Modelo preditivo para a proliferação do Aedes aegypti em Itajaí (Santa Catarina): Uma abordagem integrando fatores climáticos locais e globais

Eduardo Ribeiro; Cleusa Matiola; Mario Quadro; Matheus Souza; Isabel Bohn; João Fuck; Raul Guimarães; Thiago Alves

doi:10.53455/re.v5i1.207

Autores

Eduardo Augusto Werneck Ribeiro Instituto Federal Catarinense https://orcid.org/0000-0003-3313-6783
Cleusa Matiola Secretaria de Educação do estado de Santa Catarina https://orcid.org/0000-0002-6902-1307
Mario Francisco Leal de Quadro Instituto Federal de Educação
Matheus Ferreira de Souza Instituto Federal de Educação https://orcid.org/0000-0002-9539-5695
Isabel Cristina Bohn Secretaria Municipal de Educação de Navegantes https://orcid.org/0000-0003-2338-9322
João Augusto Brancher Fuck Secretaria de Estado da Saúde de Santa Catarina https://orcid.org/0000-0001-8716-3432
Raul Borges Guimarães Universidade Estadual Paulista (Unesp)
Thiago Pereira Alves Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina https://orcid.org/0000-0002-0939-1306

DOI:

https://doi.org/10.53455/re.v5i1.207

Palavras-chave:

Random Forest, Modelo preditivo, Variablidade climática, Aedes aegypti

Resumo

Contexto: Itajaí, uma cidade costeira em Santa Catarina, enfrenta desafios singulares relacionados à proliferação do Aedes aegypti, vetor de várias doenças. Este artigo apresenta um modelo preditivo desenvolvido para prever os focos de Aedes aegypti na região, considerando a interação complexa entre variáveis climáticas locais e fenômenos globais, como El Niño e La Niña. Metodologia: Utilizando um algoritmo Random Forest, o modelo é capaz de capturar relações não-lineares nos dados, oferecendo insights sobre a influência de fatores climáticos na atividade do mosquito. A escolha deste algoritmo se deve à sua robustez e capacidade de considerar a multiplicidade de fatores que influenciam a proliferação do mosquito. Ao agrupar dados por estação do ano, o modelo incorpora nuances sazonais, refletindo as variações climáticas de Itajaí. Considerações: A integração de padrões climáticos mais amplos destaca a interconexão entre fatores locais e globais. Este modelo oferece uma ferramenta valiosa para as autoridades de saúde de Itajaí, permitindo ações proativas e otimização de recursos no combate ao Aedes aegypti. Em suma, este estudo propõe uma abordagem inovadora e prática para a prevenção de doenças transmitidas por mosquitos, com potencial para impactar positivamente a saúde pública em regiões similares.

Downloads

Não há dados estatísticos.

Referências

Alexander J, Wilke ABB, Mantero A, Vasquez C, Petrie W, Kumar N, et al. (2022) Using machine learning to understand microgeographic determinants of the Zika vector, Aedes aegypti. PLoS ONE 17(12): e0265472. https://doi.org/10.1371/journal.pone.0265472 DOI: https://doi.org/10.1371/journal.pone.0265472

Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ. Computer science, 7, e623. https://doi.org/10.7717/peerj-cs.623 DOI: https://doi.org/10.7717/peerj-cs.623

Guerra, C., & Quadro, M. (2021). Estudo da variabilidade diurna da precipitação região sul do Brasil. Estrabão, 2(1), 205–209. https://doi.org/10.53455/re.v2i.56 DOI: https://doi.org/10.53455/re.v2i.56

Jupyter. (s.d.). Recuperado de https://jupyter.org/

Matiola, C. Avaliação da relação entre focos de Aedes aegypti com a distribuição espacial da temperatura nomunicípio de Itajaí/SC, por geoprocessamento. Metodologias e Aprendizado, 1, 30 – 35, 2019. https://doi.org/10.21166/metapre.v1i0.645 DOI: https://doi.org/10.21166/metapre.v1i0.645

Matiola, C. et al. O uso de dados de temperatura e precipitação deMERRA2 para compreender a dinâmica ecológica do A. aegypti no município de Chapecó/SC - 2007 a 2017. Revista Brasileira de Geografia Física, v. 12, n. 4, p. 1385-1398, nov. 2019.https://doi.org/10.26848/rbgf.v12.4.p1385-1398 DOI: https://doi.org/10.26848/rbgf.v12.4.p1385-1398

Ochida, N., Mangeas, M., Dupont‐Rouzeyrol, M., Dutheil, C., Forfait, C., Peltier, A., … & Menkès, C. E. (2022). Modeling present and future climate risk of dengue outbreak, a case study in new caledonia. Environmental Health, 21(1). https://doi.org/10.1186/s12940-022-00829-z DOI: https://doi.org/10.1186/s12940-022-00829-z

Rahman, M. S., Pientong, C., Zafar, S., Ekalaksananan, T., Paul, R. E., Haque, U., Rocklöv, J., & Overgaard, H. J. (2021). Mapping the spatial distribution of the dengue vector Aedes aegypti and predicting its abundance in northeastern Thailand using machine-learning approach. One Health, 13(7446), 100358. https://doi.org/10.1016/j.onehlt.2021.100358 DOI: https://doi.org/10.1016/j.onehlt.2021.100358

Ribeiro, E., Matiola, C., Mattedi, M., Bohn, I., Fuck, J., Guimaraes, R., Quadro, M., & Alves, T. (2023). Desafios e Aprendizados na Aplicação do Projeto Índice de Positividade de Armadilhas (IPA): Um Estudo sobre o Controle do Aedes aegypti em Santa Catarina, Brasil. Metodologias E Aprendizado, 6, 740–743. https://doi.org/10.21166/metapre.v6i.4174 DOI: https://doi.org/10.21166/metapre.v6i.4174

Santos, J. M., Capinha, C., Rocha, J., & Sousa, C. A. (2022). The current and future distribution of the yellow fever mosquito (Aedes aegypti) on Madeira Island. PLOS Neglected Tropical Diseases, 16(9), e0010715. https://doi.org/10.1371/journal.pntd.0010715 DOI: https://doi.org/10.1371/journal.pntd.0010715