Palavras-chave
leishmanioses
índices de vegetação
avaliação de risco
Como Citar
Resumo
Os satélites de observação da Terra (SOT) da NASA foram usados para calcular três índices de vegetação, extrair dados de precipitação e elevação e avaliar sua aplicabilidade para identificar o risco para leishmaniose visceral (LV) e leishmaniose tegumentar (LT) no Estado da Bahia, Brasil. Modelos de regressão mostraram que ambas as formas de leishmaniose podem ser preditas pelos NDVI, NDMI, NDWI e precipitação TRMM (R2 = 0,370; p<0,001). A elevação não foi significativamente associada à distribuição de LV ou LT. Em áreas de alta precipitação anual, a LT foi 3,6 vezes mais provável de ocorrer do que a LV. Para a umidade vegetativa (NDMI), a LT apresentou 2,11 maior probabilidade de ocorrer do que a LV. As chances de ocorrência de LT aumentaram para 5,5 vezes em relação com a vegetação (NDVI) e 13,5 vezes quando o conteúdo de água líquida dos dosséis da vegetação (NDWI) foi considerado. Áreas em risco de LT e LV foram mapeadas com base nas variáveis explicativas selecionadas. A precisão dos modelos foi avaliada usando a área sob curva característica de operação do receptor (Curva COR=0,72). Propusemos que os modelos de risco em escala estadual baseados no uso de produtos SOT são uma ferramenta útil na resolução espacial de 1 km2 por permitir que profissionais de saúde identifiquem e direcionem áreas de alto risco para evitar a transmissão da leishmaniose.
Referências
2. Bhunia GS, Kesari S, Jeyaram A, Kumar V, Das P. Influence of topography on the endemicity of Kala-azar: a study based on remote sensing and geographical information system. Geospat Health. 2010;4(2):155–65. http://dx.doi.org/10.4081/gh.2010.197
3. Bavia ME, Carneiro DDMT, Gurgel HC, Madureira Filho C, Barbosa MGR. Remote sensing and geographic information systems and risk of American Visceral Leishmaniasis in Bahia , Brazil. Parasitologia. 2005;47(1):165–9.
4. Instituto Brasileiro de Geografia e Estatística - IBGE. Estudos e pesquisas: informação demográfica e socioeconômica, 28. Indicadores sociais municipais: uma análise dos resultados do universo do censo demográfico 2010. Rio de Janeiro(RJ): IBGE; 2011. Avaliable in: https://biblioteca.ibge.gov.br/visualizacao/livros/liv54598.pdf
5. Gu Y, Hunt E, Wardlow B, Basara JB, Brown JF, Verdin JP. Evaluation of MODIS NDVI and NDWI for vegetation drought monitoring using Oklahoma Mesonet soil moisture data. Geophys Res Lett. 2008;35(22). http://dx.doi.org/10.1029/2008GL035772
6. Hayes D, Cohen W, Sader S, Irwin D. Estimating proportional change in forest cover as a continous variable from multi-layer MODIS data. Remote Sens Environ. 2008;112:735–49. http://dx.doi.org/10.1016/j.rse.2007.06.003
7. Elith JH, Graham CP, Anderson R, Dudík M, Ferrier S, Guisan A et al. Novel methods improve prediction of species’ distributions from occurrence data. Ecography. 2006;29(2):129–51. http://doi.wiley.com/10.1111/j.2006.0906-7590.04596.x
8. Jin S, Sader SA. Comparison of time series tasseled cap wetness and the normalized difference moisture index in detecting forest disturbances. Remote Sens Environ. 2005;94(3):364–72. https://doi.org/10.1016/j.rse.2004.10.012
9. Gao BC. NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens Environ. 1996;58(3):257–66. Avaliable in: http://ceeserver.cee.cornell.edu/wdp2/cee6150/Readings/Gao_1996_RSE_58_257-266_NDWI.pdf
10. Franke CR, Staubach C, Ziller M, Schlüter H. Trends in the temporal and spatial distribution of visceral and cutaneous leishmaniasis in the state of Bahia, Brazil, from 1985 to 1999. Trans R Soc Trop Med Hyg. 2002;96(3):236–41. http:// dx.doi.org/10.1016/s0035-9203(02)90087-8”
11. Bavia ME, Hale LF, Malone JB, Braud DH, Shane SM. Geographic information systems and the environmental risk of schistosomiasis in Bahia, Brazil. Am J Trop Med Hyg. 1999;60(4):566–72. http:// dx.doi.org/10.4269/ajtmh.1999.60.566”
12. Bhunia GS, Kesari S, Chatterjee N, Pal DK, Kumar V, Ranjan A et al. Incidence of visceral leishmaniasis in the Vaishali district of Bihar, India: spatial patterns and role of inland water bodies. Geospat Health. 2011;5(2):205–15. http://dx.doi.org/10.4081/gh.2011.173
13. Saraiva L, Andrade Filho JD, Falcão AL, de Carvalho DA, de Souza CM, Freitas CR et al. Phlebotominae fauna (Diptera: Psychodidae) in an urban district of Belo Horizonte, Brazil, endemic for visceral leishmaniasis: characterization of favored locations as determined by spatial analysis. Acta Trop. 2011;117(2):137–45. http://dx.doi.org/10.1016/j.actatropica.2010.11.007
14. Cerbino Neto J, Werneck GL, Costa CH. Factors associated with the incidence of urban visceral leishmaniasis: an ecological study in Teresina, Piauí State, Brazil. Cad Saude Publica . 2009;25(7):1543–51. http://dx.doi.org/10.1590/S0102-311X2009000700012
15. McFeeters SK. Using the normalized difference water index (NDWI) within a geographic information system to detect swimming pools for mosquito abatement: a practical approach. Remote Sens. 2013;5(7):3544–61. https://doi.org/10.3390/rs5073544
16. Wilson EH, Sader SA. Detection of forest harvest type using multiple dates of Landsat TM imagery. Remote Sens Environ. 2002;80:385–96. https://doi.org/10.1016/S0034-4257(01)00318-2
17. Elnaiem DEA, Schorscher J, Bendall A, Obsomer V, Osman ME, Mekkawi AM et al. Risk mapping of visceral leishmaniasis: the role of local variation in rainfall and altitude on the presence and incidence of kala-azar in eastern Sudan. Am J Trop Med Hyg. 2003;68(1):10–7. http:// dx.doi.org/10.4269/ajtmh.1999.60.566”
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2019 Moara de Santana Martins Rodgers, Maria Emilia Bavia, Bernard Eichold II, Claire Shipman, Nathan Owen, Hunter Winstanley, Margaret Gordon, Marine Karapetyan, Marta Mariana Nascimento Silva, Deborah Daniela Madureira Trabuco Carneiro, Luciana Lobato Cardim, Elivelton da Silva Fonseca, John Brooks Malone