Description: Das Klima ist eine der Triebkräfte für die Übertragung, aber auch andere Faktoren wie Bekämpfungsmassnahmen und die sozioökonomische Entwicklung können die Krankheitsdynamik beeinflussen. In der ersten Phase des Projekts haben wir statistische und mathematische Modelle entwickelt, um den Beitrag klimatischer und nichtklimatischer Faktoren zur Malaria zu quantifizieren und den Mehrwert mathematischer Übertragungsmodelle für die Vorhersage von Ausbrüchen im Vergleich zu statistischen Modellen zu bewerten. Daten des HDSS in Kisumu zeigten, dass die Temperatur einen ähnlichen Schutzeffekt wie die Wirkung von Moskitonetzen hat, wobei dieser Effekt jedoch durch Regenfälle aufgehoben wird. Diese Zusammenhänge variierten in den verschiedenen Jahreszeiten. Die hohen Korrelationen zwischen den Klimafaktoren und die nichtlinearen Beziehungen zur Malaria machten es schwierig, mit statistischen Modellen konsistente Ergebnisse zu erzielen. Statistische Modelle sind in der Lage, Assoziationen abzuschätzen, können jedoch weder kausale Zusammenhänge aufzeigen noch nichtlineare Wechselwirkungen zwischen den Malariatreibern berücksichtigen. Die Nichtstationarität der Malariadaten und die unterschiedliche Wirkung der Prädiktoren über die Jahreszeiten hinweg legen nahe, dass Vorhersagemodelle besser funktionieren, wenn die Nichtstationarität gelockert wird. Das übergreifende Ziel des Folgeprojekts besteht darin, unser Verständnis der Auswirkungen des Klimawandels auf die Malariabelastung zu vertiefen, indem wir innovative Methoden entwickeln, die die nichtlinearen Wechselwirkungen der Malariatreiber auf die Übertragungsdynamik und die Nichtstationarität der Daten berücksichtigen. Die spezifischen Ziele bestehen darin: (i) Bewertung zeitverzögerter kausaler Auswirkungen von klimatischen und nichtklimatischen Faktoren auf die Veränderungen der Malariainzidenz über verschiedene Zeiträume und Übertragungsebenen; (ii) Entwicklung altersstrukturierter stochastischer Metapopulations-Malaria-Übertragungsmodelle, die Klima- und Kontrollinterventionseffekte berücksichtigen; (iii) Entwicklung nichtstationärer Modelle für kurz- und mittelfristige Malariaprognosen unter Berücksichtigung von Klimavariationen über unterschiedliche Zeiträume; und (iv) Bewertung der Leistungsfähigkeit dieser Werkzeuge anhand gemeinsamer Datensätze und ihrer Realisierbarkeit in einem modellgestützten Frühwarnsystem. Wir wollen diese spezifischen Ziele erreichen, indem wir (a) Methoden zur Bewertung der Kausalität in Zeitreihendaten zur Vorhersage einsetzen und diese weiterentwickeln, indem wir Wavelets mit maschinellem Lernen und dynamischen, zeitverzögerten Einbettungsmodellen verbinden; (b) leistungsstarke Rechenverfahren wie iterierte Filterung, Partikel-Markov-Chain und Hamilton-Monte-Carlo Simulationen verwenden; und (c) vorhandene Daten der DHSI2, HDSS von Nouna und Kisumu analysieren, die Ergebnisse skalierter Klimamodelle einbeziehen, sowie hydrometeorologische und Satellitendaten verwenden.
Types:
SupportProgram
Origins:
/Bund/UBA/UFORDAT
Tags:
Satellitendaten
?
Malaria
?
Kenia
?
Burkina Faso
?
Klimavariabilität
?
Statistisches Modell
?
Sahara
?
Südliches Afrika
?
Berechnungsverfahren
?
Bewertungsverfahren
?
Frühwarnsystem
?
Kausalzusammenhang
?
Klimamodell
?
Künstliche Intelligenz
?
Mathematisches Modell
?
Prognosemodell
?
Regen
?
Öffentliche Gesundheit
?
Modellierung
?
Klimafolgen
?
Metapopulation
?
Klimawandel und Gesundheit
?
Klimaentwicklung
?
Klimafaktor
?
Sozialmedizin
?
Arbeitsmedizin
?
Gesundheitsbezogene Versorgungsforschung
?
Healthcare Research
?
Occupational Medicine
?
License: cc-by-nc-nd/4.0
Language: Deutsch
Organisations
-
Centre de Recherche en Santé de Nouna (Mitwirkung)
-
Kenya Medical Research Institute, Centre for Global Health Research (Mitwirkung)
-
Schweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung (Mitwirkung)
-
Swiss Tropical and Health Institute, Department of Epidemiology and Public Health (Projektverantwortung)
-
Umweltbundesamt (Bereitstellung)
Time ranges:
2019-01-01 - 2025-12-31
Alternatives
-
Language: Englisch/English
Title: Sub project: Spatio-temporal modelling to assess the impact of climate change on the burden of malaria and to support early warning systems
Description: Climate is one of the drivers of transmission; however, other factors such as control interventions and socio-economic development can influence the disease dynamics. During the first phase of the project, we developed statistical and mathematical models to quantify the contribution of climatic and non-climatic factors to malaria and evaluate the benefit of mathematical transmission models to outbreak forecasting compared to statistical models. Data from the HDSS in Kisumu showed that temperature has a protective effect similar to the effect of insecticide treated bed net use, but this is opposed by rainfall. These relations varied across seasonal scales. The high correlations between climatic factors and non-linear relations to malaria made it difficult to have always-consistent results from statistical models which are able to estimate associations but neither identify causal relations nor take into account non-linear interactions of the malaria drivers. The non-stationarity of the malaria data and varying effect of predictors across seasons suggested that forecasting models should perform better when non-stationarity is relaxed. The overarching goal of the follow up project is to deepen our understanding of the effects of climate change on the burden of malaria by innovating methods that address the non-linear interactions of the malaria drivers on the transmission dynamics and the non-stationarity of the data. The specific objectives are to: (i) assess time-delayed causal effects of climatic and non-climatic factors on the changes of malaria incidence across different time scales and levels of transmission; (ii) develop age-structured stochastic metapopulation malaria transmission models which incorporate climate and control intervention effects; (iii) develop non-stationary model formulations for short and medium-term malaria forecasts taking into account climate variation across time-scales; and (iv) evaluate the performance of the new tools on common datasets and their computational feasibility of implementation within a model-based early warning system. We will accomplish these specific objectives by (a) employing and further developing methods to assess causality in time series data and to forecast coupling wavelets with machine learning and dynamic, time delay embedding models; (b) using powerful computational algorithms such as iterated filtering, particle Markov chain Monte Carlo (pMCMC) and Hamiltonian Monte Carlo (HMC) simulation; and (c) analysing existing data from the HDSS in Nouna (Burkina Faso) and Kisumu (Kenya), the Health Information System in Burkina Faso and Kenya, outputs of downscaled climate models, high resolution hydrometeorological data, satellite-based climatic products and other gridded environmental proxies.
https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1140711
Resources
Status
Quality score
- Overall: 0.45
-
Findability: 0.45
- Title: 0.80
- Description: 0.00
- Identifier: false
- Keywords: 0.90
- Spatial: NoRegion (0.00)
- Temporal: true
-
Accessibility: 0.67
- Landing page: Specific (1.00)
- Direct access: false
- Publicly accessible: true
-
Interoperability: 0.00
- Open file format: false
- Media type: false
- Machine-readable metadata: false
- Machine-readable data: false
-
Reusability: 0.67
- License: ClearlySpecifiedAndFree (1.00)
- Contact info: false
- Publisher info: true
Accessed 1 times.