Mais

Criando mapa de risco de doenças no QGIS?


Gostaria de criar um mapa de risco usando RFE Data e Tiffs, mas agora percebi que na verdade não tenho ideia de como.

Baixei os arquivos .Tiff (região), .hdr e .bil (chuva / RFE) da página do USGS, depois disso georreferenciei os dados .tiff e .bil para ver em qual parte da região há mais precipitação (É sobre a malária que apresenta o maior risco nas regiões com o maior RFE.)

O que eu quero fazer agora é criar um mapa que mostre claramente as regiões onde o risco é mais alto e uma forma de visualizá-lo da melhor maneira possível.


A maneira mais simples de executar sua análise (sem tentar definir suas entradas reais) é fazer alguma álgebra raster básica.

Experimente a calculadora raster: https://docs.qgis.org/2.8/en/docs/user_manual/working_with_raster/raster_calculator.html

Você pode construir algumas outras camadas vetoriais também, como 'distance to waterbody' como um raster de distância.

Para combiná-los, consulte Análise de decisão multicritério (MCDA) https://en.wikipedia.org/wiki/Multiple-criteria_decision_analysis

A ideia básica é que, digamos que você tenha três rasters R1, R2 e R3 e para cada célula (e os rasters devem ter a mesma extensão e tamanho de célula), você está calculando um índice dizendo:

IND = R1 + R2 + R3

Você também pode ponderar isso, definindo um peso para cada raster e combinando-o, para:

IND = (W1 * R1) + (W2 * R2) + (W3 * R3)

Além disso, é normal dimensionar os valores para cada raster de modo que fiquem entre 1 e 0; você pode fazer isso normalizando cada raster. Se você estiver normalizando, certifique-se de que a soma dos seus pesos seja 1, as diferenças fornecem a priorização de cada fator.

Finalmente, você pode ter fatores 'difíceis', então, você pode excluir o oceano de seu estudo. Obtenha um raster de seu oceano e classifique-o como 0 = oceano e 1 = não oceano. Se você multiplicar seu IND por essa camada OCEANO, você só terá valores nas células que não são oceano.


Ao modelar as distribuições de espécies, sejam eles animais ou plantas, geralmente são usadas sobreposições difusas. Para uma introdução à modelagem de adequação de habitat, sugiro que você dê uma olhada em GISLounge - Visão geral da seleção de locais em lógica difusa em GIS. Como Michael já assinalou corretamente, você precisará de mais de um critério (no seu caso, a precipitação) para modelar habitats com precisão. Só de uma rápida olhada em Mosqito World - Mosquito Habitats, eu já pude determinar que a cobertura da terra, corpos d'água e temperatura também devem entrar em seus cálculos.


Não sou especialista em doenças, mas às vezes preciso lidar com distribuições de abundância de espécies (SAD) com covariáveis, o que é metodicamente semelhante ao mapeamento de doenças (consulte o tópico 5 no final).

O mapeamento de risco para doenças é uma tarefa comum na ciência e nas estatísticas. O contexto de mapeamento (em termos de fazer mapas) não é assim no foco técnico, porque cientistas, médicos e epidemiologistas usam termos como covariáveis ​​e localização, que é mais um endereço no espaço estatístico / modelo do que coisas como x, y, z. Eu acho que para a doença da malária você pode encontrar muitas ferramentas estatísticas e de mapeamento se você pesquisar as palavras-chave "mapeamento de risco covariáveis ​​da malária". Se você deseja respostas FOSS rápidas, pode usar adicionalmente o "pacote r" para o contexto estatístico e de mapeamento. Aqui estão alguns resultados promissores da WEB:

  1. Modelos topográficos para prever habitats de reprodução de vetores da malária: ferramentas potenciais para gerentes de controle de vetores Jephtha C Nmor, Toshihiko Sunahara, Kensuke Goto, Kyoko Futami, George Sonye, ​​Peter Akweywa, Gabriel Dida e Noboru Minakawa http://www.parasitesandvectors.com/content / 6/1/14
  2. Mapeamento do risco de malária usando variáveis ​​ambientais e antrópicas; Mauricio Edilberto Rincón-RomeroI; Julián Esteban Londoño II
  3. Desenvolver um modelo estatístico espacial e um mapa da prevalência histórica da malária em Botswana usando um procedimento de seleção de variáveis ​​em etapas; Marlies H Craig, autor correspondente1, Brian L Sharp, Musawenkosi LH Mabaso e Immo Kleinschmidt
  4. Usando Modelos de Regressão Aditiva Estruturada para Estimar Fatores de Risco da Malária: Análise dos Dados da Pesquisa de Indicadores da Malária em 2010; James Chirombo, Rachel Lowe, Lawrence Kazembe
  5. SDMTools: Ferramentas de modelagem de distribuição de espécies: ferramentas para processar dados associados a exercícios de modelagem de distribuição de espécies https://cran.r-project.org/web/packages/SDMTools/index.html]