Predição espaço-temporal de criadouros do mosquito Aedes aegypti para controle de doenças tropicais negligenciadas uma abordagem de Aprendizado de Máquina
##plugins.themes.bootstrap3.article.main##
Resumo
As doenças causadas por arbovírus fazem parte do grupo de doenças tropicais negligenciadas de acordo com a Organização Mundial de Saúde. Dentre o grupo das arboviroses, os casos das doenças transmitidas pelo Aedes aegypti têm crescido de maneira bastante acelerada em uma escala global. Por serem doenças transmitidas por vetores de transmissão, a dinâmica dessas doenças é afetada por fatores que compõem um ambiente bastante heterogêneo (urbanização desordenada, inchaço populacional, fatores climáticos etc.). Uma das estratégias de combate às arboviroses é o controle da população dos moquistos, por meio do monitoramento de criadouros. Considerando este cenário, o presente trabalho tem como objetivo a construção de um modelo espaço-temporal para a predição da distribuição de criadouros do mosquito Aedes aegypti na cidade do Recife, Pernambuco, a partir dos dados dos criadouros e das variáveis climáticas (chuva, temperatura e velocidade dos ventos). Os dados referentes aos criadouros foram coletados do Levantamento de Índices para Aedes aegypti (LIRAa) para os anos de 2013 a 2016. Através do Banco de Dados Meteorológicos do INMET, obtiveram-se os dados referentes à temperatura e velocidade dos ventos, enquanto os registros das precipitações foram obtidos através da base de dados da Agência Pernambucana de Águas e Clima, também para os anos de 2013 a 2016. Para os criadouros do mosquito, construiu-se mapas da distribuição bimestral utilizando a interpolação IDW (Inverse Distance Weighted). Para treinar os modelos, foram avaliados os seguintes algoritmos de regressão: regressão linear, random forest (10, 20, 30 e 40 árvores), máquinas de vetor de suporte para regressão (C=0.1, kernels polinomiais de graus 1, 2 e 3, e kernel RBF) e perceptron multicamadas (10, 20, 30 e 40 neurônios na camada única escondida). Para cada regressor, realizaram-se os experimentos 30 vezes, com validação cruzada de 10-folds e a as métricas de avaliação selecionadas foram o coeficiente de correlação de Pearson e o root relative squared error (RRSE%). De acordo com os resultados dos experimentos, a máquina de vetores de suporte para regressão com kernel polinomial de grau 3 apresentou as melhores métricas para o coeficiente de correlação (0,9875) e RRSE% (14,60%). Em contrapartida, a configuração de SVM com kernel RBF atingiu um RRSE%, em média, bastante alto (acima dos 60%), apesar de ter atingido um bom coeficiente de correlação. Com base nos resultados, observa-se que o aprendizado de máquina pode ser uma ferramenta poderosa para a predição de criadouros do mosquito Aedes aegypti. Além disso, a abordagem espaço-temporal pode ser um instrumento de apoio à tomada de decisão de gestores que estão ligados ao planejamento de estratégias de prevenção e combate às arboviroses, possibilitando, desta forma, a otimização de recursos humanos e financeiros em regiões onde esses recursos são escassos.
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Edição
Seção
Engenharia da Computação e Sistemas