The Use of Radar Remote Sensing for Identifying Environmental Factors Associated with Malaria Risk in Coastal Kenya
Notice bibliographique
Résumé
Malaria remains one of the greatest killers of human beings, particularly in the developing world. The World Health Organization has estimated that over one million cases of Malaria are reported each year, with more than 80% of these found in Sub-Saharan Africa. The anopheline mosquito transmits malaria, and breeds in areas of shallow surface water that are suitable to the mosquito and parasite development. These environmental factors can be detected with satellite imagery, which provide enhanced spatial and temporal coverage of most of the earth's surface. The combined use of remote sensing and GIS provides an effective tool for monitoring environmental conditions that are conducive to malaria, and mapping the disease risk to human populations. <p> Since many vector-borne diseases such as malaria are prevalent in tropical areas, persistent cloud cover often presents a challenge to remote sensing operations. Radar remote sensing has the capability of penetrating clouds, providing a solution to the cloud-cover problem often experienced with optical satellite remote sensing. This research investigates the use of RADARSAT-1 data for monitoring and mapping malaria risk in coastal Kenya. An object-oriented approach to image classification is taken in order to circumvent some of the limitations of traditional pixel-based classification of radar imagery. GIS routines are used to assess how classified land cover variables relate to the presence and abundance of malaria-carrying mosquitoes and their proximity to populated areas, in order to generate a malaria risk map.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».