Использование данных ДЗЗ для оценки эпидемических (и социоэкологических) рисков в прибрежных регионах (на примере анализа вспышки холеры в г. Мариуполь в 2011 г.)

Рубрика: 
Исследование Земли из космоса
Костюченко, ЮВ, Ющенко, МВ, Копачевский, ИМ, Соловьев, ДМ, Белоус, ЮГ
Косм. наука технол. 2013, 19 ;(1):57–67
https://doi.org/10.15407/knit2013.01.057
Язык публикации: Украинский
Аннотация: 

Рассматривается вопрос оценки эпидемических (социоэкологических) рисков по данным ДЗЗ и наземным метеорологическим измерениям. Предложен подход к оценке комплексного риска, который базируется на оценках вероятностей, связанных с возникновением и распространением эпидемий. Метод анализа риска проникновения возбудителя в экосистему базируется на модифицированном уравнении Парето з учетом вариаций региональных осадков и способности локальных экосистем поглощать и задерживать воду. Для повышения эффективности прогнозирования рисков предложен метод расчета наиболее ожидаемых распределений изучаемых величин, которые используются вместо средних значений. В качестве индикаторов ДЗЗ предлагается использовать нормализованные вегетационный и водный индексы (NDVI и NDWI). Предложены методы оценки риска развития возбудителя эпидемии в экосистемах суши и моря. Представлен усовершенствованный метод пространственно-временной регуляризации данных наблюдений спектральных индексов ДЗЗ. Приведены значения калибровочных, масштабных и весовых коэффициентов для использованных сенсоров и региональных данных. Рассчитаны значения отдельных и интегральных вероятностей возникновения и распространения эпидемии в регионе по периоду 2009—2012 гг. Предложен контрольный параметр для сравнения полученных результатов со статистическими данными о зарегистрированных случаях заболеваний холерой.
Ключевые слова: данные ДЗЗ, уравнение Парето, эпидемические риски
 
Полный 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.