Apports de la modélisation

Slides:



Advertisements
Présentations similaires
Stop to invasive weeds / Photo ACTA
Advertisements

Comprendre le passé et prévoir le futur
Animation scientifique de l'équipe Green
Aide à la décision pour la gestion durable des agrosystèmes
Climat et agriculture en Afrique de lOuest. Des incertitudes sur les impacts agronomiques Les principales causes de ces incertitudes : La modélisation.
Ensemble pour lEstimation et la Projection (EEP).
PROJET DE RENFORCEMENT DES CAPACITÉS DES DECIDEURS : LUTTE CONTRE LES CHANGEMENTS CLIMATIQUES DANS DES SECTEURS CLES RAPPORT SUR LEVALUATION DU SECTEUR.
REGLEMENTATION ET INGENIERIE
La mousson en Afrique de l’Ouest, état moyen et variabilité
Démarches de modélisation
Une approche informationnelle de la restauration d’images
Climat et risques infectieux
Analyse économique de la dynamique des pêcheries: approche par simulation multi-agents. Olivier Thébaud, Jean-Christophe Soulié 1er Colloque du défi Golfe.
bloom phytoplanctonique
Un modèle physique-biologie de croissance et survie larvaire
Exemple/Projet/Demarche Flash -
Modélisation du développement des épidémies d'oïdium de la vigne
Les apports de la recherche : conclusions du projet ANR « Autrement »
Etats Généraux du Sanitaire Groupe 2- Outils, Méthodes, Stratégies
Récifs artificiels dans un cadre bioeconomique spatial
3. Analyse et estimation du mouvement dans la vidéo
Modélisation de la demande de vaccination
Evaluer des compétences
Qu’est-ce qu’une étude de cas ? Comment construire une étude de cas ?
Chikungunya – Stratégie de Lutte
Une lecture possible du nouveau programme de Première S
WP4: Estimation des mouvements du sol par approche empirique (Nice et Grenoble) WP3: Estimation des mouvements du sol par approche déterministe Réunion.
Plan d’implementation MERMeX
Module SIG-Santé 15. Modélisation Marc SOURIS
Epidémiologie des maladies infectieuses et écologie
QTLmap et les données ayant une distribution non gaussienne
Simulation multi-agent de phénomènes collectifs : quelques questions d’ordre épistémologique Frédéric AMBLARD Institut de Recherche en Informatique de.
Programme d’Étude Européen pour une méthodologie en Éducation à l’Environnement Projet de formation.
Modélisation du climat : les équations primitives maltraitées
Demand-side factors in optimal land conservation choice Amy W. Ando *, Payal Shah in Ressource and Energy Economis.
Estimations des changements climatiques dus aux activités humaines. Jean-Louis Dufresne CNRS / IPSL / LMD Laboratoire de Météorologie.
Mais…Les insectes jouent « Dieu ne joue pas aux dés » (Einstein)…
Dominique LOUIS – Stage cartographie – 8 mars 2006 Discrétisation cartographique La carte, un ensemble de choix.
Surveillance Écologique à La Surveillance Environnementale
Évaluation et suivi du rendement des programmes defficacité énergétique Mallika Nanduri Ressources naturelles Canada Le 12 mai 2005.
Table ronde Variation décennale du climat
West Nile virus emergence and large-scale declines of North American bird populations Shannon L. LaDeau, A. Marm Kilpatrick & Peter P. Marra Nature Aurore.
1 Propagation dépidémie la Rougeole à l'Unil-EPFL Superviseur : Micha Hersch Etudiants : Bruno Pais & Didier Languetin 3 avril 2009.
Dynamique de l'épidémie (la Rougeole à l'Unil-EPFL)
Objectif Etude des caractéristiques d’évolution d’une épidémie en fonction de la diversité génétique: - type d’épidémie - proportion de la population infectée.
Modes de représentation des incertitudes : Un état des lieux
Etude des bactéries symbiotes de vecteurs :
des modèles utilisés pour la modélisation incendie
Des techniciens occupés …52 semaines par année ou presque ! Grand Forum de l’AIA 27 février 2008.
Simulations 2D méridien-vertical sur l’Afrique de l’Ouest P
Thermodynamique à la surface de jour humidité relative à 2m ~ niveau de condensation « lifté » ~ proxi de base de nuages et donc de couche mélangée atmosphérique.
Toulouse Réunion des Utilisateurs Méso-NH mars 2005 Simulations LES d’une couche limite convective: variabilité de la vapeur d’eau PLAN  Objectifs de.
Rencontre inter ORU 24 mai 2013
27/06/20081 Programme Amazonie Journée des directeurs de Programmes Interdisciplinaires 27 juin 2008 Gif-sur-Yvette.
Études écologiques.
Nonpharmaceutical interventions implemented by US cities during the JAMA 8 août 2007 Markel H et al.
Étude des conditions climato-météorologiques observées lors du déclenchement des épidémies saisonnières de grippe Fig. n°1 : Des épidémies de grippe d’ampleur.
L’enseignement de l’Analyse Fonctionnelle et Structurelle S 5 en S. T
Cross-Country Workshop for Impact Evaluations in Agriculture and Community Driven Development Addis Ababa, April 13-16, 2009 Léandre Bassolé Africa Impact.
D’apres une publication de E.Cebrian et E. Ballesteros (Estuarine, Coastal and Shelf Science , 2009) Variabilité spatio-temporelles de Caulerpa.
L’éco-socio-conception
Comparaison multi-échelle des précipitations du modèle Méso-NH et des données radar Colloque CNFSH – Ecole des Ponts ParisTech – 11/12 juin 2009 A., Gires.
L’utilité de l’observation de la Terre dans la gestion des risques en santé publique Stéphanie Brazeau, Serge Olivier Kotchi Division Science des risques.
Couche limite atmosphérique et micrométéorologie Hiv 2008 : 08/01 à 24/04 Semaine de relâche : 25/02-03/03.
L’influence du climat sur la transmission de la malaria dépend de la variation journalière de température Krijn P. Paaijmans, Simon Blanford, Andrew S.
Présentation du module « Designing new crops for the future » Florian Fort Maître de conférences Isabel Martin Grande Ingénieur pédagogique numérique Dominique.
ORACLE Kick-Off Meeting1 Régionalisation statistique de variables à grande échelle pour évaluer les risques et les incertitudes P. Yiou & M. Vrac LSCE.
Refonte du portail eaufrance
TITRE DE LA FEUILLE DE ROUTE DE PRODUIT
TITRE DE LA FEUILLE DE ROUTE DE PRODUIT
Transcription de la présentation:

Apports de la modélisation GIS « Climat-Environnement-Société » Climat et Maladies infectieuses Apports de la modélisation Nicolas Degallier Nicolas.degallier@ird.fr Benjamin Sultan Benjamin.Sultan@locean-ipsl.upmc.fr LOCEAN-IPSL (UMR 7159), équipe VARTROP

Pourquoi ? Quoi ? Comment ?

Pourquoi ? Prévoir les épidémies Quantifier les risques Observations sur la saisonalité et les fluctuations interannuelles des maladies (Cro-Magnon et al., -30000) Prévoir les épidémies Début, durée, intensité Quantifier les risques Indice de risque; cartographie; système d’alerte précoce Réaliser la prévention Déclenchement d’actions préventives: communication, vaccination, contrôle vectoriel

Quoi ? Attention aux variables trop intégrées et/ou sans relations directes avec le climat Taille finale de l’épidémie : paramètre-clé pour les décideurs MAIS : paramètre très difficile à appréhender car trop variable et trop intégré limites fondamentales dans sa prévisibilité pour les maladies à transmission directe de petites variations à très petite échelle (promiscuité, comportements sociaux, …) ont des répercussions à grande échelle. L’environnement n’est qu’un facteur explicatif parmi d’autres dans l’histoire d’une épidémie Doit être appréhendé de manière stochastique Il faut chercher des paramètres prévisibles et directement lié au climat

Des indicateurs de l’épidémie liés au climat Au Mali: le vent d’Harmattan semble contrôler le démarrage de l’épidémie Sultan et al. (2005) Dynamique saisonnière Cartes de Risque Districts touchés par les épidémies de méningite sur la période 1841-1999 (Molesworth et al. 2002) Zones à risque de la méningite selon un modèle statistique basé sur des variables environnementales (Molesworth et al. 2003)

Comment ? Les modèles Approche statistique vs. approche mécaniste Choix et contraintes d’échelle Validation Reproductibilité Opérationalisation: early warning system

L’approche multi-échelle ESPACE Echelle fine Grande échelle TEMPS Désagrégation Variabilité climatique IMPACTS Cas de maladie Agrégation Donnée locale = f (grande-échelle, caractéristiques locales)

Approche statistique ?? OK OK ?? Les dangers de l’approche purement statistique : Ne pas oublier de poser des hypothèses ?? Poussières OK OK ?? Poussières Pluies Pluies Sep Oct Nov Dec Jan Fev Mar Avr Mai Juin Juil Aout

Mosquito immature stages The model of Dengue transmission and risk evaluation Mosquito: development survival gonotrophic cycle Virus: extrinsic cycle Infection rate Vectorial capacity Basic reproduction number (R0) Other factors: trophic preferences human behavior interrupted feeding virus genetics mosquito genetics vertical transmission Emergence Man-made environment Vectorial capacity R0 Epidemic curves Mosquito adult stage Mosquito immature stages Climate Human dengue status Reproduction Virus transmission Bonne connaissance indispensable de l’histoire naturelle et/ou écologie de la maladie Besoin de données expérimentales

Applications: risque actuel Densité de vecteurs par personne Seuil de transmission épidémique = 1 Applications: risque actuel

Applications: SRES B1 Densité de vecteurs par personne Seuil de transmission épidémique = 1 Applications: SRES B1

Applications: SRES A2 Densité de vecteurs par personne Seuil de transmission épidémique = 1 Applications: SRES A2

Conclusion Il vaut mieux… prévenir que guérir! Merci!