Improving mosquito population predictions in the Greater Toronto Area using remote sensing imagery
Notice bibliographique
Résumé
West Nile Virus (WNV) and St. Louis Encephalitis (SLE) are two of the most common mosquito-borne diseases in North America. WNV and SLE have sporadic spatial and temporal outbreaks, making their outbreaks difficult to predict. However, recent studies have found that mosquito abundance is correlated with WNV and SLE transmission, providing researchers with a starting point for the development of mosquito-borne disease forecasting systems. Mosquito populations are controlled by a variety of environmental variables, including humidity, temperature, vegetation, and available water habitat for breeding. Current mosquito population forecasting models heavily weigh precipitation and temperature inputs, as they are traditionally seen as the best estimates of available breeding space in a region of interest. Although rainfall data are easy to acquire, precipitation data may not actually be the best estimates of mosquito habitat, as water does not flow evenly across landscapes. Furthermore, precipitation data generally come at a spatial resolution of 800 m to 2,500 m, and while this resolution can help predict mosquito abundances on large spatial scales, it inhibits the estimation of mosquito populations in urban areas with granular landscape heterogeneity. To overcome these limitations, this research explores the use of multispectral imagery for predicting mosquito populations, specifically in the Greater Toronto Area. Multispectral imagery is an attractive data source for predicting mosquito abundance due to its consistent collection and comparatively high spatial resolution (e.g., 30 m for Landsat). We derive a monthly time series of standard spectral indices from multispectral imagery over the Greater Toronto Area from 2004 to 2011. We then explore how spectral indices perform as a predictor for combined Cx. restuans and Cx. pipiens mosquito populations, with the ultimate aim of using multispectral imagery to forecast mosquito-borne diseases in highly urbanized areas.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».