Evaluation of Prevalence Patterns of Dengue Fever in Lahore District through Geo-Spatial Techniques
Notice bibliographique
Résumé
Dengue and its impacts are growing environmental, economic and health concerns in Lahore. Disease pattern is important to know for better control and effective management, GIS is one of the tested tools and quite efficient for this purpose. In this study, firstly month-wise dengue cases mapping for seven consecutive years (2007-2013) is performed in order to reveal temporal or seasonal pattern of dengue disease in Lahore district. Then a composite analysis was conducted using Inverse Distance Weighted (IDW) technique in order to show dengue most affected locations (towns) and in this analysis, all cases of the study period (2007-2013) were appended and visualized by IDW. Temporally, September (6548 cases) was the most dengue affected month of all years whereas February (4 cases) was marked as least affected throughout the dengue incidence period. Endemic Foci is noticed in 2011 most affected months. This cluster of disease is agglomerated near Ravi River and Densely Populated Towns, which further aggravated the incidence of dengue in economically deprived areas. Data Gunj Baksh town was the most affected town and IDW results showed that this town is composite endemic foci where cases were agglomerated most frequently. The reason of prevalence in this town would possibly be due to its more density of population and proximity of Ravi River.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».