Koleraudbrud forudsagt ved hjælp af klimadata og AI
Koleraudbrud: klimadata taget fra jorden, der kredser satellitter, kombineret med maskinindlæringsteknikker, hjælper med til bedre at forudsige udbrud af kolera og potentielt redde liv.
Kolera er en vandbåren sygdom forårsaget af indtagelse af vand eller mad forurenet med bakterien Vibrio cholerae, som kan findes i mange kystregioner rundt om i verden, især i tætbefolkede tropiske områder.
Koleraudbrud, ESA forbinder kunstig intelligens og viden om aktiverende miljøer
Det ansvarlige patogen lever generelt under varme temperaturer, moderat saltholdighed og uklarhed og kan være bundet af plankton og detritus i vandet.
Global opvarmning og en stigning i ekstreme vejrhændelser driver udbrud af kolera - en sygdom, der rammer 1.3 til 4 millioner mennesker hvert år på verdensplan og forårsager op til 143 000 dødsfald.
En ny undersøgelse viser, hvordan koleraudbrud i kystregioner i Indien kan forudsiges med en succesrate på 89% i den første demonstration af anvendelse af saltvand på havoverfladen til forudsigelse af kolera.
Forskningen, der blev offentliggjort i går i International Journal of Environmental Research and Public Health, fokuserer på at forudsige udbrud af kolera omkring det nordlige Indiske Ocean, hvor mere end halvdelen af de globale tilfælde af sygdommen blev rapporteret i perioden 2010-16.
Forholdet mellem miljødrivere af kolera-forekomst er komplekst og varierer sæsonmæssigt med forskellige forsinkede effekter, for eksempel fra monsun-sæsonen.
Maskinindlæringsalgoritmer kan hjælpe med at overvinde disse problemer ved at lære at genkende mønstre på tværs af store datasæt for at give testbare forudsigelser.
Undersøgelsen af koleraudbruddet blev ledet af Amy Campbell i løbet af en årelang praktikophold hos ESA Climate Office
Amy brugte sammen med sine medforfattere ved Plymouth Marine Laboratory (PML) en maskinlæringsalgoritme, der er populær i miljøvidenskabelige applikationer - den tilfældige skovklassifikator - som kan genkende mønstre på tværs af lange datasæt og give testbare forudsigelser.
Algoritmen blev trænet i sygdomsudbrud rapporteret i kystdistrikter i Indien mellem 2010 og 2018 og lærte forholdet med seks satellitbaserede klimaregistre genereret af ESAs Climate Change Initiative (CCI).
Ved at inkludere eller fjerne miljøvariabler og underindstilling for forskellige årstider, identificerede algoritmen nøglevariabler til forudsigelse af koleraudbrud som landoverfladetemperatur, havoverfladesalthed, klorofyl-a-koncentration og havniveauforskel fra gennemsnittet (havniveauanomali).
Amy Campbell sagde, ”Modellen viste lovende resultater, og der er meget plads til at udvikle dette arbejde ved hjælp af forskellige koleraovervågningsdatasæt eller forskellige steder.
I vores undersøgelse testede vi forskellige maskinindlæringsteknikker og fandt, at den tilfældige skovklassifikator var den bedste, men der er langt flere teknikker, der kunne undersøges.
”Det ville være interessant at teste virkningen af at inkludere socioøkonomiske datasæt; data fra fjernmåling kunne bruges til at udvikle optegnelser til at tage højde for menneskelige faktorer, der er vigtige for kolera-forekomsten, såsom adgang til vandressourcer. ”
Undersøgelsen og dens nye indsigt har bidraget til projektet UKRI-NERC Dispersal Pathways for Cholera And Solution Tools (PODCAST) ledet af medforfatter Marie-Fanny Racault ved PML, som vurderer indvirkningen af klimaopvarmning og ekstreme klimaer på levesteder. velegnet til Vibrio cholerae.
Resultaterne fra undersøgelsen vil blive demonstreret på UNFCCC's COP26-møde i 2021 via et webbaseret prognoseværktøj som en del af PODCAST-DEMO-projektet.
Dette understøttes af ESA-Future Earth-fællesprogrammet og udføres i samarbejde med Future Earths Health Knowledge-Action-netværk.
Den Europæiske Rumorganisation fører påvisning af nye koleraudbrud, offentliggjort undersøgelse
ijerph-17-09378-v2Læs også:
COVID-19-stoffer, retssagen mod Remdesivir fortsætter på den internationale rumstation