Використання даних дзз для оцінки епідемічних (і соціоекологічних) ризиків у прибережних регіонах (на прикладі аналізу спалаху холери у м. Маріуполь у 2011 р.)

Рубрика: 
Дослідження Землі з космосу
Костюченко, ЮВ, Ющенко, МВ, Копачевський, ІМ, Соловйов, ДМ, Білоус, ЮГ
Косм. наука технол. 2013, 19 ;(1):57-67
https://doi.org/10.15407/knit2013.01.057
Язык публикации: українська
Аннотация: 

:. Розглядається питання оцінювання епідемічних (соціо-екологічних) ризиків за даними ДЗЗ та наземними метеорологічними вимірюваннями. Запропоновано підхід до оцінки комплексного ризику, що базується на оцінках ймовірностей, пов’язаних із виникненням та розповсюдженням епідемій. Метод аналізу ризику проникнення збудника в екосистему базується на модифікованому рівнянні Парето з урахуванням варіацій регіональних опадів і спроможності локальних екосистем поглинати та затримувати воду. Для підвищення ефективності прогнозування ризиків запропоновано метод розрахунку найбільш очікуваних розподілів досліджуваних величин, що використовуються замість середніх значень. Як індикатори ДЗЗ, запропоновано використовувати нормалізовані вегетаційний та водний індекси (NDVI і NDWI). Запропоновано методи оцінки ризиків розвитку збудника епідемії в екосистемах суходолу і моря. Представлено вдосконалений метод просторово-часової регуляризації даних спостережень спектральних індексів ДЗЗ. Наведено значення калібрувальних, масштабних і вагових коефіцієнтів для використаних сенсорів та регіональних даних. Розраховано значення окремих та інтегральних ймовірностей виникнення і поширення епідемії в регіоні по періоду 2009—2012 рр. Запропоновано контрольний параметр для порівняння отриманих результатів зі статистичними даними про зареєстровані випадки захворювання на холеру.
Ключевые слова: дані ДЗЗ, епідемічні риски, рівняння Парето
 
Повний текст (PDF)
 
References: 
1. Beck L. R., Lobitz B. M., Wood B. L. Remote sensing and human health: new sensors and new opportunities // Emerg. Infectious Diseases. — 2000. — 6 (3). — P. 217—227.
2. Beguería S. Uncertainties in partial duration series modelling of extremes related to the choice of the threshold value // J. Hydrology. — 2005. — 303. — P. 215—230.
3. Bernardi M. Global climate change — a feasibility perspective of its effect on human health at a local scale // Geospatial Health. — 2008. — 2. — P. 137—150.
4. Butler J. S., Schachter B. Estimating value at risk with a precision measure by combining kernel estimation with historical simulation // Rev. Derivatives Res. — 1998. — 1, N 4. — P. 371—390.
5. Carol A., Leigh C. T. On the covariance matrices used in value at risk // Models. J. Derivatives. — 1997. — 4. — P. 50—62.
6. Ceccato P., Ghebremeskel T., Jaiteh M., et al. Malaria stratification, climate, and epidemic early warning in Eritrea // Amer. J. Trop. Med. and Hyg. — 2007. — 77, N 6. — P. 61—68.
7. Cholera2010, WHO weekly epidemiological record. — 2011. — 86 (31). — P. 325—340.
8. Choudhury B. J., Ahmed N. U., Idso S. B., et al. Relations between evaporation coefficients and vegetation indices studied by model simulations // Remote Sens. Environ. — 1994. — 50. — P. 1—17.
9. Climatechange and humane health: risks and responses / Eds A. J. McMichael, D. H. Campbell-Lendrum, C. F. Corvalan, et al. — WHO, 2003. — 322 p.
10. Davidson A. C., Smith R.L. Models for exceedances over high thresholds // J. Roy. Statist. Soc. B. — 1990. — 52. — P. 393—442.
11. Ermoliev Yu., Makowski M., Marti K. Managing Safety of Heterogeneous Systems // Lect. Notes Econ. and Math. Syst. — 2012. — 658. — 378 p. — DOI: 10.1007/978-3-642-22884-1.
12. Ermoliev Yu., Wets R. J.-B. Nonlinear programming techniques in stochastic programming // Numerical Techniques for Stochastic Optimization Problems / Eds Yu. Ermoliev, R. J.-B.Wets. — Berlin, Heidelberg: Springer-Verlag, 1988. — 10. — P. 95—122. — (Series in Computational Mathematics).
13. Ermoliev Yu., Winterfeldt D. Risk, security and robust solutions // IIASA Interim Report, IR-10-013, IIASA. — 2010. — 41 p.
14. Ermoliev Yu., Winterfeldt D. Systemic risk and security management // Lect. Notes Econ. and Math. Syst. — 2012. — 658. — P. 19—49. — DOI: 10.1007/978-3-642-22884-1.
15. Gao B. C. Normalized difference water index for remote sensing of vegetation liquid water from space // Proc. SPIE. — 1995. — 2480. — P. 225—236.
16. García-Ruiz J. M., Arnáez J., White S. M., et al. Uncertainty assessment in the prediction of extreme rainfall events: An example from the central Spanish Pyrenees // Hydrological Processes. — 2000. — 14. — P.887—898.
17. Gething P. M., Noor A. M., Gikandi P. W., et al. Improving imperfect data from health management information systems in Africa using space-time geostatistics // PLoS Med. — 2006. — 3 (6): e271. — P. 825—831. — DOI: 10.1371/journal.pmed.0030271.
18. Glass G. E., Cheek J. E., Patz J. A., et al. Using remotely sensed data to identify areas at risk for hantavirus pulmonary syndrome // Emerg. Infectious Diseases. — 2000. — 6 (3). — P. 238—247.
19. Global defense against the infected disease threat / Ed. by Mary Kay Kindhauser. — Geneva: WHO, 2003. — 242 p.
20. Haccou P., Jagers P., Vatutin V. A. Branching processes: Variation, growth, and extinction of populations. — Cambridge: Univ. Press & IIASA, Edinburg, UK. — 2005. — 316 p.
21. Herbreteau V., Demoraes F., Khaungaew W., et al. Use of geographic information system and remote sensing for assessing environment influence on leptospirosis incidence, Phrae province, Thailand // Int. J. Geoinformatics. —2006. — 2 (4). — P. 43—50.
22. Hosking J. R. M. L-moments: analysis and estimation of distributions using linear combinations of order statistics // J. Roy. Statist. Soc. B. — 1990. — 52. — P. 105—124.
23. Jackson R. D., Slater P. N., Pinter P. J. Discrimination of growth and water stress in wheat by various vegetation in dices through clear and turbid atmospheres // Remote Sens. Environ. — 1983. — 15. — P. 187—208.
24. King A. A., Ionides E. L., Luckhurst J., Bouma M. J. Inapparent infections and cholera dynamics // Nature. — 2008. — 454 (7206). — P. 877—880.
25. Kogan F. N. Application of vegetation index and bright ness temperature for drought detection // Adv. Space Res. — 1995. — 15. — P.91—100.
26. Magny G. C. de, Long W., Brown C. W., et al. Predicting the distribution of Vibrio spp. in the Chesapeake Bay: A Vibrio cholerae case study // ECOHEALTH. — 2009. — 6(3). — P. 378—389. — DOI: 10.1007/s10393-009-0273-6
27. Pickands J. Statistical inference using extreme order statistics // Ann. Statist. — 1975. — 3. — P. 119—131.
28. Sack D. A., Sack R. B., Nair G. B., Siddique A. K. Cholera // Lancet. — 2004. — 363 (9404). — P. 223—233. —DOI:10.1016/S0140-6736(03)15328-7.
29. Singh R. P., Roy S., Kogan F. Vegetation and temperature condition indices from NOAA AVHRR data for drought monitoring over India // Int. J. Remote Sens. — 2003. — 24 (22). —P. 4393—4402. — DOI: 10.1080/ 0143116031000084323.

30. Werdell P. J., Franz B. A., Bailey S. W., et al. Approach for the long-term spatial and temporal evaluation of ocean color satellite data products in a coastal environment // Proc. SPIE. — 2007. — 6680. — 12 p. — DOI: 10.1117/ 12.732489.