Environmental risk factors of leishmaniasis in Bahia State, Brazil using NASA Earth observation satellites / Fatores de risco ambientais para leishmanioses no estado da Bahia, Brasil, utilizando satélites da NASA de observação da Terra

NASA’s Earth Observing Satellites (EOS) were used to calculate three vegetation indices, extract precipitation and elevation data, and then evaluate their applicability for assessing risk of visceral leishmaniasis (VL) and cutaneous leishmaniasis (CL) in Bahia State, Brazil. Regression models showed that either form of leishmaniasis can be predicted by NDVI, NDMI, NDWI data products and TRMM) precipitation data (R2 = 0.370; p<0.001). Elevation was not significantly associated with the distribution of either VL or CL. In areas of high annual precipitation, CL was 3.6 times more likely to occur than VL. For vegetative moisture (NDMI), CL was 2.11 times more likely to occur than VL. Odds of CL occurrence increased to 5.5 times when vegetation (NDVI) and 13.5 times when liquid water content of vegetation canopies (NDWI) was considered. Areas at risk of CL and VL were mapped based on the selected explanatory variables. Accuracy of models were assessed using area under the receiver operating characteristic curve (AUC=0.72). We propose that statewide scale risk models based on use of EOS products will be a useful tool at 1 km2 spatial resolution to enable health workers to identify and target high risk areas to prevent transmission of leishmaniasis.

Os satélites de observação da Terra (SOT) da NASA foram usados para calcular três índices de vegetação, extrair dados de precipitação e elevação e avaliar sua aplicabilidade para identificar o risco para leishmaniose visceral (LV) e leishmaniose tegumentar (LT) no Estado da Bahia, Brasil. Modelos de regressão mostraram que ambas as formas de leishmaniose podem ser preditas pelos NDVI, NDMI, NDWI e precipitação TRMM (R2 = 0,370; p<0,001). A elevação não foi significativamente associada à distribuição de LV ou LT. Em áreas de alta precipitação anual, a LT foi 3,6 vezes mais provável de ocorrer do que a LV. Para a umidade vegetativa (NDMI), a LT apresentou 2,11 maior probabilidade de ocorrer do que a LV. As chances de ocorrência de LT aumentaram para 5,5 vezes em relação com a vegetação (NDVI) e 13,5 vezes quando o conteúdo de água líquida dos dosséis da vegetação (NDWI) foi considerado. Áreas em risco de LT e LV foram mapeadas com base nas variáveis explicativas selecionadas. A precisão dos modelos foi avaliada usando a área sob curva característica de operação do receptor (Curva COR=0,72). Propusemos que os modelos de risco em escala estadual baseados no uso de produtos SOT são uma ferramenta útil na resolução espacial de 1 km2 por permitir que profissionais de saúde identifiquem e direcionem áreas de alto risco para evitar a transmissão da leishmaniose.

Global Model selection for evaluation of Climate Change projections in the Eastern Tropical Pacific Seascape / Selección del Modelo Global para la evaluación de las proyecciones de Cambio Climático en el Paisaje Marino del Pacífico Tropical Oriental

Two methods for selecting a subset of simulations and/or general circulation models (GCMs) from a set of 30 available simulations are compared: 1) Selecting the models based on their performance on reproducing 20th century climate, and 2) random sampling. In the first case, it was found that the performance methodology is very sensitive to the type and number of metrics used to rank the models and therefore the results are not robust to these conditions. In general, including more models in a multi-model ensemble according to their rank (of skill in reproducing 20th century climate) results in an increase in the multi-model skill up to a certain point and then the inclusion of more models degrades the skill of the multi-model ensemble. In a similar fashion when the models are introduced in the ensemble at random, there is a point where the inclusion of more models does not change significantly the skill of the multi-model ensemble. For precipitation the subset of models that produces the maximum skill in reproducing 20th century climate also showed some skill in reproducing the climate change projections of the multi-model ensemble of all simulations. For temperature, more models/simulations are needed to be included in the ensemble (at the expense of a decrease in the skill of reproducing the climate of the 20th century for the selection based on their ranks). For precipitation and temperature the use of 7 simulations out of 30 resulted in the maximum skill for both approaches to introduce the models.

Se emplearon dos métodos para escoger un subconjunto a partir de treinta simulaciones de Modelos de Circulación General. El primer método se basó en la habilidad de cada uno de los modelos en reproducir el clima del siglo XX y el segundo en un muestreo aleatorio. Se encontró que el primero de ellos es muy sensible al tipo y métrica usada para categorizar los modelos, lo que no arrojó resultados robustos bajo estas condiciones. En general, la inclusión de más modelos en el agrupamiento de multi-modelos ordenados de acuerdo a su destreza en reproducir el clima del siglo XX, resultó en un aumento en la destreza del agrupamiento de multi-modelos hasta cierto punto, y luego la inclusión de más modelos/simulaciones degrada la destreza del agrupamiento de multi-modelos. De manera similar, en la inclusión de modelos de forma aleatoria, existe un punto en que agregar más modelos no cambia significativamente la destreza del agrupamiento de muti-modelos. Para el caso de la precipitación, el subconjunto de modelos que produce la máxima destreza en reproducir el clima del siglo XX también mostró alguna destreza en reproducir las proyecciones de cambio climático del agrupamiento de multi-modelos para todas las simulaciones. Para temperatura, más modelos/simulaciones son necesarios para ser incluidos en el agrupamiento (con la consecuente disminución en la destreza para reproducir el clima del siglo XX). Para precipitación y temperatura, el uso de 7 simulaciones de 30 posibles resultó en el punto de máxima destreza para ambos métodos de inclusión de modelos.