Factores ambientales asociados a las enfermedades zoonóticas y vectoriales

Sensado Remoto al servicio de la Salud Pública

Dra. Verónica Andreo
veronica.andreo@ig.edu.ar

CONICET

Instituto Gulich (CONAE-UNC)

About me


  • Investigadora en el Instituto Gulich
  • Formación: Lic. & Dra. en Biología, Mgter. en Aplicaciones de la Información Espacial
  • Aplicaciones de SR en ecología de enfermedades
  • Miembro del equipo de desarrollo de GRASS GIS; miembro de OSGeo y entusiasta del FOSS4G

https://veroandreo.gitlab.io/

Overview

  • Motivación
  • Geografía de la salud
  • Ecología de las enfermedades
  • SR y ecología de enfermedades
    • Resolución vs escala
    • ¿Cómo utilizamos el SR?
    • Ejemplos
  • Brechas, desafíos y oportunidades
  • Conclusiones

https://sdgs.un.org/goals/goal3

Enfermedades Tropicales Desatendidas


Todos han visto esto, ¿verdad?



Geografía de la Salud


Salud ambiental: estudia los peligros ambientales, la evaluación del riesgo ambiental y las repercusiones físicas y psicosociales de la contaminación ambiental en la salud.

Ecología de enfermedades: estudio de las enfermedades y su relación con la distribución espacial de condiciones ambientales, sociales, políticas y económicas.

Prestación sanitaria y acceso: modelos y patrones espaciales de prestación de asistencia sanitaria y comportamiento de los pacientes.

Geografía de la Salud


Salud ambiental: estudia los peligros ambientales, la evaluación del riesgo ambiental y las repercusiones físicas y psicosociales de la contaminación ambiental en la salud.

Ecología de enfermedades: estudio de las enfermedades y su relación con la distribución espacial de condiciones ambientales, sociales, políticas y económicas.

Prestación sanitaria y acceso: modelos y patrones espaciales de prestación de asistencia sanitaria y comportamiento de los pacientes.

Ecología de las enfermedades I



El objetivo principal es comprender la influencia de los factores ambientales y predecir cuándo y dónde es más probable que se produzca una enfermedad

toma de decisiones, planificación de acciones de prevención, gestión o respuesta, etc.

Ecología de las enfermedades II

Lambin et al. (2010)

Uso de SR en aplicaciones de Salud

Viana et al. (2017)

Variables de SR más utilizadas


  • LST
  • Precipitación
  • NDVI
  • LULC
  • Elevación
  • NDWI

Parselia et al. (2019)

Características básicas del SR

Kasampalis et al. (2018)

Sensado Remoto y escala I


Pearson and Dawson (2003)

Sensado Remoto y escala II

Leitão and Santos (2019), Lechner et al. (2020), Rumiano et al. (2020)

¿Cómo aplicar SR en ecología de enfermedades?


General approach used in (disease) ecology

Veamos algunos casos reales…

Detección y mapeo de especies


  • Imágenes de muy alta resolución espacial (VHR)
  • Datos hiperespectrales (especialmente para especies vegetales)
  • Recuento directo e indirecto (CV, ML, DL)

(a) Pingüinos. (b) Elefantes

Nidos de gerbos

Wang et al. (2019)

Detección y mapeo de especies


Infección en pinos

Meng et al. (2022)

Series temporales de productos satelitales

  • Reconstrucción temporal y espacial MODIS LST (LWR & splines)
  • Estimación de índices temporales (GRASS GIS)
  • Detección de agrupaciones espaciales y temporales de condiciones favorables para la aparición de casos de WNF


Metz et al. (2017), Andreo et al. (2018)

Riesgo ambiental de Dengue

  • Estimación del número de periodos de incubación extrínsecos (EIP) que el virus podría completar (MODIS LST); cuanto > sea este número, > será el riesgo ambiental

Geoportal de CONAE

Porcasi et al. (2012)

SDM y SIG para mapear el riesgo de SPH


Combinamos un mapa de probabilidad del reservorio con uno de los casos humanos para determinar los niveles de riesgo de transmisión


Andreo et al. (2011), Andreo et al. (2014)

Leishmaniasis Cutánea & LULCC


Mapa de cambio

Mapa predictivo de LC

Andreo et al. (2022), i.cva

Patrones temporales en el espacio

  • Patrones temporales y espaciales de Aedes aegypty en Córdoba
  • Asociación con variables derivadas del análisis de imágenes Sentinel 2 para predecir patrones temporales en toda la ciudad.

Andreo et al. (2021)

Caracterización ambiental urbana para la distribución de ovitrampas

  • Clasificación de imágenes VHR basada en objetos
  • Métricas de paisaje para polígonos
  • Agrupación para encontrar grupos de polígonos similares
  • Distribución estratificada de ovitrampas

Mgter. Carla Rodriguez Gonzalez.

Grippa et al. (2017), Georganos et al. (2018), Rodriguez Gonzalez et al. (2023)

Sistema de predicción basado en dinámica poblacional y pronóstico meteorológico

https://aplicaciones.gulich.unc.edu.ar/app/


Desarrollo de un SAT para dengue. Doctorando, Tomás San Miguel.

Aguirre et al. (2021)

Sistema de vigilancia online



PROSAT II. BID N° 4840/OC-AR

Sistema de vigilancia online

PROSAT II. BID N° 4840/OC-AR

LULCC y brotes de enfermedades

Pérdida de bosque

Leishmaniasis visceral

Leishmaniasis cutánea

PICT 2021 - GRF TI - 00372

Acceso geográfico a la salud

Doctoranda, Carla Rodriguez Gonzalez.

Tiempo de viaje a centros de salud

Incidencia de asma y calidad del aire

Doctorando, Abraham Coiman.

Otros proyectos en desarrollo



Caracterización epidemiológica de la infección por parásitos intestinales en niños. Doctorando, Matias Scavuzzo.

Modelado geoespacial de la malnutrición en niños y adolescentes. Doctoranda, Micaela Campero.

Variables ambientales asociadas a las enfermedades no transmisibles. Dr. Juan Diego Pinotti & Dr. Ximena Porcasi.

Entonces ya está todo estudiado??

Brechas y desafíos del SR

  • Compromiso entre las diferentes resoluciones, el problema estudiado, los datos y los métodos disponibles.
  • Huecos en SR óptico: nubes, sombras (interpolaciones espaciales y temporales)
  • Correcciones si los datos de alto nivel no son adecuados
  • Acceso limitado a VHR, LiDAR e hiperespectrales (todavía difíciles de escalar).
  • Inversión y desarrollo de capacidades: grandes volúmenes de datos vs ancho de banda, almacenamiento y capacidad de cálculo limitados (computación en la nube, paralelización).

Los datos de campo siempre serán necesarios! :)

Oportunidades: low hanging fruits?

  • Datos SAR para evitar las nubes, ej., SAOCOM para estimar la humedad del suelo
  • Datos LiDAR abiertos, ej., GEDI a bordo de la ISS
  • Soluciones de código abierto en la nube openEO.cloud, actinia, otros?

Torresani et al. (2023)

Hyper-spectral hype

  • Varias misiones recientes y futuras para datos hiperespectrales: PRISMA (recientemente abierta), EnMap, CHIME, TIRS

http://database.eohandbook.com/database/instrumenttable.aspx,

Drones con cámaras especializadas

  • Vehículos aéreos no tripulados más baratos con distintos tipos de cámaras.
  • Ej., sensores térmicos multiespectrales o hiperespectrales para detectar y contar animales en lugares inaccesibles.

Carrasco-Escobar et al. (2022)

Feliz día!



veronica.andreo@ig.edu.ar

VeronicaAndreo

Presentación

In-saludables

Referencias

Aguirre, E., Andreo, V., Porcasi, X., Lopez, L., Guzman, C., González, P., and Scavuzzo, C. M. (2021), “Implementation of a proactive system to monitor Aedes aegypti populations using open access historical and forecasted meteorological data,” Ecological Informatics, 64, 101351. https://doi.org/10.1016/j.ecoinf.2021.101351.
Andreo, V., Glass, G., Shields, T., Provensal, C., and Polop, J. (2011), “Modeling Potential Distribution of Oligoryzomys longicaudatus, the Andes Virus (Genus: Hantavirus) Reservoir, in Argentina,” EcoHealth, 8, 332–348.
Andreo, V., Izquierdo-Verdiguier, E., Zurita-Milla, R., Rosa, R., Rizzoli, A., and Papa, A. (2018), “Identifying Favorable Spatio-Temporal Conditions for West Nile Virus Outbreaks by Co-Clustering of Modis LST Indices Time Series,” in IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia: IEEE, pp. 4670–4673. https://doi.org/10.1109/IGARSS.2018.8519542.
Andreo, V., Neteler, M., Rocchini, D., Provensal, C., Levis, S., Porcasi, X., Rizzoli, A., Lanfri, M., Scavuzzo, M., Pini, N., Enria, D., and Polop, J. (2014), “Estimating Hantavirus Risk in Southern Argentina: A GIS-Based Approach Combining Human Cases and Host Distribution,” Viruses, 6, 201–222. https://doi.org/10.3390/v6010201.
Andreo, V., Porcasi, X., Guzman, C., Lopez, L., and Scavuzzo, C. M. (2021), “Spatial Distribution of Aedes aegypti Oviposition Temporal Patterns and Their Relationship with Environment and Dengue Incidence,” Insects, 12, 919. https://doi.org/10.3390/insects12100919.
Andreo, V., Rosa, J., Ramos, K., and Salomón, O. D. (2022), “Ecological characterization of a cutaneous leishmaniasis outbreak through remotely sensed land cover changes,” Geospatial Health, 17. https://doi.org/10.4081/gh.2022.1033.
Carrasco-Escobar, G., Moreno, M., Fornace, K., Herrera-Varela, M., Manrique, E., and Conn, J. E. (2022), “The use of drones for mosquito surveillance and control,” Parasites & Vectors, 15, 473. https://doi.org/10.1186/s13071-022-05580-5.
Georganos, S., Grippa, T., Lennert, M., Vanhuysse, S., and Johnson, B. A. (2018), “Scale Matters: Spatially Partitioned Unsupervised Segmentation Parameter Optimization for Large and Heterogeneous Satellite Images,” 23.
Grippa, T., Lennert, M., Beaumont, B., Vanhuysse, S., Stephenne, N., Wolff, E., Grippa, T., Lennert, M., Beaumont, B., Vanhuysse, S., Stephenne, N., and Wolff, E. (2017), “An Open-Source Semi-Automated Processing Chain for Urban Object-Based Classification,” Remote Sensing, 9, 358. https://doi.org/10.3390/rs9040358.
Hamesse, C., Andreo, V., Rodriguez Gonzalez, C., Beumier, C., Rubio, J., Porcasi, X., Lopez, L., Guzman, C., Haelterman, R., Shimoni, M., and Scavuzzo, C. M. (2023), “Ovitrap Monitor - Online application for counting mosquito eggs and visualisation toolbox in support of health services,” Ecological Informatics, 75, 102105. https://doi.org/10.1016/j.ecoinf.2023.102105.
Kasampalis, D. A., Alexandridis, T. K., Deva, C., Challinor, A., Moshou, D., and Zalidis, G. (2018), “Contribution of remote sensing on crop models: A review,” Journal of Imaging, 4, 52. https://doi.org/10.3390/jimaging4040052.
Lambin, E. F., Tran, A., Vanwambeke, S. O., Linard, C., and Soti, V. (2010), “Pathogenic landscapes: Interactions between land, people, disease vectors, and their animal hosts,” International Journal of Health Geographics, 9, 54. https://doi.org/10.1186/1476-072X-9-54.
Lechner, A. M., Foody, G. M., and Boyd, D. S. (2020), “Applications in Remote Sensing to Forest Ecology and Management,” One Earth, 2, 405–412. https://doi.org/10.1016/j.oneear.2020.05.001.
Leitão, P. J., and Santos, M. J. (2019), “Improving models of species ecological niches: A remote sensing overview,” Frontiers in Ecology and Evolution, 7. https://doi.org/10.3389/fevo.2019.00009.
Meng, R., Gao, R., Zhao, F., Huang, C., Sun, R., Lv, Z., and Huang, Z. (2022), “Landsat-based monitoring of southern pine beetle infestation severity and severity change in a temperate mixed forest,” Remote Sensing of Environment, 269, 112847. https://doi.org/10.1016/j.rse.2021.112847.
Metz, M., Andreo, V., and Neteler, M. (2017), “A New Fully Gap-Free Time Series of Land Surface Temperature from MODIS LST Data,” Remote Sensing, 9, 1333. https://doi.org/10.3390/rs9121333.
Parselia, E., Kontoes, C., Tsouni, A., Hadjichristodoulou, C., Kioutsioukis, I., Magiorkinis, G., and Stilianakis, N. I. (2019), “Satellite Earth Observation Data in Epidemiological Modeling of Malaria, Dengue and West Nile Virus: A Scoping Review,” Remote Sensing, 11, 1862. https://doi.org/10.3390/rs11161862.
Pearson, R. G., and Dawson, T. P. (2003), “Predicting the impacts of climate change on the distribution of species: Are bioclimate envelope models useful?” Global Ecology and Biogeography, 12, 361–371. https://doi.org/10.1046/j.1466-822X.2003.00042.x.
Porcasi, X., Rotela, C. H., Introini, M. V., Frutos, N., Lanfri, S., Peralta, G., De Elia, E. A., Lanfri, M. A., and Scavuzzo, C. M. (2012), “An operative dengue risk stratification system in Argentina based on geospatial technology,” Geospatial Health, 6, S31–S42. https://doi.org/10.4081/gh.2012.120.
Rodriguez Gonzalez, C., Guzman, C., and Andreo, V. (2023), “Using VHR satellite imagery, OBIA and landscape metrics to improve mosquito surveillance in urban areas,” Ecological Informatics, 77, 102221. https://doi.org/10.1016/j.ecoinf.2023.102221.
Rumiano, F., Wielgus, E., Miguel, E., Chamaillé-Jammes, S., Valls-Fox, H., Cornélis, D., Garine-Wichatitsky, M. D., Fritz, H., Caron, A., and Tran, A. (2020), “Remote sensing of environmental drivers influencing the movement ecology of sympatric wild and domestic ungulates in semi-arid savannas, a review,” Remote Sensing, 12. https://doi.org/10.3390/rs12193218.
Torresani, M., Rocchini, D., Alberti, A., Moudrý, V., Heym, M., Thouverai, E., Kacic, P., and Tomelleri, E. (2023), “LiDAR GEDI derived tree canopy height heterogeneity reveals patterns of biodiversity in forest ecosystems,” Ecological Informatics, 102082. https://doi.org/10.1016/j.ecoinf.2023.102082.
Viana, J., Santos, J. V., Neiva, R. M., Souza, J., Duarte, L., Teodoro, A. C., and Freitas, A. (2017), “Remote Sensing in Human Health: A 10-Year Bibliometric Analysis,” Remote Sensing, 9, 1225. https://doi.org/10.3390/rs9121225.
Wang, D., Shao, Q., and Yue, H. (2019), “Surveying Wild Animals from Satellites, Manned Aircraft and Unmanned Aerial Systems (UASs): A Review,” Remote Sensing, 11, 1308. https://doi.org/10.3390/rs11111308.

Extra slide

Aplicación para contar huevos de Aedes


https://ovitrap-monitor.gulich.unc.edu.ar/

Hamesse et al. (2023)