدم المتميز" بناءً على الحاجة إلى القيام بذلك ، مما قد يجعل التفاعلات المختلفة مزعجة ، أو ربما لا يهتمون. إنه أمر مزعج حقًا للأشخاص الذين يلاحظون ويقدرون نمط المستوى الأعلى ، وهو ليس هدف UI / UX بشكل عام.

              • ماذا يجب أن يحدث إذا أزال المستخدم الوحدة تمامًا (إذا كان ذلك ممكنًا) - الوحدة السابقة أو الافتراضية؟

              هذا يعتمد على ما إذا كان للحقل تبعيات قد تخلق مشاكل. يعتمد ذلك أيضًا على ما إذا كان للتفاعل معنى (زر "مسح" مقابل "تحديد الكل" و "مسافة للخلف" مقابل التباعد الخلفي المتكرر). يجب عليك تحديد كيفية تفاعل المستخدمين والحقول الأخرى مع الحقول القابلة للتحرير قبل تحديد المعالجة المناسبة لهذه الحالة. في بعض المواقف ، قد يشعر المستخدمون بتحسن في رؤية العدد المفقود - وفي حالات أخرى ، قد يجعلهم ذلك غير مرتاحين. إعادة السكان اعتبارات مماثلة. إذا كان المستخدمون يتوقعون أن يكونوا قادرين على إزالة جميع البيانات من حقل وعندما يفعلون ذلك يتم ملؤه تلقائيًا ، فلن يكون ذلك مفيدًا.

              • كيف ستتعامل مع أنواع مختلفة من الوحدات ، أي الوحدات المطلقة والنسبية ، داخل نفس المجال؟ (تخيل أحجام خطوط CSS ، والتي يمكن أن تكون مطلقة أو نسبية مع النسبة المئوية أو الكلمات الرئيسية المطلقة أو الكلمات الرئيسية النسبية أو الكلمات الرئيسية الأخرى.)

              من منظور UI / UX ، سيحتاج المستخدمون العاديون إلى مزيد من الإشارات المرئية لفهم أن الرقم "بدون وحدة" يحتوي على وحدة ضمنية ، أو قد يحتاج إدخال "النسبة المئوية" لعرض سياق إضافي أو مثال ليتم فهمه. بالنسبة للمستخدمين المحترفين أو المستخدمين المدربين ، قد تكون هذه المعلومات غير ضرورية أو حتى تشتيتًا أو عائقًا (في الحالات التي تكون فيها مساحة الشاشة محدودة). في بعض الأحيان ، لا يعرف المستخدمون العاديون أو يفهمون الوحدة (أو رمزها) ، لذلك قد ترغب في تجنب استخدامها لهم في بعض الأحيان أيضًا.

              الخلايا المكتوبة رائعة للمستخدمين مثلي الذين يرغبون في إبقاء يدي على لوحة المفاتيح قدر الإمكان. تعد القوائم أكثر فائدة للمستخدمين الأقل اهتمامًا بذلك ، بالنسبة للحالات التي يجب أن تكون خياراتها محدودة ، للمستخدمين الذين قد يحتاجون إلى بيانات "تحفيز" أو "نموذج" لمساعدتهم على تحديد القيمة المناسبة والمواقف المماثلة الأخرى.

              آمل أن يكون هذا مفيدا. يمكنني توضيح المزيد إذا أردت ، لكنني أعتقد أنها طويلة جدًا بالفعل.


              شاهد الفيديو: ArcGis 3d analyst Draping an image over a terrain surface