علاوه بر این،سیستانچهمچنین عملکرد تولید کلاژن را افزایش می دهد که می تواند خاصیت ارتجاعی و درخشندگی پوست را افزایش دهد و به ترمیم سلول های آسیب دیده پوست کمک کند.سیستانش فنیل اتانول گلیکوزیدهااثر کاهشی قابل توجهی درتیروزینازفعالیت، و اثر آن بر تیروزیناز به عنوان یک مهار رقابتی و برگشت پذیر نشان داده شده است که می تواند پایه ای علمی برای توسعه و استفاده ازمواد سفید کنندهدر سیستانچه بنابراین، سیستانچ نقش کلیدی درسفید شدن پوست. می تواند تولید ملانین را برای کاهش تغییر رنگ و تیرگی مهار کند. وافزایش تولید کلاژنبرای بهبود خاصیت ارتجاعی و درخشندگی پوست با توجه به شناخت گسترده این اثرات سیستانچ، بسیاری از محصولات سفید کننده پوست شروع به تزریق مواد گیاهی مانند سیستانچ برای رفع نیاز مصرف کنندگان کرده اند، بنابراین ارزش تجاری سیستانچ در محصولات سفید کننده پوست افزایش می یابد. به طور خلاصه، نقش سیستانچ در سفید شدن پوست بسیار مهم است. اثر آنتی اکسیدانی و اثر کلاژن سازی آن می تواند تغییر رنگ و تیرگی را کاهش دهد، خاصیت ارتجاعی و درخشندگی پوست را بهبود بخشد و در نتیجه به یک اثر سفید کننده دست یابد. همچنین کاربرد وسیع سیستانچ درسفید شدن پوستمحصولات نشان می دهد که نقش آن در ارزش تجاری را نمی توان دست کم گرفت.

روی کدام سیستانچ بهترین است کلیک کنید

برای اطلاعات بیشتر:

david.deng@wecistanche.com WhatApp:86 13632399501

رانندگی مدل با سری زمانی دمای واقعی.مدل مکانیکی که توسط دما با میانجی‌گری محافظت متقاطع سروتیپ موقت هدایت می‌شود، قادر به تولید دینامیک کیفی مشابه با آنچه در داده‌ها مشاهده می‌شود (به عنوان مثال، شکل S12 را در پیوست S1 ببینید)، در نتیجه از این فرضیه حمایت می‌کند که دما نقش مهمی را ایفا می‌کند. نقش. نسبت بین موارد گزارش‌شده و خروجی مدل‌سازی‌شده ما (میانگین 0.11 در تمام استان‌ها و نقاط زمانی) تقریباً 30 برابر بیشتر است (برای یک محافظت متقابل 1 ساله) آنهایی که رایش و همکارانش [19] تخمین زدند (مقادیر میانه بین 0.{19}}037 و 0.0120 در سروتیپ‌ها)، نشان می‌دهد که نرخ انتقال در مدل ممکن است نسبتاً پایین باشد. با این حال، نتایج ما در برابر تغییرات در انتقال قوی بود (به بخش "تست های استحکام" در ضمیمه S1 مراجعه کنید). برای شبیه‌سازی 1 (با استفاده از سری زمانی دما برای 72 استان)، WMF برای خروجی مدل در همه زمان‌ها از لحاظ آماری همگامی معنی‌داری داشت (شکل 2C). همبستگی پیرسون و اسپیرمن بین خروجی دنگی مدل‌سازی شده و WMF داده‌های دنگی (شکل 2B و 2C) به ترتیب 0.29 (P=0.017) و 0.32 (P=0.011) بود. اینکه این ضرایب همبستگی از نظر آماری معنی‌دار بودند، اما ضرایب بین موارد دنگی و دما معنی‌دار نبودند، نشان می‌دهد که غیرخطی‌های دمایی کدگذاری‌شده در مدل، همراه با حفاظت متقاطع، عناصر مهم دینامیک دنگی هستند. این ضرایب همبستگی هنوز برای مفروضات مختلف در مورد میانگین مدت حفاظت متقاطع معنی‌دار بود (جدول S1 در ضمیمه S1). زوایای فاز بین دما و خروجی مدل در سراسر استان ها، همانطور که انتظار می رفت، ثابت و از نظر آماری در اکثر نقاط زمانی معنی دار بود (شکل 2E). WMF و CWMF برای خروجی های مدل با استفاده از مفروضات مختلف در مورد حفاظت متقاطع در شکل S13 در ضمیمه S1 نشان داده شده است و نشان می دهد که با میانگین حفاظت متقابل طولانی تر (به عنوان مثال، 2 سال)، سازگاری در زوایای فاز بین دانگ مدل سازی شده و دما کمتر است. نسبت به محافظ های متقاطع کوتاه تر. هر دو WMF و CWMF برای خروجی مدل حاوی یک رویداد همزمانی قابل توجه در اوایل دهه 1970 هستند که همان چیزی را که در دما یافت می شود بازتولید می کند. این ویژگی در WMF و CWMF برآورد شده با استفاده از داده ها وجود ندارد (شکل 2B و 2D). ما همچنین همبستگی بین طیف موجک خروجی دنگی مدل‌سازی شده و داده‌های دنگی را برای هر استان، برای دوره‌های همگام پایین و بالا به طور جداگانه مقایسه کردیم. همبستگی در شرایط همزمانی بالا نیز به طور قابل توجهی بیشتر از زمان همزمانی کم بود، اما در اینجا، همبستگی های کم سنکرون به طور متوسط ​​بیشتر از همبستگی کم سنکرون بین دما و داده های دنگی بود (جدول S2 و شکل S16 را در پیوست S1 ببینید). این نتایج نشان می‌دهد که این مدل (که شامل پویایی ایمنی است) مکانیسم‌های موجود در هر استان را در طول همزمانی کم نشان می‌دهد و برخی از تغییرات در پویایی چند ساله دنگی را توضیح می‌دهد که دما به تنهایی نمی‌تواند.

یک گرادیان دما می تواند دینامیک دانگ ناهمزمان را ایجاد کند.برای آزمایش‌های ایده‌آل‌شده شبیه‌سازی 2، دریافتیم که با حداقل میانگین 1 سال حفاظت متقاطع موقت بین سروتیپ‌ها، پویایی دنگی حاصل شامل چرخه‌های چندساله (شکل 4A-4C) است، چرخه‌هایی که کاملاً به دینامیک مربوط می‌شوند. مصونیت با توجه به اینکه در اینجا هیچ چرخه چند ساله دما وجود ندارد. تناوب این چرخه ها (و دامنه آنها)، با این حال، در نتیجه رژیم دما تغییر کرد. همانطور که شرایط دما برای انتقال بهینه می شود (یعنی با افزایش میانگین دما، نزدیک شدن به دمای بالاتری که دما را در بانکوک مشخص می کند؛ شکل S42 در ضمیمه S1)، تناوب اجزای چندساله در دنگی کاهش می یابد (یعنی چرخه های چند ساله فراوان تر هستند)، و قدرت در بازه های زمانی چندساله افزایش می یابد. در بالاترین میانگین دما، با میانگین 2 سال حفاظت متقاطع، چرخه های فصلی به دلیل 2 روند اصلی ناپدید می شوند (شکل 4C). از یک طرف، با طولانی تر شدن حفاظت متقاطع، قدرت چرخه های چند ساله (و بنابراین، دامنه آنها) افزایش می یابد (شکل 4A-4C). از سوی دیگر، تغییرات فصلی در انتقال در بالاترین میانگین دما محدودتر است (شکل S44 در ضمیمه S1)، بنابراین تغییرات فصلی محدودتری در موارد دنگی ایجاد می‌کند. روی هم رفته، این 2 روند به این معنی است که دینامیک به طور فزاینده ای تحت سلطه چرخه های چند ساله تولید شده از طریق محافظت متقابل و کمتر تحت تأثیر تغییرات فصلی دما قرار می گیرد. در حالی که تناوب چرخه های چند ساله برای هر رژیم دما بین میانگین 1 و 2 سال حفاظت متقاطع کمی تغییر می کند، برجستگی آنها این است: با حفاظت متقاطع طولانی تر، این چرخه ها در توان موجک متوسط ​​افزایش می یابد. دامنه دینامیک تولید شده در سراسر مکان ها تحت همه مفروضات حفاظت متقابل به اندازه کافی متنوع است: هیچ هماهنگی شناسایی نمی شود (به عنوان مثال، شکل 4D). با این وجود، بخشی از ناهمزمانی مشاهده شده در موارد دنگی (شکل 2B) نیز ممکن است به دلیل ناهمزمانی در چرخه های چند ساله در دما در نقاط مختلف باشد.

نوسانات معمول چند ساله در دما می تواند پویایی دنگی را همگام کند.از آنجایی که رژیم‌های دمایی مختلف می‌توانند دینامیک دنگی متمایز ایجاد کنند (شکل 4A-4C)، یک توضیح ساده برای همزمانی می‌تواند این باشد که دماها در سراسر کشور در طول آن دوره‌ها به رژیم دمایی مشابه‌تری همگرا می‌شوند و در نتیجه دینامیک دنگی همزمان‌تر می‌شود. با این حال، این مورد در تایلند نبوده است (شکل S38 در ضمیمه S1). فرضیه بعدی این است که یک نوسان معمول چند ساله در دما می تواند پویایی دنگی را همگام کند. نتیجه شبیه‌سازی 3 این بود که وقتی دامنه نوسان چندساله دما حداقل 20 درصد از چرخه فصلی بود، 6 مکان به طور موقت با هم هماهنگ شدند (شکل 4E)، تحت تمام مفروضات مربوط به حفاظت متقابل. همزمانی در دانگ معمولاً در طیف وسیعی از مقیاس‌های زمانی تشخیص داده می‌شود. با این حال، زمانی که نوسان چند ساله دامنه 10 درصد از چرخه فصلی داشت و میانگین حفاظت متقاطع 2 سال بود، همزمانی ضعیف‌تر بود (شکل S32 در ضمیمه S1). زمانی که نوسانات چندساله دما دارای دوره تناوب طولانی تری (مثلاً 5 سال) و حفاظت متقاطع حداقل 1 ساله بود، همزمانی به طور کلی ضعیف تر بود.

نقش هایی که ایمنی و دما ایفا می کنند.همگام‌سازی به‌دست‌آمده در آزمایش‌های شبیه‌سازی 3 به عنوان تابعی از میانگین مدت حفاظت متقابل متفاوت بود: درجه همزمانی با محافظت متقابل طولانی‌تر کاهش یافت (شکل‌های S24-S32 در ضمیمه S1). برای توضیح اینکه چرا باید درک بهتری از نحوه تعامل بازه‌های زمانی چندساله تولید شده توسط عوامل درونی و بیرونی داشته باشیم. مقایسه شبیه‌سازی‌ها با (شبیه‌سازی 3) و بدون (شبیه‌سازی 2) یک نوسان چند ساله در دما به ما امکان می‌دهد تا چگونگی تغییر مقیاس‌های زمانی چندساله در تب دنگی را به‌طور خاص در نتیجه نوسانات چند ساله دما تعیین کنیم. ما دریافتیم که در حالی که تناوب نوسانات چند ساله دما به طور کلی در دینامیک دنگی حاصل قابل تشخیص است، اهمیت آن نسبت به مقیاس‌های زمانی دینامیک ذاتی (یعنی مقیاس‌های زمانی چند ساله دنگی که به تنهایی به حفاظت متقابل نسبت داده می‌شود) متفاوت است. میانگین دما، دامنه فصلی در دما، و میانگین حفاظت متقاطع (شکل 5). به نظر می رسد دنگی نسبت به نوسانات چند ساله دما با افزایش میانگین دما، تغییرات فصلی کمتر در دما و حفاظت متقابل طولانی تر حساس تر است. به طور خاص، با افزایش مدت زمان حفاظت متقاطع و/یا میانگین دما، و با کاهش فصلی بودن دما، قدرت دینامیک ذاتی چند ساله افزایش می‌یابد، به طوری که اثر نوسانات چند ساله دما می‌تواند بسیار زیاد باشد. در شبیه‌سازی‌های ما، این مورد به‌ویژه برای دمای میانگین بالاتر و میانگین حفاظت متقاطع 2 ساله صادق است (شکل 5).

همچنین شایان ذکر است که نوسانات چند ساله دما لزوماً به طور مستقیم در دینامیک دنگی بازتولید نمی شود. در عوض، در موارد دنگی پاسخی گذرا ایجاد می‌کند که می‌تواند در زمان فراتر از نوسانات چندساله دما گسترش یابد، همانطور که هنگام ترسیم زاویه فاز بین شبیه‌سازی‌ها با نوسان چندساله دما و شبیه‌سازی‌های بدون آن به وضوح دیده می‌شود (شکل S33 در S1 ضمیمه ). اینها هم نشان می‌دهند که اثر نوسان چند ساله دما می‌تواند ماندگار باشد و هم تأیید می‌کند که اثر نوسان چند ساله دما با حفاظت متقاطع طولانی‌تر و دمای میانگین بالاتر کاهش می‌یابد.

بحث

چندین اخطار برای تحلیل های ما وجود دارد. ما ترجیح دادیم روی دما تمرکز کنیم زیرا تئوری های خاصی برای تأثیر مکانیکی آن بر دینامیک دنگی داریم. با این حال، ما نمی‌توانیم هر الگوی همزمان در دنگی را به همزمانی در دما نسبت دهیم. به عنوان مثال، تایلند در حدود سال 1972 یک نوسان شدیداً همزمان 2-در دما را تجربه کرد، و در حالی که این نوسان در خروجی مدل ما تکرار شد، به‌طور آشکاری از دینامیک دنگی مشاهده‌شده غایب بود. دلایل متعددی وجود دارد که می تواند این اختلاف را توضیح دهد. در بخش قبلی سوابق، موارد دنگی ممکن است کمتر موثر تشخیص داده شده باشد، بنابراین به طور بالقوه به طور بالقوه ویژگی های چند ساله پویایی زمینه ای را به تصویر نمی کشد. از سوی دیگر، سایر متغیرهای محیطی (به ویژه بارش) و تعامل آنها با دما احتمالاً برای پویایی بردار دنگی مهم هستند. برای مثال، میزانی که یک رویداد همزمان در دما می‌تواند چرخه‌های چندساله در دنگی را همگام‌سازی کند، ممکن است به میزان بارندگی یا زمان‌بندی فصول بارانی در آن سال‌ها بستگی داشته باشد. علاوه بر این، مکانیسم‌های غیرمحیطی دیگر نیز ممکن است بر همزمانی در تب دانگ تأثیر بگذارند. چرخه های پیچیده چند ساله، همزمانی، و تغییرات در درجه همگامی در طول زمان، در تئوری می توانند از طریق، به عنوان مثال، حرکت میزبان ها بین مکان ها تولید شوند [15]. همچنین طیف وسیعی از تغییرات در حال انجام همزمان در تایلند وجود دارد که ممکن است بر پویایی و همگامی چند ساله تأثیر بگذارد. به عنوان مثال، نرخ زاد و ولد در سراسر کشور رو به کاهش بوده است [53] و نرخ کاهش ممکن است از نظر مکانی ناهمگن باشد. به طور مشابه، روندهای بلندمدت در تراکم جمعیت در سراسر کشور نیز می تواند به الگوهای مکانی-زمانی مشاهده شده کمک کند. بررسی چگونگی تعامل این عوامل با دما و کمک به الگوهای فضایی-زمانی مشاهده شده، شایسته توجه بیشتر است. مدل مکانیکی که ما در اینجا در مقایسه با داده‌ها استفاده می‌کنیم، همچنین منجر به نسبت‌های گزارشی می‌شود که به طور مشخص بالاتر از آنچه در ادبیات تخمین زده می‌شود [19]، نشان می‌دهد که نرخ‌های انتقال در مدل ممکن است پایین باشد. انتظار می‌رود که نرخ‌های انتقال پایین‌تر بر پویایی ایمنی تأثیر بگذارد، زیرا موارد حساس با سرعت کمتری تخلیه می‌شوند و منجر به افزایش دوره‌ای چرخه‌های چندساله تولید شده توسط ایمنی می‌شوند. با این وجود، نتایج ما در مورد همزمانی نسبت به تغییرات در انتقال قوی هستند. در نهایت، مدلی که ما استفاده می‌کنیم، لزوماً فرضیات ساده‌سازی می‌کند (به بخش "اخطارها در مورد مدل دنگی" در ضمیمه S1 مراجعه کنید). برای درک اینکه کدام یک از این مفروضات ممکن است به طور قابل توجهی بر همگامی تأثیر بگذارد، کار بیشتری لازم است.

الگوهای همزمان در دما که مشاهده کرده‌ایم در نتیجه الگوهای اقلیمی گسترده‌تر ایجاد می‌شوند. به طور خاص، رویدادهای همزمان در دما (شکل 2A) با رویدادهای قوی ال نینو و لانینا (1972 تا 1973، 1982 تا 1983، 1997 تا 1998 و 2014 تا 2016) همزمان است، که طی آن به ترتیب دمای بالاتر و پایین‌تر از میانگین ثبت شده است. در سراسر کشور [54]. مقیاس زمانی چند ساله که در آن همزمانی شناسایی می‌شود، ممکن است به میزانی که رویدادهای ال نینو توسط رویدادهای لانینا و نقاط قوت مربوطه دنبال می‌شوند بستگی داشته باشد. به دلیل گستردگی جغرافیایی اثرات نوسان جنوبی ال نینو (ENSO)، بنابراین ممکن است انتظار داشته باشیم که دما دینامیک دنگی را در کشورهای دیگر که در آن ENSO تظاهرات مشابهی در شرایط آب و هوایی محلی دارد، همگام کند، همانطور که برای مثال نشان داده شده است. ون پانهویس و همکارانش [40]. در واقع، چندین مطالعه به دنبال ارتباط بین دینامیک دنگی و ENSO بوده اند (به عنوان مثال، [35،38،40،55،56]). در اینجا، هدف ما آزمایش فرضیه‌های خاصی در مورد اینکه چگونه دما، یک متغیر محیطی که می‌دانیم بر بردار دنگی تأثیر می‌گذارد، می‌تواند ناهمزمانی و همزمانی را در موارد دنگی ایجاد کند، بود. هنگام ترسیم پیوند بین ENSO و دینامیک دنگی باید مراقب بود، زیرا ENSO فراتر از دما بر محیط تأثیر می گذارد و تظاهرات فیزیکی ENSO در هر مکانی پیچیده است و می تواند در طول زمان تغییر کند [57]. برای مثال، بارش، که احتمالاً در دینامیک دنگی نیز نقش دارد، می‌تواند با ENSO نیز متفاوت باشد (شرایط خشک‌تر مرتبط با ال نینو، مرطوب‌تر با لا نینا؛ [58])، اما در تایلند، همبستگی بین بارش و ENSO افزایش یافته است. در طول زمان، در حالی که در هند، روند مخالف صادق است [59].

همانطور که در این مطالعه مشاهده کردیم، هر بیماری که عمدتاً توسط عوامل بیرونی (محیطی) هدایت می‌شود، ممکن است الگوی مشابهی از رویدادهای همزمان و همزمان مرتبط در محیط و بیماری را نشان دهد. ویژگی‌ای که تب دنگی را در زمینه مطالعه ما به یک سیستم پیچیده تبدیل می‌کند این است که دینامیک ذاتی می‌تواند در دوره‌های تناوب مشابه (چند سالانه) مانند محرک‌های بیرونی (دما) تغییر کند، که منجر به مشکل در تفکیک نقش هر یک در این سیستم می‌شود. این ویژگی در سایر سیستم‌های بیماری مشترک است و تفکیک عوامل بیرونی و درونی یک سؤال اصلی در کار قبلی بوده است [29-34]. در اینجا، ما مجموعه ای از روش ها (CWMFs، همبستگی در همگامی کم و زیاد) را اعمال و توسعه داده ایم و از شبیه سازی ها برای درک بهتر نقش نسبی هر کدام استفاده کرده ایم. بنابراین، رویکرد ما ممکن است برای سیستم‌های دیگری مفید باشد که در آن‌ها ترکیب مشابهی از مقیاس‌های زمانی وجود دارد و دینامیک ذاتی ممکن است فیلتر مهمی برای در نظر گرفتن باشد (همانطور که ممکن است در مورد، به عنوان مثال، زیکا، چیکونگونیا، ویروس سنسیشیال تنفسی، آنفولانزا باشد).

به نظر می رسد دمای اکثر مکان ها از نظر میانگین افزایش و در تغییرات فصلی کاهش می یابد (شکل های S39 و S42 در ضمیمه S1). اگر این روندها حفظ شوند، نتایج ما نشان می‌دهد که پویایی دنگی نیز می‌تواند به آرامی تغییر کند و به رژیمی نزدیک شود که با میانگین بروز بالاتر مشخص می‌شود (شکل‌های S19-S21 در ضمیمه S1)، و پویایی به‌طور فزاینده‌ای تحت سلطه چندساله و نه فصلی است. چرخه ها چرخه‌های چندساله نیز ممکن است تا حد زیادی توسط عوامل ذاتی در بازه‌های زمانی چندساله موجود در دما دیکته شوند، به این معنی که در آینده، دما ممکن است کمتر بتواند پویایی دنگی را همگام کند. با این حال، این فرضیه ها مشروط به درک دقیق تر از تعاملات بین سروتیپ ها و مشارکت سایر عوامل بیرونی (به عنوان مثال، بارندگی) و درونی (مانند تغییرات در جمعیت شناسی و حرکت میزبان ها بین مکان ها) است.

مواد و روش ها

داده ها

سری های زمانی دما از GHCN CAMS شبکه بندی شده ({0}}.5˚ در 0.5˚) مجموعه داده میانگین ماهانه دما (ارائه شده توسط NOAA/OAR/ESRL PSD، Boulder، کلرادو، ایالات متحده، دانلود شده) به دست آمد. در 18 ژوئن 2019). این مجموعه داده مشاهدات ایستگاه از شبکه جهانی اقلیم شناسی تاریخی v2 و سیستم نظارت بر ناهنجاری آب و هوا [60] را ترکیب می کند (شکل های S37 و S38 در ضمیمه S1). سری‌های زمانی از سال 1948 شروع می‌شود. ما فایل‌های شیپ را برای استان‌های تایلند در 12 فوریه 2019 دانلود کردیم و مرکز استان را با استفاده از تابع "calcCentroid" در بسته R "PBSmapping" نسخه 2.72.1 تخمین زدیم. سپس یک سری زمانی برای هر استان با استفاده از نزدیکترین نقطه شبکه به مرکز هر استان بدست آمد.

برای شبیه سازی با استفاده از سری زمانی دمای واقعی (شبیه سازی 1؛ جدول 1)، از اندازه جمعیت 2020 هر استان (به نزدیکترین 1*105 گرد شده) استفاده می کنیم که در 24 نوامبر 2021 از اداره ملی آمار تایلند دانلود شده است. همانند اعداد از موارد، ما جمعیت استان‌های ایجاد شده از سال 1982 به بعد را ترکیب می‌کنیم.

موجک تبدیل می شود

ما WT های پیوسته را برای کشف چگونگی تغییر رفتار نوسانی موارد دنگی در طول زمان اعمال کردیم. WT ها اکنون به طور گسترده در مطالعه دینامیک بیماری های عفونی [37،40،56،61،62] و به طور گسترده تر در اکولوژی [50،51] استفاده شده اند. WT ها سری های زمانی را به اجزای فرکانس تجزیه می کنند، اما برخلاف تبدیل فوریه، WT ها نیز در زمان محلی سازی می شوند. بنابراین، WT ها را می توان برای توصیف سری های زمانی غیر ثابت و چگونگی تغییر اهمیت نسبی فرکانس های مختلف در طول زمان استفاده کرد. مبنای WT یک موجک "مادر" است، موجی که هم در فرکانس و هم در زمان (یعنی مدت زمان محدود) محلی شده است، که سپس مقیاس یا کشیده می شود (برای مولفه فرکانس) و در امتداد محور زمان (برای زمان موقت) جابجا می شود. جزء) برای استخراج مجموعه ای از موجک های "دختری". سپس WT را می توان به عنوان یک همبستگی بین (یا به طور خاص تر پیچیدگی) سری زمانی و مجموعه موجک های دختر درک کرد [63].

ما از WT همانطور که در بسته R "WaveletComp" v1.1 پیاده سازی شده است استفاده می کنیم—جزئیات در اسناد بسته [64] و کد ارائه شده است و خلاصه ای در اینجا آورده شده است. این بسته از موجک مادر مورلت، ψ(t)=π-1/4 exp(i ω t) exp(-t 2 /2) استفاده می کند، که در آن t زمان است (t=1،. ..، T) و ω فرکانس زاویه ای است که روی 6 رادیان t-1 تنظیم شده است [64]. WT، W، در یک نقطه از زمان τ و مقیاس s (متناسب با دوره، معکوس فرکانس) است:

که در آن x(t) سری زمانی اصلی است و * نشان دهنده مزدوج مختلط است. مدول W (τ,s)، |W(τ,s)|، دامنه محلی A را در نقطه زمانی τ و مقیاس s می دهد. برای هر نمودار WT یا محاسباتی که مستقیماً روی آن انجام می شود، A را تصحیح می کنیم تا A(τ,s)=s −1/2 |W(τ,s)| [65]. A(τ,s) 2 چگالی انرژی موجک است. W(τ,s) همچنین فاز موجک محلی آنی را ایجاد می کند. اگرچه WT دارای افزونگی قابل توجهی در زمان و مقیاس است، اما می‌توان سری‌های زمانی اصلی (یا سری‌های زمانی حاوی تنها مقیاس‌های خاص) را بر اساس جمع‌بندی بخش واقعی WT بازسازی کرد [63].

برای این تجزیه و تحلیل ها، قبل از انجام WT، مقدار 1 به سری زمانی موارد دنگی قبل از تبدیل ln و نرمال شدن به میانگین 0 و انحراف استاندارد 1 اضافه شد. سری زمانی موارد دنگی قبل از محاسبه توان موجک کاهش نیافته بودند زیرا کاهش روند یک سری زمانی با صفر، الگوهای عجیب و غریب مصنوعی ایجاد می کرد. سری زمانی دما تغییر نکرده است. روندهای غیرخطی بلندمدت با در نظر گرفتن پسماندهای یک رگرسیون چند جمله ای محلی (با استفاده از تابع "لوس" با گستره 0.75) حذف شدند، و سری های زمانی بدون روند متعاقباً مانند بالا عادی شدند. با توجه به طول محدود سری های زمانی، هر زمان که موجک ها از لبه های سری زمانی فراتر می روند، تخمین ضرایب تبدیل دقیق تر می شود. این موضوع با افزایش مقیاس ها تشدید می شود، زیرا موجک ها در زمان بیشتر گسترش می یابند [63،64]. مناطقی که این اثرات لبه وجود دارد (اغلب به عنوان "مخروط نفوذ" نامیده می شود)، به وضوح در نمودارهای موجک با خطوط چین ضخیم نشان داده می شوند.

در حالی که پویایی دنگی فصلی است، مطالعات قبلی نیز مقیاس های زمانی متمایز چند ساله را شناسایی کرده اند [27،35،37،40،56]. ما به طور خاص به این بازه های زمانی چندساله علاقه مندیم. به همین دلیل، ما بر مقیاس های زمانی بیش از 1.5 سال تمرکز می کنیم. این کران پایین از نشت سیگنال سالانه به مقیاس های زمانی چندساله جلوگیری می کند. با افزایش مقیاس‌های زمانی، اثرات لبه به طور فزاینده‌ای غالب می‌شوند و مدت زمانی که می‌توانیم به طور قابل اعتماد تجزیه و تحلیل کنیم کوتاه‌تر می‌شود. علاوه بر این، مطالعات قبلی [35،40] معمولاً اجزای چند ساله را در 2 تا 3 سال شناسایی کردند، البته با استفاده از سری‌های زمانی کوتاه‌تر. به این دلایل، ما در اینجا بر مقیاس‌های زمانی 1.{12}} تا 5-ساله تمرکز می‌کنیم (از این پس، مؤلفه‌های «چند سالانه» یا مقیاس‌های زمانی به این محدوده اشاره می‌کنند). شکل S43 را در ضمیمه S1 برای سری های زمانی دنگی و دما و WT مربوطه آنها برای 4 استان نماینده تایلند که با رژیم های حرارتی مختلف مشخص می شوند، ببینید.

میانگین فیلدهای موجک به عنوان معیاری برای همگامی

WMF ها معیاری از همگامی را به عنوان تابعی از مقیاس و نقطه در زمان ارائه می دهند (جزئیات بیشتر را می توان در شپرد و همکاران [50،51] یافت؛ فقط خلاصه ای در اینجا ارائه شده است). به طور شهودی تر، WMF ها مقیاس ها و نقاط زمانی را نشان می دهند که در آن هر دو فاز و بزرگی نوسانات در سراسر استان ها سازگار (یا همزمان تر) هستند. WMF ها میانگینی از WT های نرمال شده با توان هر مکان n در تمام N مکان ها هستند (n=1، . . .، N)، که در آن ما هر WT را با نرمال سازی کردیم.

برای آزمایش اینکه آیا همزمانی از نظر آماری در محدوده چندساله در برابر فرضیه صفر عدم همگامی معنادار است یا خیر، ما روی سازگاری فازها در مکان‌ها تمرکز می‌کنیم (به بخش «یادداشتی در مورد تخمین اهمیت میدان‌های میانگین موجک (متقابل)» در پیوست S1 توجه کنید. برای توضیح در مورد اینکه چرا اهمیت WMF ها بر سازگاری فازها متمرکز است). ما این کار را با تخمین میدان میانگین فاز موجک (WPMF) که به صورت تعریف شده انجام می دهیم

که اطلاعات مربوط به مراحل پیچیده تبدیل ها را حفظ می کند [51]. زمانی که مکان های مختلف فاز مشابهی داشته باشند، مقدار WPMF بزرگ خواهد بود، در حالی که زمانی که فاز در هر مکان مستقل از سایر مکان ها باشد، مقدار WPMF کوچک خواهد بود. ما اهمیت را با تولید مجموعه داده‌های جایگزین که در آن ساختار همبستگی خودکار در هر سری زمانی حفظ می‌شود، آزمایش می‌کنیم. ما این کار را با تولید سری های زمانی با همان طیف فوریه سری زمانی اصلی انجام می دهیم [51]. به دنبال این رویکرد، ما 1،{3}} سری زمانی جایگزین را با استفاده از تابع "جانشین" در بسته R "wsyn" v1 تولید کردیم.0.2 [66]. برای هر مجموعه داده جایگزین، یک WPMF تولید کردیم، و سپس، برای هر نقطه از زمان، و در مقیاس های چند ساله، ما

برای اطلاعات بیشتر: david.deng@wecistanche.com WhatApp:86 13632399501