Tıbbi Coğrafya: Tanımı, İçeriği ve Coğrafi Teknolojilerle İlişkisi

Dr. Eren Akçiçek’e Armağan

Hazırlayan: Gökser Gökçay

§

DR. EREN AKÇİÇEK’E ARMAĞAN

ISBN:

Birinci Baskı: Mart 2010, İzmir

© Dr. Eren Akçiçek’e Armağan

Tüm hakları mahfuzdur.


Tasarım ve Sayfa Düzeni: Gökser Gökçay

Baskı:

Cilt:

Dr. Eren Akçiçek’e Armağan


Mart 2010, İzmir

§

vDr. Eren Akçiçek’e Armağan

§SUNUŞ

Fehmi Akçiçek

E ren Ağabey’in yaşamına yön veren, basit ama güçlü üç tutkudan söz edilebilir: Bilgiye ulaşma isteği, sevgiye ve güzelliğe olan özlem ve acı çekene merhamet...

Çocukluğumda Eren Ağabey’in okuma tutkusu, bilgisi ve çalışkanlığı ailemiz içinde örnek olarak anılırdı. Kitapları kendi evlerine sığmadığı için, yakın akrabalarımızın evlerinde de ona ait bir kitaplık bulunurdu. Birlikte çalışmalarımız başladıktan sonra, okumalarının zengin çeşitliliği ve tuttuğu notların ayrıntılı kapsamı ile bunun yalnızca bir kitap aşkı olmadığını anladım. Eren Ağabey, bilgiye ve onun sağladığı yaşamın gü-zelliğini derinden kavrayışa tutkundu. Bu kavrayış, bilgisini başkalarına da aktararak, ortak güzellikler yaratılmasını sağlıyordu. Onunla birlikte iseniz; bakışınızın farklılaş-tığını, hayranlık veren boyutları ile yepyeni bir yaşamın sizi kuşattığını ve onun içine çekildiğinizi hissedersiniz.

Seval Abla ile kurduğu ailesinin de, en belirgin özelliği sevgi ve anlayıştır. Evlatları Müge Akçiçek ve Tevfik Akçiçek ile kısa süre için bile bir araya geldiğinizde, aile için-deki bu sevginin en derin anlamı ile farkında olursunuz.

Sosyal konumları ne olursa olsun hastaları da aynı sevgi dolu merhametle kuşatılır-lar. Izdıraplarının nedeni kendi uzmanlık alanından farklı olsa da, Eren Ağabey onlara içten bir ilgi ile yardım eder. Bu nedenle hastaları onu ailelerin bir ferdi olarak kabul ederler. Bu ilişkinin temelini hiçbir karşılık beklemeden yalnızca insanın ulvi varlığına duyduğu derin sevgi ve saygı oluşturur. Bu nedenle Eren Ağabey, örnek alınması gere-ken iyi bir hekimdir.

İlgi alanlarının zengin çeşitliliği ve disiplinlerarası çalışabilme özelliği ile çok sayıda eser üreten Eren Ağabey tam bir üniversitelidir. Kendisini mükemmelleştirme yolunda yürürken, genç akademisyen adayları için paha biçilmez bir usta örneği oluşturur.

Kendi yetişmemde de örnek aldığım, Eren Ağabey’in yaşamlarımızı daha iyi kavra-mamıza ışık tutacak yeni eserler vereceğine bütün kalbimle inanıyorum.

Sevgi ve saygılarımla,

Dr. Fehmi Akçiçek

viiDr. Eren Akçiçek’e Armağan

§ÖNSÖZ

Engin Berber

E ren Ağabeyi çiçeği burnunda bir asistanken, yüksek lisans tezime veri derlemek üzere gittiğim İzmir Milli Kütüphanesi’nin okuma salonunda görmüştüm ilk kez. Adeta koşar adım çevirdiği gazete sayfalarına attığı meraklı

bakışlar, hala gözümün önündedir. O günlerden bu yana yaklaşık 25 yıl geçti. Bu süre içinde onunla tanıştık, yakınlaştık, çalıştık ve ürettik.

Bu yazıyı yazarken, Eren Ağabeyi hangi sıfatın daha iyi tanımlayabileceği konusuna epey kafa yordum. O’nu anlatmak için; “iyi”, “güzel”, “çalışkan”, “yardımsever”, “olgun” ve “bilgili” gibi birçok sözcük sıralanabilir. Ancak ben, bu sözcüklerin tümünü kapsa-yan eski bir tamlamayı tercih edeceğim: İnsan-ı kâmil. Yani insanın 24 ayar olanı.

Eren Ağabeyin üniversitemizdeki resmi görevinden ayrıldığı 2010 yılı, adına “küre-selleşme” denilen illetin, insanlarıyla birlikte dünya coğrafyasının büyük bir kısmını, pençesine almak üzere olduğu bir zamana denk düşüyor. Dünya egemenlerinin dışını modernleşme şekerine bulayarak, yitip gitmesine çoğumuzu duyarsızlaştırdığı başta “insaniyet”, “vicdan” ve “ortak yarar” olmak üzere, temel değerleri yaşayan ve yaşatmak isteyen birisidir Dr. Eren Akçiçek. Ne demek istediğimi, kendisini yakından tanıyanlar gayet iyi bilirler. Böyle bir insana armağan edilecek bu kitaba önsöz yazmaktan duydu-ğum mutluluğu, tarif etmem gerçekten çok zor.

Bu kitap esasen, katkıda bulunan hepimizin Eren Ağabeye yürekten bir teşekkürü ve minnettarlığının yazılı bir ifadesidir. Yerimiz sınırlı olduğundan, yazmaları için kendi-lerine haber ver(e)mediğim akademisyen tanıdıklarından özür diliyorum. Sorumluluk tamamen bana aittir. Umarım yazdıklarımız, Dr. Eren Akçiçek’i seven ve sayan herke-sin hislerine tercüman olur. Çok yazarlı her kitap gibi bu kitap da, ortaklaşa bir çabanın ürünü. Dr. Fehmi Akçiçek cesaretlendirip desteklemeseydi, böyle bir çalışma gerçek-leşemezdi. Hocalarım, meslektaşlarım ve arkadaşlarım birer makale ile katılmakta hiç tereddüt göstermediler. Sevgili Gökser düzeltirken ve matbaacı dostum Rıfat basarken gereken titizliği fazlasıyla gösterdiler. Sağ olsunlar, varolsunlar.

Son olarak değerli ağabeyim, sevgili büyüğüm Dr. Eren Akçiçek’e seslenmek istiyo-rum. Çalışmaktan uzak kalamayacağınız için, emekliye ayrılmadığınızı biliyoruz. Size, en azından mesai saatlerine uymak zorunda kalmayacağınız bu yeni yaşam diliminde, değerli ailenizle birlikte sağlık ve mutluluklar diliyorum.

Dr. Engin Berber

İçİNDEkİlErSunuş vFehmi Akçiçek

Önsöz viiEngin Berber

Dr. Eren Akçiçek’in Hayatı 1Dr. Eren Akçiçek’in Eserleri 2

Mübadelede Son Perde: Ortodoksların Anadoludan Göçü 17kemal Arı

İzmir’deki Bazı Kurtuluş Savaşı Anıtları ve Bunların Türk Turizmindeki Yerine Bir Bakış 29Engin Berber

İzmir’in Tarih Öncesi Dönemi ve Yeşilova Höyüğü 57Zafer Derin

İzmir’de 1938-2008 Döneminde Yaşanan Meteorolojik Kuraklıklar ve Basına Yansımaları 73Ecmel Erlat, Mehmet Doğan

İzmir’e Yönelik Göçler (1975-2000) 85Şevket Işık

İzmir’i Danger-Prost Planı Üzerinden Düşünmek 99Adnan kaplan, Olgu kulakoğlu, Melih Özduran

Yaratıcılık ve İzmir Üzerine 117Neşe kumral

Smyrna, Meles ve Halkapınar 131Hasan Malay

İzmir’de Yemek Kültürü ve Yiyecek Fiyatları 17. – 19. Yüzyıl 137İlhan Pınar

Tıbbi Coğrafya: Tanımı, İçeriği ve Coğrafi Teknolojilerle İlişkisi 143M. kirami Ölgen

İzmir’de Otomotiv Sektörünün Tarihsel Panaroması 165Erkan Serçe

Dr. Eren Akçiçek Hakkında Söylenenler ve Yazılanlar 171Dr. Eren Akçiçek’le İlgili Belge ve Fotoğraflar 185

143Dr. Eren Akçiçek’e Armağan

§

TIBBİ COĞrAFYA: TANIMI, İçErİĞİ VE COĞrAFİ TEkNOlOJİlErlE İlİŞkİSİ1

*

M. kirami Ölgen2

**

GİRİŞ

H astalıkları, bulaşıcı, kronik ve metabolik, travmalar ve ruh has-talıkları olarak kabaca sınıflandırdığımızda, birçoğunun doğrudan olmasa bile dolaylı olarak coğrafya ile bir bağı kurulabilir. Bu nedenle ilk çağlardan

beri hastalıklar ve coğrafi ortam arasında ilişki kurulmaya çalışılmış ve bu konuda çalışmalar yapılmıştır. Tüm bunların bir sonucu olarak da “Tıbbi Coğrafya” bilimi doğmuştur. Tıbbi coğrafya hastalıkların mekândaki dağılımı ve nedenleri, mekândaki değişimlerin sağlık üzerine olası etkileri ve sağlık hizmetlerinin coğrafi boyutuyla ilgi-lenen bir bilim dalı olarak, coğrafya ve tıp biliminin kesişim noktasında yer almaktadır.

18. yüzyılın sonundan itibaren hızla artan sanayileşme ve kentleşme, beraberinde birçok sorunu da getirmiştir. Özellikle çevre kirliliği ve insanın doğal çevreye yaptığı müdahaleler sonucu arazi örtüsündeki değişim bulaşıcı hastalıkların daha geniş alan-ları etkileyen salgınlara yol açmasına, solunum ve kalp damar hastalıkları ile kanser vakalarında artışa yol açmıştır. Örneğin küresel iklim değişimine bağlı olarak oluşa-bilecek iklimdeki olası bir ısınma, vektörlerle bulaşan birçok hastalığın daha yaygın görülmesi sonucunu doğuracaktır. Nitekim son yıllarda ülkemiz gündeminde oldukça geniş yer tutan Kırım Kongo Kanamalı Ateşi hastalığının, bu hastalığa yol açan virüsün vektörü olan kene cinslerinin ekolojisindeki değişimden kaynaklandığı bu konudaki en çarpıcı örneklerden biridir.

Ulaşım sistemlerinin gelişimine bağlı olarak bir yerden bir diğer yere gitmek çok hız-lı ve kolay hale gelmiştir. Bu durum beraberinde birçok bulaşıcı hastalığın da hiç olma-dığı kadar hızlı yayılmasına ve kısa sürede küresel ölçekte pandemiler oluşturmasına

* Beni Tıbbi Coğrafya ile tanıştıran sevgili Eren Ağabey’ime...** Ege Üniversitesi, Coğrafya Bölümü.

M. Kirami Ölgen

144 Dr. Eren Akçiçek’e Armağan

§

yol açmaktadır. Son iki yıldır dünya gündeminde yer alan A tipi H1N1 virüsünün yol açtığı Domuz Gribi salgını ve öncesindeki H5N1 virüsünün yol açtığı Kuş Gribi salgını ile SARS salgını bu tezi desteklemektedir.

İklim değişimi yalnızca hastalık bulaştıran vektörlerin ekolojisinde değişimlere yol açmakla kalmamakta, aynı zamanda birçok meteorolojik afetin de meydana gelmesine sebep olmaktadır. Nitekim kuraklıklar ve seller daha sık rastlanır olmaktadır. Kuraklık ve sel birbirlerinin zıttı gibi görünmekle beraber aslında bir bakıma aynı şekilde etki etmektedirler. Her iki durumda da temiz su yetersizliği bulunmaktadır. Bu durum hij-yen koşullarında bir zayıflamaya neden olmakta ve bulaşıcı hastalıkların daha kolay yayılmasına yol açmaktadır.

Nüfusu hızla artan kentlerde bu hızlı artışa paralel olarak yeterli alt yapı hizmet-lerinin sunulamaması sağlıksız ortamlar yaratmaktadır. Ayrıca sağlık hizmetlerinin yaygınlık düzeyi ve bu hizmetlerden yararlanma ölçüsü gelişmişlik düzeyi ile doğrudan ilişkili bir kavramdır. Nitekim gelişmemiş ülkelerde sağlık hizmetleri diğer ülkelere oranla daha yetersiz kalmaktadır. Ayrıca gelişmiş ülkelerde dahi sağlık hizmetlerinden eşit miktarda yararlanma önemli bir sorun olarak görülmektedir.

Benzeri birçok konu tıp ve coğrafyayı, tıbbi coğrafya başlığı altında birbirlerine bağ-lamaktadır. Bu yazıda tıbbi coğrafyanın kısa bir tanımı ve tarihsel gelişimini verdikten sonra, tıbbi coğrafyanın çalışma konularından mekânsal epidemiyoloji ya da coğrafi epidemiyoloji çalışmalarında kısaca coğrafi teknolojiler olarak adlandırılan coğrafi bil-gi sistemleri ve uzaktan algılama ile istatistiksel tekniklerin kullanımı ile ilgili tanıtıcı bilgi verilecektir.

TARİHSEL GELİŞİMİkisi de bilim tarihinin en eski bilimlerinden olan Tıp ve Coğrafya arasındaki ilişki,

Hippocrates’ten beri ele alınan bir konu olmuştur. Hippocrates, M.Ö. 400 tarihli ünlü eseri Hava, Su ve Yerler üzerine’de tıbbi çalışmalarda mevsimlerin, rüzgârların, suyun, toprağın ve özellikle de herhangi bir yerde yaşayanların yaşam tarzının dikkate alın-ması gerektiğini belirtmiştir (Pringle 1996, Meade ve Earickson 2000, den Draak, 2005). Nitekim Hippocrates’ten beridir birçok araştırmacı, insan ve onun yaşadığı çevreyle olan ilişkisini sağlık açısından ele alan çalışmalar yapmışlardır. Kısaca Tıbbi Coğrafya olarak nitelendirebileceğimiz bu çalışmalar modern anlamda coğrafya’nın bir alt di-siplini olarak Uluslararası Coğrafya Birliği (IGU)’nin Tıbbi Coğrafya Komisyonu tarafından 1952 tarihli ilk raporuyla başlamaktadır (den Draak, 2005). Bu tarihten son-ra tıbbi coğrafya alanındaki çalışmalar ivme kazanmış ve günümüzde coğrafya içinde en çok çalışılan konulardan biri haline gelmiştir. Ancak tıbbi coğrafya’nın bir bilim dalı olarak gelişimi 18. ve 19. yüzyıllarda Finke, Schnurrer, Fuchs ve Muhry gibi bir-çok Alman hekimin yaptıkları çalışmalarla başlamıştır (Paul, 1985). Özellikle Finke’nin


Tıbbi Coğrafya: Tanımı, İçeriği ve Coğrafi Teknolojilerle İlişkisi

§1792 tarihinde yayınlanan ünlü eseri Versuch emer ailgemeinen medicinisch-praktischen Geographie’deki dünya hastalıklar haritası bu konuda hazırlanmış olan ilk harita olma niteliğindedir (Barett, 2000). Finke ile birlikte hastalıkların dağılışının haritalanması tıbbi coğrafya araştırmalarında önem kazanmaya başlamış, 18.ve 19. yüzyıllar bu ko-nuda klasik bir dönemi oluşturmuştur. Bu dönemde yapılan çalışmaların en ünlüleri arasında Seaman ve Pascalis’in 18. yüzyıl sonlarında New York’ta görülen sarı humma salgınının haritalanması, 1847’de Berghaus tarafından yapılan Almanya’nın ilk tıp ha-ritası, Rothenburg’un hazırladığı 1832 Hamburg kolera salgını haritası ve Acland’ın 1849 Oxford kolera salgını haritası sayılabilir (den Draak, 2005).

Ancak modern epidemiyolojinin kurucusu sayılan İngiliz anestezist John Snow (1813-1858)’un 1854 yılında Londra’nın Soho bölgesini kasıp kavuran kolera salgını ile ilgili yaptığı çalışma tıbbi coğrafya özellikle de coğrafi epidemiyoloji konusundaki ilk önemli çalışmadır. O zamana kadar koleranın ne şekilde bulaştığı ile ilgili herhangi bir bilgi yoktu. Snow çalışmasında koleradan ölenlerin dağılımını bir harita üzerinde işaretlemiş ve ölümlerin çoğunluğunun Broad Street’teki bir su pompası etrafında kü-melendiğini belirlemiştir. Bu veriden yola çıkarak koleranın kontamine olmuş sudan bulaştığı sonucuna varmıştır. Snow bulduğu sonuçları yetkililere aktarmış ve hastalığı yaydığı düşünülen su pompası kapatılarak yerine yeni bir pompa hizmete sokulmuş, ardından birkaç gün içerisinde kolera salgını hızla sona ermiştir (McLeod, 2000). Tıbbi coğrafya’nın Altın Çağı olarak adlandırılan 18. yüzyıl sonları ve 19. yüzyıl başlarında hastalıkların dağılımlarını gösteren çok sayıda harita hazırlanmıştır (den Draak, 2005).

20. yüzyılda özellikle de İkinci Dünya Savaşı’ndan sonra Tıbbi Coğrafya’nın Rönesansı olarak nitelendirilen dönemde ise, daha çok hastalık atlasları hazırlanmıştır (den Draak, 2005). Bu atlaslar arasında Amerikan Coğrafya Derneğinin 1952-1961 yıl-ları arasını kapsayan The World Atlas Of Disease, Rodenwaldt ve Jusatz’ın hazırladığı Alman Welt-Seuchen Atlas ve ilk ulusal sağlık atlası olarak ta National Atlas of Disease Mortality in the United Kingdom sayılabilir (den Draak, 2005).

Coğrafya’nın bir alt dalı olarak hızlı bir gelişme gösteren tıbbi coğrafya’nın 20.yüzyıl-daki en önemli ismi yaptığı çalışmalar nedeniyle kendisine modern tıbbi coğrafya’nın babası ünvanı verilen Fransız cerrah Jacques May’dir (1896-1976). May, uzun yıllar Tayland’ta çalışmış ve bu bölgede yaşayan insanların hastalıklar ve bu hastalıkların tedavisindeki cerrahi ve tıbbi bakış açılarının Avrupalılardan neden daha farklı oldu-ğu sorusu üzerine yoğunlaşmıştır (den Draak, 2005). May 1950’de Medical Geography: İts Methods and Objectives adlı makalesini yayınlamıştır. Ancak May’in en ünlü eseri 1958’de yayınlanan The Ecology of Human Disease’dir. Bu çalışması tıbbi coğrafyanın iki geleneğinden biri olan hastalık ekolojisi konusuna çok güçlü bir vurgu yapmaktadır (den Draak, 2005).

1970’lerden sonra coğrafyadaki kantitatif devrime paralel olarak, tıbbi coğrafya

M. Kirami Ölgen


§

araştırmalarında da istatistiksel ve matematiksel modeller ağırlık kazanmaya başlamış-tır. Nitekim 1980’lerin sonlarından itibaren de coğrafi bilgi sistemleri başta olmak üzere diğer coğrafi teknolojilerin de (örn. uzaktan algılama) tıbbi coğrafya araştırmalarında kullanılmasıyla yeni bir dönem başlamıştır.

TIBBİ COĞRAFYA’NIN TANIMI VE ÇALIŞMA ALANLARITıbbi coğrafya coğrafyanın bir alt disiplini olarak sağlık ve sağlık sistemlerinin coğ-

rafi boyutuyla ilgilenen bir bilim dalıdır. Tıbbi coğrafya içinde iki ana araştırma gelene-ği ya da yaklaşımı yer almaktadır. Bunlardan ilki Hippocrates’e kadar uzanan bir geç-mişe sahip, hastalıkların ve sağlığın çevre ile ilişkisini araştıran coğrafi epidemiyoloji, coğrafi patoloji, hastalık ekolojisi, veya hastalık coğrafyası olarak adlandırılan ekolojik gelenek (Mayer 1982, Kearns 1995, Pringle 1996, Kearns ve Moon 2002, den Draak 2005). İkincisi ise sağlık hizmetlerinin konumu, bu hizmetlere erişilebilirlik ve sağlık hizmet-lerinin planlanmasını içeren sağlığın korunması coğrafyası ve sağlık hizmetlerinin su-numun coğrafyası olarak da adlandırılan gelenektir (Jones ve Moon 1987, Pringle 1996, Kearns ve Moon 2002, den Draak 2005). Özellikle 1990’ların başından beri tıbbi coğraf-ya içindeki ikinci gelenek daha çok beşeri coğrafya’nın alt dalları olan sosyal coğrafya ve nüfus coğrafyası içinde ele alınan konular olmuştur. Böylece aslında tıbbi coğrafya’yı da kapsar bir şekilde sağlık coğrafyası ya da sağlığın coğrafyası terimi daha çok kullanıl-maya başlanmıştır (Kearns 1993 ve 1995, Rosenberg 1998, Kearns ve Moon 2002).

Birinci gelenek ya da coğrafi epidemiyolojiCoğrafi epidemiyoloji genel olarak hastalıklar ile fiziki ve beşeri çevre arasındaki

ilişkileri inceler (den Draak 2005: 11). Coğrafi epidemiyoloji tanımlanan bu ilişkiyi in-celerken birçok yöntem kullanır. Bu yöntemler haritalama, istatistiksel ve matematiksel analizler, modellemeler ve uzaktan algılama ile coğrafi bilgi sistemleri gibi coğrafi tek-nolojilerin kullanılmasına dayanan daha çok kantitatif yöntemlerdir. Coğrafi epidemi-yoloji ya da hastalık ekolojisi geleneğinde iki temel yaklaşım göze çarpmaktadır. Bunlar insan hastalıkları ekolojisi (human disease ecology) ve hastalıkların yayılımı (disease diffusion)’dır (den Draak 2005).

Temellerini Jacques May’in attığı hastalık ekolojisi yaklaşımında hastalığın beş muh-temel unsur ile ilişkili olduğu vurgulanmaktadır. Bunlar etken, konak, vektör, ara ko-nak ve rezervuardır. Meyer (1982) etken, patojen ve konağın, organizma, kültür ve doğal çevrenin zaman ve mekândaki uyumsuzluğunun bir sonucu olarak hastalığı ortaya çı-kardığını savunmaktadır. Yine Meade ve Earickson (2000) sağlığı doğal çevre, nüfus ve kültürel çevrenin arasındaki etkileşimin bir unsuru olarak tanımlamaktadır. Coğrafi epidemiyolojinin konuları olarak sağlık biyometeorolojisi (havanın ve iklimin sağlı-ğa etkisi), çevre kirliliği ve sağlık (hava kirliliği, su kalitesi, radyoaktif kirlilik, çeşitli



§kirleticilere olan maruziyet) ile çevresel değişimin sağlığa etkisi (ozon tabakasının in-celmesi, küresel iklim değişimi, arazi kullanımındaki değişimler) bulunmaktadır.

Coğrafi epidemiyolojideki ikinci yaklaşım ise hastalıkların yayılımının incelenme-sidir. Tıbbi coğrafyada hastalıkların yayılımı incelenirken, bir hastalığın özellikle bir salgın esnasındaki davranışı zaman ve Mekân açısından ele alınır. Haggett (2000)’e göre hastalık yayılım süreçleri bununla ilişkili üç sorunun yanıtlanmasına bağlıdır. Bunlar, nasıl ve niçin olmaktadırı tanımlayabilir miyiz? (tanımlayıcı –descriptive- model), ge-lecekte ne olacak? (tahmin –predictive- modeli) ve müdahalede bulunduğumuzda ne olacak (engelleyici –interdictive- model) (den Draak 2005:14).

İkinci gelenek ya da sağlığın korunması coğrafyasıSağlığın korunmasına yönelik yapılan coğrafi araştırmalar kamu hizmetleri ile il-

gili coğrafi çalışmalara paralel olarak gelişmiştir (Mayer 1982’ye göre den Draak 2005). Sağlığın korunması coğrafyasında sağlık hizmetlerinin dağılışı, bu hizmetlere erişim ve hizmetlerin planlanması ana çalışma konularını oluşturmaktadır. Meade ve Earickson (2000)’e göre tıbbi sistemler ve geleneksel ile modern tıbbın entegrasyonu konuları da ele alınan diğer başlıklar arasındadır (den Draak 2005, s. 16). Sağlığın korunma-sı coğrafyasında yapılan araştırmalarda beşeri coğrafyadaki araştırma teknikleri ön plana çıkmaktadır. Özellikle klasik konum (lokasyon) analizi, konum-tahsis (location-allocation) modelleri, en kısa yol analizleri, matematiksel modeller ve siyasi coğrafya yöntemleri en çok kullanılan yöntemlerdir. Coğrafi bilgi sistemleri ise sağlık hizmetle-rinin planlanmasında karar destek aracı olarak birçok olanak sunmaktadır.

MEKÂNSAL EPİDEMİYOLOJİ’DE COĞRAFİ TEKNOLOJİLER VE MEKÂNSAL ANALİZ YÖNTEMLERİNİN KULLANIMI

1980’lerin ortalarına kadar diğer bütün coğrafya disiplinlerinde olduğu gibi tıbbi coğrafyada da temel araştırma teknikleri arazi gözlemleri (örn. Vektör habitatlarının tespiti) ve harita çizimine (örn. Bir kentteki sağlık kuruluşlarının dağılımı) dayanı-yordu. Bu tarihten sonra ise geleneksel teknikler hala geçerliliğini korumaya devam ederken, aynı zamanda gelişen coğrafi teknolojilere (coğrafi bilgi sistemleri, uzaktan algılama, GPS), bilgisayarlara, mekânsal analiz yazılımlarına bağlı olarak tıbbi coğraf-yadaki araştırma teknikleri de değişime uğradı. Gelişen teknikler sayesinde çok büyük hacimli veri setleri çok kısa bir sürede analiz edilerek daha karmaşık ilişkiler analiz edilmeye başlandı (Albert vd. 2005). Söz konusu teknikleri üç temel başlık altında top-lamak mümkündür. Bunlar, coğrafi bilgi sistemleri, uzaktan algılama ile istatistiksel ve matematiksel temelli mekânsal analiz yöntemleridir.

Coğrafi Bilgi Sistemleri

M. Kirami Ölgen


§

Mekânsal epidemiyolojide coğrafi bilgi sistemleri hastalıkların haritalanması ve ekolojik analizler için kullanılan, güçlü bir araçtır. Bu araç epidemiyologlara ve tıbbi coğrafyacılara hastalıkların dağılımı ve bu dağılımda etkili olan faktörlerin neler ol-duğunu açıklamada hızlı ve etkili yöntemler sunmaktadır. Ayrıca, zaman boyutunun da analizlere katılması klasik yöntemlere göre yapılan çalışmalara bir üstünlük sağla-maktadır. Özellikle gelişen internet teknolojilerinin ve uzaktan algılama yöntemlerinin de coğrafi bilgi sistemlerine entegre edilmesi ile tıbbi coğrafya dalında yeni araştırma alanları doğmuştur. Günümüzde coğrafi teknolojilerin kullanılmadığı neredeyse hiçbir tıbbi coğrafya çalışması yoktur. Literatürde mekânsal epidemiyoloji araştırmalarında coğrafi bilgi sistemlerinin kullanıldığı çok sayıda çalışma mevcuttur (Briggs ve Elliott, 1995, Glass vd. 1995, Croner vd. 1996, Dale vd. 1998, Hay vd. 1998, Srivastava vd. 1999, Brooker ve Michael, 2000, Kistemann vd. 2002, Dangerdorf vd. 2002, Brianti vd. 2007, Soumare vd. 2007)

Coğrafi bilgi sistemleri birçok araştırıcı tarafından farklı tanımlanmakla beraber, kı-saca, mekâna ait her türlü verinin toplandığı, depolandığı, analiz edildiği ve görüntülen-diği bilgisayar sistemleridir. Tanımdan da anlaşılacağı üzere, verinin mutlaka mekânsal olması ya da mekânsal veriyi tanımlayacak şekilde olması gerekir. Mekânsal veriler gra-fik ve grafik olmayan veriler diye iki gruba ayrılır. Grafik veriler mekân üzerindeki her türlü coğrafi varlık (bina, yol, akarsu, dağ, kent, il sınırı, su kuyusu vb.) ile bu varlıklar arasındaki ilişkiyi gösterir. Grafik olmayan veriler ise grafik verileri tanımlayan ve öz-nitelik (attribute) olarak adlandırılan verilerdir. Örneğin bir ilin nüfusu, bir binanın adı, bir kentteki sağlık ocağı sayısı gibi. Grafik veriler ile onları tanımlayan öznitelik verileri bir veri tabanında birbirleriyle ilişkili olacak şekilde tutulurlar. Grafik veriler dört farklı gösterim tarzında soyutlanabilirler. Bunlar, nokta, çizgi, alan ve sürekli yü-zeylerdir. Nokta gösterimler, sıfır boyutlu ve tek bir koordinat değeriyle gösterilebilen verilerdir. Örneğin hasta adresleri, toplanan vektör örneklerinin yerleri, herhangi bir kirletici kaynak nokta olarak soyutlanabilir. Çizgi gösterimler, tek boyutlu ve ardışık koordinat değerleriyle gösterilebilen verilerdir. Örneğin yollar, akarsular, enerji nakil hatları, su ve kanalizasyon sistemi çizgi olarak soyutlanabilirler. Alan gösterimler, iki boyutlu ve ardışık koordinat değerleriyle gösterilebilen verilerdir. Örneğin, idari sınır-lar, parseller, tek bir vejetasyon veya toprak türü alan olarak soyutlanabilirler. Sürekli yüzeyler, üç boyutlu ve süreklilik gösteren topografya, yağış ve sıcaklık dağılışı, kirlili-ğin dispersiyonu gibi varlıkların ya da olayların gösteriminde kullanılırlar ve genellikle tek bir özniteliğe sahiptirler.

Nokta, çizgi, alan ya da sürekli yüzey olarak soyutlanabilen coğrafi varlık ve olaylar vektör veya raster gösterim tarzlarından biri ile sunulurlar. Vektör, birçok öznitelikle ilişkilendirilebilen ve bir dizi koordinat değerine sahip mekânsal verinin gösterimi için uygunken, raster ise genellikle tek bir öznitelikle tanımlanabilen süreklilik gösteren varlıkların gösterimi için uygundur.



§İlgili literatürde bir coğrafi bilgi sisteminin altı temel bileşenden oluştuğu belirtilir

(Longley vd. 2001).Bunlar, donanım, yazılım, veri, yöntem, insan ve ağ’dır. Donanım, üzerinde coğrafi bilgi sistemleri yazılımının bulunduğu ve mekânsal verinin bu yazı-lımla analiz edildiği bilgisayar sistemleri ile veri giriş ve çıkış ünitelerinin (sayısallaş-tırıcılar, tarayıcılar, yazıcılar) tümünü içermektedir. Yazılım, mekânsal verinin toplan-ması, depolanması, analiz edilmesi ve görüntülenmesi işlemlerini yürütür. Yöntem, verinin analiz edilmesini sağlayan (aşağıdaki satırlarda detayları verilen) işlemler bütününü, insan ise kullanıcıyı tanımlamaktadır. Günümüzde hızla gelişen internet teknolojisi ise coğrafi veri ve bilginin bir ağ üzerinden paylaşılmasını ve kullanılma-sını sağlamıştır. Ancak tüm bileşenler arasında en önemlisi veridir. Uygun formatta ve mekândaki dağılımı en iyi şekilde temsil edecek miktarda veri, yapılacak analizin hızını ve kalitesini belirleyen en önemli unsurdur. Ülkemiz gibi veri altyapısının yete-rince güçlü olmadığı ülkelerde araştırıcı çalışması için gerekli olan verinin büyük bir kısmını kendisi toplamak ve analize uygun formata getirmek zorundadır. Bu işlem tüm çalışma süresinin neredeyse dörtte üçüne mal olmakta, bu da zaman ve para kaybına yol açmaktadır. Coğrafi bilgi sistemi içinde kullanılan mekânsal verinin (geometrik ve öznitelik) mutlaka kullanılan yazılımın destekleyeceği bir formatta olması gerekir. Ancak veri kalitesini belirleyen en önemli unsurlar, verinin mekânsal çözünürlüğü (öl-çeği) ve güncelliğidir. Veri, mutlaka yapılan çalışmadan beklenen sonuçlara uygun bir mekânsal çözünürlüğe sahip olmalıdır.

Coğrafi veri sahip olduğu özniteliğe bağlı olarak dört farklı şekilde tanımlanır. Bunlar; nominal veri, bir coğrafi varlığın başka bir varlık koduyla tanımlanması (örne-ğin yer adı); ordinal veri, niteliksel olarak sıralanabilen veriler (örneğin en iyi, iyi, orta, zayıf); interval veri, belli sınıf aralığında gösterilebilen veriler (örneğin, yağış değerleri, suyun pH değeri) ve oransal veri ise interval veriye benzeyen ancak belli bir başlangıç değeri olan verilerdir (örneğin yükselti değerleri, uzunluk, yaş).

Coğrafi Bilgi Sistemlerindeki Analiz YöntemleriBir coğrafi bilgi sisteminin vektör ya da raster tabanlı olmasına bağlı olarak kullanı-

lan analiz yöntemlerinde bazı farklılıklar olmakla beraber, bu yöntemleri mekânsal sor-gulamalar, mekânsal analizler diye iki grup altında toplamak mümkündür. Mekânsal sorgulama ile grafik verileri tanımlayan öznitelik verilerinin tutulduğu veri tabanından yapılan sorgulamalar kast edilmektedir. Mekânsal analiz ile ise farklı analiz araçlarını kullanarak yapılan işlemler kast edilmektedir. Tablo 1’de coğrafi bilgi sistemi ile yapılan sorgulama ve analizler özetlenmiştir.

M. Kirami Ölgen


§

Tablo 1: Coğrafi bilgi sistemleri ile yapılan sorgulama ve analiz türleri (Kistemann vd. 2002)

Yöntem AçıklamaVeri tabanı sorgulama Genellikle standart sorgulama dillerinden

biri ile yapılan tanımlayıcı sorgulamalarGeometrik hesaplamalar Geometrik veriler ile ilgili mesafe,

koordinat, alan, açı, yükseklik farkı gibi hesaplamalar

Çakıştırma (overlay) İki farklı veri setinin çakıştırılarak yeni bir bilginin üretilmesi. Örneğin Bitki örtüsü ile topografya haritasının çakıştırılması ile hangi yükseltide hangi tür bitkiler bulunmaktadır sorusu yanıtlanabilir.

Kesme, birleştirme Herhangi bir harita içinden tanımlanan bir alanın veya özelliğin çıkarılması, komşu iki haritanın birleştirilerek tek bir haritaya dönüştürülmesi işlemlerinde kullanılır.

Tampon bölge (buffering) Nokta, çizgi ya da alan etrafında tanımlanan mesafe kadar bir tampon bölge oluşturur.

Yoğunluk tahmini Tanımlanan koşullara bağlı olarak nesnelerin mekânsal yoğunluğunu tahmin etmek için kullanılır (Kernel yoğunluk gibi).

Enterpolasyon Kriging gibi jeoistatistiksel yöntemlerle sürekli yüzeyler oluşturur.

Yumuşatma (smoothing) yöntemleri Öznitelik verilerinin gösterdiği dokunun genelleştirilmesi için kullanılır (yüzey trend analizi gibi)

Mekânsal dağılımın analizi Mekânsal korelasyon ve kümelenmenin belirlenmesi için kullanılırlar.

Modelleme ve simülasyon Geometrik ve öznitelik verilerine bağlı olarak geliştirilen senaryolar ve modelleri içerir.

UZAKTAN ALGILAMAUzaktan algılama birçok araştırıcı tarafından farklı şekillerde tanımlanmakla be-

raber, genel olarak yeryüzünün yansıyan veya yayılan elektromanyetik enerjiye bağlı olarak gözlenmesi şeklinde ifade edilebilir (Campbell, 1996). Klasik olarak uzaktan al-gılanmış bir görüntü üzerinde görüntünün algılandığı elektromanyetik enerjinin dalga boyunun yüzeyden yansıma derecesine göre farklı piksel parlaklık değerleri bulunur. Her bir parlaklık değeri yansıma şiddetini belirtir. Yüksek yansıma değeri, yüzeyin o dalga boyunda enerji absorblamadığını gösterir. Böylece farklı yansınma değerlerine



§bağlı olarak yüzey örtüsü hakkında bilgi toplanmış olur. İşte uzaktan algılama tek-niklerinin dayandığı temel prensip budur. Böylece yüzey örtüsünün dağılımı (görüntü sınıflandırma), yüzey sıcaklığı, nem içeriği ve bitki biyomas miktarının belirlenmesi (indis hesaplama) mümkün olabilir.

Literatürde sağlık alanındaki uzaktan algılama çalışmalarının büyük bir bölümü hastalık vektörlerinin habitatlarının belirlenmesi ve buna bağlı olarak da hastalık bu-laşma risklerinin saptanmasına yöneliktir (Cross vd. 1996, Rogers 2000, Hay vd. 2000, Randolph 2000, Brooker ve Michael 2000, Thomas ve Lindsay, 2000). Ancak bir kı-sım çalışmalar da, diğer coğrafi olaylara bağlı olarak gelişen salgınların araştırılması-na yöneliktir. Örneğin bir sel felaketi ardından ortaya çıkan kolera salgını gibi (Lobitz vd. 2000). Uzaktan algılama, tüm coğrafi teknolojiler içinde mekânsal epidemiyoloji çalışmalarında en çok kullanılan tekniktir. Uzaktan algılama çalışmalarında uzaktan algılanmış görüntüleri mekânsal çözünürlüklerine göre iki gruba ayırmak mümkün-dür. Bunlar yüksek çözünürlüklü görüntüler (dolayısıyla yüksek çözünürlüklü çalışma-lar) ve düşük çözünürlüklü görüntüler (dolayısıyla düşük çözünürlüklü çalışmalar)’dir. Görüntü çözünürlüğü arttıkça görüntünün kapsadığı coğrafi alan da küçüleceğinden yüksek çözünürlüğe sahip görüntülerle daha küçük alanları, düşük çözünürlüğe sa-hip görüntülerle daha geniş alanları incelemek mümkündür. Mekânsal epidemiyolo-jik amaçlı olarak en çok kullanılan görüntüler ise Landsat MSS, TM, ETM+, SPOT, NOAA’nın AVHRR ve MODIS’tir. Ancak 1998’de Amerikan Havacılık ve Uzay İdaresi (NASA)’ne bağlı Center for Health Applications of Aerospace Related Technologies (CHAART) epidemiyolojik, entomolojik ve ekolojik çalışmalarda kullanılmak üzere yeni sensörler ve platformlar geliştirme kararı almıştır (Beck vd., 2000).

Daha önce de belirttiğimiz gibi mekânsal epidemiyoloji çalışmalarında uzaktan al-gılama yöntemlerinin kullanımı iki başlık altında toplanabilir. Bunlar görüntü sınıf-landırma ve indislerin belirlenmesidir. Aşağıdaki satırlarda bu iki konuyla ilgili bilgi verilmeye çalışılacaktır.

Görüntü sınıflandırmaGörüntü sınıflandırma ile kast edilen uzaktan algılanmış görüntüleri kullanarak

arazi örtüsünün haritalanmasıdır. Bu haritalama tekniğinde hem görsel (manuel) hem de sayısal görüntü işleme teknikleri kullanılabilir. Görsel sınıflandırmada daha çok hava fotoğrafları yorumlama yöntemleri kullanılır. Bu yöntemlerde görüntü üzerindeki renk ve ton farklılıkları dikkate alınarak arazi örtüsü hakkında fikir edinilebilir. Literatürde görsel yorumlama teknikleri kullanılarak artopod vektörlerin izlenmesi ve kontrolüne yönelik birçok çalışma mevcuttur (Curan vd. 2000’e göre Riley 1989, Washino ve Wood 1994). Görsel yorumlama her ne kadar iyi sonuçlar verse de yorumlamanın uzman bir göze ihtiyaç duyması ve yorumlamadaki subjektifliğin yüksek olması nedeniyle sayısal görüntü işleme tekniklerine dayanan sınıflandırmalar daha çok tercih edilmektedir.

M. Kirami Ölgen


§

Sayısal görüntü sınıflandırma teknikleri iki grupta toplanabilir. Bunlar kontrolsüz (un-supervised) ve kontrollü (supervised) sınıflandırmalardır.

Kontrolsüz sınıflandırmada amaç görüntüdeki benzer spektral değerlere sahip pik-selleri aynı grup altında toplamaktır. Bu yöntemin ardındaki ana fikir benzer spektral değerlere sahip piksellerin benzer arazi örtüsünü temsil ettiğidir. Böylece önceden be-lirtilmiş sınıf sayısı kadar grup otomatik olarak oluşturulur ve her sınıfın sahip olduğu spektral aralığa denk gelen pikseller o grubun bir üyesi olarak atanır. Bu yöntem ile belirlenen sınıflar kullanılan sınıflandırma algoritmasına bağlı olarak otomatik belir-lendiği için gerçek arazi örtüsünü yansıtma düzeyleri düşüktür. Ancak hızlı bir şekilde görüntüyü sınıflandırdığı için özellikle daha sonra yapılacak kontrollü sınıflandırma çalışması için bir ön bilgi sağlar. Ancak yine de doğrudan doğruya konak ve hastalık vektörlerinin dağılımı ve ekolojilerinin belirlenmesinde kullanılmaktadırlar (Beck vd. 1994, Pope vd. 1994, Rejmankova vd. 1995, Thomson vd, 1999).

Kontrollü sınıflandırmada tam olarak hangi arazi örtüsünü temsil ettiği iyi bilinen piksel veya piksel gruplarından oluşturulmuş bir karşılaştırma seti ya da eğitim seti (training set, signature file) kullanılarak görüntü sınıflandırılır. Bu yöntem ile kulla-nılan sınıflandırma algoritmasına bağlı olarak oldukça yüksek doğrulukta arazi ör-tüsü haritaları hazırlanabilir. Kontrollü sınıflandırma, özellikle hastalık vektörünün habitatının iyi bilindiği durumlarda oldukça faydalı sonuçlar vermektedir (Curan vd 2000’e göre Hugh-Jones 1989, Riley 1989, Hay vd. 1997). Kontrollü sınıflandırma üç te-mel aşamadan oluşmaktadır. Bunlardan ilki eğitim setinin oluşturulmasıdır. Eğitim seti oluşturulurken ya doğrudan arazi gözlemleri ya da arazi gözlemlerinin yanı sıra tam olarak hangi arazi örtüsünü temsil ettiği iyi bilinen pikseller seçilir ve bu piksel-lere ait oldukları arazi örtüsünü temsil eden bir isim verilir (örn. Tarım alanı, orman örtüsü, su yüzeyi, bataklık, yerleşim yeri gibi). İkinci aşamada uygun sınıflandırma al-goritması seçilerek eğitim setinde belirlenmiş gruplara giren pikseller o gruplara atanır. Sınıflandırma algoritmaları içinde en yüksek benzerlik (maximum likelihood) gibi pro-babilistik teknikler ve diskriminat analizi sıklıkla kullanılanlarıdır (Curran vd. 2000). İkinci aşamada seçilen algoritmaya bağlı olarak bir arazi örtüsü haritası oluşturulmuş olur. Üçüncü ve son aşamada ise, yapılan sınıflandırma işleminin ne ölçüde başarılı olduğu test edilir. Bilgisayar eğitim seti ve sınıflandırma sonuçlarını istatistiksel olarak karşılaştırır ve her bir sınıfın yüzde kaç oranında başarıyla sınıflandırıldığını belirler. Genel bir kural olmamakla beraber %90 ve üzeri sınıflandırma duyarlılığı ideal bir sı-nıflandırma yapıldığı anlamına gelir.

İndislerArazi örtüsü ve atmosfer bileşenlerinin farklı yansıma değerlerine bağlı olarak bun-

lara ait bazı fiziksel ve biyolojik parametrelerin doğrudan hesaplanması için gelişti-rilen istatistik tekniklerin tümü indisler adı altında toplanabilir. Bu fiziksel biyolojik



§parametrelerin birçoğu, doğrudan ölçmenin mümkün olmadığı veya zor olduğu du-rumlarda doğrudan ölçümlerin yerine kullanılabilirler.

Spektral Vejetasyon İndisleri (SVI)

Bitki hücrelerindeki klorofil ve keratonid pigmentlerinin absorbe ettiği kırmızı dal-ga boyu ile mezofilin yansıttığı yakın kızıl ötesi dalga boyunun oranlanmasıyla elde edilirler. En bilinen SVI normalize edilmiş fark bitki indeksi (Normalized Difference Vegetation Index) yani kısaca NDVI’dır. NDVI Tucker (1979) tarafından;

)()(RNIRRNIRNDVI

+−

=

olarak tanımlanmıştır. Burada NIR yakın kızıl ötesi, R ise kırmızı dalga boyunu gös-termektedir. NDVI değeri teorik olarak -1 ile +1 arasında değişmektedir. Ancak pratikte 0.0–0.8 limitleri kullanılmaktadır. NDVI spesifik olarak klorofil yaygınlık ölçüsünü vermekle birlikte aynı zamanda biyomas hakkında da bilgi edinmemize olanak sağ-lar. NDVI’dan yola çıkarak geliştirilmiş EVI (Enhanced Vegetation Index) da özellikle MODIS görüntüleri kullanarak bitki yoğunluğunun belirlenmesi için kullanılmak-tadır. Ayrıca SAVI (Soil Adjusted Vegetation Index), GEMI (Global Environmental Monitoring Index) gibi benzer bir çok indis olmasına rağmen bunların ekolojik ve epi-demiyolojik çalışmalarda kullanımı sınırlıdır (Hay 2000).

Yüzey Sıcaklığı İndisleri (LSTI)

Uzaktan algılanmış görüntüler yardımıyla arazi yüzey sıcaklığının belirlenmesi SVI indisleri kadar yaygın olmamakla beraber özellikle epidemiyolojik çalışmalarda sık-lıkla kullanılmaktadır. Arazi yüzeyi, yüzeyin bileşimine bağlı olarak termal kızıl ötesi dalga boyunu belli miktarda geriye yayınlamaktadır. İşte geriye yayılan bu termal rad-yasyonun ölçülmesi ile yüzey sıcaklığı tahmin edilebilir. Bu amaçla Bölünmüş Pencere (Split Window) algoritmaları kullanılır. Buna göre en genel haliyle yüzey sıcaklığı (Ts) aşağıdaki gibi hesaplanabilir:

Γ−−+=

LLLTKKT

as /1ln( 1

2

ε

Burada, T atmosferik iletim, L yüzey radyansı La atmosferik radyans, LГ geriye ya-yılan radyansın yansıyan bölümü, K1 ve K2 Planck eşitliğinden hesaplanan sensör ka-librasyon katsayılarıdır (Goetz vd. 2000). Epidemiyolojik araştırmalarda genellikle NOAA’nın AVHRR sensöründen elde edilen görüntüler yardımıyla hesaplanmış LST değerleri daha çok kullanılır. Hay (2000) AVHRR görüntüleri yardımıyla yüzey sıcak-lığının hesaplanması için;

T = Ch4 + A (Ch5 – Ch4)

M. Kirami Ölgen


§

bağıntısını önermektedir. Burada T Kelvin cinsinden yüzey sıcaklığı, Ch4 ve Ch5 AVHRR 4. ve 5. kanalları, A ise sabittir. A AVHRR için 3.33 olarak alınmaktadır.

Atmosferik Nem İndisleri

Atmosfer sütunundaki toplam yoğuşabilir su içeriği farklı uzaktan algılama yön-temleri ile hesaplanabilir. Bu amaçla yüzey sıcaklık indislerinin belirlenmesindeki gibi genellikle AVHRR 4. ve 5. kanalları kullanılmaktadır. Atmosfer sütunundaki toplam yoğuşabilir su içeriği U (kg m-2),

U = a (Ch4 – Ch5) cos θ

bağıntısıyla hesaplanabilir. Burada a düzeltme faktörü, θ tarama açısının bir fonksi-yonu olarak değişen atmosferik yol uzunluğudur (Hay 2000). Eck ve Holben (1994) ise toplam yoğuşabilir su miktarını hesaplamak için,

U = A + B (Ch4 – Ch5)

bağıntısını önermişlerdir. Burada A ve B sırasıyla 1.337 ve 0.837 değerlerini alan sa-bitlerdir. Bu değerler Mali’de bulunan Gao meteoroloji istasyonundaki radyosonda’dan elde edilen değerler ile 4. ve 5. kanalların değerleri arasında yapılan doğrusal regres-yon sonucu belirlenmiştir. Nem içeriğinin yanı sıra atmosferdeki çiy oluşum sıcaklı-ğı ve buhar basıncı da hesaplanabilir. Ancak bu değerlerin nem miktarının belirlen-mesi kadar epidemiyolojik önemi yoktur. Bu nedenle burada nasıl hesaplandıklarına değinilmeyecektir.

MEKÂNSAL ANALİZ Coğrafya’da mekânsal verinin analizi harita ve diyagramlar şeklinde görüntülen-

meden, karmaşık istatistiksel analizlere ve matematiksel modellemelere kadar uzanan çok geniş bir yelpazede ele alınır. Aşağıdaki satırlarda bu analiz tekniklerinden tıbbi coğrafya’da özellikle de mekânsal epidemiyolojide sıklıkla kullanılanları üzerinde kı-saca durulacaktır.

Mekânsal Verinin GörüntülenmesiMekânsal dağılıma sahip verilerin harita veya diyagramlar halinde gösterimi

coğrafya’da en sık kullanılan tekniktir. Bu sayede herhangi bir coğrafi varlığın veya olayın mekân üzerindeki dağılımı ilk bakışta görülebilir, bu dağılım üzerinde etkili olduğu varsayılan faktörlerle dağılımın ilişkisi kabaca analiz edilebilir. Verilerin diyag-ramlar halinde gösterimi daha çok tanımlayıcı istatistik parametrelerin (ortalama, fre-kans, maksimum, minimum, yüzde, mod, medyan gibi) ve zamana bağlı değişimlerin (örneğin herhangi bir yerdeki bir hastalığın morbidite hızının yıllara göre değişimi) incelenmesinde faydalıdır. Verilerin harita halinde görüntülenmesinde ise kartografik prensipler kullanılır ve yukarıdaki satırlarda da belirttiğimiz gibi coğrafi varlık veya



§olayların nokta, çizgi ya da alan şeklinde gösterilmesi esastır. Bu gösterimlerde renk, ton ya da taramalar kullanılarak verilerin mekândaki dağılımı grafik olarak sunulur. Yine özellikle coğrafi bilgi sistemlerinin görüntüleme fonksiyonları kullanılarak ve-riler sınıflandırılarak haritalanabilir. Verilerin sınıflandırılarak haritalanmasında altı temel sınıflandırma tekniği kullanılır (Pfeiffer, 2008). Bunlar, doğal kesintiler (natural breaks-jenks metodu), kantil sınıflandırma, eşit aralıklı sınıflandırma, standart sap-maya bağlı sınıflandırma, zritmetik diziye göre sınıflandırma ve geometrik diziye göre sınıflandırmadır.

Mekânsal Kümelenmenin AnaliziCoğrafi bilgi sistemleri yardımıyla mekânsal verinin görüntülenmesi herhangi bir

mekânsal dokunun nasıl bir dağılış dokusu gösterdiğini ilk bakışta anlamak için olduk-ça hızlı bir yöntem olmasına rağmen, bu dağılış dokusunun oluşmasında etkili olan fak-törleri daha iyi analiz edebilmek için, ileri analiz tekniklerine ihtiyaç vardır. Bilindiği gibi mekânsal dağılış dokusu, üç farklı dağılış kalıbından birine uyar. Bunlar, düzenli, rasgele ve kümelenmiş dağılımlardır. Her ne kadar rasgele ve düzenli dağılımın coğrafi olarak bir anlamı var ise de mekânsal analiz teknikleri açısından asıl önemli olan kü-melenme gösteren dağılımların neden kümelenme gösterdiği ve bu kümelenmede han-gi faktörlerin etkili olduğunun belirlenmesidir. Tıbbi coğrafya’da kümelenme kavramı hastalık vakalarının her hangi bir yerdeki yığılımı (aggregation) olarak tanımlanmakta-dır. Ancak bu yığılımda gözlenen mekânsal doku aynı zamanda risk altında bulunan popülasyonun dağılımının bir fonksiyonudur (Pfeiffer, 2008). Kümelenmenin analiz edilmesi amacıyla birçok istatistiksel yöntem geliştirilmiştir. Bunlar arasında, alansal kümelenme için kullanılan mekânsal otokorelasyon teknikleri Moran’ın (I), Geary’in (c), Tango’nun Excess Events Test (EET) ve Maximized Excess Event Test (MEET), nok-ta verilerin kümelenmesi için Cuzick ve Edward’ın k en yakın komşuluk testi, Ripley’in k-fonksiyon testi, Rogerson’un kümülatif toplam (CUSUM) yöntemi, zaman-mekân kü-melenmesi için Knox testi, Mekân-zaman k-fonksiyonu, Ederer-Myers-Mantel (EMM) testi, Mantel’in testi, Barton’un testi ve Jacquez’in k en yakın komşuluk testi sayılabilir. Burada mekânsal epidemiyoloji açısından en önemli olduğunu düşündüğümüz alansal kümelenmede sıklıkla kullanılan Moran’ın (I) ve Geary’nin (c) otokorelasyon testleri hakkında istatistik temellerine değinmeden bilgi ve örnek vermeye çalışacağız.

Mekânsal Otokorelasyon ve Moran’ın (I) ve Geary’nin (c) Testleri

Mekânsal otokorelasyonun amacı kümelenme dokusu gösteren komşu alanların mekânsal benzerlik derecelerinin belirlenmesidir. Otokorelasyon istatistiğinin teme-li ağırlıklar matrisi kavramına dayanır. Ağırlıklar matrisi mekânsal ilişkiyi tanım-lamak için kullanılır. Burada matrisin aldığı değer mesafenin bir fonksiyonu olarak

M. Kirami Ölgen


§

belirlenmektedir. Yani mesafe arttıkça matris değeri de küçülecektir. Otokorelasyondaki diğer bir kavram da komşuluktur. Komşuluklar bitişik olma veya ayrık olma olarak iki şekilde tanımlanabilir. Bitişiklik durumu satrançtan ödünç alınan terimlerle ifa-de edilir ve kale bitişikliği ile vezir bitişikliği olarak adlandırılırlar. Kale bitişikliğinde birbirine komşu iki poligon aynı sınırı kullanmaktadırlar. Eğer sınır veya köşeyi ortak olarak kullanıyorlarsa bu kez vezir bitişikliğinden söz edilir (Pfeiffer, 2008). Mekânsal otokorelasyon tekniklerinin coğrafi epidemiyolojideki kullanımına yönelik çok sayıda çalışma bulunmaktadır. Nahkapakorn ve Jirakajohnkool (2006) Tayland’ta 1993-2003 yılları arasında görülen Deng humması vakalarını Moran’ın (I) ve Geary’nin (c) otoko-relasyon teknikleri ile analiz etmişlerdir. Salah vd. (2007) ise mekânsal kümelenme ve mekânsal tarama istatistikleri kullanarak Tunus’ta zoonotik leishmania vakalarının da-ğılımını zamana ve mekâna göre yapmışlardır. Yine Borotto ve Matinez-Piedra (2000), mekânsal otokorelasyon kullanarak Meksika’da 1991-1996 tarihleri arasında görülen ko-lera vakalarını analiz etmişlerdir.

Moran’ın (I) otokorealasyon testi Pearson’ın korelasyon testine dayanmaktadır. Moran’ın I istatistiği şu şekilde tanımlanmaktadır (Pfeiffer, 2008’e göre Moran 1950):

∑∑ ∑∑∑

−

−−=

i j k kij

i j ji

ZZw

ZZZZwnI

2)()(

))((

burada Zi bir yerdeki standardize edilmiş mortalite ya da morbidite oranı (SMR),

Wij ise i ve j alanlarının yakınlık ölçüsünü ifade etmektedir. Elde edilen değer +1 ile -1 arasında değişmektedir. Sıfır değeri null yani boş demektir. Bir başka deyişle kümelen-me olmadığı anlamına gelir. Pozitif değer pozitif bir mekânsal korelasyonun varlığını (kümelenmede benzer özniteliklerin var olduğunu), negatif değer negatif korelasyonun varlığını (kümelenmede farklı özniteliklerin var olduğunu) göstermektedir (Pfeiffer, 2008).

Geary’nin (c) otokorelasyon testi, Moran’ın (I) otokorelasyon testi gibi ağırlıklı matris kullanarak kümelenme derecesini belirlemektedir. Ancak Moran’ın (I) testinde komşu bölgeler arasındaki benzerlikler dikkate alınırken, Geary’nin (c) testinde komşu bölge çiftleri arasındaki benzerlikler dikkate alınmaktadır. Geary’nin (c) testi (Geary 1954) aşağıdaki gibi tanımlanmaktadır:

−

−−=

∑∑∑

∑∑

= ==

= =

n

i

n

jij

n

ii

n

i

n

jjiij

wyy

yywnc

1 11

2

1 1

2

)(2

)()1(



§Burada n çalışma alanındaki poligon sayısı, wij mekânsal yakınlık matrisinin değer-

leri, yi araştırılan öznitelik ve ortalama öznitelik değeridir. Elde edilen c değeri sıfır ile iki arasında değişmektedir. Sıfır mükemmel pozitif mekânsal otokorelasyonu, iki ise mükemmel negatif otokorelasyonu göstermektedir (Pfeiffer, 2008).

Noktasal Dağılımın AnaliziEpidemiyolojik verilerin bir kısmı noktasal olabilir. Yani mekândaki dağılımları tek

bir koordinat değeriyle ifade edilebilir. Örneğin, hasta adres bilgileri veya vektör ör-neklem yerleri noktasal dağılıma sahiptir. Nokta dağılım da tıpkı alansal dağılım gibi düzenli, rastgele veya kümelenmiş olabilir. Mekânsal analiz teknikleri arasında nokta-ların mekânda nasıl bir dağılım dokusu gösterdiğine ve birbirleriyle olan mekânsal iliş-kilerinin derecesini belirlemeye yönelik birçok yöntem bulunmaktadır. Bunlar arasında Openshaw’un Coğrafi Analiz Makinesi (Geographical Analysis Machine-GAM), Besag ve Newell yöntemi, Kulldorff’un mekânsal tarama istatistiği, Cuzick ve Edwards’ın k-en yakın komşu testi, Ripley’in k-fonksiyon testi sayılabilir. Bu testler arasında Openshaw’un GAM’ı mekânsal bir dağılış dokusuna sahip hastalık verilerinin analizi için geliştirilmiş ilk testtir. Aşağıda Openshaw’un GAM testi hakkında kısa bilgi veri-lecektir. Diğer yöntemler hakkında detaylı bilgi için Bailey ve Gatrell (1995), Robinson (1998), Fotheringham vd. (2000) ve Pfeiffer vd. (2008)’e bakılabilir.

Openshaw’un coğrafi analiz makinesi (GAM)’nde, önce tüm çalışma alanı mümkün olduğunca çok sayıda gride bölünür (grid sayısı çalışmanın duyarlılığına bağlı olarak değişir) ve her bir gridin kesişim noktasını merkez olarak alan daireler oluşturulur. Ardından her bir daire içindeki gözlenen hastalık vaka sayıları beklenen vaka sayıları ile karşılaştırılır. Bu karşılaştırmada dağılımın poisson dağılım gösterdiği kabul edilir. Daireler beklenen vaka sayılarından daha büyükse alıkonulur, diğerleri elenir. Böylece hastalık merkezlerinin etrafında yoğunlaşmış çok sayıda üst üste binmiş daireler oluşur. Bu yöntemle daha görsel bir yorumlama olanağı da elde edilir (Openshaw vd. 1987’ye göre Pfeiffer vd. 2008). Bu yöntemi kullanarak Openshaw vd. (1988) kuzey İngiltere’de akut lenfoblastik löseminin kümelenmesini belirlemişlerdir. Ayrıca Turnbull vd. (1990) kuzey New York’taki lösemi insidansını GAM kullanarak araştırmışlardır.

Mekânsal Dağılımla İlişkili Faktörlerin BelirlenmesiMekânsal dağılıma etki eden faktörleri belirlemek için farklı regresyon ve diskri-

minant analiz teknikleri kullanılır. Bu teknikler doğrusal regresyon, poisson regresyo-nu, lojistik regresyon, doğrusal diskriminant analizi, doğrusal olmayan diskriminant analizi ve korelasyon analizleridir. Adı geçen analiz tekniklerinin tümü aynı zaman-da mekânsal olmayan analizlerde de kullanıldığı için, birçok temel istatistik kitabında nasıl yapıldıklarına ilişkin bilgi bulmak mümkündür. Burada özellikle mekânsal epi-demiyoloji çalışmalarında sıklıkla kullanılan lojistik regresyon analizi üzerinde kısaca

M. Kirami Ölgen


§

durulacaktır.

Lojistik regresyon bağımlı değişkenin (y) ikili (dichotomous-mevcut/değil) olması durumunda, birden fazla bağımsız değişkenin etkisini belirler. Bağımsız değişkenler kategorik olabileceği gibi sürekli de olabilir. Bağımlı değişkenler bir veya sıfır değeri-ni alabilir. Burada 1 riskin olduğunu, 0 ise riskin olmadığını gösterir. Epidemiyolojide lojistik regresyon spesifik bir lokasyonda herhangi bir hastalığın mevcut ya da mevcut olmama olasılığını belirlemek için kullanılır. Lojistik regresyon modelleri, tanımlayıcı değişkenler setinin doğrusal bir fonksiyonu olan sonuç olasılığının logit dönüşümünü kullanır (Pfeiffer 2008’e göre Breslow ve Day 1987):

mimi xxpp βββ +++=

−

...1

log 110

Lojistik regresyon modellerinde p’nin logit’i çok büyük veya çok küçük olabilir, fakat p değeri 0 ile 1 arasında değişir. Modeldeki p değeri (Pfeiffer 2008),

)...( 11011

mimi xxep βββ +++−+=

denklemiyle hesaplanır. Elde edilen p değerleri harita cebiri (map algebra) gibi coğ-rafi bilgi sistemleri analiz teknikleri kullanılarak görüntülenebilir.

Sürekli Yüzeylerin AnaliziTopografya, sıcaklık dağılışı, kirliliğin dağılışı ve benzeri dağılımda, yani keskin

sınırlarla ayrılmayan coğrafi varlıklar ve olayların gösteriminde kullanılan sürekli yüzeylerin oluşturulmasında kullanılan yöntemlerin tümü jeoistatistiksel enterpolas-yon tekniklerine dayanır. Bilindiği gibi klasik istatstiksel analizler daha çok varyansın analizine dayanırken, jeoistatistiksel analizler ise yarıvaryansın analizine dayanır. Bir başka ifade ile örneklerin birbirinden bağımsız olduğu kuralından ziyade örneklerin birbirine bağımlı olmasına dayalı populasyon parametrelerinin tahmin edilmesi ilkesi-ne dayanır. Böylece Bir yerdeki x noktasındaki ölçüm değeri z(x), bundan h kadar mesa-fedeki ölçüm değeri z(x+h) ise, ölçüm değerleri arasındaki fark f(h)=z(x)-z(x+h) olur. Bu fark h uzaklığının bir fonksiyonu olup, f(h)’nin bilinmesi durumunda örneklenmemiş bir noktadaki değeri hesaplamak mümkündür. Sürekli yüzey oluşturmada kullanılan jeoistatistiksel tekniklerin en yaygın olanı Kriging’dir. Bunun yanında Inverse Distance Weighting, Spline gibi başkaca enterpolasyon teknikleri de vardır.

Kriging ölçülmüş değerlerden yola çıkarak ölçülmemiş noktaların tahmin edilme-si için kullanılan bir enterpolasyon tekniğidir. Aralarında küçük farklılıklar olmakla beraber Ordinary kriging, Co-kriginig, basit kriging, universal kriging, indikatör kri-ging, olasılık krigingi ve ayırıcı kriging gibi bir çok alt türü bulunmaktadır. Buna göre



§kriging,

( ) )(1

0 i

N

ii

sSZSZ ∑

=

= λ

olarak ifade edilir ve burada, Z(Si) i’nci lokasyonda ölçülen değer, λi i’inci lokasyonda ölçülen değer için ağırlık katsayısı, s0 değeri tahmin edilecek lokasyon, N ise ölçülmüş değerler sayısı’dır.

Yüzey enterpolasyon teknikleri özellikle kirlilik dağılımı, risk belirleme, süreklilik gösteren çevresel değişkenlerin dağılımını saptamada oldukça faydalı sonuçlar ver-mektedir. Ayrıca regresyon gibi diğer istatistik yöntemlerin de birlikte kullanılmasıyla çarpıcı sonuçlar elde edilebilmektedir. Kleinschmidt vd. (2000)’in Mali’de yaptıkları sıtmanın Mekânsal dağılımı ile ilgili çalışma buna örnek verilebilir.

SONUÇCoğrafya biliminin sağlık bilimleriyle ilişkisi çok eski tarihlere dayanmasına rağ-

men modern tıbbi coğrafya’nın gelişimi II. Dünya Savaşı’ndan sonra hızlı bir artış göstermiştir. Bu artışta insan-çevre ilişkilerinin daha iyi anlaşılması, insanla çevresi arasındaki uyumun hızla bozulması önemli etkenler olarak sıralanabilir. Tıp bilimin-deki özellikle koruyucu hekimlik ve tedavi yöntemlerindeki yenilikler, çiçek gibi birçok hastalığın eredike edilmesini sağlarken, öte yandan yeni hastalıklar ve salgınlar ortaya çıkmaya devam etmektedir. Nüfusun dünya genelindeki hızlı artışı ve artan bu nüfusun metropol kentlerde yoğunlaşması, sağlık hizmetlerinin sunumunu ve bu hizmetlere eri-şimi güçleştirmektedir. Diğer taraftan coğrafya bilimindeki gelişmeler özellikle coğrafi teknolojilerdeki gelişmeler, tüm bu sorunların coğrafi bir bakış açısıyla çözülebilmesi için büyük katkı sağlamaktadır.

Gelişen bilgisayar teknolojisine bağlı olarak coğrafi bilgi sistemlerinin analiz gücün-de de hızlı bir artış olmuş ve daha önceleri yapılması çok güç olan mekânsal analizler kolay, hızlı ve yaygın bir şekilde gerçekleştirilmeye başlanmıştır. Çeşitli istatistik tek-niklerinin coğrafi bilgi sistemleri ile entegre edilmesi ile hastalıkların ve ilişkili fak-törlerin mekândaki dağılışı ve bu dağılış üzerinde rol oynayan etkenlerin belirlenme-si kolaylıkla yapılabilir hale gelmiştir. Ancak ülkemizde coğrafya ve sağlık bilimleri arasındaki işbirliği arzu edilen ölçüden çok uzaktır. Bunda coğrafyacıların sağlığın coğrafi boyutunu, sağlıkçıların da coğrafyanın sağlık boyutunu çok iyi kavramamış olmaları etkilidir. Bu yazıda, hem coğrafyacılara hem de sağlık bilimcilerine özellikle mekânsal epidemiyolojik amaçlı araştırma konu ve tekniklerinin bir tanıtımını yapmak hedeflenmiştir.

M. Kirami Ölgen


§

KAYNAKLARAlbert, D. P., Gesler, W., M., ve Levergood, B., 2005, Spatial analyis, GIS, and remote

sensing applications in the health sciences, Ann Arbos Pres, Michigan.Bailey, T.C., ve Gatrell, A.C., 1995, Interactive spatial data analysis, Longman Scientific

and Technical, Essex.Baret, F.A., 2000, Finke’s 1792 map of human diseases: the first world disease map?,

Social Science and Medicine, 50, s. 915-921.Beck, L.R., Rodriguez, M.H., Dister, S.W., 1994, Remote sensing as a landscape epide-

miologic tool to identify villages at high risk for malaria transmission, American Journal of Tropical Medicine and Hygiene, 5, s. 271-280.

Beck, L.R., Bradley, M.L., ve Byron, L.W., 2000, Remote sensing and human health: new sensors and new opportunities, Emerging Infectious Diseases, 6, s. 217-226.

Borroto, R.J., ve Martinez-Piedra, R., 2000, Geographical patterns of cholera in Mexico, 1991-2000, International Journal of Epidemipology, 29, s. 764-772.

Breslow, N., ve Day, N., 1987, The design and analysis of cohorot studies volume 2, IARC Scientific Publication No:82, International Agency for Research on Cancer, Lyon.

Brianti, E., Drigo, M., Zirilli, V., Poglayen, G., ve Giannetto, S., 2007, Use of health information system (HIS) for the epidemiological surveillance of leishmaniasis in urban areas, Veterinary Research Communications, 31, s. 213-215.

Briggs, D.J., Elliott, P., 1995, The use of geographical information systems in studies on environment and health, World Health Stat. Quarterly, 48, s. 85-94.

Brooker, S., ve Michael, E., 2000, The potential of geographical information systems and remote sensing in the epidemiology and control of human helminth infections, Advances in Parasitology, 47, s. 246-288.

Campbell, J.B., 1996, Introduction to remote sensing, Taylor and Francis, London.Croner, C.M., Sperling, J., ve Broome, F.R., 1996, Geographic information systems

(GIS): New perspectives in understanding human health and environmental relations-hips, Statistics in Medicine, 15, s. 1961-1977.

Cross, E. R., Newcomb, W. W., ve Tucker, C. J., 1996, Use of weather data and remote sensing to predict the geographical and seasonal distribution of Phlebotomus papatasi in Southwest Asia, American Journal of Tropical Medicine and Hygiene, 54, s. 530-536.

Curan, P.J., Atkinson, P.M., Foody, G.M., ve Milton E.J., 2000, Linking remote sen-sing, land cover and disease, Advances in Parasitology, 47, s. 37-80.

Dale, P.E., Ritchie, S.A., Turrito, B.M., Morris, C.D., Muhar, A., ve Kay, B.H., 1998, An overview of remote sensing and GIS for surveillance of mosquito vector habitats and risk assessment, Journal of Vector Ecology, 23, s. 54-61.

Dangendorf, F., Herbst, S., Reintjes, S., ve Kistemann, T., 2002, Spatial patterns of di-arrhoeal illnesses with regard to water supply structures – a GIS analysis, International Journal of Hygiene and Environmental Health, 205, s. 183-191.

Den Draak, M., 2005, An introduction to medical and health geography, Population



§Research Centre Working Paper Series 05-1, University of Groningen

Eck, T.F., ve Holben, B.N., 1994, AVHRR split window temperature differences and total precipitable water over land surfaces, International Journal of Remote Sensing, 15, s. 567-582.

Fotheringham, A.S., Brunsdon, C., ve Charlton, M., 2000, Quantitative Geography: perspectives on spatial data analysis, Sage Publications, London.

Geary, R., 1954, The contiguity ratio and statistical mapping, The Incorporated Statistician, 5, s. 115-145.

Glass, G.E., Schwartz, B.S., Morgan, J.M., Jonson, D.T., Noy, P.M., ve Israel, E., 1995, Environmental risk factors for Lyme disease identified with geographic information systems, American Journal of Public Health, 85, s. 944-948.

Goetz, S.J., Prince, S.D., ve Small, J., 2000, Advances in satellite remote sensing of environmental variables for epidemiological applications, Advances in Parasitology, 47, s. 289-307.

Haggett, P., 2000, The geographical structure of epidemics, The Clarendon Lectures in Geography and Environmental Studies, Oxford: Clarendon Press.

Hay, S.I., Packer, M.J., ve Rogers, D.J., 1997, The impact of remote sensing on the study and control of invertebrate intermediate hosts and vectors for disease, International Journal of Remote Sensing, 18, s. 2899-2930.

Hay, S.I., Snow, R.W., Rogers, D.J., 1998, Predicting malaria seasons in Kenya using multitemporal meteorological satellite sensor data, Trans. Royal Society of Tropical Medicine and Hygiene, 92, s. 12-20.

Hay, S.I., 2000, An overview of remote sensing and geodesy for epidemiological and public health application, Advances in Parasitology, 47, s. 1-35.

Hay, S.I., Omumbo, J.A., Craig, M.H., ve Snow, R.W., 2000, Earth observation, geog-raphic information systems and Plasmodium falciparum malaria in Sub-saharan Africa, Advances in Parasitology, 47, s. 174-216.

Hugh-Jones, M., 1989, Applications of remote sensing to the identification of the ha-bitats of parasites and disease vectors, Parasitology Today, 5, s. 244-251.

Jones, K., ve Moon, G., 1987, Health, disease and society: a critical medical geography, London/New York: Routledge & Kegan Paul.

Kearns, R.A., 1993, Place and health: towards a reformed medical geography, The Professional Geographer, 45, s. 139-147.

Kearns, R.A., 1995, Medical geography: making space for difference, Progress in Human Geography, 19, s. 251-259.

Kearns, R.A., ve Moon, G., 2002, From medical to health geography: novelty, place and theory after a decade of change, Progress in Human Geography, 26, s. 605-625.

Kistemann, T., Dangendorf, F., Krizek, L., Sahl, H.G., Engelhart, S., ve Exner, M., 2000, GIS-supported investigation of a nosocomial Salmonella outbreak, International Hygiene and Environmental Health, 203, s. 117-126.

M. Kirami Ölgen


§

Kistemann, T., Dangendorf, F., ve Schweikart, J., 2002, New perspectives on the use of geographical information systems (GIS) in environmental health sciences, International Journal of Hygiene and Environmental Health, 205, s. 169-181.

Kleinschmidt, I., Bagayoko, M., Clarke, G.P.Y., Craig, M., ve Le Sueur, D., 2000, A spatial statistical approach to malaria mapping, International Journal of Epidemiology, 29, s. 355-361.

Lobitz, B., Beck, L., Huq, A., Wood, B., Fuchs, G., Faroque, A.S.G., 2000, Climate and infectious diseases: use of remote sensing for detection of Vibrio cholerae by indirect measurement, Proc. National Academy Sciences, 97, s. 1438-1443.

Longley, P.A., Goodchild, M.F., Maguire, D.J., ve Rhind, D.W., 2001, Geographic in-formation systems and science, Wiley, Chichester.

Mayer, J.D., 1982, Relations between two traditions of medical geography: health systems planning and geographical epidemiology, Progress in Human Geography, 6, s. 216-230.

McLeod, K.S., 2000, Our sense of Snow: the myth of John Snow in medical geog-raphy, Social Science and Medicine, 50, s. 923-935.

Meade, M.S., ve Earickson R.J., 2000, Medical geography. Second edition, New York/London: The Guilford Press.

Moran, P.A.P., 1950, Notes on continuous stochastic phenomena, Biometrika, 37, s. 17-23.

Nakhapakorn, K., ve Jirakajohnkool, S., 2006, Termporal and spatial autocorrelation statistics of Dengue fever, Dengue Bulletin, 30, s. 177-183.

Openshaw, S., Charlton, M., Wymer, C., ve Craft, A., 1987, A mark 1 geographical analysis machine for the automated analysis of point data sets, International Journal of Geographical Information Systems, 1, s. 335-358.

Openshaw, S., Craft, A., Charlton, M., ve Birch, J.M., 1988, Investigation of leukemia clusters by use of a geographical analysis machine, Lancet, 1, s. 272-273.

Paul, B.K., 1985, Approaches to medical geography: an historical perspective, Social Science and Medicine, 20, s. 399-404.

Pfeiffer, D., Robinson, T., Stevenson, M., Stevens, K., Rogers, D., ve Clements, A., 2008, Spatial analysis in epidemiology, Oxford University Pres.

Pope, K.O., Rejmankova, E., Savage, H.M., Arrendondo-Jimenez, J.I., Rodriguez, M.H., ve Roberts, D.R., 1994, Remote sensing of tropical wetlands for malaria control in Chiapas, Mexico, Ecological Applications, 4, s. 81-90.

Pringle, D.G., 1996, What is medical geography? Geographical Viewpoint, 24, s. 20-28.Randolph, S.E., 2000, Ticks and tick-borne disease systems in space and from space,

Advances in Parasitology, 47, s. 217-245.Rejmankova, E., Roberts, D.R., Pawley, A., Manguin, S., ve Polanco, J., 1995,

Predictions of adult Anopheles albimanus densities in villagesvbased on distances to remotely sensed larval habitats, American Journal of Tropical Medicine and Hygiene, 53, s. 482-488.



§Riley, J.R., 1989, Remote sensing in entomology, Annual Review of Entomology, 34, s.

247-271.Robinson, G.M., Methods and techniques in human geography, Wiley, Chichester.Rogers, D.J., 2000, Satellites, space, time and the African Trypanosomiases, Advances

in Parasitology, 47, s. 130-173.Rosenberg, M.W., 1998, Medical or health geography? Populations, peoples and pla-

ces, International Journal of Population Geography, 4, s. 211-226.Salah, A.B., Kamarianakis, Y., Chlif, S., Alaya, N.B., ve Prastacos, P., 2007, Zoonotic

cutaneous leishmaniasis in central Tunisia: spatio-temporal dynamics, International Journal of Epidemiology, 36, s. 991-1000.

Soumare, B., Tempia, S., Cagnolati, V., Mohamoud, A., Van Huylenbroeck, G., ve Berkvens, D., 2007, Screening for Rift Valley fever infection in northern Somalia: A GIS based survey method to overcome the lack of sampling frame, Veterinary Microbiology, 121, s. 249-256.

Srivastava, A., Nagpal, B.N., Safena, R., ve Sharma, V.P., 1999, Geographic infor-mation system as a tool to study malaria receptivity in Nadiad Taluka, Kheda district, Gujarat, India, Southeast Asian Journal of Tropical Medicine and Public Health, 30, s. 650-656.

Thomas, C.J., Lindsay, S.W., 2000, Local-scale variations in malaria infection amongst rural Gambian children estimated by satellite remote sensing, Trans. Royal Society of Tropical Medicine and Hygiene, 94, s.159-163.

Thomson M.C., Connor, S.J., D’Alessandro, U., 1999, Predicting malaria infection in Gambian children from satellite data and bed net use surveys: the importance of spati-al correlation in the interpretation results, American Journal of Tropical Medicine and Hygiene, 61,s. 2-8.

Tucker, C.J., 1979, Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing and Environment, 8, s. 127-150.

Turnbull, B.W., Iwano, E.J., Burnet, W.S., Howe, H.L., ve Clark, L.C., 1990, Monitoring for clusters of disease: applications to leukemia incidence in upstate New York, American Journal of Epidemiology, 132, s. 136-143.

Washino, R.K., ve Wood, B.L., 1994, Application of remote sensing to arthropod vec-tor surveillance and control, American Journal of Tropical Medicine and Hygiene, 50, s. 134-144.

Tıbbi Coğrafya: Tanımı, İçeriği ve Coğrafi Teknolojilerle İlişkisi

Documents

Transcript of Tıbbi Coğrafya: Tanımı, İçeriği ve Coğrafi Teknolojilerle İlişkisi