Sensitivity of vegetation to climate variability and its implications for malaria risk in Baringo, Kenya
Notice bibliographique
Résumé
The global increase in vector borne diseases has been linked to climate change. Seasonal vegetation changes are known to influence disease vector population. However, the relationship is more theoretical than quantitatively defined. There is a growing demand for understanding and prediction of climate sensitive vector borne disease risks especially in regions where meteorological data are lacking. This study aimed at analyzing and quantitatively assessing the seasonal and year-to-year association between climatic factors (rainfall and temperature) and vegetation cover, and its implications for malaria risks in Baringo County, Kenya. Remotely sensed temperature, rainfall, and vegetation data for the period 2004-2015 were used. Poisson regression was used to model the association between malaria cases and climatic and environmental factors for the period 2009-2012, this being the period for which all datasets overlapped. A strong positive relationship was observed between the Normalized Difference Vegetation Index (NDVI) and monthly total precipitation. There was a strong negative relationship between NDVI and minimum temperature. The total monthly rainfall (between 94 -181mm), average monthly minimum temperatures (between 16-21°C) and mean monthly NDVI values lower than 0.35 were significantly associated with malaria incidence rates. Results suggests that a combination of climatic and vegetation greenness thresholds need to be met for malaria incidence to be significantly increased in the county. Planning for malaria control can therefore be enhanced by incorporating these factors in malaria risk mapping.
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) | 0,000 | 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 | 0,000 |
| 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 ».